2009 yazında, İsrailli nörobilimci Henry Markram, İngiltere’nin Oxford kentindeki TED sahnesine çıktı ve utanmaz bir teklifte bulundu: on yıl içinde, o ve meslektaşlarının bir süper bilgisayarın içinde insan beyninin tam bir simülasyonunu inşa edeceğini söyledi. Neokorteksteki hücrelerin haritasını çıkarmak için seneler harcadılar, sözde düşünce ve algı yeri. Şimdi ekibi, yapay zekanın organik olarak ortaya çıkacağını umdukları silikonda sanal bir yağmur ormanı yaratacaktı. Her şey yolunda giderse, şaka yaptı, belki de simüle edilmiş beyin, hologram tarafından ışınlanan bir TED konuşması yapardı.
Cajal’ın nöronlara bakma biçimi, bilim adamlarının beyin fonksiyonlarını inceledikleri mercek haline geldi. Aynı zamanda büyük teknolojik ilerlemelere de ilham verdi. 1943’te, psikolog Warren McCulloch ve evsiz bir genç matematik dâhisi olan protégé Walter Pitts, beyin hücrelerinin karmaşık düşünceleri nasıl kodladığına dair zarif bir çerçeve önerdi. Teorileştirdikleri her nöron, birden çok girişi tek bir ikili çıktıda birleştiren temel bir mantıksal işlem gerçekleştirir: doğru ya da yanlış. Bu işlemler, alfabedeki harfler kadar basit, kelimelere, cümlelere, biliş paragraflarına dizilebilir. McCulloch ve Pitts modelinin beyni çok iyi tanımlamadığı ortaya çıktı, ancak ilk modern bilgisayarın mimarisinin Önemli bir parçası haline geldi. Sonunda, derin öğrenmede yaygın olarak kullanılacak olan yapay sinir ağlarına dönüştü.
Bu ağlar çok daha iyi sinirsel-ish olarak adlandırılabilir. McCulloch Pitts nöronu gibi, beyinde neler olup bittiğinin izlenimci portreleridir. Sarı bir Labrador tarafından yaklaştığınızı varsayalım. Köpeği tanımak için, beyniniz retinanızdan gelen ham verileri, köpeğin görsel özelliklerini seçen ve son sahneyi bir araya getiren serebral korteksinizdeki özel nöronların katmanları aracılığı ile huni haline getirmelidir. Derin bir sinir ağı, dünyayı benzer şekilde yıkmayı öğrenir. Ham veriler, çok büyük bir nöron dizisinden birkaç küçük nöron kümesinden akar, her biri bir önceki katmandan gelen girdileri genel fotoğrafa karmaşıklık katacak şekilde birleştirir: ilk katman, bir sonraki dokuya birleştirilen kenarları ve parlak noktaları bulur, bir sonraki bir burun içerisine toplanır, vb. Bir Labrador çıkana kadar.
Bu benzerliklere rağmen, çoğu Yapay Sinir Ağı kesinlikle beyin benzeri değildir, çünkü kısmen biyolojik sistemlerin gerçekleştirmesi imkânsız olmasa da zor olacak matematiksel hileler kullanmayı öğrenirler. Bununla beraber, beyin ve yapay zekâ modelleri ortak bir şeyi paylaşıyor: araştırmacılar hala neden bu kadar iyi çalıştıklarını anlamıyorlar.
Bilgisayar bilimcilerinin ve sinirbilimcilerin peşinde olduğu şey, evrensel bir zekâ teorisidir hem dokuda hem de silikonda geçerli olan bir dizi ilke. Bunun yerine, sahip oldukları şey detayların karmaşasıdır. Markram’ın simüle edilmiş beynini önermesinden on bir yıl ve 1,3 milyar dolar sonra, zekâ çalışmasına temel bir anlayış getirmedi.
Yapay zeka modellerinin beyni taklit etmesi gerekmeyebilir. Uçaklar kuşlara çok az benzerlik göstermesine rağmen uçarlar. Yine de zekayı anlamanın en hızlı yolunun biyolojiden ilkeleri öğrenmek olması muhtemeldir. Bu beyinde durmuyor: evrimin kör tasarımı, tüm doğa boyunca parlak çözümlere çarptı. Şu anda, en büyük zihinlerimiz, Ay’ın güneşten gelen ışığı ödünç aldığı gibi, hücrelerimizin üreme mekanizmalarından ödünç alınan bir virüsün nerdeyse donuk zekasına karşı çok çalışıyor. Yine de zekanın beyinde nasıl uygulandığına dair detayları kataloglarken, imparatorun yokluğunda imparatorun kıyafetlerini tanımladığımızı hatırlamak son derece önemlidir. Ancak, ne giydiği önemli değil, onu gördüğümüzde onu tanıyacağımıza söz veriyoruz.
