Ditulis oleh Tim Ilmiah Qubic
Akademi Kecerdasan Neuraxon — Volume 3
1. Neuromodulasi di Otak: Dasar dari Kecerdasan Adaptif
Neuromodulasi mengacu pada seperangkat mekanisme yang mengatur bagaimana sistem saraf berfungsi pada momen tertentu, tanpa mengubah arsitektur dasarnya. Berkat neuromodulasi, otak dapat belajar dengan cepat atau lambat, menjadi eksploratif atau konservatif, dan tetap terbuka terhadap hal baru atau fokus pada apa yang sudah dikenal. Pengkabelan tidak berubah; yang berubah adalah cara pengkabelan itu digunakan. Konsep ini sangat penting untuk memahami AI yang terinspirasi otak dan arsitektur di balik Neuraxon Qubic.
Reseptor Ionotropik vs. Metabotropik: Dua Skala Waktu Sinyal Saraf
Untuk memahami neuromodulasi dengan benar, penting untuk membedakan antara dua bentuk aksi kimia di otak. Di satu sisi, ada neurotransmitter yang bekerja pada reseptor ionotropik, seperti glutamat dan GABA. Reseptor ini adalah saluran ion: ketika mereka diaktifkan, mereka menghasilkan perubahan listrik segera di neuron, dalam skala milidetik. Ini sesuai dengan tingkat komputasi saraf yang cepat: informasi konkret ditransmisikan, sinyal sensorik diintegrasikan, keputusan cepat diambil, dan aktivitas neuronal yang menopang persepsi, gerakan, dan pemikiran waktu nyata dihasilkan.
Di sisi lain, ada neurotransmitter seperti dopamin, noradrenalin, serotonin, dan asetilkolin, yang aksi utamanya diekspresikan melalui reseptor metabotropik. Reseptor ini tidak secara langsung menghasilkan sinyal listrik. Sebaliknya, mereka mengaktifkan kaskade pensinyalan intraseluler yang memodifikasi sifat internal neuron selama periode waktu yang lebih lama, detik, menit, atau lebih. Ini mewakili tingkat dinamis lambat dari pemrosesan saraf, yang fundamental bagi bagaimana otak beradaptasi dan belajar.
Cara intuitif untuk memikirkan perbedaan ini adalah melalui metafora pelabuhan. Reseptor ionotropik seperti perenang, peselancar, atau perahu kecil yang masuk dan keluar dengan cepat. Reseptor metabotropik, sebaliknya, seperti kapal kargo besar. Agar mereka dapat bersandar, izin diperlukan, koordinasi diperlukan, dan logistik pelabuhan harus disesuaikan. Reseptor metabotropik ini mengubah plastisitas sinaptik dan kemudahan neuron merespons—modulasi lambat ini tidak mentransmisikan informasi, melainkan mengubah aturan internal sistem.
Empat Neuromodulator: Dopamin, Noradrenalin, Serotonin, dan Asetilkolin
Inilah di mana sistem neuromodulator utama berperan. Masing-masing dari empat neurotransmitter ini memainkan peran berbeda dalam mengatur bagaimana otak memproses informasi, belajar, dan beradaptasi:
Dopamin, yang terutama berasal dari area tegmen ventral dan substansia nigra, tidak memberi sinyal kesenangan secara langsung, tetapi lebih ketika sesuatu relevan untuk pembelajaran. Ia menyesuaikan sensitivitas sistem terhadap kesalahan dan kebaruan. Seperti yang ditunjukkan oleh Schultz (2016) dalam karyanya yang mendasar tentang pengkodean kesalahan prediksi hadiah dopamin, dopamin memberi sinyal perbedaan antara hasil yang diharapkan dan yang aktual, sebuah mekanisme yang sangat penting untuk pembelajaran penguatan baik dalam sistem biologis maupun buatan.
Noradrenalin (Norepinefrin), yang terutama dilepaskan dari locus coeruleus, mengatur kewaspadaan dan keseimbangan antara eksplorasi dan eksploitasi. Ketika tonenya tinggi, otak menjadi lebih sensitif terhadap perubahan tak terduga dan kurang terikat pada rutinitas. Ini sejalan dengan teori integratif yang diusulkan oleh Aston-Jones & Cohen (2005), yang mengaitkan fungsi locus coeruleus–norepinephrine dengan kontrol keuntungan adaptif dan pengambilan keputusan dalam ketidakpastian.
Serotonin, yang berasal dari nukleus raphe, memodulasi suasana hati, tidur, penghambatan, dan stabilitas perilaku. Seperti yang dieksplorasi dalam Dayan & Huys (2009), serotonin tidak mendorong sistem untuk belajar dengan cepat, tetapi lebih untuk menunggu, menghindari reaksi impulsif, dan mempertahankan perilaku ketika lingkungan tidak pasti. Ini memainkan peran penting dalam kesabaran dan perencanaan jangka panjang.
Asetilkolin, yang dilepaskan dari nukleus forebrain basal di batang otak, memainkan peran sentral dalam perhatian dan pembelajaran yang bergantung pada konteks. Ia memfasilitasi pembukaan jaringan kortikal terhadap informasi sensorik yang relevan dan memungkinkan plastisitas sinaptik ketika lingkungan memintanya. Ini sangat penting ketika sesuatu yang baru harus dipelajari, menjadikannya penting untuk komputasi saraf adaptif.
Berkat tindakan gabungan ini, stimulus yang sama dapat menghasilkan respons yang berbeda tergantung pada keadaan neuromodulator. Sirkuitnya sama, tetapi cara operasinya telah berubah. Inilah sebabnya mengapa otak tidak merespons dengan cara yang sama ketika ia waspada seperti ketika ia lelah, dan tidak belajar dengan cara yang sama dalam situasi rutin seperti saat dihadapkan pada kebaruan atau kejutan.
Tingkat Meta: Jendela Plastisitas dan Pembelajaran Adaptif
Ada juga tingkat ketiga yang lebih dalam, yang dapat dipahami sebagai tingkat meta regulasi saraf. Tingkat ini tidak secara langsung mengatur aktivitas neuronal atau kecepatannya, tetapi lebih pada kondisi di mana sistem dapat berubah secara permanen. Di otak, aktivitas bersamaan antara neuron tidak menjamin pembelajaran. Untuk memperkuat atau melemahkan koneksi, keadaan neuromodulator harus mengizinkannya. Seolah-olah ada sinyal diam yang mengatakan, "sekarang ya," atau "sekarang tidak."
Neuromodulasi dengan demikian berfungsi sebagai sistem yang membuka atau menutup jendela plastisitas, memutuskan kapan sebuah kesalahan, pengalaman, atau kebetulan layak untuk dikonsolidasikan. Arsitektur multiskala ini, cepat, lambat, dan meta, ada karena sistem cerdas tidak dapat selalu menerapkan aturan yang sama. Seperti yang dijelaskan oleh Marder (2012) dalam tinjauan seminalnya, neuromodulasi sirkuit neuron adalah bagaimana otak mencapai fleksibilitas perilaku tanpa membangun kembali arsitekturnya.
Keadaan tubuh, tingkat energi, kelelahan, atau rasa sakit adalah bagian dari lingkungan internal. Kebaruan, ancaman, kesempatan, pengulangan, atau prediktabilitas adalah bagian dari lingkungan eksternal. Sistem neuromodulator menerjemahkan kondisi ini menjadi keadaan fungsional. Melalui dopamin, noradrenalin, serotonin, dan asetilkolin, otak mengevaluasi apakah suatu situasi layak untuk dipelajari, apakah kehati-hatian diperlukan, apakah eksplorasi atau konservasi lebih disukai, dan apakah kesalahan itu informatif atau sekadar kebisingan. Lingkungan tidak secara langsung menentukan respons, tetapi memodulasi aturan di mana otak merespons. Prinsip ini berada di jantung apa yang dijelaskan oleh Friston (2010) sebagai prinsip energi bebas, sebuah kerangka kerja terpadu yang menyarankan bahwa otak terus meminimalkan kejutan melalui model internal yang adaptif.
2. Mengapa Model Bahasa Besar dan Arsitektur Transformer Kekurangan Neuromodulasi
Model bahasa besar (LLMs) dan arsitektur berbasis Transformer tidak memiliki neuromodulasi. Meskipun mereka memproses urutan panjang dan telah mencapai kinerja yang luar biasa dalam pemrosesan bahasa alami, mereka tidak memiliki sistem yang secara dinamis mengatur rezim operasi model selama inferensi.
Sifat Statis dari Sistem AI Berbasis Transformer
Pembelajaran dalam LLM terjadi selama fase pelatihan yang sepenuhnya terpisah dari penggunaan. Bobot disesuaikan melalui propagasi balik kesalahan, dan setelah pelatihan selesai, model memasuki keadaan tetap. Selama inferensi, tidak ada plastisitas dan tidak ada perubahan yang tahan lama sebagai fungsi konteks. Sistem tidak memutuskan kapan tepat untuk belajar dan kapan harus menstabilkan, karena tidak belajar saat beroperasi. Ini adalah keterbatasan mendasar yang telah dikonfirmasi oleh penelitian terbaru, LLM tidak memiliki model dunia internal yang benar dan kemampuan untuk beradaptasi secara real-time.
Beberapa pendekatan yang terinspirasi oleh neuromodulasi berusaha untuk mendekati efek tertentu dengan menyesuaikan parameter seperti laju pembelajaran selama pelatihan, mengaktifkan atau menonaktifkan subnet, atau memodulasi fungsi aktivasi. Namun, ini hanyalah optimisasi eksternal, bukan sistem internal yang mengatur aktivitas dan plastisitas secara real-time. Seperti yang dikemukakan oleh Mei, Müller & Ramaswamy (2022) dalam Trends in Neurosciences, menginformasikan jaringan saraf dalam-dalam dengan prinsip multiskala dari sistem neuromodulator tetap menjadi tantangan terbuka, satu yang belum ditangani oleh arsitektur LLM saat ini.
Meskipun neuromodulasi kadang-kadang disebut dalam konteks AI, LLM dan Transformer tetap merupakan pendekatan parsial, bukan sistem yang dapat dibandingkan dengan otak. Kesenjangan antara komputasi matriks statis dan regulasi dinamis yang bergantung pada keadaan yang ditemukan dalam jaringan saraf biologis adalah tepatnya apa yang menjadikan arsitektur AI yang terinspirasi oleh otak seperti Neuraxon langkah selanjutnya yang diperlukan menuju kecerdasan buatan adaptif.
3. Bagaimana Neuraxon Menghitung Neuromodulasi: Arsitektur AI yang Terinspirasi oleh Otak
Dalam Neuraxon, komputasi adalah proses yang berlangsung dalam waktu kontinu. Kode tersebut mengekspresikan sistem yang mempertahankan keadaan internal, s(t), yang berkembang bahkan tanpa stimulus eksternal yang jelas. Keadaan ini memengaruhi perilaku di masa depan, menciptakan sistem saraf hidup yang selalu aktif, sebuah konsep yang dieksplorasi secara detail dalam makalah penelitian Neuraxon.
Dinamika Cepat, Lambat, dan Meta dalam Komputasi Saraf
Neuraxon secara eksplisit menggabungkan dinamika cepat, lambat, dan meta, mencerminkan arsitektur temporal multiskala yang ditemukan di otak biologis. Dinamika cepat mengatur propagasi aktivitas yang segera, analog dengan sinyal neuronal cepat melalui reseptor ionotropik. Dinamika lambat memperkenalkan akumulasi, keberlangsungan, dan stabilisasi pola, memungkinkan sistem untuk mempertahankan informasi di luar momen instan, mirip dengan bagaimana reseptor metabotropik memodulasi fungsi saraf selama detik dan menit. Dinamika meta bertindak pada aturan interaksi antara yang sebelumnya, memodulasi kapan sistem menjadi lebih sensitif terhadap perubahan dan kapan ia cenderung mempertahankan keadaannya.
Neuromodulasi dalam Neuraxon tidak diterapkan sebagai penyesuaian parameter eksternal. Sistem tidak secara eksplisit memutuskan apa yang harus dipelajari, tetapi lebih pada kondisi di mana ia dapat berubah. Ini mencerminkan bagaimana neuromodulator biologis seperti dopamin dan serotonin menciptakan jendela plastisitas daripada secara langsung mengkode informasi. Anda dapat menjelajahi dinamika ini secara langsung dengan simulasi 3D interaktif Neuraxon di HuggingFace Spaces, di mana Anda dapat mengatur tingkat dopamin, serotonin, asetilkolin, dan norepinefrin secara real-time dan mengamati bagaimana pengaruhnya terhadap perilaku jaringan.
Dari Prinsip Biologis ke AI Terdesentralisasi
Pendekatan ini tidak mereproduksi kompleksitas molekuler atau anatomis otak, yang saat ini tidak mungkin untuk direplikasi. Tidak ada ribuan reseptor atau jaringan biologis yang nyata. Namun, ini mempertahankan dan menghitung prinsip esensial: kecerdasan bersifat adaptif, dan oleh karena itu memerlukan dinamika internal, keadaan, dan modifikasi.
Arsitektur neuromodulasi Neuraxon adalah bagian inti dari visi lebih luas Qubic untuk AI terdesentralisasi. Dengan mengintegrasikan Neuraxon dengan kerangka evolusi Jaringan Cerdas Aigarth, Qubic menciptakan sistem di mana jutaan arsitektur berbasis Neuraxon dapat berkembang, bersaing, dan memperbaiki melalui komputasi terdistribusi, didorong oleh mekanisme konsensus Bukti Kerja Berguna (UPoW) dari jaringan Qubic.
4. Jelajahi Neuromodulator dengan Demo Interaktif Neuraxon
Ingin merasakan bagaimana neuromodulasi bekerja dalam sistem AI yang terinspirasi oleh otak? Demo Neuraxon Mood Mixer memungkinkan Anda mengatur tingkat dopamin, serotonin, asetilkolin, dan norepinefrin secara real-time dan mengamati bagaimana neuromodulator ini memengaruhi perilaku jaringan saraf. Ini adalah cara praktis untuk memahami prinsip-prinsip yang dibahas dalam artikel ini dan melihat perbedaan antara komputasi AI statis dan pemrosesan dinamis yang bergantung pada keadaan.
5. Matematika Di Balik Neuromodulasi Multiskala Neuraxon
Dinamika temporal dalam Neuraxon diatur oleh tiga persamaan diferensial yang menangkap skala waktu cepat, lambat, dan meta dari komputasi saraf:
Di sini, τ_fast < τ_slow < τ_meta mencerminkan skala temporal yang berbeda, dengan τ_meta yang jauh lebih besar untuk menangkap sifat 'ultra lambat' dari efek metabotropik. Kerangka matematis ini secara langsung menerapkan prinsip biologis bahwa neuromodulasi beroperasi pada skala waktu yang jauh lebih lambat daripada transmisi sinaptik yang cepat, seperti yang dijelaskan oleh Northoff & Huang (2017) dalam karya mereka tentang bagaimana dinamika temporal otak memediasi kesadaran.
Referensi Ilmiah
Dayan, P., & Huys, Q. J. M. (2009). Serotonin, penghambatan, dan suasana hati negatif. PLoS Computational Biology.
Marder, E. (2012). Neuromodulasi sirkuit neuron: kembali ke masa depan. Neuron.
Schultz, W. (2016). Pengkodean kesalahan prediksi hadiah dopamin. Dialogues in Clinical Neuroscience.
Aston-Jones, G., & Cohen, J. D. (2005). Teori integratif fungsi locus coeruleus–norepinephrine. Annual Review of Neuroscience.
Mei, L., Müller, E., & Ramaswamy, S. (2022). Menginformasikan jaringan saraf dalam-dalam dengan prinsip multiskala dari sistem neuromodulator. Trends in Neurosciences.
Friston, K. (2010). Prinsip energi bebas: sebuah teori otak terpadu? Nature Reviews Neuroscience.
Northoff, G., & Huang, Z. (2017). Bagaimana waktu dan ruang otak memediasi kesadaran dan gangguannya? Kesadaran dan Kognisi, 57, 1–10.