Ditulis oleh Tim Ilmiah Qubic
Bagaimana cara kerja neuron seiring waktu?
Neuron biologis tidak berfungsi seperti saklar lampu kamar tidur yang dinyalakan. Mereka adalah sistem dinamis yang terus-menerus. Status neuronal berkembang secara konstan, bahkan tanpa rangsangan eksternal.
Bagaimana cara kerja neuron seiring waktu?
Pada dasarnya, dengan memindahkan muatan listrik (ion) masuk atau keluar dari membrannya, yaitu, dengan mengubah potensial listriknya. Ion masuk atau keluar (terutama natrium dan kalium) melalui berbagai gerbang neuron dengan intensitas tertentu, memodifikasi potensial. Ada beberapa gerbang, yang disebut gerbang kebocoran, di mana ion selalu masuk dan keluar.
Waktu bersifat implisit. Potensi listrik berubah secara konstan, seiring waktu.
Perubahan dalam potensi listrik neuron seiring waktu tergantung pada:
Arus eksternal yang diterapkan + keseimbangan antara aliran ion natrium (yang meningkatkannya) dan ion kalium (yang menguranginya) melalui gerbang yang terbuka dan tertutup.
Jangan panik dengan grafiknya. Muatan listrik positif dan negatif (ion) mengalir melalui gerbang yang menyebabkan depolarisasi (sehingga arus bergerak ke ujung neuron) atau hiperpolarisasi (sehingga kembali ke keadaan netral).
Potensi (V) berubah seiring waktu, yang secara matematis, dV/dt, sebagai fungsi dari jumlah gerbang input dan output.
Ini adalah model fundamental dari ilmu saraf komputasi, yang menyatakan bahwa keadaan neuron tergantung pada sinyal saat ini dan pada sejarah langsungnya. Tidak ada “reset” antara peristiwa, karena setiap rangsangan jatuh pada sistem yang selalu berjalan.
Sekarang mari kita pindah ke Neuraxon, yang merupakan model yang terinspirasi oleh biologi.
Kami ingin itu hidup, sebuah jaringan cerdas. Itu tidak dapat memiliki keadaan diskrit, tetapi keadaan kontinu.
Di Neuraxon, alih-alih gerbang ion yang terbuka dan menutup dan memindahkan muatan dengan intensitas tertentu, mengubah tegangan, kami memiliki bobot sinaptik dinamis. Tetapi persamaan model mempertahankan kemiripan yang jelas dan langsung dengan neuron biologis.
Apa arti ini?
Alih-alih V, tegangan dalam neuron biologis, keadaan Neuraxon, adalah s. Dan itu juga berubah seiring waktu, oleh karena itu ds/dt adalah fungsi dari bobot dan aktivasi serta keadaan sebelumnya.
Tidak seperti model AI klasik, di mana berat sinaptik dari sebuah jaringan mewakili keluaran stereotip terhadap input, di Neuraxon beratnya tidak statis.
Bayangkan, misalnya, mekanisme respons otomatis “kotak masuk email”.
Dalam AI klasik, aturan tidak menyesuaikan atau berubah seiring waktu atau konteks.
Di Neuraxon, diperhitungkan apakah “input email” berasal dari orang yang sama (yang dapat menunjukkan urgensi) atau apakah itu tiba di akhir pekan (yang dapat menghasilkan keluaran tanpa respons). Dengan kata lain, aturannya tetap, tetapi kapan dan bagaimana respons diberikan dimodulasi.
Apakah LLM menghitung waktu?
Model bahasa besar tampaknya menunjukkan pemahaman yang dalam dalam banyak konteks, tetapi mereka beroperasi di bawah logika yang berbeda dari sistem biologis (Vaswany, 2017). Mereka tidak berfungsi berdasarkan dinamika temporal internal, pada “perubahan potensi” atau pada “berat sinaptik” yang memodulasi respons, tetapi lebih memproses urutan diskrit.
Dalam LLM, “waktu” tidak ada, yang membuatnya sulit bagi mereka untuk mensimulasikan perilaku biologis (seperti kecerdasan). LLM tahu bagaimana membedakan kata mana yang datang sebelumnya dan mana yang datang setelahnya, tetapi mereka tidak memberikan pengalaman durasi atau keberlanjutan. Urutan menggantikan waktu.
Tidak seperti Neuraxon, mereka tidak memiliki ritme internal yang mempercepat atau memperlambat, dan mereka juga tidak menunjukkan habituasi progresif terhadap rangsangan yang berulang, dan mereka tidak dapat secara dinamis mengantisipasi berdasarkan keadaan internal yang berubah seiring waktu.
Komputasi model LLM akan menjadi sesuatu seperti:
output = Fθ(input)
jadi hasilnya adalah solusi tetap dari sebuah fungsi (kombinasi) dari input.
Tidak ada keadaan sebagai fungsi waktu. Ini adalah data yang membentuk matriks besar dan mengubah nilainya melalui fungsi tertentu, yang, seperti dalam contoh yang disebutkan, membatasi kemungkinan: input email → respons otomatis.
Mengakhiri. Jarak antara model yang terinspirasi biologi seperti Neuraxon dan model bahasa besar tidak boleh dijelaskan dalam hal kekuatan komputasi atau volume data. Ada perbedaan yang lebih dalam.
Otak itu, pada dirinya sendiri, adalah sistem temporal yang kontinu. Fungsinya ditentukan oleh dinamika yang terungkap seiring waktu, oleh keadaan yang berkembang, memburuk, dan mengatur ulang secara permanen, bahkan tanpa rangsangan eksternal (Deco et al., 2009; Northoff, 2018).
Neuraxon secara sengaja memposisikan dirinya dalam logika yang sama. Ia tidak berusaha untuk meniru kompleksitas biofisik otak 1 banding 1, tetapi secara eksplisit menggabungkan waktu sebagai variabel komputasi. Keadaan internalnya berkembang secara kontinu, membawa masa lalu, dan memodulasi masa kini, memungkinkan adaptasi tanpa perlu reset.
LLM, sebaliknya, beroperasi dengan cara yang sangat berbeda. Mereka memanipulasi simbol yang diatur dalam urutan diskrit tanpa dinamika temporal mereka sendiri. Tidak ada waktu, hanya urutan. Tidak ada adaptasi, hanya respons yang telah ditentukan sebelumnya.
Selama waktu tidak membentuk bagian dari keadaan yang mengatur komputasi, LLM mungkin efektif, tetapi mereka hampir tidak akan otonom dalam arti yang kuat.
Kecerdasan buatan masa depan bertujuan untuk beroperasi dalam lingkungan yang dinamis. Inilah alasan mengapa Neuraxon memasukkan waktu sebagai variabel dasar.
Sebuah jaringan kecerdasan yang hidup…
Bagaimana ini berhubungan kembali ke Qubic?
Qubic menyediakan lingkungan komputasi yang terus berjalan dan memiliki keadaan yang diperlukan untuk kecerdasan yang sadar waktu.
Ini adalah substrat alami di mana model seperti Neuraxon - adaptif, persisten, dan tidak pernah “direset” - dapat ada dan berkembang.
Tambahan
Lihatlah persamaannya. Jangan panik!
1 Neuron biologis, V potensi, “jumlah aliran gerbang yang masuk dan keluar”
2 Persamaan model Neuraxon - kemiripan yang jelas dan langsung dengan neuron biologis.
s keadaan, wi \u0026 f(si) bobot sinaptik dinamis
3 Persamaan model LLM. Input (diatur dalam matriks) menghasilkan keluaran matriks melalui fungsi tetap
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Referensi
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., \u0026 Friston, K. J. (2009). Otak dinamis. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). Otak spontan. MIT Press.
Vaswani, A., et al. (2017). Perhatian adalah semua yang Anda butuhkan. NeurIPS.
Vivancos, D., \u0026 Sanchez, J. (2025). Neuraxon: Cetak biru pertumbuhan saraf baru \u0026 komputasi. Qubic Science.
rint. Qubic Science.
\u003ct-161/\u003e\u003ct-162/\u003e