AI może uczyć się z mniejszej ilości danych. Naukowcy stawiają na architekturę
Nowe badanie z Johns Hopkins pokazuje, że w projektowaniu AI ważna może być architektura przypominająca mózg, a nie tylko zalew danych. Naukowcy zauważyli „mózgo-podobną” aktywność w części modeli jeszcze przed treningiem.
Pojawiają się kolejne sygnały, że droga do sprawniejszej sztucznej inteligencji nie musi prowadzić wyłącznie przez coraz większe zbiory danych treningowych. Punkt ciężkości ma się przesuwać w stronę tego, jak model jest zbudowany, czyli jego architektury.
Tłem dla tej tezy jest praca zespołu z Johns Hopkins University opisana w czasopiśmie “Nature Machine Intelligence”. Na ScienceDaily streszczono ją 4 stycznia 2026 r., podając też szczegóły publikacji: artykuł “Convolutional architectures are cortex-aligned de novo” (Atlas Kazemian, Eric Elmoznino, Michael F. Bonner) oraz DOI 10.1038/s42256-025-01142-3.
Co dokładnie zrobili badacze? Według opisu uczelni porównali trzy popularne „plany budowy” sieci: transformatory, sieci w pełni połączone oraz sieci konwolucyjne. Zmieniali te architektury, tworząc dziesiątki wariantów sztucznych sieci neuronowych, a potem pokazali im obrazy (m.in. obiektów, ludzi i zwierząt) i zestawili reakcje modeli z aktywnością mózgu ludzi i naczelnych oglądających te same bodźce. Kluczowy detal brzmi: część modeli była niewytrenowana, a mimo to wykazywała wzorce aktywności bliższe tym obserwowanym w biologicznym układzie wzrokowym.
Wynik, dotyczy sieci konwolucyjnych. Samo „dosypywanie neuronów” w transformatorach i sieciach w pełni połączonych niewiele zmieniało, natomiast modyfikacje architektury CNN potrafiły wyraźnie zbliżyć wewnętrzne reprezentacje modelu do tych, które znamy z badań nad korą wzrokową. W relacji JHU pada nawet stwierdzenie, że niewytrenowane sieci konwolucyjne potrafiły rywalizować z klasycznymi systemami AI, które zwykle potrzebują ekspozycji na miliony albo miliardy obrazów w trakcie treningu.
Zespół zapowiada też kolejny krok: prace nad prostymi algorytmami uczenia inspirowanymi biologią, które mogłyby przełożyć się na nowe podejście do deep learningu. Jeśli to się uda, „mniej danych” może stać się nie tyle magią, co efektem lepszego projektu, który część pracy wykonuje już na etapie samej konstrukcji modelu.
