Have you ever wondered how AI learns to recognise faces, understand language or make predictions? Much of today’s AI relies on neural networks: interconnected mathematical systems inspired by certain features of the human brain. But artificial neurons and biological neurons are very different. Explore how our contributors explain these networks, how they learn from examples and what separates artificial intelligence from human thinking.
BEFORE YOU READ...
Can a computer learn in the same way your brain does?
Think about how you learned to recognise a familiar face or ride a bicycle. Could a computer learn in a similar way? What might be different about how humans and machines learn?
Explore Different Perspectives
Six contributors explain neural networks through different perspectives, from simple comparisons with brain cells to the mathematics behind modern AI.
Nicolai Christensen Steensgaard — From brain cells to mathematics: How neural networks actually learn
Neural networks are models that are inspired by the architecture of the human brain. A full network receives a number of inputs and a number of outputs. Between the inputs and outputs are all the neurons connected in a simpler way compared to the brain neurons. The neurons themselves also differ from each other: In the brain, they are biological, and in the neural network, they are mathematical functions. The mathematical function consists of a weighted sum, a bias, and a nonlinear activation function.
This combination allows the network to learn complex and nonlinear relationships between inputs and outputs. The learning process of the neural network requires a large amount of data in order to generalize the model sufficiently. This learning process is done with an algorithm called backpropagation. During this process, the weights and biases of each neuron are updated to minimize a cost function that represents the error between the true output and the predicted output from the neural network. While all of this was originally inspired by the brain’s structure and flexible learning abilities, the human brain is much more complex, which allows for deeper context awareness and flexibility. Another key difference is the energy efficiency, where the brain only uses a fraction of the power consumed by neural networks to learn.
Nicolai Christensen Steensgaard, Denmark, AI Expert
Læs på dansk (DK)
Neurale netværk er modeller, der er inspireret af den menneskelige hjernes opbygning. Et komplet netværk har et antal input og et antal output. Mellem input og output findes alle neuronerne, som er forbundet på en enklere måde end neuronerne i hjernen. Neuronerne er også forskellige: I hjernen er de biologiske, mens de i et neuralt netværk er matematiske funktioner. Den matematiske funktion består af en vægtet sum, et biasled og en ikke-lineær aktiveringsfunktion. Denne kombination gør det muligt for netværket at lære komplekse og ikke-lineære sammenhænge mellem input og output. Et neuralt netværks læringsproces kræver store mængder data, for at modellen kan generalisere tilstrækkeligt godt. Læringsprocessen foregår ved hjælp af en algoritme kaldet backpropagation (tilbagepropagering). Under denne proces opdateres vægtene og biasleddene i hver neuron for at minimere en omkostningsfunktion, der repræsenterer forskellen mellem det faktiske output og det output, som det neurale netværk forudsiger. Selvom alt dette oprindeligt var inspireret af hjernens struktur og fleksible indlæringsevne, er den menneskelige hjerne langt mere kompleks, hvilket giver mulighed for en dybere forståelse af kontekst og større fleksibilitet. En anden væsentlig forskel er energieffektiviteten, hvor hjernen kun bruger en brøkdel af den energi, som neurale netværk forbruger under læring.Nicolai Christensen Steensgaard, Danmark, AI-ekspert
Auf Deutsch lesen (DE)
Neuronale Netze sind Modelle, die von der Architektur des menschlichen Gehirns inspiriert sind. Ein vollständiges Netzwerk verfügt über eine bestimmte Anzahl von Eingaben und Ausgaben. Zwischen den Eingaben und Ausgaben befinden sich die Neuronen, die auf einfachere Weise miteinander verbunden sind als die Neuronen im Gehirn. Auch die Neuronen selbst unterscheiden sich: Im Gehirn sind sie biologischer Natur, während sie in einem neuronalen Netz mathematische Funktionen darstellen. Eine solche mathematische Funktion besteht aus einer gewichteten Summe, einem Bias-Term und einer nichtlinearen Aktivierungsfunktion. Diese Kombination ermöglicht es dem Netzwerk, komplexe und nichtlineare Zusammenhänge zwischen Eingaben und Ausgaben zu erlernen. Der Lernprozess eines neuronalen Netzes erfordert große Datenmengen, damit das Modell ausreichend gut generalisieren kann. Dieser Lernprozess erfolgt mithilfe eines Algorithmus namens Backpropagation (Fehlerrückführung). Während dieses Prozesses werden die Gewichte und Bias-Terme jedes Neurons angepasst, um eine Kostenfunktion zu minimieren, die den Fehler zwischen der tatsächlichen Ausgabe und der vom neuronalen Netz vorhergesagten Ausgabe darstellt. Obwohl all dies ursprünglich von der Struktur und der flexiblen Lernfähigkeit des Gehirns inspiriert wurde, ist das menschliche Gehirn wesentlich komplexer. Dadurch verfügt es über ein tieferes Kontextverständnis und eine größere Flexibilität. Ein weiterer wesentlicher Unterschied liegt in der Energieeffizienz: Das Gehirn benötigt zum Lernen nur einen Bruchteil der Energie, die neuronale Netze dafür verbrauchen.Nicolai Christensen Steensgaard, Dänemark, KI-Experte
Leer en español (ES)
Las redes neuronales son modelos inspirados en la arquitectura del cerebro humano. Una red completa recibe una serie de entradas y produce una serie de salidas. Entre las entradas y las salidas se encuentran todas las neuronas, conectadas entre sí de una manera más sencilla que las neuronas del cerebro. Las propias neuronas también son diferentes: en el cerebro son biológicas, mientras que en una red neuronal son funciones matemáticas. Esta función matemática consiste en una suma ponderada, un término de sesgo y una función de activación no lineal. Esta combinación permite que la red aprenda relaciones complejas y no lineales entre las entradas y las salidas. El proceso de aprendizaje de una red neuronal requiere una gran cantidad de datos para que el modelo pueda generalizar de manera adecuada. Este aprendizaje se lleva a cabo mediante un algoritmo denominado retropropagación (backpropagation). Durante este proceso, se actualizan los pesos y los términos de sesgo de cada neurona para minimizar una función de coste que representa el error entre la salida real y la salida predicha por la red neuronal. Aunque todo esto se inspiró originalmente en la estructura del cerebro y en su capacidad de aprendizaje flexible, el cerebro humano es mucho más complejo, lo que le permite comprender el contexto con mayor profundidad y adaptarse con más flexibilidad. Otra diferencia fundamental es la eficiencia energética, ya que el cerebro utiliza solo una fracción de la energía que consumen las redes neuronales para aprender.Nicolai Christensen Steensgaard, Dinamarca, experto en IA
Прочетете на български (BG)
Невронните мрежи са модели, вдъхновени от архитектурата на човешкия мозък. Една цялостна мрежа получава определен брой входни данни и генерира определен брой изходни данни. Между входовете и изходите се намират всички неврони, които са свързани по по-прост начин в сравнение с невроните в мозъка. Самите неврони също се различават: в мозъка те са биологични, докато в невронната мрежа представляват математически функции. Математическата функция се състои от претеглена сума, член на отместване (bias) и нелинейна активационна функция. Тази комбинация позволява на мрежата да научава сложни и нелинейни зависимости между входните и изходните данни. Процесът на обучение на невронната мрежа изисква голямо количество данни, за да може моделът да обобщава достатъчно добре. Това обучение се извършва чрез алгоритъм, наречен обратно разпространение на грешката (backpropagation). По време на този процес теглата и членовете на отместване на всеки неврон се актуализират, за да се минимизира функция на загубата, която представя грешката между действителния изход и изхода, предсказан от невронната мрежа. Въпреки че всичко това първоначално е вдъхновено от структурата на мозъка и неговата гъвкава способност за учене, човешкият мозък е много по-сложен, което му позволява да разбира контекста в по-голяма дълбочина и да проявява по-голяма гъвкавост. Друга съществена разлика е енергийната ефективност, тъй като мозъкът използва само малка част от енергията, която невронните мрежи изразходват за обучение.Nicolai Christensen Steensgaard, Дания, експерт по изкуствен интелект
Xuban Arrieta — Inside a neural network: How connected artificial neurons turn data into predictions
Artificial neural networks are a set of nodes connected between them, mimicking a real human brain, where real neurons are connected with other neurons. When you input data to this network, each node will send a “signal” to other nodes it is connected to. These signals are numbers calculated using non-linear functions. The output of the nodes will be determined by parameters called weights, which are tuned during the training phase. Simple neural networks are divided into layers, and signals go through the input layer, hidden layers and finally the output layer. These simple neural networks can be used for linear regression, data classification and time series predictions, for example. These neural networks are the precursors for the big models that are used today, such as transformers or convolutional neural networks.
Xuban Arrieta, Spain, Graduate in Artificial Intelligence bachelor’s degree
Læs på dansk (DK)
Kunstige neurale netværk består af en række knudepunkter, der er forbundet med hinanden, og som efterligner den menneskelige hjerne, hvor biologiske neuroner er forbundet med andre neuroner. Når man sender data ind i netværket, sender hvert knudepunkt et “signal” til de andre knudepunkter, det er forbundet med. Disse signaler er tal, der beregnes ved hjælp af ikke-lineære funktioner. Knudepunkternes output bestemmes af parametre kaldet vægte, som justeres under træningsfasen. Simple neurale netværk er opdelt i lag, og signalerne bevæger sig gennem inputlaget, de skjulte lag og til sidst outputlaget. Disse simple neurale netværk kan for eksempel bruges til lineær regression, klassifikation af data og forudsigelser af tidsserier. Netværkene er forløbere for de store modeller, der anvendes i dag, såsom transformermodeller og konvolutionelle neurale netværk.Xuban Arrieta, Spanien, bacheloruddannet i kunstig intelligens
Auf Deutsch lesen (DE)
Künstliche neuronale Netze bestehen aus einer Reihe miteinander verbundener Knoten, die das menschliche Gehirn nachahmen, in dem biologische Neuronen mit anderen Neuronen verbunden sind. Wenn man Daten in dieses Netzwerk eingibt, sendet jeder Knoten ein „Signal“ an die anderen Knoten, mit denen er verbunden ist. Diese Signale sind Zahlen, die mithilfe nichtlinearer Funktionen berechnet werden. Die Ausgabe der Knoten wird durch Parameter bestimmt, die als Gewichte bezeichnet und während der Trainingsphase angepasst werden. Einfache neuronale Netze sind in Schichten unterteilt, wobei die Signale zunächst die Eingabeschicht, dann die verborgenen Schichten und schließlich die Ausgabeschicht durchlaufen. Solche einfachen neuronalen Netze können beispielsweise für lineare Regression, Datenklassifikation und Zeitreihenprognosen eingesetzt werden. Diese Netze sind die Vorläufer der großen Modelle, die heute verwendet werden, beispielsweise Transformer-Modelle oder Convolutional Neural Networks (konvolutionelle neuronale Netze).Xuban Arrieta, Spanien, Bachelorabsolvent im Fach Künstliche Intelligenz
Leer en español (ES)
Las redes neuronales artificiales son un conjunto de nodos conectados entre sí que imitan el funcionamiento del cerebro humano, donde las neuronas biológicas están conectadas con otras neuronas. Cuando se introducen datos en esta red, cada nodo envía una «señal» a los demás nodos con los que está conectado. Estas señales son números calculados mediante funciones no lineales. La salida de los nodos está determinada por unos parámetros llamados pesos, que se ajustan durante la fase de entrenamiento. Las redes neuronales sencillas se dividen en capas, y las señales pasan por la capa de entrada, las capas ocultas y, finalmente, la capa de salida. Estas redes neuronales sencillas pueden utilizarse, por ejemplo, para realizar regresiones lineales, clasificar datos y predecir series temporales. Estas redes son las precursoras de los grandes modelos que se utilizan actualmente, como los transformers o las redes neuronales convolucionales.Xuban Arrieta, España, graduado en el Grado de Inteligencia Artificial
Прочетете на български (BG)
Изкуствените невронни мрежи представляват набор от взаимосвързани възли, които имитират човешкия мозък, където биологичните неврони са свързани с други неврони. Когато въведете данни в тази мрежа, всеки възел изпраща „сигнал“ към останалите възли, с които е свързан. Тези сигнали са числа, изчислени чрез нелинейни функции. Изходът на възлите се определя от параметри, наречени тегла, които се настройват по време на обучението. Простите невронни мрежи са разделени на слоеве, като сигналите преминават през входния слой, скритите слоеве и накрая през изходния слой. Такива прости невронни мрежи могат да се използват например за линейна регресия, класификация на данни и прогнозиране на времеви редове. Тези невронни мрежи са предшественици на големите модели, които се използват днес, като трансформърите и конволюционните невронни мрежи.Xuban Arrieta, Испания, завършил бакалавърска степен по изкуствен интелект
Troels Ringsted — Think of an apple: How our brains and AI build connections
Imagine your brain as a gigantic network: about 86 billion neurons connected by hundreds of trillions of synapses. Signals travel electrically inside neurons and are passed chemically across synapses. Over time, those connections can strengthen or weaken. Your interaction with the world shapes these connections and influences you and how you think continuously.
Large-scale neural networks, such as the one beneath ChatGPT mimic this, by having nodes (neurons) arranged in layers connected by weights (synapses). A weight is simply a number that says how strongly one node influences another. As information passes each layer it adds complexity and extracts features.
As an example, I can tell you to think about “apple.” You might picture a red fruit or Apple computers. A botanist might know and think about different apple sorts such as Golden Delicious. These associations come from how your brain has built connections over time. Some concepts are more closely linked than others, apple 🡪 juice might be closer connected than apple 🡪 banana. Even as you read this, new connections are formed – maybe you didn’t know of the apple type Golden Delicious – you do now.
Neural networks don’t experience the world directly in the same way, but each time we train them, they adjust their weights, building stronger or weaker connections between nodes, as they receive feedback on whether the output was right, wrong, good or bad. In that sense, both human brains and artificial neural networks “learn” by changing connection strengths.
We can’t fully explain why a huge network produces a certain output, because the computation happening between all the weights and nodes in all the layers is extremely complex and spread across so many interacting parts.
An interesting side effect of this is transfer. Training a large language model on English can improve performance in other languages like Italian, because the model learns general patterns that can carry over between the two. This has turned out to work across some unrelated disciplines as well. In example, advances in LLMs have been useful in robotics.
One important difference: While your brain changes continuously as you live, most deployed base models are snapshots frozen in place. They don’t change their weights when you use it, but rather when they’re re-trained or fine-tuned in model updates.
Troels Ringsted, Denmark, AI Expert
Læs på dansk (DK)
Forestil dig din hjerne som et gigantisk netværk: omkring 86 milliarder neuroner, der er forbundet gennem hundredvis af billioner synapser. Signaler bevæger sig elektrisk inde i neuronerne og overføres kemisk gennem synapserne. Med tiden kan disse forbindelser blive stærkere eller svagere. Din interaktion med verden former løbende disse forbindelser og påvirker både dig og den måde, du tænker på. Store neurale netværk, som det der ligger til grund for ChatGPT, efterligner dette ved at have knudepunkter (neuroner), der er organiseret i lag og forbundet gennem vægte (synapser). En vægt er ganske enkelt et tal, der angiver, hvor stærkt ét knudepunkt påvirker et andet. Når information passerer gennem hvert lag, øges kompleksiteten, og forskellige karakteristika udtrækkes. Som eksempel kan jeg bede dig om at tænke på ordet “æble”. Du forestiller dig måske en rød frugt eller Apple-computere. En botaniker kender måske forskellige æblesorter og tænker eksempelvis på Golden Delicious. Disse associationer opstår gennem de forbindelser, din hjerne har opbygget over tid. Nogle begreber er tættere forbundet end andre: æble 🡪 juice kan være tættere forbundet end æble 🡪 banan. Selv mens du læser dette, dannes der nye forbindelser – måske kendte du ikke æblesorten Golden Delicious før, men det gør du nu. Neurale netværk oplever ikke verden direkte på samme måde. Men hver gang vi træner dem, justerer de deres vægte og skaber stærkere eller svagere forbindelser mellem knudepunkterne, efterhånden som de får feedback på, om deres output var rigtigt, forkert, godt eller dårligt. På den måde “lærer” både menneskehjerner og kunstige neurale netværk ved at ændre styrken af deres forbindelser. Vi kan ikke fuldt ud forklare, hvorfor et meget stort netværk producerer et bestemt output, fordi beregningerne mellem alle vægtene og knudepunkterne i de forskellige lag er ekstremt komplekse og fordelt på mange dele, der påvirker hinanden. En interessant følgevirkning af dette er overførsel af læring. Træning af en stor sprogmodel på engelsk kan forbedre dens præstation på andre sprog, såsom italiensk, fordi modellen lærer generelle mønstre, der kan overføres mellem sprogene. Det har vist sig også at fungere på tværs af nogle fagområder, der ikke umiddelbart hænger sammen. For eksempel har fremskridt inden for store sprogmodeller (LLM’er) været nyttige inden for robotteknologi. En vigtig forskel er dog, at mens din hjerne ændrer sig løbende gennem hele livet, er de fleste grundmodeller, der er taget i brug, fastfrosne øjebliksbilleder. De ændrer ikke deres vægte, når du bruger dem, men først når de bliver genoptrænet eller finjusteret gennem modelopdateringer.Troels Ringsted, Danmark, AI-ekspert
Auf Deutsch lesen (DE)
Stell dir dein Gehirn als ein gigantisches Netzwerk vor: etwa 86 Milliarden Neuronen, die durch Hunderte Billionen Synapsen miteinander verbunden sind. Signale bewegen sich innerhalb der Neuronen elektrisch und werden über die Synapsen chemisch weitergegeben. Im Laufe der Zeit können diese Verbindungen stärker oder schwächer werden. Deine Interaktion mit der Welt formt diese Verbindungen kontinuierlich und beeinflusst sowohl dich als auch deine Denkweise. Große neuronale Netze, wie dasjenige, das ChatGPT zugrunde liegt, ahmen dies nach. Sie bestehen aus Knoten (Neuronen), die in Schichten angeordnet und durch Gewichte (Synapsen) miteinander verbunden sind. Ein Gewicht ist einfach eine Zahl, die angibt, wie stark ein Knoten einen anderen beeinflusst. Während Informationen die einzelnen Schichten durchlaufen, nimmt ihre Komplexität zu, und bestimmte Merkmale werden extrahiert. Als Beispiel könnte ich dich bitten, an einen „Apfel“ zu denken. Vielleicht stellst du dir eine rote Frucht oder Computer von Apple vor. Ein Botaniker kennt möglicherweise verschiedene Apfelsorten und denkt beispielsweise an Golden Delicious. Diese Assoziationen entstehen durch die Verbindungen, die dein Gehirn im Laufe der Zeit aufgebaut hat. Manche Begriffe sind enger miteinander verknüpft als andere: Apfel 🡪 Saft könnte stärker verbunden sein als Apfel 🡪 Banane. Selbst während du diesen Text liest, entstehen neue Verbindungen – vielleicht kanntest du die Apfelsorte Golden Delicious bisher nicht, aber jetzt kennst du sie. Neuronale Netze erleben die Welt nicht unmittelbar auf dieselbe Weise. Doch jedes Mal, wenn wir sie trainieren, passen sie ihre Gewichte an und bilden stärkere oder schwächere Verbindungen zwischen den Knoten, während sie Rückmeldungen darüber erhalten, ob ihre Ausgabe richtig, falsch, gut oder schlecht war. In diesem Sinne „lernen“ sowohl das menschliche Gehirn als auch künstliche neuronale Netze, indem sie die Stärke ihrer Verbindungen verändern. Wir können nicht vollständig erklären, warum ein riesiges Netzwerk eine bestimmte Ausgabe erzeugt, da die Berechnungen zwischen all den Gewichten und Knoten in sämtlichen Schichten äußerst komplex sind und sich über sehr viele miteinander interagierende Bestandteile verteilen. Ein interessanter Nebeneffekt davon ist der Lerntransfer. Wenn ein großes Sprachmodell auf Englisch trainiert wird, kann sich dadurch auch seine Leistung in anderen Sprachen wie Italienisch verbessern, weil das Modell allgemeine Muster erlernt, die sich von einer Sprache auf die andere übertragen lassen. Es hat sich gezeigt, dass dies auch zwischen einigen scheinbar nicht miteinander verwandten Fachgebieten funktioniert. Beispielsweise haben sich Fortschritte bei großen Sprachmodellen (LLMs) auch in der Robotik als nützlich erwiesen. Ein wichtiger Unterschied besteht jedoch darin, dass sich dein Gehirn im Laufe deines Lebens kontinuierlich verändert, während die meisten eingesetzten Basismodelle gewissermaßen eingefrorene Momentaufnahmen sind. Ihre Gewichte verändern sich nicht, wenn du sie benutzt, sondern erst, wenn sie bei Modellaktualisierungen erneut trainiert oder feinabgestimmt werden.Troels Ringsted, Dänemark, KI-Experte
Leer en español (ES)
Imagina tu cerebro como una red gigantesca: unos 86.000 millones de neuronas conectadas mediante cientos de billones de sinapsis. Las señales viajan eléctricamente por el interior de las neuronas y se transmiten químicamente a través de las sinapsis. Con el tiempo, estas conexiones pueden fortalecerse o debilitarse. Tu interacción con el mundo moldea continuamente estas conexiones e influye tanto en ti como en tu manera de pensar. Las redes neuronales a gran escala, como la que hay detrás de ChatGPT, imitan este funcionamiento mediante nodos (neuronas) organizados en capas y conectados a través de pesos (sinapsis). Un peso es simplemente un número que indica cuánto influye un nodo sobre otro. A medida que la información atraviesa cada capa, aumenta su complejidad y se extraen características. Por ejemplo, puedo pedirte que pienses en una «manzana». Quizás imagines una fruta roja o los ordenadores de Apple. Un botánico podría conocer distintas variedades de manzanas y pensar, por ejemplo, en la Golden Delicious. Estas asociaciones surgen de las conexiones que tu cerebro ha ido construyendo con el tiempo. Algunos conceptos están más estrechamente relacionados que otros: manzana 🡪 zumo podría tener una conexión más fuerte que manzana 🡪 plátano. Incluso mientras lees esto se están formando nuevas conexiones. Quizás antes no conocías la variedad de manzana Golden Delicious, pero ahora sí. Las redes neuronales no experimentan el mundo directamente de la misma manera. Sin embargo, cada vez que las entrenamos, ajustan sus pesos y crean conexiones más fuertes o más débiles entre los nodos, a medida que reciben información sobre si sus resultados han sido correctos, incorrectos, buenos o malos. En ese sentido, tanto el cerebro humano como las redes neuronales artificiales «aprenden» modificando la fuerza de sus conexiones. No podemos explicar por completo por qué una red enorme produce un resultado determinado, porque los cálculos que tienen lugar entre todos los pesos y nodos de todas sus capas son extremadamente complejos y están distribuidos entre muchísimos componentes que interactúan entre sí. Un efecto secundario interesante de esto es la transferencia del aprendizaje. Entrenar un gran modelo de lenguaje en inglés puede mejorar su rendimiento en otros idiomas, como el italiano, porque el modelo aprende patrones generales que pueden transferirse de una lengua a otra. Se ha descubierto que esto también funciona entre algunas disciplinas que, en principio, no están relacionadas. Por ejemplo, los avances en los grandes modelos de lenguaje (LLM) han resultado útiles en el campo de la robótica. Sin embargo, existe una diferencia importante: mientras que tu cerebro cambia continuamente a lo largo de tu vida, la mayoría de los modelos base que se utilizan son como instantáneas congeladas en el tiempo. Sus pesos no cambian cuando los utilizas, sino cuando se vuelven a entrenar o se ajustan mediante actualizaciones del modelo.Troels Ringsted, Dinamarca, experto en IA
Прочетете на български (BG)
Представете си мозъка си като гигантска мрежа: около 86 милиарда неврона, свързани чрез стотици трилиони синапси. Сигналите се движат електрически вътре в невроните и се предават химически през синапсите. С течение на времето тези връзки могат да се засилват или отслабват. Взаимодействието ви със света непрекъснато оформя тези връзки и влияе както върху вас, така и върху начина ви на мислене. Мащабните невронни мрежи, като тази в основата на ChatGPT, имитират този принцип чрез възли (неврони), подредени в слоеве и свързани чрез тегла (синапси). Теглото е просто число, което показва колко силно един възел влияе върху друг. Докато информацията преминава през всеки слой, сложността на обработката се увеличава и се извличат различни характеристики. Например мога да ви помоля да си помислите за „ябълка“. Може да си представите червен плод или компютрите на Apple. Един ботаник може да познава различни сортове ябълки и да се сети например за Golden Delicious. Тези асоциации произтичат от връзките, които мозъкът ви е изградил с течение на времето. Някои понятия са по-тясно свързани от други: ябълка 🡪 сок може да има по-силна връзка от ябълка 🡪 банан. Дори докато четете това, се формират нови връзки – може би досега не сте знаели за сорта ябълки Golden Delicious, но вече знаете. Невронните мрежи не преживяват света пряко по същия начин. Но всеки път, когато ги обучаваме, те коригират теглата си, като създават по-силни или по-слаби връзки между възлите въз основа на обратната връзка дали резултатът им е бил правилен, грешен, добър или лош. В този смисъл както човешкият мозък, така и изкуствените невронни мрежи се „учат“, като променят силата на своите връзки. Не можем напълно да обясним защо една огромна мрежа генерира определен резултат, тъй като изчисленията между всички тегла и възли във всички слоеве са изключително сложни и разпределени между множество взаимодействащи си компоненти. Интересен страничен ефект от това е трансферът на обучение. Обучението на голям езиков модел на английски език може да подобри представянето му и на други езици, например италиански, защото моделът усвоява общи закономерности, които могат да се пренасят между двата езика. Оказва се, че това работи и между някои на пръв поглед несвързани научни области. Например напредъкът при големите езикови модели (LLM) се е оказал полезен и в роботиката. Има обаче една важна разлика: докато мозъкът ви се променя непрекъснато през целия ви живот, повечето базови модели, които се използват на практика, представляват своеобразни замразени моментни снимки. Техните тегла не се променят, когато ги използвате, а едва когато моделите бъдат обучени повторно или допълнително настроени при актуализации.Troels Ringsted, Дания, експерт по изкуствен интелект
Susanne Fürstner — Learning from experience: What artificial neurons have in common with our brains
Neural networks are computer systems that have been developed on the model of the human brain. They consist of many small processing units, so-called “artificial neurons”, which are connected to each other. You can imagine it like this: Nerve cells in the brain transmit information – this is how neural networks process data in several steps and learn from experience. They receive inputs, analyze patterns and generate results or decisions from them.
The similarity to the human brain lies primarily in the fact that neural networks become better through learning. If a person practices or exercises frequently, his ability to solve tasks improves. In the same way, a neural network adapts its connections when it processes many examples. This allows it to recognize images, understand speech or make predictions, for example.
Despite these similarities, however, there are also important differences. The human brain works in a much more complex, creative and conscious way than an artificial neural network. Humans can incorporate feelings, experiences, and social contexts, while AI only works with data and mathematical calculations. For teaching, it is important to convey to students that neural networks are powerful tools, but cannot replace human thinking and a sense of responsibility.
Susanne Fürstner, Austria, AI Enthusiast
Læs på dansk (DK)
Neurale netværk er computersystemer, der er udviklet med den menneskelige hjerne som forbillede. De består af mange små behandlingsenheder, såkaldte “kunstige neuroner”, som er forbundet med hinanden. Man kan forestille sig det sådan: Nervecellerne i hjernen overfører information – på samme måde behandler neurale netværk data i flere trin og lærer af erfaring. De modtager input, analyserer mønstre og bruger dem til at generere resultater eller træffe beslutninger. Ligheden med den menneskelige hjerne ligger først og fremmest i, at neurale netværk bliver bedre gennem læring. Hvis et menneske øver sig eller træner ofte, bliver vedkommende bedre til at løse opgaver. På samme måde tilpasser et neuralt netværk sine forbindelser, når det behandler mange eksempler. Det gør det eksempelvis muligt for netværket at genkende billeder, forstå tale eller lave forudsigelser. På trods af disse ligheder er der dog også væsentlige forskelle. Den menneskelige hjerne fungerer på en langt mere kompleks, kreativ og bevidst måde end et kunstigt neuralt netværk. Mennesker kan inddrage følelser, erfaringer og sociale sammenhænge, mens AI udelukkende arbejder med data og matematiske beregninger. I undervisningen er det vigtigt at formidle til elever og studerende, at neurale netværk er effektive værktøjer, men at de ikke kan erstatte menneskelig tænkning og ansvarsfølelse.Susanne Fürstner, Østrig, AI-entusiast
Auf Deutsch lesen (DE)
Neuronale Netze sind Computersysteme, die nach dem Vorbild des menschlichen Gehirns entwickelt wurden. Sie bestehen aus vielen kleinen Verarbeitungseinheiten, sogenannten „künstlichen Neuronen“, die miteinander verbunden sind. Man kann sich das so vorstellen: Nervenzellen im Gehirn übertragen Informationen – auf ähnliche Weise verarbeiten neuronale Netze Daten in mehreren Schritten und lernen aus Erfahrungen. Sie empfangen Eingaben, analysieren Muster und leiten daraus Ergebnisse oder Entscheidungen ab. Die Ähnlichkeit mit dem menschlichen Gehirn besteht vor allem darin, dass neuronale Netze durch Lernen besser werden. Wenn ein Mensch häufig übt oder trainiert, verbessert sich seine Fähigkeit, Aufgaben zu lösen. Auf die gleiche Weise passt ein neuronales Netz seine Verbindungen an, wenn es viele Beispiele verarbeitet. Dadurch kann es beispielsweise Bilder erkennen, Sprache verstehen oder Vorhersagen treffen. Trotz dieser Ähnlichkeiten gibt es jedoch auch wichtige Unterschiede. Das menschliche Gehirn arbeitet wesentlich komplexer, kreativer und bewusster als ein künstliches neuronales Netz. Menschen können Gefühle, Erfahrungen und soziale Zusammenhänge einbeziehen, während KI ausschließlich mit Daten und mathematischen Berechnungen arbeitet. Für den Unterricht ist es wichtig, Schülerinnen, Schülern und Studierenden zu vermitteln, dass neuronale Netze leistungsfähige Werkzeuge sind, menschliches Denken und Verantwortungsbewusstsein jedoch nicht ersetzen können.Susanne Fürstner, Österreich, KI-Enthusiastin
Leer en español (ES)
Las redes neuronales son sistemas informáticos desarrollados tomando como modelo el cerebro humano. Están formadas por muchas pequeñas unidades de procesamiento, denominadas «neuronas artificiales», que están conectadas entre sí. Podemos imaginarlo de la siguiente manera: las células nerviosas del cerebro transmiten información; de forma similar, las redes neuronales procesan datos en varias etapas y aprenden de la experiencia. Reciben información de entrada, analizan patrones y generan resultados o toman decisiones a partir de ellos. La semejanza con el cerebro humano reside principalmente en que las redes neuronales mejoran mediante el aprendizaje. Si una persona practica o se ejercita con frecuencia, mejora su capacidad para resolver tareas. Del mismo modo, una red neuronal adapta sus conexiones cuando procesa numerosos ejemplos. Esto le permite, por ejemplo, reconocer imágenes, comprender el habla o realizar predicciones. Sin embargo, a pesar de estas similitudes, también existen diferencias importantes. El cerebro humano funciona de una manera mucho más compleja, creativa y consciente que una red neuronal artificial. Las personas pueden incorporar sentimientos, experiencias y contextos sociales, mientras que la IA trabaja únicamente con datos y cálculos matemáticos. En el ámbito educativo, es importante transmitir al alumnado que las redes neuronales son herramientas muy potentes, pero que no pueden sustituir el pensamiento humano ni el sentido de la responsabilidad.Susanne Fürstner, Austria, entusiasta de la IA
Прочетете на български (BG)
Невронните мрежи са компютърни системи, разработени по модела на човешкия мозък. Те се състоят от множество малки обработващи единици, наречени „изкуствени неврони“, които са свързани помежду си. Можете да си го представите по следния начин: нервните клетки в мозъка предават информация – по подобен начин невронните мрежи обработват данни на няколко етапа и се учат от опита. Те получават входни данни, анализират закономерности и въз основа на тях генерират резултати или вземат решения. Приликата с човешкия мозък се състои най-вече в това, че невронните мрежи се усъвършенстват чрез обучение. Ако човек практикува или се упражнява често, способността му да решава задачи се подобрява. По същия начин невронната мрежа адаптира своите връзки, когато обработва множество примери. Това ѝ позволява например да разпознава изображения, да разбира реч или да прави прогнози. Въпреки тези прилики обаче съществуват и важни разлики. Човешкият мозък функционира по много по-сложен, творчески и осъзнат начин от изкуствената невронна мрежа. Хората могат да вземат предвид чувства, преживявания и социален контекст, докато ИИ работи единствено с данни и математически изчисления. В образованието е важно на учениците и студентите да се обясни, че невронните мрежи са мощни инструменти, но не могат да заменят човешкото мислене и чувството за отговорност.Susanne Fürstner, Австрия, ентусиаст в областта на изкуствения интелект
Juan Agustin Veliz — Artificial neurons: The mathematical building blocks behind AI
A neural network, as the name implies, is a network of interconnected math combinators,
called “neurons”, as they’re inspired on how the human neurons work. Basically receiving
chemical or electrical inputs, and activating only under certain conditions.
Juan Agustin Veliz, Germany, AI Expert
Læs på dansk (DK)
Et neuralt netværk er, som navnet antyder, et netværk af indbyrdes forbundne matematiske beregningsenheder, kaldet “neuroner”, fordi de er inspireret af den måde, menneskelige neuroner fungerer på. Disse modtager grundlæggende kemiske eller elektriske signaler og aktiveres kun under bestemte betingelser.Juan Agustin Veliz, Tyskland, AI-ekspert
Auf Deutsch lesen (DE)
Ein neuronales Netz ist, wie der Name schon sagt, ein Netzwerk miteinander verbundener mathematischer Recheneinheiten, die als „Neuronen“ bezeichnet werden, weil sie von der Funktionsweise menschlicher Neuronen inspiriert sind. Diese empfangen im Wesentlichen chemische oder elektrische Signale und werden nur unter bestimmten Bedingungen aktiviert.Juan Agustin Veliz, Deutschland, KI-Experte
Leer en español (ES)
Una red neuronal, como su nombre indica, es una red de unidades de cálculo matemático interconectadas, llamadas «neuronas», porque están inspiradas en el funcionamiento de las neuronas humanas. Básicamente, estas reciben señales químicas o eléctricas y se activan únicamente bajo determinadas condiciones.Juan Agustin Veliz, Alemania, experto en IA
Прочетете на български (BG)
Невронната мрежа, както подсказва името ѝ, представлява мрежа от взаимосвързани математически изчислителни единици, наречени „неврони“, тъй като са вдъхновени от начина, по който функционират човешките неврони. По същество те получават химически или електрически сигнали и се активират само при определени условия.Juan Agustin Veliz, Германия, експерт по изкуствен интелект
Natalia Hristev — Connected neurons, layered learning: How AI recognises patterns
Neural networks are models in artificial intelligence composed of many interconnected “neurons” that process information through layers of data. They roughly mimic the human brain because, like biological neurons, they use connections and “learning” from examples to recognize patterns and make decisions.
Natalia Hristev, Bulgaria, training manager, AI Educator
Læs på dansk (DK)
Neurale netværk er modeller inden for kunstig intelligens, der består af mange indbyrdes forbundne “neuroner”, som behandler information gennem flere lag af data. De efterligner i grove træk den menneskelige hjerne, fordi de ligesom biologiske neuroner bruger forbindelser og “læring” fra eksempler til at genkende mønstre og træffe beslutninger.Natalia Hristev, Bulgarien, uddannelsesansvarlig, AI-underviser
Auf Deutsch lesen (DE)
Neuronale Netze sind Modelle der künstlichen Intelligenz, die aus vielen miteinander verbundenen „Neuronen“ bestehen und Informationen über mehrere Datenschichten hinweg verarbeiten. Sie ahmen das menschliche Gehirn in groben Zügen nach, da sie ähnlich wie biologische Neuronen Verbindungen nutzen und anhand von Beispielen „lernen“, um Muster zu erkennen und Entscheidungen zu treffen.Natalia Hristev, Bulgarien, Weiterbildungsmanagerin, KI-Dozentin
Leer en español (ES)
Las redes neuronales son modelos de inteligencia artificial compuestos por numerosas «neuronas» interconectadas que procesan información a través de distintas capas de datos. Imitan de manera aproximada el cerebro humano porque, al igual que las neuronas biológicas, utilizan conexiones y «aprenden» a partir de ejemplos para reconocer patrones y tomar decisiones.Natalia Hristev, Bulgaria, responsable de formación, educadora en IA
Прочетете на български (BG)
Невронните мрежи са модели в областта на изкуствения интелект, съставени от множество взаимосвързани „неврони“, които обработват информация през различни слоеве от данни. Те приблизително имитират човешкия мозък, тъй като подобно на биологичните неврони използват връзки и се „учат“ от примери, за да разпознават закономерности и да вземат решения.Natalia Hristev, България, мениджър обучения, преподавател по изкуствен интелект
