นักวิจัยจาก MIT ได้คิดค้นโมเดล AI ใหม่ที่ได้แรงบันดาลใจจากวิธีการทำงานของเซลล์ประสาทในสมองของเรา โดยเฉพาะอย่างยิ่ง พวกเขาสนใจการ "แกว่ง" ของสัญญาณไฟฟ้าในสมอง ซึ่งนักวิทยาศาสตร์เชื่อว่าเป็นกุญแจสำคัญในการประมวลผลข้อมูลที่ซับซ้อน

ปัญหาใหญ่ของ AI ในปัจจุบันคือการจัดการกับข้อมูลที่เป็นลำดับยาวๆ และมีความซับซ้อน เช่น ข้อมูลสภาพอากาศที่เปลี่ยนแปลงไปเรื่อยๆ สัญญาณชีพจรต่างๆ หรือข้อมูลการเงินที่มีการขึ้นลงตลอดเวลา โมเดล AI แบบใหม่ที่เรียกว่า "โมเดลสถานะ-พื้นที่" ถูกออกแบบมาเพื่อแก้ปัญหานี้โดยเฉพาะ แต่โมเดลที่มีอยู่ก็มักจะเจอปัญหา เช่น ไม่ค่อยเสถียร หรือต้องใช้พลังประมวลผลเยอะมากเมื่อต้องวิเคราะห์ข้อมูลยาวๆ

เพื่อแก้ปัญหานี้ นักวิจัยกลุ่มนี้ได้พัฒนาโมเดลใหม่ที่เรียกว่า "แบบจำลองสถานะ-พื้นที่การสั่นเชิงเส้น" หรือ LinOSS ซึ่งนำหลักการของ "ออสซิลเลเตอร์ฮาร์มอนิกบังคับ" มาใช้ หลักการนี้มาจากฟิสิกส์และยังพบได้ในระบบประสาทของสิ่งมีชีวิต แนวทางใหม่นี้ช่วยให้ AI สามารถคาดการณ์ผลลัพธ์ได้อย่างเสถียร แม่นยำ และใช้พลังประมวลผลน้อยลง โดยที่นักวิจัยไม่ต้องกำหนดค่าพารามิเตอร์ของโมเดลที่ซับซ้อนมากนัก

หนึ่งในนักวิจัยอย่าง T. Konstantin Rusch อธิบายว่า "เป้าหมายของเราคือการนำความเสถียรและประสิทธิภาพที่เราเห็นในระบบประสาทของสิ่งมีชีวิตมาประยุกต์ใช้กับ AI ด้วย LinOSS ตอนนี้เราสามารถเรียนรู้ความสัมพันธ์ของข้อมูลที่อยู่ห่างไกลกันได้ แม้แต่ในชุดข้อมูลที่มีจุดข้อมูลเป็นแสนๆ จุดหรือมากกว่านั้น"

สิ่งที่ทำให้ LinOSS แตกต่างคือ มันสามารถรับประกันการคาดการณ์ที่เสถียรได้โดยที่นักวิจัยมีอิสระในการออกแบบโมเดลมากกว่าวิธีเดิมๆ มาก นอกจากนี้ นักวิจัยยังพิสูจน์ให้เห็นว่าโมเดลนี้มีความสามารถในการประมาณค่าฟังก์ชันต่างๆ ได้อย่างครอบคลุม ซึ่งหมายความว่ามันสามารถเรียนรู้ความสัมพันธ์ระหว่างข้อมูลนำเข้าและผลลัพธ์ที่ซับซ้อนได้อย่างหลากหลาย

จากการทดสอบ พบว่า LinOSS ทำงานได้ดีกว่าโมเดล AI ที่ทันสมัยอื่นๆ อย่างสม่ำเสมอ ในงานที่ต้องวิเคราะห์และคาดการณ์ข้อมูลที่เป็นลำดับยาวๆ ที่มีความท้าทาย โดยเฉพาะอย่างยิ่ง LinOSS ทำงานได้ดีกว่าโมเดล Mamba ที่นิยมใช้กันเกือบสองเท่าในงานที่เกี่ยวข้องกับข้อมูลลำดับที่ยาวมากๆ

ความสำคัญของงานวิจัยนี้ได้รับการยอมรับอย่างสูง จนได้รับเลือกให้นำเสนอในการประชุม ICLR 2025 ซึ่งเป็นการคัดเลือกผลงานที่ดีที่สุดเพียง 1% เท่านั้น นักวิจัยจาก MIT เชื่อว่าโมเดล LinOSS จะมีประโยชน์อย่างมากในหลายๆ ด้านที่ต้องการการคาดการณ์และการจำแนกข้อมูลระยะยาวที่แม่นยำและมีประสิทธิภาพ เช่น การวิเคราะห์ข้อมูลสุขภาพ ภูมิอากาศ รถยนต์ไร้คนขับ และการพยากรณ์ทางการเงิน

Daniela Rus ซึ่งเป็นอีกหนึ่งนักวิจัยกล่าวว่า "งานนี้แสดงให้เห็นว่าความรู้ทางคณิตศาสตร์ที่เข้มงวดสามารถนำไปสู่การพัฒนา AI ที่มีประสิทธิภาพสูงและใช้งานได้หลากหลายได้อย่างไร ด้วย LinOSS เราได้มอบเครื่องมือที่มีประสิทธิภาพให้กับนักวิทยาศาสตร์เพื่อทำความเข้าใจและคาดการณ์ระบบที่ซับซ้อน ซึ่งจะช่วยเชื่อมโยงแรงบันดาลใจจากชีววิทยาเข้ากับนวัตกรรมทางคอมพิวเตอร์"

ทีมวิจัยเชื่อว่าแนวคิดใหม่ๆ อย่าง LinOSS จะเป็นที่สนใจของผู้ที่ทำงานด้าน AI ในการพัฒนาผลงานต่อไป ในอนาคต พวกเขาวางแผนที่จะนำโมเดลนี้ไปใช้กับข้อมูลประเภทต่างๆ ที่หลากหลายมากขึ้น และยังเชื่อว่า LinOSS อาจให้ข้อมูลเชิงลึกที่มีคุณค่าเกี่ยวกับระบบประสาท ซึ่งอาจช่วยให้เราเข้าใจสมองได้ดีขึ้น

งานวิจัยนี้ได้รับการสนับสนุนจากหลายหน่วยงาน เช่น มูลนิธิวิทยาศาสตร์แห่งชาติของสวิตเซอร์แลนด์ และโครงการต่างๆ ของกระทรวงกลาโหมสหรัฐ