Hoe leert het menselijk brein zo snel zien – en wat kunnen we daarvan opsteken bij het bouwen van slimmere AI? Die vraag staat centraal in Mastering Vision: How Inductive Biases Shape Mammalian Learning Efficiency, een nieuw project dat onlangs financiering kreeg binnen het Open Competitie Domain Science-M-programma. Het onderzoek wordt geleid door Sander Bohte en Steven Scholte (beiden verbonden aan CWI en de Universiteit van Amsterdam).
Kunstmatige intelligentie heeft enorme datasets nodig om visuele taken aan te leren, terwijl onze hersenen veel minder informatie nodig hebben om de wereld te begrijpen. De sleutel ligt in zogeheten inductieve biases, ingebouwde aannames die de hersenen helpen om visuele prikkels te interpreteren. Dit project onderzoekt hoe die aannames zich ontwikkelen van baby tot volwassene, en hoe ze zorgen voor snelle en efficiënte visuele verwerking bij zoogdieren.
Door computationele modellen te combineren met data uit de neurowetenschappen, willen de onderzoekers de onderliggende principes achter deze natuurlijke leerefficiëntie ontrafelen. De inzichten kunnen ons begrip van visuele cognitie veranderen, bijdragen aan het ontwerp van datavriendelijkere AI-systemen, en mogelijk ook handvatten bieden voor de klinische behandeling van ontwikkelings- en perceptiestoornissen.
Het onderzoek wordt gefinancierd door de Nederlandse Organisatie voor Wetenschappelijk Onderzoek (NWO) binnen het Open Competitie Domein ENW-M, dat nieuwsgierigheidsgedreven fundamenteel onderzoek ondersteunt in alle wetenschapsdomeinen.
Over de onderzoekers
Prof. dr. Sander Bohte leidt de onderzoeksgroep Machine Learning bij het Centrum Wiskunde & Informatica (CWI). Zijn werk richt zich op biologisch geïnspireerde neurale netwerken, computationele neurowetenschappen en efficiënte AI-algoritmen. Bohte staat bekend om zijn bijdragen aan spiking neural networks en leersystemen die geïnspireerd zijn door de werking van de hersenen.
Dr. Steven Scholte is universitair hoofddocent aan de Universiteit van Amsterdam en slaat bruggen tussen cognitieve neurowetenschappen en kunstmatige intelligentie. Zijn onderzoek richt zich op de neurale basis van waarneming en leren, vaak met een combinatie van neuroimaging en computationele modellering om te begrijpen hoe de hersenen complexe informatie verwerken.
Foto: Shutterstock
