Die AGI-2026-(AGI-26)-Tagungsbände von Springer. Das Multi-Neuraxon-Paper von Qubic wurde in das begutachtete Verzeichnis der 19. Internationalen Konferenz für Artificial General Intelligence aufgenommen.
Zwei Konferenzen, Zwei Neuraxon-Papers
Zunächst einmal besonderer Dank an CfB und an alle Qubic-Mitglieder für ihre Unterstützung.
Wir hatten die Gelegenheit, die Neuraxon-Papers auf zwei Konferenzen vorzustellen.
Trinäre Neuronen und selbstorganisierte Kritikalität: Die Neuraxon-Arbeit bei AMLDS Osaka
Wir nahmen die trinale Arbeit mit nach AMLDS nach Osaka. Trinär bedeutet: ein Neuron, dessen Ausgabe erregend, hemmend oder neutral sein kann --- nicht nur an oder aus. Fast alle im Raum hatten zuvor schon ternär gesehen, aber eher als Möglichkeit, Gewichte zu komprimieren und damit Speicher zu sparen. Unsere These war anders: Der neutrale Zustand ist kein Kompressionstrick, sondern ein dynamisches Element, das verändert, wie das Netzwerk sich selbst reguliert. Um das zu testen, bauten wir zwei Netzwerke, die in jeder Hinsicht identisch waren (gleiche Verschaltung, gleiche Synapsen, gleiche Plastizitätsregeln, gleiche Inputs) und änderten nur eine Sache: ob das Neuron zwei Ausgangszustände oder drei hatte. Dann ließen wir sie in einer künstlichen-Leben-Welt laufen --- ohne Resets, ohne Normalisierungsschichten und ohne irgendetwas, das ihnen sagt, was sie lernen sollen --- und beobachteten, wie sich Aktivität über lange Zeithorizonte ausbreitet. Was wir fanden: trinale Netzwerke sitzen etwa zweieinhalb Mal so oft bei Kritikalität wie die binären, und sie kommen dort von selbst hin und bleiben dort. Binäre Netzwerke driften subkritisch und erholen sich nie wirklich. Das Ergebnis, das uns allerdings am meisten interessiert, ist das zur Robustheit: Die trinalen Netzwerke halten Kritikalität über die gesamte Bandbreite des von uns beobachteten Ungleichgewichts zwischen LTP und LTD, während die binären nur nahe herankommen, wenn die Plastizität zufällig fein ausbalanciert ist. Anders gesagt: Der neutrale Zustand entkoppelt kritische Dynamik davon, deine Plastizität korrekt abstimmen zu müssen. Unsere Lesart ist, dass er als Puffer funktioniert --- eine weiche Landung zwischen Stille und Feuern, die Fluktuationen absorbiert, statt sie zu verstärken. Genau das macht die Subthreshold-Biologie mit stillen Synapsen und dendritischen Plateaus. Für neuromorphe Hardware ist das ein attraktiver Trade-off: ein dritter Zustand kostet dich deutlich weniger als ein Bit pro Neuron und könnte es erlauben, die Stabilisierungsschaltkreise loszuwerden, die du sonst brauchen würdest. Wo es ehrlich gesagt schwach ist: All das passierte ohne ein überwachtendes Ziel, also können wir noch nicht sagen, ob Kritikalität dir auf einem Benchmark auch Genauigkeit erkauft.
Wir wurden mit der besten Abendpräsentation in unserem Bereich ausgezeichnet.
Multi-Neuraxon auf der AGI-26: modulare, frequenz-gesteuerte spiking neuronale Netze
Die Multi-Neuraxon-Arbeit --- „Emergent Specialization, Modular, Frequency-Gated Neural Dynamics for Context-Dependent Behaviour“ --- von David Vivancos und Jose Sánchez, Qubic Open Science.
Auf der AGI 26 in San Francisco haben wir Multi-Neuraxon vorgestellt. Das ist das, was passiert, wenn man aufhört, Neuraxon als ein einziges Netzwerk zu behandeln, und beginnt, es als mehrere zu behandeln. Die Architektur hat vier Sphären --- visuell, auditiv, assoziativ, motorisch --- jeweils eine vollständige Neuraxon-Einheit für sich, und das Spannende ist, wie sie miteinander sprechen. Statt fester Verschaltung werden Projektionen zwischen den Sphären durch oszillatorische Kohärenz gegated: Gamma trägt Feedforward, Beta trägt Feedback, Theta verbindet die beiden sensorischen Sphären lateral. Ähnlich wie die Hirnmechanismen von Active Inference und Predicting Coding. Wenn die Phasen übereinstimmen, öffnet sich der Kanal; wenn nicht, schließt er sich. Wir haben die Konfiguration nicht per Hand entworfen --- eine evolutionäre Architektur-Suche hat sie gefunden --- und dann haben wir dieses eine gesunde Gehirn auf vierzehn verschiedene Arten lädiert und untersucht. Das Ergebnis, das uns am meisten überrascht hat, ist, was passiert, wenn man das Gating abschaltet: Die Information fällt nicht ab, sie steigt sogar --- aber Koordination und motorische Stabilität zerfallen. Also ist das Gating kein Bandbreitenmechanismus; es ist ein Einschränkungsmechanismus --- es hält Interaktionen in einem kohärenten Bereich, statt sie stärker zu machen. Zusätzlich stellten sich drei interne Mechanismen als ko-essentiell heraus: Entfernt man ChronoPlastic-Dynamik, komplementäres Coding oder trinale Logik, verliert das System jedes Mal die Hälfte seiner Information. Die verhaltensseitige Komponente ist es, wo der Vortrag wirklich interessant wurde: Die Sphären spezialisieren sich jeweils für sich --- visuell und auditiv werden modality-spezifisch und die assoziative Sphäre bleibt tatsächlich multimodal, ohne dass wir diese Rollen je zugewiesen hätten. Das System setzt gelernte Komponenten auch neu zusammen, die es nie gelernt hatte, zu kombinieren, es vergisst angemessen statt katastrophal über sequentielle Aufgaben hinweg, und es arbeitet weiter, nachdem es drei Viertel seiner Neuronen verloren hat. Um zu zeigen, dass das Ganze nicht einfach nur „modulare spiking networks machen das auch“ ist, haben wir eine passende Nengo-Baseline mit derselben Neuronenzahl, Topologie und demselben Protokoll gebaut --- und die beiden sind in der Rekombination äquivalent, divergieren aber stark in der internen Aktivität: Nengo bricht ohne Input zusammen, Multi-Neuraxon macht weiter.
Aufrichtige Grenzen eines Beitrags auf Substrat-Ebene zu AGI
Die Grenzen, die wir selbst auf die Folie gesetzt haben: Das sind hundertfünfzig Neuronen --- also ein Beitrag auf Substrat-Ebene, und um es klar zu sagen: Es wird nichts über Skalierung demonstriert; alles kommt aus einer einzigen Architektur-Suchkonfiguration. Vielleicht ist das ko-essentielle Trio eher ein ko-adaptierter Optimum als ein Prinzip. Tatsächlich sind alle drei Mechanismen unsere --- das bedeutet, dass die offensichtliche nächste Stufe die Replikation über verschiedene Frameworks ist. Außerdem schulden wir dem Feld immer noch eine Transformer-Baseline und einen standardisierten neuromorphen Benchmark.
Deep Learning Highlights von AMLDS Osaka
In Osaka gab es einige erstaunliche Präsentationen zu Anwendungen des Deep Learning. Obwohl wir nicht glauben, dass Intelligenz allein aus Sprache entstehen kann, liefern LLMs von Monat zu Monat bessere Ergebnisse. Eine starke Keynote von Giuseppe Di Fatta behandelte Multi-Task-Deep-Learning. Anhand von Steins Paradoxon in der Statistik verwendete seine Gruppe einen Shrinkage-Faktor für die Multi-Task-Regularisierung. Sie machten sich daran, den bei Google DeepMind bekannten Gato zu verbessern – einen Generalisten-Agenten, der darauf trainiert wurde, 604 verschiedene Aufgaben zu bewältigen.
AGI-26 Keynotes: Predictive Coding, Active Inference und verkörperte Intelligenz
Die nächste Konferenz war die AGI 26 in San Francisco --- jene, die sich ganz speziell der allgemeinen Intelligenz widmete. Ihre Keynotes waren echten Giganten der Neurowissenschaften, Psychologie, des Rechnens und der Künstlichen Intelligenz vorbehalten. Karl Friston, der Vater des Predictive Coding, eröffnete die Tagung mit einer Morgen-Keynote. David Eagleman stellte seine Vision einer zukünftigen KI-Gesellschaft vor und die Zeichen, an denen wir allgemeine Intelligenz erkennen könnten.
Hod Lipson am AGI-26-Podium: „Selbstbewusstsein ist die Fähigkeit, sich selbst in die Zukunft hinein zu imaginieren.“
Hod Lipson präsentierte hervorragende Arbeit zur Robotik und zur Mensch--Maschine-Interaktion; sein Modell der Selbstrepräsentation in Robotern ist wirklich bemerkenswert. Anil Seth argumentierte, Intelligenz sei eine emergente Eigenschaft biologischer, verkörperter, bewusster Organismen --- als Mit-Aktiver-Meditationspraktizierender fühlte ich mich sehr stark mit dieser Sicht im Einklang. Andere Sprecher gingen eher eine funktionalistische Linie, oder, wie jemand auf der Bühne scherzhaft sagte, eine „com-funktionalistische“.
Die Debatte zwischen verkörperten und funktionalistischen Sichtweisen auf den Geist zog sich durch die AGI-26 --- hier, Adam Safron und Victoria Klimaj zur Selbstheit über enaktivistische und kognitivistische Perspektiven.
Alison Gopnik machte den Fall, dass wir die Intelligenz von Kindern untersuchen und modellieren sollten, nicht die von Erwachsenen. Michael Levin, ein synthetischer Biologe, stellte ein ganzes Leben voller außergewöhnlicher Entdeckungen in nicht-menschlichen Tieren und in Zellen vor --- und zeigte damit, dass Intelligenz mit Strukturen verbunden ist, die weit über komplexe Nervensysteme hinausgehen.
Michael Levin und Hananel Hazan (Allen Discovery Center, Tufts) über die Invarianten von Intelligenz über Substrate hinweg – von lebenden Zellen bis hin zu KI und darüber hinaus.
Wir hatten außerdem Zeit, Googles Hauptquartier zu besuchen, in dem mehrere Nobelpreisträger zu finden sind – darunter Demis Hassabis. Organisator Ben Goertzel sprach ausführlich über sein eigenes AGI-Projekt, Hyperon, und über Claw, seine Agenten-Kommunikationsschicht für AGI.
Industrie trifft Wissenschaft auf der AGI-26 — Alexander Lerchner von Google DeepMind auf der Hauptbühne in San Francisco.
Alison Gopnik machte den Fall, dass wir die Intelligenz von Kindern untersuchen und modellieren sollten, nicht die von Erwachsenen. Michael Levin, ein synthetischer Biologe, stellte ein ganzes Leben voller außergewöhnlicher Entdeckungen in nicht-menschlichen Tieren und in Zellen vor --- und zeigte damit, dass Intelligenz mit Strukturen verbunden ist, die weit über komplexe Nervensysteme hinausgehen.
Michael Levin und Hananel Hazan (Allen Discovery Center, Tufts) über die Invarianten von Intelligenz über Substrate hinweg – von lebenden Zellen bis hin zu KI und darüber hinaus.
Wir hatten außerdem Zeit, Googles Hauptquartier zu besuchen, in dem mehrere Nobelpreisträger zu finden sind – darunter Demis Hassabis. Organisator Ben Goertzel sprach ausführlich über sein eigenes AGI-Projekt, Hyperon, und über Claw, seine Agenten-Kommunikationsschicht für AGI.
Industrie trifft Wissenschaft auf der AGI-26 — Alexander Lerchner von Google DeepMind auf der Hauptbühne in San Francisco.
Sind wir der Künstlichen Allgemeinen Intelligenz schon nahe?
Großartige Sprecher --- aber, ehrlich gesagt, sieht es so aus, als seien wir immer noch sehr weit von AGI entfernt. Es gab bemerkenswerte Arbeiten und Projekte zu Predictive Coding und Active Inference, neben durchdachten Reflexionen zu KI-Sicherheit, Regulierung, Zukünften, Fallstricken, Gefahren und Zweck. Doch wie die Dinge derzeit stehen, gibt es kein nachgewiesenes System, das in der Lage ist, wirklich neue Aufgaben zu lernen, ohne explizites Training. Für mich ist das überhaupt nicht schlimm. Es bestätigt einfach, dass das Ziel wirklich eine extrem anspruchsvolle Aufgabe ist. Teil der Community für Künstliche Allgemeine Intelligenz zu sein, mit einem Paper, das für Qubic veröffentlicht wurde, fühlt sich wie ein echter Erfolg an --- und je mehr Papers wir veröffentlichen, desto besser für das Projekt. Also, falls du jemals das Gefühl hast, wir würden noch nicht das erreichen, was du dir vorstellst: behalte es im Blick --- im Moment hat niemand mehr als einen kurzen Einblick darauf.
Weiter mit Qubics Open-Science-Forschung
Lasst uns mit der Forschung weitermachen.
Danke an die Qubic-Community und an CfB für eure Unterstützung. Jetlag, lange Flüge, großartige Anstrengung --- aber wirklich lohnend.
Dr. Jose Sánchez. PhD. Neurowissenschaftler.
Qubic Scientific Team
PD: kontaktiere mich, wenn du Fotos oder Links der Vortragenden wünschst unter info@josesanchezgarcia.com