The Global Latent Workspace: towards AI models of flexible cognition
Recent advances in deep learning have allowed Artificial Intelligence (AI) to reach human-level performance in many sensory, perceptual, linguistic or cognitive tasks. There is a growing need, however, for novel, brain-inspired co...
Recent advances in deep learning have allowed Artificial Intelligence (AI) to reach human-level performance in many sensory, perceptual, linguistic or cognitive tasks. There is a growing need, however, for novel, brain-inspired cognitive architectures to achieve more robust and flexible cognition. The Global Workspace Theory refers to a large-scale system integrating and distributing information among networks of specialized modules to create higher-level forms of cognition and awareness. It is one of the dominant neuroscientific accounts of higher-level brain function. We argue that the time is ripe to consider explicit implementations of this theory using deep learning techniques. We propose a roadmap based on unsupervised neural translation between multiple latent spaces (neural networks trained for distinct tasks, on distinct sensory inputs and/or modalities) to create a unique, amodal global latent workspace (GLW). Sensory inputs that are broadcast in this GLW acquire meaning by connecting them to (or translating them into) the relevant semantic knowledge and representations from language, memory or decision systems: the semantic grounding property. Conversely, language and semantic representations are grounded in the sensory environment via the same broadcast/translation operation. Finally, broadcasting sensory and semantic inputs to the relevant effector domains can create motor affordances and support embodied cognition. Together, the grounding and affordance properties infuse meaning in AI processes, which can then be combined sequentially (via attentional selection) to enable flexible cognitive functions—i.e., System-2 AI. The interdisciplinary project will directly implement the GLW framework in deep learning models of growing complexity, and evaluate their correspondence with brain networks. It will provide an explicit evaluation of the Global Workspace Theory, and push the limits of current deep learning systems towards next-generation AI.ver más
06-11-2024:
IDAE Cadena de Valor...
Se ha cerrado la línea de ayuda pública: Ayudas a Proyectos para reforzar la Cadena de Valor de equipos necesarios para la transición a una economía de cero emisiones netas
05-11-2024:
Cataluña Gestión For...
Se abre la línea de ayuda pública: Gestión Forestal Sostenible para Inversiones Forestales Productivas para el organismo:
04-11-2024:
Doctorados industria...
Se ha cerrado la línea de ayuda pública: Formación de doctores y doctoras de las universidades del Sistema universitario de Galicia (SUG) en empresas y centros de innovación y tecnología para el organismo:
Seleccionando "Aceptar todas las cookies" acepta el uso de cookies para ayudarnos a brindarle una mejor experiencia de usuario y para analizar el uso del sitio web. Al hacer clic en "Ajustar tus preferencias" puede elegir qué cookies permitir. Solo las cookies esenciales son necesarias para el correcto funcionamiento de nuestro sitio web y no se pueden rechazar.
Cookie settings
Nuestro sitio web almacena cuatro tipos de cookies. En cualquier momento puede elegir qué cookies acepta y cuáles rechaza. Puede obtener más información sobre qué son las cookies y qué tipos de cookies almacenamos en nuestra Política de cookies.
Son necesarias por razones técnicas. Sin ellas, este sitio web podría no funcionar correctamente.
Son necesarias para una funcionalidad específica en el sitio web. Sin ellos, algunas características pueden estar deshabilitadas.
Nos permite analizar el uso del sitio web y mejorar la experiencia del visitante.
Nos permite personalizar su experiencia y enviarle contenido y ofertas relevantes, en este sitio web y en otros sitios web.