Idag finns AI-program som kan köra bil, slå världsmästaren i go och skriva sammanfattningar av medicinska forskningsartiklar. Det finns också industrirobotar som klarar att arbeta mycket effektivt i exakt tillrättalagda miljöer. Dessa framgångar beror till stor del på den relativt nya tekniken deep learning, som bygger på artificiella nervsystem.

Trots många imponerande framsteg finns stora begränsningar med deep learning och dagens AI-tekniker. Problem som är enkla för människor är ofta omöjliga för dagens AI-program. Det finns t ex inga hushållsrobotar idag som kan hjälpa till med disk, tvätt och städning i våra hem. För att konstruera sådana robotar krävs att man ökar AI-systemens anpassningsförmåga radikalt. En svårighet i det sammanhanget är att man inom deep learning i regel använder fixerade arkitektur som måste skräddarsys av programmerare för varje enskild tillämpning. På så sätt bygger man in kraftiga begränsningar i systemen redan från början.

I projekt utgår vi från djurens enastående förmåga att anpassa sig till olika miljöer. Vår strategi är att efterlikna ett antal grundläggande mekanismer för hur djur lär sig och fattar beslut. I synnerhet efterliknar vi formbarheten hos naturliga nervsystem, vilket ger en dynamisk arkitektur, som ständigt anpassar sig till nya situationer. Projektet är ett samarbete mellan forskare i kognitionsvetenskap, dynamiska system och biologi från Chalmers, Harvard University (USA) och Deakin University (Australien).