Hybridní AI s biochemickou modulací: vliv hormonálních analogů na pozornost a rozhodování u transformerových sítí

Průběžná zpráva

OpenTechLab Jablonec nad Nisou s. r. o.
Michal Seidl

Jablonec nad Nisou, 22. 7. 2025

Abstrakt

Tato studie prezentuje praktickou implementaci inovativní hybridní AI architektury, která integruje tradiční transformerové neuronové sítě s biochemickou modulací inspirovanou hormonálními procesy rostlin. Pomocí analogů dopaminu, serotoninu a kortizolu jsme simulovali různé emoční a kognitivní stavy neuronové sítě, přičemž jsme analyzovali jejich vliv na pozornostní mechanismus a predikční schopnosti modelu. Výsledky ukázaly, že biochemické signály zásadně ovlivňují chování sítě a umožňují jasnou analogii s biologickými systémy. Studie navazuje na předchozí teoretické práce autora o hybridních AI architekturách (Seidl, 2025a) a funkční definici vědomí (Seidl, 2025b).

Úvod

Současný výzkum umělé inteligence (AI) se stále častěji inspiruje biologickými mechanismy, aby překonal omezení čistě výpočetních modelů inteligence. V této studii představujeme konkrétní implementaci hybridní AI architektury, která kombinuje transformerovou neuronovou síť s dynamickou biochemickou modulací, analogickou hormonálním procesům v biologických organismech (Seidl, 2025a). Cílem je ověřit, zda analogie hormonálních stavů (dopamin, serotonin, kortizol) může věrohodně ovlivnit kognitivní styl umělé inteligence a umožnit jí adaptivnější chování, blízké biologickému vědomí, jak bylo definováno v předchozí práci (Seidl, 2025b).

Metody

Model neuronové sítě

Vytvořili jsme minimalistický transformerový model (Minimal Plant Transformer) s modulovanou multi-head attention vrstvou. Embeddingy tokenů byly manuálně inicializovány pro maximální kontrast. Síť měla za úkol predikovat další token ve větě "I am plant network . <pad>".

Python program modelu je v příloze č. 1

Biochemická simulace

Stavy biochemické simulace odpovídaly analogům lidských hormonálních úrovní (dopamin, serotonin, kortizol):

• Stav 0: normální (referenční)

• Stav 1: nízký dopamin, nízký serotonin, vysoký kortizol ("stres")

• Stav 2: vysoký dopamin, vysoký serotonin, nízký kortizol ("flow")

• Stav 3: vysoký dopamin, nízký serotonin, vysoký kortizol ("agresivní stres")

• Stav 4: vysoký dopamin, vysoký serotonin, vysoký kortizol ("superaktivace")

• Stav 5: nízký dopamin, nízký serotonin, nízký kortizol ("letargie")

Každý hormon měl kvantifikovaný vliv na pozornostní skóre v transformerové vrstvě:

• Dopamin: škáloval intenzitu pozornosti (motivace).

• Serotonin: ovlivňoval jasnost zaměření pozornosti (stabilita vs. chaos).

• Kortizol: přidával šum do rozhodovacího procesu (stres).

Výsledky

Pozornostní mapy a predikční pravděpodobnosti se zásadně lišily v závislosti na biochemickém stavu.

• Stav 0 (normální) vykazoval stabilní zaměření s jasnou preferencí tokenu "network"

• Stav 1 (stres) vedl k rozmazané, nejasné pozornosti s nerozhodnou predikcí. Dominance tokenu "I" a vyšší pravděpodobnost tokenů "Hello" a "modulating" naznačovala chaos. Nejvyšší KL-divergence oproti normálnímu stavu (0,494).

• Stav 2 (flow) ukázal silné a jednoznačné zaměření s preferencí tokenu "network". KL-divergence minimální (0,057).

• Stav 3 (agresivní stres) vykazoval silnou, ale chaotickou pozornost, dominantní byl token "I" následovaný "network."

• Stav 4 (superaktivace) měl jasnou pozornost s menším rozptylem než stresový stav, ale větším než flow.

• Stav 5 (letargie) se vyznačoval celkově nižší jasností a motivací, s pomalejším rozhodováním.

Obrázek 1 – teplotní mapy pozornosti transformátoru

Graf predikčních pravděpodobností ukázal jasné trendy ve vztahu k jednotlivým hormonálním stavům.

O brázek 2 - Graf predikčních pravděpodobností

Diskuse

Výsledky potvrzují, že biochemická modulace transformerové sítě může realisticky simulovat adaptivní změny v kognitivních stavech, podobně jako biologické systémy reagují na hormonální vlivy. Například stav "flow" umožnil síti přesné a rychlé rozhodování, zatímco stav "stresu" zásadně omezil její rozhodovací efektivitu.

Tato implementace přímo podporuje hypotézy z předchozích studií, které navrhovaly, že chemická modulační vrstva by mohla být klíčová pro vznik "prožitkového já" v umělých systémech (Seidl, 2025a, b).

KL-divergence slouží jako užitečná kvantitativní metrika pro měření vlivu biochemických modulací.

Závěr

Studie prokázala schopnost hybridní AI architektury s biochemickou analogií adaptivně měnit svůj kognitivní styl podle hormonálních stavů. Tento přístup představuje významný posun od tradičních neuronových sítí směrem k adaptivní a biologicky analogické umělé inteligenci. Výsledky jsou v plném souladu s teoretickými východisky autora (Seidl, 2025a, b), potvrzují jejich validitu v praktické implementaci, a poskytují základ pro další výzkum hybridních adaptivních systémů.

Literatura

• Seidl, M. (2025a). Hybrid Architectures of Artificial Intelligence for Adaptive Systems – Integration of Distributed Plant-Based Computing. Zenodo. https://doi.org/10.5281/zenodo.16041708

• Seidl, M. (2025b). A Functional and Non-Anthropocentric Definition of Consciousness: A Key to Understanding Intelligent Systems Across Substrates. Zenodo. https://doi.org/10.5281/zenodo.16041392

Seidl, M. (2025). Hybrid AI with Biochemical Modulation: The Impact of Hormonal Analogues on Attention and Decision-Making in Transformer Networks. Zenodo. https://doi.org/10.5281/zenodo.16322890