Има ли значителна разлика между човешкия мозък и симулираната невронна мрежа?


Отговор 1:

Въпросът с неговите подробности всъщност е: «Разликите между мозъка и симулираната мрежа са толкова важни, че симулацията няма шанс да възпроизведе всички възможности на мозъка? »

Нека вземем отговор от Пол Кинг по невронни мрежи, който заслужава обсъждане. Невронната мрежа има вход-изход, оценен от ръководител, и между двата има "скрити слоеве", анализиращи информация чрез последователни етапи на обработка, коригиращи предишното (задълбочено обучение). Това много наподобява човешкия мозък, който получава множество сензорни входове и ги манипулира до съзнателния изход. Така че въпросът е легитимен: Колко скрити слоя има човешкият мозък?

Пол Кинг опровергава сравнението на няколко аргумента: 1) Мозъкът не е организиран в слоеве, а взаимосвързани центрове.2) Невронните връзки са еднопосочни; няма обратна информация.3) Мозъкът не се учи от предоставените точни отговори.4) Невроните използват нервни импулси, които не съвпадат с числовите алгоритми.5) Павел смята, че множеството слоеве на дълбокото обучение не са по-добри от някои, защото твърде много информация е изгубен по пътя.

Всъщност невроните са организирани в последователни слоеве на лечение (в различни взаимосвързани нервни центрове), но настоящите изкуствени мрежи са твърде груби, за да симулират правилно. За тях са нужни много нива, за да симулират някои от невроните, поради няколко причини: 1) Невроните имат свой собствен контрол на обратната връзка: изстрелването им се изчерпва. Част от нервните импулси е разпространението на обратна връзка.2) Невроните променят физиологията си въз основа на своята активност (също глиалните клетки). Те вече са самообучаващи се.3) Контролът на обратната връзка се осъществява чрез различни връзки и съществуват инхибиторни неврони.4) Невроните се стрелят спонтанно. Тази вътрешна активност произвежда „изход“ при липса на „вход“. Лечението не е само пасивен процес.5) Закъсненията между нервните активации, чрез добавяне и забавяне на контрола за обратна връзка, осигуряват независимост на всеки етап на обработка. Междувременно друга свързана информация може да попречи на контрола за обратна връзка да действа.

Всички тези характеристики на невроните са, че тяхната система е едновременно по-динамична и по-стабилна от изкуствените мрежи. Добавянето на нива в начина, по който са проектирани в изкуствена мрежа, само намалява границите на грешка при концептуално лечение, докато група неврони се грижи малко да се обърка, живее в илюзията да върши винаги страхотна работа, може да се каже и по-горе е групата на надзорните неврони, която оценява и насочва корекции невидимо за контролирани неврони. Независимостта на нивата на лечение е белязана за невроните, което обяснява как преживяваме съзнанието си, най-високият етап: обединени, независими, но все пак свързани с множество представени концепции.

Проектантите на изкуствени мрежи трябва да постигнат това подобрение: да увеличат независимостта на етапите на обработката им, като същевременно ги поддържат координирани. Вградете латентността, вместо да използвате своята електронна скорост. Нищо не пречи теоретично те да постигнат успех и следователно, за да отговорят на вашия въпрос, изкуствените мрежи са потенциално способни да симулират съдържанието на човешкото съзнание и да ги преживеят. Това, което ще преживеем, ще е куп транзистори, а не набор от биологични клетки. Това ще направи угаснали сватби ...

Последна забележка: да, мозъкът се учи също и от предоставените отговори: тези на неговите родители. Както и тези, дадени от околната среда, отбелязани по двоичен начин: наказание / награда.

В тази статия имате ключа към изкуствения интелект ;-)


Отговор 2:

Биологичното решение за нашето движение е мускулно, но технологичното решение е колело; може да получим различно решение за симулирано съзнание, емоции и самосъзнание от нашия мозък.

Необходими са повече изследвания от двете страни, за да се даде правилен отговор на този въпрос. В момента симулираната невронна мрежа никъде не се затваря от нашия мозък, но най-добрите мозъци работят върху нея.

Универсалността, ниските енергийни нужди и ниската скорост на мозъка на животните в сравнение с изкуствените невронни мрежи се дължат на огромните разлики между биологичните неврони и изкуствените неврони, различни от техния брой и състав в съответната мрежа.

Има много точки, в които изследователите на изкуствена невронна мрежа могат да подобрят алгоритъма си, разглеждайки начина, по който мозъкът показва интелигентност:

  • Човешкият мозък има четири основни компонента - Церебрум, Церебелум, Лимбична система и Мозъчен ствол, където никоя от установената ни изкуствена невронна мрежа няма такава архитектура. Архитектурата на AlphaGo има композиция от усилено обучение и задълбочено обучение. Брейн работи в режим без надзор и не очаквайте огромен брой етикетирани данни като дълбоко учене, базирана на изкуствена невронна мрежа. Изследователите за машинно обучение работят върху неподдържаното обучение. Брейн може да прехвърли интелигентността си на друг мозък чрез някакъв език. Изследователите за машинно обучение работят върху Трансферното обучение.Брейн може да си почине и да консолидира собствената си памет чрез сън. Учените за машинно обучение работят върху подрязването на обучена изкуствена невронна мрежа за устройства с ниска памет. Мозъкът може да генерира истории и мечти от собствената си памет. Изследователите за машинно обучение работят върху Генеративни мрежи.

Успехът в изследванията за машинно обучение може да даде някаква представа за това как работи мозъкът ни. Но ще бъде трудно, тъй като много малко невролози се интересуват от алгоритъм. Така че, ние можем да получим изкуствен общ интелект много преди, отколкото разбиране на нашия мозък.


Отговор 3:

С течение на времето прогнозирам, че отговорът на този въпрос също ще се промени.

Настоящият отговор на този въпрос е да.

В момента симулираните невронни мрежи са доста добри при специализирани задачи като разпознаване на обекти, обработка на езици, автономна навигация и дори генериране на музика. Нашите модели се основават на метрично обучение, байесова статистика и изпъкнала оптимизация, както и на нашето разбиране за невроните и как работят заедно. Тези модели са много грубо сближаване на това, което всъщност се случва в нашите глави! Разбира се, може би един ден нашите компютърни симулации ще могат да моделират перфектно човешкото познание във всички аспекти (кой знае!).