Интересно начать тему об искусственном интеллекте. Причина, по которой я хочу исследовать мир ИИ, связана с фильмом «Железный человек»!!! Я думаю, что многие уже смотрели его много раз. Самая привлекательная роль в фильме — помощник по искусственному интеллекту Джарвис, она показывает настоящую силу ИИ от дизайна доспехов до юмористического разговора. После просмотра фильма я сказал себе, что хочу быть человеком, который может создать настоящий ИИ, потому что это так здорово. Поэтому я начал читать что-нибудь об ИИ. И я нашел книгу «Об интеллекте», опубликованную Джеффом Хокинсом. Он раскрывает основную проблему построения настоящей интеллектуальной машины. Нет никакой теории о нашем мозге. Мы точно не знаем о механизме того, как наш мозг учится у окружающей среды. Поэтому Джефф предложил схему обучения в этой книге, которая меня так привлекает. И я считаю, что структура является решающим вкладом человека в создание настоящего интеллекта, как Джарвис!!!!
В этой статье я поделюсь обзором структуры, изложенной в этой статье, и расскажу о препятствиях на пути к современным подходам к искусственному интеллекту.
Типы интеллекта
Человеческий интеллект
Особенность человеческого мозга в том, что он может быстро адаптироваться к окружающей среде и усваивать модель мира. Кроме того, он может обрабатывать абстрактные концепции и создавать новые модели поведения, в том числе манипулировать окружающей средой. Мозг и тело тесно взаимосвязаны. Коммуникация идет параллельно, и информация течет в обоих направлениях.
Сенсомоторные механизмы в мозге позволяют людям воспринимать и двигаться. Сенсомоторная интеграция также является основой абстрактного мышления. У людей есть так называемые воплощенные рассуждения, потому что сенсомоторные механизмы формируют их абстрактные мыслительные способности. Структура мозга и тела, а также то, как они функционируют в физическом мире, ограничивают и формируют возможности мозга.
ИИ для компьютера
Исследователи ИИ традиционно отдавали предпочтение математическим и логическим, а не биологически ограниченным подходам к созданию интеллекта. В прошлом классические или символические приложения ИИ, такие как экспертные системы и игровые программы, использовали явные правила для обработки высокоуровневых (удобочитаемых) входных символов. Сегодня приложения ИИ используют искусственные нейронные сети для обработки векторов числовых входных символов. В обоих случаях программа ИИ, работающая на компьютере, обрабатывает входные символы и создает выходные символы. Однако, в отличие от сенсомоторной интеграции мозга и телесных рассуждений, современный ИИ почти не зависит от окружающей среды. Программы ИИ работают внутри компьютера без особого взаимодействия с внешним миром через датчики.
В ИИ есть три широкие категории алгоритмов обучения, где первые две используют статические обучающие наборы, а третья использует фиксированную среду.
Контролируемое обучение
При обучении с учителем набор обучающих данных состоит из входных данных и соответствующей метки. Структура обучения направлена на поиск соответствия между входными данными и меткой.
Обучение без учителя
По сравнению с алгоритмом обучения с учителем набор обучающих данных содержит только входные данные. Цель неконтролируемого обучения — найти закономерности и особенности в самих данных. Кроме того, попытайтесь выявить скрытые структуры в данных без явных меток.
Обучение с подкреплением
Режим обучения состоит в том, что агент выполняет действия в фиксированной искусственной среде и время от времени получает вознаграждение. Цель алгоритма обучения — совершать оптимальные действия на основе этих вознаграждений. Одним из первых успешных примеров обучения с подкреплением стала программа TD-Gammon, которая научила играть в нарды на уровне экспертов. TD-gammon сыграл сотни тысяч игр и получил одну награду (победа/поражение) за каждую игру.
Статус ИИ
Узкая система ИИ выполняет одну четко определенную задачу в одном домене. Лучшие узкие или однозадачные системы искусственного интеллекта превосходят людей. Тем не менее, большинство узких систем ИИ должны переобучаться с новыми обучающими наборами для изучения других задач.
Сильные стороны узкого ИИ
Мы можем связать как природную, так и созданную человеком систему с большим набором дискретных состояний. Узкая система ИИ, работающая на быстром компьютере, может исследовать больше этого пространства состояний, чем человеческий мозг, для определения желаемых состояний. Кроме того, у машин есть вычислительная мощность, чтобы быть более точными, и память для хранения всего. Это причины, по которым машинное обучение может превзойти людей в ограниченных абстрактных областях.
Искусственный интеллект и сотрудничество человека в системах «человек-в-контуре» имеют огромные возможности, потому что узкий ИИ увеличивает способность людей систематизировать данные, находить скрытые закономерности и указывать на аномалии. Например, машинный перевод может производить технически точные тексты, но переводчики-люди должны правильно переводить идиомы или сленг. Точно так же узкий ИИ помогает финансовым инвесторам определять, чем и когда торговать, улучшает диагностику пациентов врачами и помогает в профилактическом обслуживании во многих областях путем обнаружения аномалий.
Ограничения узкого ИИ
Программы ИИ не знают, что они делают. Они не могут перенести свое исполнение в другие области и даже не могут играть в крестики-нолики без редизайна и обширной практики. Кроме того, создание узкого ИИ-решения с производительностью лучше, чем у человека, требует большой инженерной работы, включая выбор наилучшей комбинации алгоритмов обучения, настройку параметров обучения и тестирование обученной системы. Даже при обучении с подкреплением узкие системы ИИ являются прокси для людей, которые их создали, и для конкретных условий обучения.
Биологический путь к общему ИИ
Нейробиология долгое время сосредоточивалась на экспериментальных методах, чтобы понять фундаментальные свойства клеток мозга, нейронов и нейронных цепей. Нейробиологи провели множество экспериментов, но меньшее количество работ успешно извлекает принципы из этой обширной коллекции результатов. Необходима теоретическая основа, чтобы понять, что говорят нам результаты о крупномасштабных вычислениях мозга. Такая структура должна позволять ученым создавать и проверять гипотезы, которые имеют смысл в контексте более ранних результатов.
Вычислительная нейронаука – это область нейробиологии, которая использует экспериментальные данные для построения математических моделей и проведения теоретического анализа для понимания принципов, управляющих когнитивными способностями мозга. Поскольку эта область фокусируется на биологически правдоподобных моделях нейронов и нейронных систем, она не занимается биологически нереалистичными дисциплинами, такими как машинное обучение и искусственные нейронные сети.
Авторы сосредоточились на определенной области мозга, известной как неокортекс, основной области мозга, связанной с интеллектом. Неокортекс представляет собой интенсивно складчатый лист толщиной около 2,5 мм. В плоском виде он имеет размер официальной обеденной салфетки. Неокортекс составляет примерно 70 процентов объема мозга и содержит более 10 миллиардов нейронов (клеток головного мозга). Типичный нейрон (показан выше) имеет один хвостообразный аксон и несколько древовидных отростков, называемых дендритами. Когда клетка возбуждается, электрохимический импульс или спайк проходит по аксону к его окончаниям.
Сигнал переходит от терминала аксона к рецепторам на дендрите другого нейрона. Окончание аксона, рецепторы и щель между ними образуют синапс. Терминал аксона высвобождает нейротрансмиттеры в синаптическую щель, чтобы передать сигнал дендриту. Таким образом, нейрон представляет собой сигнальную систему, в которой аксон является передатчиком, дендриты — приемниками, а синапсы — соединителями между аксонами и дендритами. Нейроны в неокортексе обычно имеют от 1000 до 20000 синапсов.
Неокортекс состоит из областей, участвующих в когнитивных функциях. Как мы увидим, области неокортекса, отвечающие за зрение, речь и осязание, действуют по тем же принципам. Сенсорный ввод определяет назначение региона. Неокортекс генерирует движения тела, в том числе движения глаз, чтобы изменить сенсорную информацию и быстро узнать о мире.
Предпосылка этой статьи заключается в том, что до тех пор, пока сообщество ИИ глубоко не поймет природу интеллекта, мы будем относиться к биологическому правдоподобию и нейробиологическим ограничениям как к строгим требованиям. Используя результаты нейробиологии, Хокинс утверждает, что продолжающаяся работа над сегодняшними узкими методами ИИ не может привести к общему ИИ, потому что в этих методах отсутствуют необходимые биологические свойства. Мы рассматриваем шесть свойств, описывающих «структуры данных» и «архитектуру» неокортекса, начиная с трех свойств структуры данных:
Разреженные представления данных Компьютер использует плотные двоичные векторы из 1 и 0 для представления типов данных (например, ASCII). Система глубокого обучения использует плотные векторы действительных чисел, в которых большая часть элементов отлична от нуля. Эти представления резко контрастируют с очень разреженными представлениями в неокортексе, где в определенный момент времени лишь небольшой процент значений отличен от нуля. Разреженные представления позволяют общим системам искусственного интеллекта эффективно представлять и обрабатывать данные подобно мозгу, устойчивым к изменениям, вызванным внутренними ошибками и зашумленными данными из окружающей среды.
Реалистичная модель нейронаПочти все искусственные нейронные сети используют очень простые искусственные нейроны. Неокортекс содержит нейроны с дендритами, аксонами, синапсами и процессингом дендритов. Общие системы искусственного интеллекта, основанные на неокортексе, нуждаются в более реалистичной модели нейронов с мозговыми связями с другими нейронами.
Системы отсчетаОбщие системы искусственного интеллекта должны иметь возможность делать прогнозы в динамичном мире с постоянно меняющимися сенсорными данными. Для этой возможности требуется структура данных, инвариантная как к внутренним движениям, так и к внешним событиям. Неокортекс использует фреймы отсчета для хранения всех знаний и имеет механизмы, которые отображают движения в местоположениях в этих фреймах. Общие системы искусственного интеллекта должны включать в себя модели и вычисления, основанные на движении по системам отсчета.
Далее мы сосредоточимся на трех фундаментальных архитектурных свойствах неокортекса:
Непрерывное онлайн-обучениеВ то время как большинство узких систем ИИ используют автономное, пакетно-ориентированное контролируемое обучение с помеченными обучающими данными, обучение в неокортексе не контролируется и происходит непрерывно в реальном времени. -время с использованием потоковой передачи данных от органов чувств. Способность динамически изменять и «перестраивать» связи между клетками мозга жизненно важна для реализации способности неокортекса к непрерывному обучению [28].
Сенсомоторная интеграцияДвижения тела позволяют неокортексу активно изменять свои сенсорные входные данные, быстро строить модели для прогнозирования и обнаружения аномалий и, таким образом, воспринимать физическую и культурную среду. Точно так же общие системы ИИ, основанные на неокортексе, должны быть воплощены в окружающей среде и активно перемещать датчики для построения предиктивных моделей мира.
Единый алгоритм общего назначенияНеокортекс изучает подробную модель мира с помощью нескольких сенсорных модальностей и на нескольких уровнях абстракции. Как впервые отметил Вернон Маунткасл, все области неокортекса принципиально одинаковы и содержат повторяющиеся биологические схемы, формирующие общий корковый алгоритм. (Обратите внимание, что существуют различия в типах клеток, соотношении клеток и количестве клеточных слоев между областями неокортекса.) Понимание и реализация такого общего коркового алгоритма может быть единственным путем к масштабируемым системам искусственного интеллекта общего назначения.
Обзор модели HTM
Термин иерархическая темпоральная память (HTM) описывает конкретную реализацию Теории тысячи мозгов. HTM строит модели физических объектов и концептуальные идеи, чтобы делать прогнозы, и генерирует двигательные команды для взаимодействия с окружением и проверки прогнозов. Непрерывное тестирование позволяет HTM обновлять прогностические модели и, таким образом, свои знания, что приводит к разумному поведению в постоянно меняющемся мире.
Модель НТМ состоит из областей нейронов НТМ. Области разделены на вертикальные кортикальные столбцы, как показано на рисунке ниже. Все корковые столбцы имеют одинаковую ламинарную структуру с шестью горизонтальными слоями друг над другом (показано на рисунке 3). Пять слоев содержат мини-столбцы нейронов НТМ. Нейрон в мини-колонке сложным образом соединяется со многими другими нейронами. Мини-столбец в неокортексе может охватывать несколько слоев. Все столбцы коры работают по существу с одним и тем же алгоритмом обучения, ранее упомянутым общим корковым алгоритмом, основанным на их общих схемах.
Области HTM соединяются в приблизительную иерархию. На рис. 4 показаны две несовершенные иерархии вертикально связанных областей с горизонтальными связями между иерархиями. Все регионы в иерархии объединяют сенсорную и моторную информацию. Информация течет вверх и вниз по иерархии и в обоих направлениях между иерархиями.
Основываясь на общей структуре HTM, остальная часть раздела объясняет, как части HTM выполняют ранее перечисленные свойства структуры данных (разреженные представления данных, реалистичная модель нейронов и системы отсчета) и архитектурные свойства (непрерывное онлайн-обучение, сенсомоторная интеграция, и единый алгоритм общего назначения). Он также описывает, как части HTM зависят друг от друга.
Видео ниже посвящено обзору фреймворка HTM, опубликованного Numenta. Я надеюсь, что вы можете найти время, чтобы посмотреть видео!!!
Если вам понравилась статья, пожалуйста, дайте мне немного 👏, поделитесь статьей и следуйте за мной, чтобы узнать больше о мире мультиагентного обучения с подкреплением. Вы также можете связаться со мной в LinkedIn, Instagram, Facebookи Github.
