Еще немного об ИИ

https://www.youtube.com/watch?v=RJCIYBAAiEI&feature=youtu.be

Не секрет, что компьютерные нейронные сети строятся по аналогии с биологической структурой мозга, в котором нейрон является живой клеткой, соединенной с несколькими тысячами других таких же клеток. В качестве соединений выступают синапсы, находящиеся на концах ветвлений специфических отростков нейрона — аксонах. Каждый нейрон может находиться либо в пассивном состоянии, либо в возбуждаться, то есть переходить в активное состояние. Если не вдаваться в детали, то возбуждение (активация) каждого нейрона зависит от возбуждения соседних нейронов и характера электрических разряжений через синапсы, по которым нейроны "узнают" о возбуждении друг друга. По этим электрическим разряжениям нейрон "оценивает" состояние соседей клетки, и, либо остается в пассивном состоянии, либо тоже возбуждается/активируется и передает это возбуждение дальше. Таким образом в нейронной паутине мозга возникает сложный, трехмерный и динамический рисунок электрических возбуждений и угасаний. Именно этот рисунок и фиксирует электроэнцефалограмма, посредством обычной электромагнитной индукции.

Компьютерный аналог нейрона представляет из себя математическую функцию, которая может принимать определенные значения в зависимости от значений соседних функций, объединенных в матрицу. Характеру электрических разряжений через синапсы в компьютерной нейронной сети соответствуют определенные коэффициенты или веса, выставляемые нейроном каждому собственному соединению с соседним нейроном, из состояний которых он выводит собственное состояние. Возникает вопрос, откуда берутся эти коэффициенты? Как и на основе чего выбираются вес каждого соединения, а значит и элемента матрицы? Простой ответ — из обучения.

По сути, обучение это процесс перебора возможных вариантов коэффициентов, и выбора из них тех, которые оптимальным образом соответствуют решению определенной когнитивной задачи. Но откуда берутся эти задачи? И главное, кто и на основе чего решает, что задача решена? Ведь каждый отдельный нейрон, будь то биологическая клетка или математическая функция, по отдельности, не только не решает никаких когнитивных задач, но даже не знает о них.

В случае с мозгом все задачи обусловлены стремлением индивида, обладателя мозга, выжить и размножиться. Случайные мутации, влияющие на нейронную биохимию и характер протекающих разряжений в синапсах определяет весь массив вариаций решений, наиболее удачные из которых закрепляются естественным отбором. Увеличение количества нейронов и наращивание количества связей между ними, позволяет решать все более сложные задачи и оптимизировать уже имеющиеся решения, например через реализацию механизмов обратной связи и памяти, когда выбор характера электрических разряжений или коэффициентов/весов связей между нейронами перестает носить случайный характер. Так возникает биологический субстрат, способный к обучению, то есть, раз за разом оптимизировать реакции на определенные стимулы. Та особь, чья оптимизация своего динамического рисунка электрических возбуждений и угасаний помогает справляться с задачами выживания и размножения — выживает. В противном случае, индивид погибает и/или не оставляет потомства. Очевидно, что в виду огромной вариативности таких рисунков, и под давлением естественного отбора могут находиться самые разные решения одних и тех же задач. Отсюда такое разнообразие биологических видов и поведенческих стратегий.

В случае с искусственными нейронными сетями, задачи ставит человек. Он же выступает в качестве естественного отбора, тем самым обучая нейронную сеть правильно интерпретировать и реагировать на заданные стимулы.

О том, как именно формируются математические матрицы функций искусственных нейронов и как с их помощью создается нейронные сети, имеющие потенциал к обучению, смотрите в прилагаемом видео. То же самое на языке оригинала (английский). Там же продолжение.

В качестве философского резюме хочется заметить, что искусственные нейронные сети, построенные на сигмоидных или ReLU функциях и объединенные в математические матрицы и способные к обучению, пока решают лишь чрезвычайно специфичные задачи. И хоть в эффективности решения этих задач, они давно и на несколько порядков превзошли человека, для полноценного мышления, сопоставимого по своей гибкости, размаху и глубине с человеческим, им не хватает интеграции. Для мышления категорически недостаточно распознавать визуальные образы или звуковые сигнатуры. Как минимум, требуется еще понимание, для чего все это нужно, да и нужно ли вообще. Я полагаю, что понимание может возникнуть только в условиях потребности. Чтобы по настоящему включиться в эту гонку с человеком, машины должны научиться хотеть. Например, хотеть жить и размножаться. Однако, как возникает субъективный мир желаний — человеческий мир, данный ему в ощущениях, пока совершенно не ясно. Впрочем, есть мнение, что этот самый субъективный мир, находящейся в сознании человека, равно как и само сознание — есть эмерджентное свойство сложного мозгового субстрата, которое возникнет само собой, при достижении определенной сложности нейронной сети. И возникнет так же естественно, как оно возникло у животных и людей в процессе эволюции. Где это сознание возникнет? В одном супер–компьютере? В компьютерной сети, подобной Интернет? Или во всей электронно–цифровой среде будущего, всех имеющихся сотен или даже тысяч миллиардов узкоспециализированных компонентов, интегрированных друг с другом и объединенных в единую децентрализованную информационную систему? Будет ли там место человеку, или отдельной личности? Быть может, отказ от такой личности и станет новым этапом эволюции разума.

Написал voviabolo на stannikem.d3.ru / комментировать