Gibt es einen signifikanten Unterschied zwischen einem menschlichen Gehirn und einem simulierten neuronalen Netzwerk?


Antwort 1:

Die Frage mit ihren Details lautet eigentlich: «Sind die Unterschiede zwischen Gehirn und simuliertem Netzwerk so wichtig, dass die Simulation keine Chance hat, alle Fähigkeiten des Gehirns zu reproduzieren? »

Nehmen wir eine Antwort von Paul King zu neuronalen Netzen, die eine Diskussion verdient. Ein neuronales Netzwerk hat eine Eingabe-Ausgabe, die von einem Supervisor ausgewertet wird, und zwischen den beiden hat es "verborgene Schichten", die Informationen durch aufeinanderfolgende Verarbeitungsstufen analysieren, wobei die vorherigen korrigiert werden (tiefes Lernen). Dies ähnelt sehr stark dem menschlichen Gehirn, das mehrere sensorische Eingaben empfängt und sie zum bewussten Ausgang manipuliert. Die Frage ist also berechtigt: Wie viele verborgene Schichten hat das menschliche Gehirn?

Paul King widerlegt den Vergleich mit mehreren Argumenten: 1) Das Gehirn ist nicht in Schichten organisiert, sondern in miteinander verbundenen Zentren.2) Die neuronalen Verbindungen sind unidirektional; Keine Rückmeldung. 3) Das Gehirn lernt nicht aus den genauen Antworten. 4) Die Neuronen verwenden Nervenimpulse, die nicht mit den numerischen Algorithmen übereinstimmen. 5) Paul denkt, dass mehrere Ebenen des Tiefenlernens nicht besser sind als einige, weil zu viele Informationen vorliegen auf dem Weg verloren.

Tatsächlich sind die Neuronen in aufeinanderfolgenden Behandlungsebenen (innerhalb verschiedener miteinander verbundener Nervenzentren) organisiert, aber die gegenwärtigen künstlichen Netzwerke sind zu grob, um sie korrekt zu simulieren. Aus mehreren Gründen sind viele Ebenen erforderlich, um einige der Neuronen zu simulieren: 1) Die Neuronen verfügen über eine eigene Rückkopplungssteuerung: Ihr Feuern wird erschöpft. Ein Teil der Nervenimpulse ist die Rückkopplungsvermehrung.2) Die Neuronen ändern ihre Physiologie basierend auf ihrer Aktivität (auch Gliazellen). Sie sind bereits Selbstlerner.3) Die Rückkopplungskontrolle wird über verschiedene Verbindungen ausgeübt und es gibt hemmende Neuronen.4) Neuronen feuern spontan. Diese intrinsische Aktivität erzeugt einen "Exit", wenn kein "Input" vorliegt. Die Behandlung ist nicht nur ein passiver Prozess.5) Die Latenzen zwischen den neuronalen Aktivierungen durch Hinzufügen und Verzögern der Rückkopplungssteuerung sorgen für Unabhängigkeit von jeder Verarbeitungsstufe. Andere verwandte Informationen können in der Zwischenzeit verhindern, dass die Rückkopplungssteuerung wirkt.

Alle diese Eigenschaften von Neuronen sind, dass ihr System sowohl dynamischer als auch stabiler als künstliche Netzwerke ist. Das Hinzufügen von Ebenen in der Art, wie sie in einem künstlichen Netzwerk entworfen wurden, verringert nur die Fehlerquote bei einer konzeptionellen Behandlung, während sich eine Gruppe von Neuronen wenig darum kümmert, etwas falsch zu machen, und in der Illusion lebt, immer großartige Arbeit zu leisten, könnte man sagen und es ist die Gruppe der Supervisor-Neuronen, die Korrekturen für überwachte Neuronen unsichtbar bewertet und bezieht. Die Unabhängigkeit der Behandlungsebenen ist für Neuronen gekennzeichnet, was erklärt, wie wir unser Bewusstsein, das höchste Stadium, erleben: verschmolzen, unabhängig und doch verbunden mit einer Vielzahl von vorgestellten Konzepten.

Designer künstlicher Netzwerke haben diese Verbesserung zu tun: Sie erhöhen die Unabhängigkeit ihrer Verarbeitungsschritte und halten sie gleichzeitig koordiniert. Betten Sie die Latenz ein, anstatt ihre elektronische Geschwindigkeit zu nutzen. Nichts hindert sie theoretisch daran, Erfolg zu haben. Um Ihre Frage zu beantworten, sind künstliche Netzwerke möglicherweise in der Lage, die Inhalte des menschlichen Bewusstseins zu simulieren und sie zu erleben. Was erlebt wird, wird eher ein Haufen von Transistoren als ein Satz von biologischen Zellen sein. Dies wird quilled Hochzeiten machen ...

Letzte Anmerkung: Ja, das Gehirn lernt auch aus den Antworten seiner Eltern. Ebenso wie diejenigen, die von der Umwelt gegeben werden, die auf binäre Weise vermerkt werden: Bestrafung / Belohnung.

Sie haben in diesem Artikel den Schlüssel zur künstlichen Intelligenz ;-)


Antwort 2:

Genauso wie die biologische Lösung für unsere Fortbewegung der Muskel ist, ist die technologische Lösung das Rad; Wir erhalten möglicherweise eine andere Lösung für simuliertes Bewusstsein, Emotionen und Selbstbewusstsein als unser Gehirn.

Um die richtige Antwort auf diese Frage zu finden, sind weitere Untersuchungen von beiden Seiten erforderlich. Derzeit ist das simulierte neuronale Netzwerk nicht in der Lage, unser Gehirn zu schließen, aber die besten Gehirne arbeiten daran.

Universalität, geringer Energiebedarf und geringe Geschwindigkeit des tierischen Gehirns im Vergleich zu künstlichen neuronalen Netzen sind auf die enormen Unterschiede zwischen biologischen Neuronen und künstlichen Neuronen zurückzuführen, die sich von ihrer Anzahl und Zusammensetzung in ihrem jeweiligen Netzwerk unterscheiden.

Es gibt viele Punkte, an denen Forscher des künstlichen neuronalen Netzwerks ihren Algorithmus verbessern können, indem sie untersuchen, wie das Gehirn Intelligenz zeigt:

  • Das menschliche Gehirn besteht aus vier Hauptkomponenten: Cerebrum, Cerebellum, Limbic System und Brain Stem, wobei keines unserer etablierten künstlichen neuronalen Netzwerke eine solche Architektur aufweist. Die Architektur von AlphaGo setzt sich aus Bestärkungslernen und Tiefenlernen zusammen. Gehirn arbeitet im unbeaufsichtigten Modus und erwartet keine große Anzahl gekennzeichneter Daten, wie beispielsweise ein auf Tiefenlernen basierendes überwachtes künstliches neuronales Netzwerk. Forscher des maschinellen Lernens arbeiten an unbeaufsichtigtem Lernen. Das Gehirn kann seine Intelligenz durch eine Sprache auf ein anderes Gehirn übertragen. Forscher des maschinellen Lernens arbeiten am Transferlernen. Das Gehirn kann sich ausruhen und das eigene Gedächtnis durch den Schlaf festigen. Forscher des maschinellen Lernens arbeiten daran, ein trainiertes künstliches neuronales Netzwerk für Geräte mit niedrigem Arbeitsspeicher zu beschneiden. Das Gehirn kann aus seinem eigenen Gedächtnis Geschichten und Träume erzeugen. Forscher des maschinellen Lernens arbeiten an generativen Netzwerken.

Erfolgreiche maschinelle Lernforschung kann Hinweise auf die Funktionsweise unseres Gehirns geben. Es wird jedoch schwierig, da sich nur sehr wenige Neurowissenschaftler für Algorithmen interessieren. Daher erhalten wir möglicherweise viel früher künstliche allgemeine Intelligenz als das Verständnis unseres Gehirns.


Antwort 3:

Mit der Zeit gehe ich davon aus, dass sich auch die Antwort auf diese Frage ändern wird.

Die gegenwärtige Antwort auf diese Frage lautet ja.

Derzeit sind simulierte neuronale Netze für spezielle Aufgaben wie Objekterkennung, Sprachverarbeitung, autonome Navigation und sogar Musikgenerierung recht gut geeignet. Unsere Modelle basieren auf metrischem Lernen, Bayes'scher Statistik und konvexer Optimierung sowie auf unserem Verständnis der Neuronen und ihrer Funktionsweise. Diese Modelle sind eine grobe Annäherung an das, was tatsächlich in unseren Köpfen vor sich geht! Vielleicht können unsere Computersimulationen eines Tages die menschliche Wahrnehmung in allen Aspekten perfekt modellieren (wer weiß!).