Jan 01, 1970
Mô hình nhận thức: Khám phá sự phát triển AI lấy cảm hứng từ não bộ từ tác giả@edemgold
1,459 lượt đọc
Mô hình nhận thức: Khám phá sự phát triển AI lấy cảm hứng từ não bộ
từ tác giả Edem Gold13m2023/05/10
dài quá đọc không nổi
Trong bài viết này, chúng ta sẽ cố gắng tìm hiểu cách tiếp cận lấy cảm hứng từ não bộ để xây dựng các hệ thống AI. Chúng ta sẽ thảo luận về cách các nhà khoa học Norman Weiner mang lại sự hội tụ của khoa học thần kinh và khoa học máy tính. Perceptron của Frank Rosenblatt là nỗ lực thực sự đầu tiên để bắt chước trí thông minh của con người và sự thất bại của nó đã dẫn đến công việc đột phá như thế nào, sẽ đóng vai trò là nền tảng cho Mạng nơ-ron.
"Trí thông minh của chúng ta là thứ tạo nên con người chúng ta và AI là phần mở rộng của Chất lượng đó" -Yan LeCun
Kể từ sự ra đời của Mạng thần kinh (còn được gọi là mạng thần kinh nhân tạo), ngành công nghiệp AI đã đạt được thành công vô song. Mạng thần kinh là động lực đằng sau các hệ thống AI hiện đại và chúng được mô phỏng theo bộ não con người. Nghiên cứu AI hiện đại liên quan đến việc tạo và triển khai các thuật toán nhằm bắt chước các quá trình thần kinh của bộ não con người để tạo ra các hệ thống học hỏi và hành động theo cách tương tự như con người.
Trong bài viết này, chúng ta sẽ cố gắng tìm hiểu cách tiếp cận lấy cảm hứng từ não bộ để xây dựng các hệ thống AI. Điều đáng chú ý là mặc dù chủ đề này vốn đã rộng, nhưng tôi sẽ trình bày ngắn gọn và cô đọng nhất có thể. Tôi dự định coi các chủ đề phụ có nhiều nhánh phụ phức tạp hơn như các bài báo độc lập, và tất nhiên, tôi sẽ để lại phần tham khảo ở cuối bài viết.
phân tích nội dung
Làm thế nào tôi hy vọng để tiếp cận điều này:
Lịch sử của phương pháp lấy cảm hứng từ não bộ đối với AI: Tại đây, chúng ta sẽ thảo luận về cách các nhà khoa học Norman Weiner ann Warren McCulloch mang lại sự hội tụ giữa khoa học thần kinh và khoa học máy tính, Perceptron của Frank Rosenblatt là nỗ lực thực sự đầu tiên để bắt chước trí thông minh của con người như thế nào và sự thất bại của nó như thế nào đã mang lại công việc đột phá sẽ đóng vai trò là nền tảng cho Mạng nơ-ron.
Cách thức hoạt động của bộ não con người và cách nó liên quan đến các hệ thống AI: Trong phần này, chúng ta sẽ đi sâu vào cơ sở sinh học của cách tiếp cận lấy cảm hứng từ não bộ đối với AI. Chúng ta sẽ thảo luận về cấu trúc và chức năng cơ bản của bộ não con người, hiểu khối xây dựng cốt lõi của nó, tế bào thần kinh và cách chúng phối hợp với nhau để xử lý thông tin và kích hoạt các hành động phức tạp.
Các nguyên tắc cốt lõi đằng sau phương pháp lấy cảm hứng từ não bộ đối với AI: Ở đây chúng ta sẽ thảo luận về các khái niệm cơ bản đằng sau phương pháp lấy cảm hứng từ não bộ đối với AI. Chúng tôi sẽ giải thích các khái niệm như; Mạng lưới thần kinh, Xử lý phân cấp, độ dẻo và cách các kỹ thuật xử lý song song, biểu diễn phân tán và phản hồi định kỳ hỗ trợ AI bắt chước hoạt động của não.
Những thách thức trong việc xây dựng các hệ thống AI được mô phỏng theo bộ não con người: Ở đây chúng ta sẽ nói về những thách thức và hạn chế vốn có trong nỗ lực xây dựng các hệ thống bắt chước bộ não con người. Những thách thức như; sự phức tạp của bộ não và việc thiếu một lý thuyết thống nhất về nhận thức khám phá cách giải quyết những thách thức và hạn chế này.
Lịch sử của phương pháp tiếp cận lấy cảm hứng từ não bộ đối với AI
Nỗ lực chế tạo những cỗ máy có khả năng hoạt động thông minh có được phần lớn cảm hứng từ Giáo sư MIT,
Norbert Weiner tin rằng những cơ hội chính trong khoa học nằm ở việc khám phá cái mà ông gọi là Vùng ranh giới - những lĩnh vực nghiên cứu rõ ràng không thuộc một ngành nào đó mà là sự kết hợp của nhiều ngành như nghiên cứu về y học và kỹ thuật kết hợp với nhau để tạo ra lĩnh vực Kỹ thuật y tế-, ông được trích dẫn nói:
"Nếu độ khó của một vấn đề sinh lý học có bản chất toán học, thì mười nhà sinh lý học dốt toán sẽ đi được chính xác bằng một nhà sinh lý học dốt toán"
Đó là chất xúc tác hoàn hảo cho những ý tưởng nửa vời, sự tự phê bình không đầy đủ, sự tự tin thái quá và sự khoa trương - Norman Weiner
Sau Thế chiến II, Wiener bắt đầu hình thành các lý thuyết về trí thông minh ở cả con người và máy móc và lĩnh vực mới này được đặt tên là
MCP đóng vai trò là nền tảng cho việc tạo ra mạng thần kinh đầu tiên được gọi là
Vào năm 1969, một cuốn sách được xuất bản bởi
Bất chấp đề xuất ban đầu của Paul Werbos, khái niệm lan truyền ngược chỉ được áp dụng rộng rãi khi các nhà nghiên cứu như
"Con người thông minh hơn máy tính ngày nay vì bộ não sử dụng kiến trúc tính toán cơ bản phù hợp hơn để xử lý khía cạnh trung tâm của nhiệm vụ xử lý thông tin tự nhiên mà con người rất giỏi." - Xử lý phân tán song song
Cách bộ não con người hoạt động và cách nó liên quan đến các hệ thống AI
Cách thức hoạt động của bộ não: Mô tả đơn giản
Bộ não con người, về cơ bản xử lý các suy nghĩ thông qua việc sử dụng các tế bào thần kinh, một tế bào thần kinh được tạo thành từ 3 phần cốt lõi; Dendrite, Axon và Soma. Dendrite chịu trách nhiệm nhận tín hiệu từ các Tế bào thần kinh khác, Soma xử lý thông tin nhận được từ Dendrite và Axon chịu trách nhiệm chuyển thông tin đã xử lý sang Dendrite tiếp theo trong chuỗi.
Để nắm được cách não xử lý suy nghĩ, hãy tưởng tượng bạn nhìn thấy một chiếc ô tô đang tiến về phía mình, mắt bạn ngay lập tức gửi tín hiệu điện đến não thông qua dây thần kinh thị giác và sau đó não tạo thành một chuỗi các nơ-ron để hiểu tín hiệu đến. Tế bào thần kinh đầu tiên trong chuỗi thu thập tín hiệu thông qua các Dendrites của nó và gửi đến Soma để xử lý tín hiệu sau khi Soma hoàn thành nhiệm vụ của mình, nó sẽ gửi tín hiệu đến Axon , sau đó gửi tín hiệu đó đến Dendrite của tế bào thần kinh tiếp theo trong chuỗi , kết nối giữa Axons và Dendrites khi truyền thông tin được gọi là Synapse. Toàn bộ quá trình tiếp tục cho đến khi não tìm thấy Đầu vào khớp thần kinh Sapiotemporal (đó là biệt ngữ khoa học; não tiếp tục xử lý cho đến khi tìm thấy phản hồi tối ưu đối với tín hiệu được gửi đến nó) và sau đó nó gửi tín hiệu đến các bộ phận tác động cần thiết, ví dụ như chân của bạn và sau đó não sẽ gửi tín hiệu đến chân của bạn để chạy khỏi chiếc xe đang lao tới.
Mối quan hệ giữa não bộ và hệ thống AI
Mối quan hệ giữa bộ não và AI phần lớn là đôi bên cùng có lợi với bộ não là nguồn cảm hứng chính đằng sau việc thiết kế các hệ thống AI và những tiến bộ trong AI giúp hiểu rõ hơn về bộ não và cách thức hoạt động của nó.
Mạng thần kinh: Có thể cho rằng tác động đáng kể nhất do bộ não con người tạo ra đối với lĩnh vực Trí tuệ nhân tạo là việc tạo ra Mạng thần kinh. Về bản chất, Mạng thần kinh là các mô hình tính toán bắt chước chức năng và cấu trúc của tế bào thần kinh sinh học, kiến trúc của mạng thần kinh và thuật toán học tập của chúng phần lớn được lấy cảm hứng từ cách các tế bào thần kinh trong não tương tác và thích nghi.
Mô phỏng não bộ: Các hệ thống AI đã được sử dụng để
Thông tin chi tiết về não: Các nhà nghiên cứu đã bắt đầu sử dụng Thuật toán máy học để phân tích và thu thập thông tin chi tiết từ dữ liệu não và quét fMRI. Những hiểu biết sâu sắc này phục vụ để xác định các mẫu và mối quan hệ mà nếu không sẽ bị ẩn. Những hiểu biết sâu sắc thu được có thể giúp hiểu được các chức năng nhận thức bên trong, trí nhớ và quá trình ra quyết định, nó cũng hỗ trợ điều trị các bệnh liên quan đến não bộ như bệnh Alzheimer.
Nguyên tắc cốt lõi đằng sau phương pháp tiếp cận trí tuệ nhân tạo lấy cảm hứng từ não bộ
Ở đây chúng ta sẽ thảo luận về một số khái niệm hỗ trợ AI bắt chước cách thức hoạt động của bộ não con người. Những khái niệm này đã giúp các nhà nghiên cứu AI tạo ra các hệ thống mạnh mẽ và thông minh hơn, có khả năng thực hiện các tác vụ phức tạp.Mạng thần kinh
Như đã thảo luận trước đó, mạng nơ-ron được cho là tác động đáng kể nhất do bộ não con người tạo ra đối với lĩnh vực Trí tuệ nhân tạo. Về bản chất, Mạng nơ-ron là mô hình tính toán bắt chước chức năng và cấu trúc của nơ-ron sinh học, mạng được tạo thành từ nhiều lớp nút liên kết với nhau, được gọi là nơ-ron nhân tạo, hỗ trợ xử lý và truyền thông tin, tương tự như những gì được thực hiện bởi đuôi gai, soma và sợi trục trong mạng lưới thần kinh sinh học. Mạng lưới thần kinh được thiết kế để học hỏi từ những kinh nghiệm trong quá khứ giống như cách bộ não làm.Đại diện phân tán
Các biểu diễn phân tán chỉ đơn giản là một cách mã hóa các khái niệm hoặc ý tưởng trong mạng thần kinh dưới dạng một mẫu dọc theo một số nút trong mạng để tạo thành một mẫu. Ví dụ: khái niệm hút thuốc có thể được biểu diễn (mã hóa) bằng cách sử dụng một tập hợp các nút nhất định trong mạng thần kinh và do đó, nếu mạng đó xuất hiện hình ảnh một người đàn ông đang hút thuốc thì nó sẽ sử dụng các nút đã chọn đó để hiểu hình ảnh (đó là phức tạp hơn thế rất nhiều nhưng để đơn giản hóa), kỹ thuật này hỗ trợ các hệ thống AI ghi nhớ các khái niệm phức tạp hoặc mối quan hệ giữa các khái niệm giống như cách bộ não nhận biết và ghi nhớ các kích thích phức tạp.Phản hồi thường xuyên
Đây là một kỹ thuật được sử dụng trong đào tạo các mô hình AI trong đó đầu ra của mạng thần kinh được trả về làm đầu vào để cho phép mạng tích hợp đầu ra của nó làm đầu vào dữ liệu bổ sung trong quá trình đào tạo. Điều này tương tự như cách bộ não sử dụng các vòng phản hồi để điều chỉnh mô hình của nó dựa trên kinh nghiệm trước đó.Tiến trình song song
Xử lý song song liên quan đến việc chia nhỏ các tác vụ tính toán phức tạp thành các bit nhỏ hơn nhằm nỗ lực xử lý các bit nhỏ hơn trên bộ xử lý khác nhằm cải thiện tốc độ. Cách tiếp cận này cho phép các hệ thống AI xử lý nhiều dữ liệu đầu vào nhanh hơn, tương tự như cách bộ não có thể thực hiện các nhiệm vụ khác nhau cùng một lúc (đa nhiệm).Cơ chế chú ý
Đây là một kỹ thuật được sử dụng cho phép các mô hình AI tập trung vào các phần cụ thể của dữ liệu đầu vào, nó thường được sử dụng trong các lĩnh vực như Xử lý ngôn ngữ tự nhiên chứa dữ liệu phức tạp và cồng kềnh. Nó được lấy cảm hứng từ khả năng của bộ não chỉ chú ý đến những phần cụ thể của một môi trường phần lớn gây mất tập trung; như khả năng điều chỉnh và tương tác của bạn trong một cuộc trò chuyện ngoài một loạt các cuộc trò chuyện.Học tăng cường
Học tăng cường là một kỹ thuật được sử dụng để đào tạo các hệ thống AI, nó được lấy cảm hứng từ cách con người học các kỹ năng thông qua thử và sai. Nó liên quan đến việc một tác nhân AI nhận phần thưởng hoặc hình phạt dựa trên hành động của mình, điều này cho phép tác nhân học hỏi từ những sai lầm của mình và hiệu quả hơn trong các hành động trong tương lai (kỹ thuật này thường được sử dụng trong quá trình tạo trò chơi).Học không giám sát
Bộ não liên tục nhận được các luồng dữ liệu mới dưới dạng âm thanh, nội dung hình ảnh, cảm giác của da, v.v. và nó phải hiểu tất cả những điều đó và cố gắng hình thành sự hiểu biết mạch lạc và hợp lý về cách thức tất cả những sự kiện dường như khác biệt này ảnh hưởng đến trạng thái vật chất của nó. Lấy sự tương tự này làm ví dụ, bạn cảm thấy nước rơi trên da, bạn nghe thấy tiếng giọt nước rơi nhanh trên mái nhà, bạn cảm thấy quần áo nặng trĩu và trong khoảnh khắc đó, bạn biết mưa đang rơi, sau đó bạn tìm kiếm ngân hàng ký ức của mình để xác định xem bạn có mang theo ô không và nếu có thì bạn không sao, nếu không thì bạn kiểm tra xem khoảng cách từ vị trí hiện tại đến nhà bạn nếu gần thì bạn không sao, nếu không thì bạn thử đo xem mưa có dữ dội không sẽ trở thành nếu trời mưa phùn nhẹ, bạn có thể cố gắng tiếp tục hành trình trở về nhà của mình, nhưng nếu trời sắp trở thành cơn mưa rào, thì bạn phải tìm nơi trú ẩn.
Những thách thức trong việc xây dựng hệ thống AI lấy cảm hứng từ não bộ
Chúng ta đã nói về cách tiếp cận sử dụng bộ não làm nguồn cảm hứng cho các hệ thống AI ra đời như thế nào, bộ não liên quan đến AI như thế nào và các nguyên tắc cốt lõi đằng sau AI lấy cảm hứng từ não bộ. Trong phần này, chúng ta sẽ nói về một số thách thức kỹ thuật và khái niệm vốn có trong việc xây dựng các hệ thống AI được mô phỏng theo bộ não con người.phức tạp
Đây là một thử thách khá khó khăn. Phương pháp lấy cảm hứng từ não bộ đối với AI dựa trên mô hình hóa não bộ và xây dựng các hệ thống AI theo mô hình đó, nhưng bộ não con người vốn là một hệ thống phức tạp với 100 tỷ nơ-ron và khoảng 600 nghìn tỷ kết nối khớp thần kinh (trung bình mỗi nơ-ron có 10.000 khớp thần kinh). kết nối với các tế bào thần kinh khác), và các khớp thần kinh này liên tục tương tác theo những cách năng động và không thể đoán trước. Việc xây dựng các hệ thống AI nhằm mục đích bắt chước và hy vọng vượt qua sự phức tạp đó tự nó đã là một thách thức và đòi hỏi các mô hình thống kê phức tạp không kém.Yêu cầu dữ liệu để đào tạo các mô hình lớn
Open AI's GPT 4, hiện tại, tiên tiến nhất của các mô hình AI dựa trên văn bản yêu cầu 47 Gigabyte dữ liệu, so với GPT3 tiền nhiệm của nó được đào tạo trên 17 Gigabyte dữ liệu, thấp hơn khoảng 3 bậc độ lớn, hãy tưởng tượng GPT 5 sẽ được đào tạo ở mức độ nào.
Hiệu suất năng lượng
Xây dựng các hệ thống AI lấy cảm hứng từ não mô phỏng hiệu quả năng lượng của não là một thách thức lớn. bộ não con người tiêu thụ khoảng 20 watt điện, trong khi đó Autopilot của Tesla , trên những con chip chuyên dụng, tiêu thụ khoảng 2.500 watt mỗi giây và
Vấn đề giải thích
Việc phát triển các hệ thống AI lấy cảm hứng từ não bộ có thể được người dùng tin tưởng là rất quan trọng đối với sự phát triển và áp dụng AI, nhưng vấn đề nằm ở chỗ, bộ não, thứ mà các hệ thống AI được mô phỏng theo, về cơ bản là một hộp đen. Hoạt động bên trong của não không dễ hiểu, điều này là do thiếu thông tin xung quanh cách não xử lý suy nghĩ. Không thiếu nghiên cứu về cách thức cấu trúc sinh học của bộ não con người nhưng lại thiếu thông tin thực nghiệm nhất định về phẩm chất chức năng của bộ não, nghĩa là suy nghĩ được hình thành như thế nào, deja vu xảy ra như thế nào, v.v., và điều này dẫn đến đến một vấn đề trong việc xây dựng các hệ thống AI lấy cảm hứng từ não bộ.Yêu cầu liên ngành
Hành động xây dựng các hệ thống AI lấy cảm hứng từ não bộ đòi hỏi kiến thức của các chuyên gia trong các lĩnh vực khác nhau, chẳng hạn như; Khoa học thần kinh, Khoa học máy tính, Kỹ thuật, Triết học và Tâm lý học. Nhưng có một thách thức ở đó cả về hậu cần và nền tảng, theo nghĩa là việc thu hút các chuyên gia từ các lĩnh vực khác nhau là nhiệm vụ rất khó khăn về tài chính, và cũng có vấn đề về xung đột tri thức; thật khó để khiến một kỹ sư quan tâm đến những tác động tâm lý của những gì anh ấy / cô ấy đang xây dựng, chứ đừng nói đến vấn đề xung đột giữa các bản ngã.Bản tóm tắt
Tóm lại, mặc dù cách tiếp cận lấy cảm hứng từ não bộ là con đường rõ ràng để xây dựng các hệ thống AI (chúng ta đã thảo luận về lý do tại sao), nhưng nó cũng có nhiều thách thức nhưng chúng ta có thể nhìn về tương lai với hy vọng rằng những nỗ lực đang được thực hiện để giải quyết những vấn đề này. Cũng được xuất bản
Người giới thiệu
L O A D I N G
. . . comments & more!
. . . comments & more!
