인간의 뇌와 시뮬레이트 된 신경망 사이에는 상당한 차이가 있습니까?


대답 1:

그 세부 사항에 대한 질문은 실제로 다음과 같습니다.«뇌와 시뮬레이션 네트워크의 차이점이 너무 중요하여 시뮬레이션이 뇌의 모든 기능을 재현 할 기회가 없는가? »

신경망에서 Paul King의 답변을 받아 보자. 신경망은 수퍼바이저에 의해 입력-출력을 평가했으며, 두 사람 사이에는 이전의 딥 러닝을 정정하는 처리의 연속 단계에 의해 정보를 분석하는 "숨겨진 계층"이 있습니다. 이것은 인간의 뇌와 매우 흡사하며, 이는 여러 감각 입력을 수신하고이를 의식적인 출구로 조작합니다. 문제는 합법적입니다. 인간의 뇌에는 몇 개의 숨겨진 층이 있습니까?

폴 킹 (Paul King)은 몇 가지 주장에 대한 비교를 반박한다 : 1) 뇌는 층으로 구성되지 않고 상호 연결된 중심으로 구성된다. 2) 신경 연결은 단방향; 3) 뇌는 정확한 답을 통해 배우지 못합니다 .4) 뉴런은 수치 알고리즘과 일치하지 않는 신경 자극을 사용합니다 .5) 바울은 정보가 너무 많기 때문에 딥 러닝의 여러 계층이 일부보다 낫지 않다고 생각합니다. 도중에 길을 잃었다.

실제로 뉴런은 (다른 상호 연결된 신경 센터 내에서) 연속 치료 층으로 구성되어 있지만 현재 인공 네트워크는 너무 거칠어 서 올바르게 시뮬레이션하기가 어렵습니다. 몇 가지 이유로 뉴런의 일부를 시뮬레이션하려면 많은 레벨이 필요합니다. 1) 뉴런에는 자체 피드백 제어 기능이 있습니다. 신경 충동의 일부는 피드백 전파입니다 .2) 뉴런은 활동에 따라 생리를 변경합니다 (교아 세포도). 3) 피드백 제어는 서로 다른 연결을 통해 실행되며 억제 뉴런이 있습니다 .4) 뉴런은 자발적으로 화재. 이 고유 활동은 '입력'이없는 경우 '종료'를 생성합니다. 치료는 단순한 수동적 인 과정이 아닙니다 .5) 신경 조절 사이의 대기 시간은 피드백 제어를 추가하고 지연시켜 각 처리 단계에서 독립성을 제공합니다. 다른 관련 정보는 피드백 제어가 작동하지 못하게 할 수 있습니다.

뉴런의 이러한 모든 특성은 시스템이 인공 네트워크보다 더 역동적이고 안정적이라는 것입니다. 인공 네트워크에서 설계된 방식으로 레벨을 추가하면 개념적 치료에서 오류 마진이 줄어들고 뉴런 그룹은 거의 신경 쓰지 않고 신경 쓰지 않고 항상 훌륭한 일을한다는 환상에 처합니다. 위의 감독자 뉴런 그룹은 감독 된 뉴런에 대한 보이지 않는 보정을 평가하고 참조합니다. 치료 수준의 독립성은 뉴런에 대해 표시되어 있으며, 이는 우리가 가장 높은 단계 인 우리의 의식을 경험하는 방법을 설명합니다. 병합되고 독립적이지만 제시된 수많은 개념과 연결됩니다.

인공 네트워크의 디자이너는 다음과 같이 개선되었습니다. 처리 단계의 독립성을 높이고 조정 된 상태를 유지합니다. 전자 속도를 사용하지 않고 대기 시간을 포함시킵니다. 이론적으로 그들이 성공을 거둘 수있는 것은 아무것도 없으며, 따라서 귀하의 질문에 대답하기 위해 인공 네트워크는 잠재적으로 인간 의식의 내용을 시뮬레이션하고 경험할 수 있습니다. 생물학적 세포가 아닌 트랜지스터 더미가 될 것입니다. 이것은 깃든 결혼식을 만들 것입니다 ...

마지막 참고 사항 : 그렇습니다. 뇌는 부모의 반응도 제공합니다. 환경에 의해 주어진 것들뿐만 아니라 이원적인 방식으로 언급됩니다 : 처벌 / 보상.

이 기사에는 인공 지능의 열쇠가 있습니다. ;-)


대답 2:

우리 운동의 생물학적 해결책은 근육이지만 기술적 인 해결책은 바퀴입니다. 우리는 우리의 뇌와는 다르게 시뮬 레이팅 된 의식, 감정 및 자기 인식에 대한 해결책을 얻을 수 있습니다.

이 질문에 대한 정답을 제공하기 위해서는 더 많은 연구가 필요합니다. 현재 시뮬레이트 된 신경망은 우리의 뇌를 막을 수있는 곳이 없지만 최고의 뇌가 노력하고 있습니다.

인공 신경망과 비교할 때 보편성, 낮은 에너지 요구량 및 동물 두뇌의 저속은 각각의 네트워크에서의 수와 구성 이외의 생물학적 뉴런과 인공 뉴런의 차이가 크기 때문입니다.

인공 신경망의 연구원들이 뇌가 지능을 보여주는 방식을 통해 알고리즘을 향상시킬 수있는 많은 점이 있습니다.

  • 인간의 뇌에는 Cerebrum, Cerebellum, Limbic System 및 Brain Stem의 네 가지 주요 구성 요소가 있으며, 우리의 기존 인공 신경 네트워크에는 그러한 아키텍처가 없습니다. AlphaGo의 아키텍처는 강화 학습과 딥 러닝으로 구성되어 있습니다. 브레인은 비지도 모드에서 작동하며 딥 러닝 기반의 감독 된 인공 신경망과 같은 수많은 라벨링 된 데이터를 기대하지 않습니다. 기계 학습 연구원은 비지도 학습을 연구하고 있으며 뇌는 어떤 언어를 통해 지능을 다른 뇌로 옮길 수 있습니다. 머신 러닝 연구자들은 Transfer learning을 연구하고 있으며 뇌는 수면을 통해 휴식을 취하고 자신의 기억을 통합 할 수 있습니다. 머신 러닝 연구자들은 낮은 메모리 장치를 위해 훈련 된 인공 신경 네트워크를 정리하는 작업을하고 있으며 뇌는 자체 메모리에서 스토리와 꿈을 만들 수 있습니다. 머신 러닝 연구원들은 Generative Networks에서 일하고 있습니다.

기계 학습 연구에서의 성공은 우리 뇌의 작동 방식에 대한 단서를 제공 할 수 있습니다. 그러나 신경 과학자들이 알고리즘에 관심을 갖지 않기 때문에 어려울 것입니다. 따라서 뇌를 이해하기 훨씬 전에 인공 지능을 얻을 수 있습니다.


대답 3:

시간이 지남에 따라이 질문에 대한 답변도 바뀔 것으로 예상됩니다.

이 질문에 대한 현재 답변은 예입니다.

현재 시뮬레이션 된 신경망은 객체 인식, 언어 처리, 자율 탐색 및 음악 생성과 같은 특수한 작업에 매우 능숙합니다. 우리의 모델은 메트릭 학습, 베이지안 통계 및 볼록 최적화뿐만 아니라 뉴런에 대한 이해와 함께 작동하는 방식을 기반으로합니다. 이 모델은 실제로 우리 머리에서 일어나는 일을 대략적으로 근사합니다! 물론 언젠가는 컴퓨터 시뮬레이션을 통해 모든 측면에서 사람의 인식을 완벽하게 모델링 할 수있을 것입니다.