开发智能机器有助于我们了解大脑的工作原理

作者: bat365在线平台官网   点击次数:    发布时间: 2025-05-22 10:14

他对人工智能的梦想并不是要制作象棋引擎殴打超级大师或试图打破婚礼的聊天机器人。这始终反映了我们自己的智慧，因此我们可以更好地理解自己。研究人员不仅在寻找人工智能，而且还在寻找具有类似灵活性和人类创造力的系统。本文引用：大型语言模型的解决技巧比大多数研究人员预期的更好。但是他们仍然犯了愚蠢的错误，缺乏打开研究的能力：当他们接受书籍，博客和其他材料培训时，他们的知识储备就会被冻结。他们没有通过人工智能公司的So称为“机器人学院测试”的Ben Goertzel：您无法完成大学（甚至托儿所）。这些系统清楚地确定AGI的一部分是语言。他们有专家正式说的话：他们可以解析您给他们的任何句子，甚至在分散或lang语中，回答可以称为Wikipedia Standard English的东西。但是，他们对思维的其他方面感到失望 - 一切都可以帮助我们应对一天的生活。麻省理工学院神经科学家南希·坎维什（Nancy Kanwisher）说：“我们不应该期望他们会思考。” “这些是语言处理器。”他们明智地写道，但除了吸收的文字外，无法陷入真相。在一定程度上，大型语言模型只是模仿大脑语言的能力，但是没有理解能力，记忆，导航，社会判断力等。他和其他神经科学家认为，这些操作员是否仅限于特定位置或分布在我们的有色物体中，但大多数人都同意至少有一些专家。 AI开发人员将这种模块化纳入其系统中，以使其更聪明。不一个人可以确定大脑的区域如何共同创造一个连贯的自我，让机器模仿它。一个假设是意识很普遍。 OpenAI是生成频率转换器（GPT）的创建者，该创建者允许选择其他工具（最初称为“插件”）来处理数学，Internet搜索和其他类型的查询。每个工具都称之为知识的一些外部基础与其专业知识有关。此外，对于用户而言，基本语言系统本身在某种意义上可以是模块化的。 OpenAI保持机密标准，但许多AI研究人员认为，GPT由多达16个独立的神经网络或“专家”组成，这些神经网络将其答案结合在查询中 - 不管他们如何分裂任务尚不清楚。不久之后，2023年12月，法国人工智能公司RAL和中国公司DeepSeek发布了这种“专家混合”资源架构的开放版本，引起了轰动。这个简单的主要优势模块化形式的计算效率是：比单个大型网络更容易训练和运行16个小型网络。爱丁堡大学的AI研究员Edoardo Ponti说：“在两个世界上都拥有最好的。” “让我们获取一个具有许多参数的系统，同时保持较小型号的效率。”但是模块化需要权衡。没有人能确定大脑的区域如何共同创造一个连贯的自我，让机器模仿它。佐治亚理工学院的神经科学家安娜·伊瓦诺瓦（Anna Ivanova）想知道：“这些信息是如何来自逻辑推理系统或社会推理系统中语言系统的？”这个问题仍然开放。 “一个挑衅性的假设是意识很普遍。根据这个被称为全球工作空间理论（GWT）的思想，当员工与公司相遇时，意识在大脑中：模块可以共享信息并寻求帮助的领域。GWT远非唯一的意识理论，但它具有一个唯一的意识理论人们认为意识是先进情报不可或缺的一部分，引起了AI研究人员的特殊利益。大脑可能会遇到自动驾驶仪，但是小说或复杂的活动（超出单个模块范围之外的活动）要求我们了解我们在做一种意识理论的硬件，以实现人类的智力。关于结构和智能过程本身的观点）更喜欢一个更稳定的隐喻来坐在黑板周围的数学上，以共同解决问题。这些想法是由心理心理学采用的。在1980年代，Baars将GWT理论视为人类的意识。他说：“在整个职业生涯中，我从AI中学到了很多东西，尤其是因为这是我们可以制作的唯一理论平台。” Baars的灵感是孟菲斯大学的计算机科学家斯坦利·富兰克林（Stanley Franklin），试图构建一台Malay -Tao计算机。如果富兰克林的机器真的很清楚，或者是非酒吧，而富兰克林本人则持怀疑态度 - 至少是Remak人类心理学不同怪癖的e。例如，当它的注意力从一件事转移到另一件事时，它会错过这些信息，因此它和多任务人员一样糟糕。自1990年代以来，巴黎法国法国学院的神经科学家Stanislas Dehaene和Jean-Pierre Changeux研究了哪些神经元电缆可以实施此工作空间。在此过程中，MGA脑模块通常独立运行，但他们每秒钟或十分之一或更多秒都会举行员工会议。这是一个结构化的喊叫游戏。每个模块都有一些信息可以提供，并且更自信 - 例如，刺激步骤越强烈。当一个模块获胜时，另一个模块将安静一段时间，而获胜者将其信息放在一组标准变量中：工作区。其他模块可能会或可能看不到这些有用的信息；每个人都必须自己判断。 “您将获得有趣的-Kinda与儿童代理商的协作和竞争过程Baars说：“有了一小部分解决方案。工作空间不仅允许模块交谈，而且要互相交谈，即使不再以意义上的意义显示信息，他们也可以集体思考信息。 Dehaene进行了心理实验，向她的实验室提出了这些问题，她认为他们应该考虑的是，我们认为这很简单，这听起来很简单数学，加强（或对各种参与者的责任以获得最佳性能）是一个所谓的NP问题，解决这些问题可能会非常及时。在许多技术中，例如Openai认为使用的专门混合体系结构，将共享“ GATE”网络，但应在单个模块中进行培训，并且培训过程可能会崩溃。首先，它遭受了So称为Ponti的“鸡或鸡蛋”问题：由于模块依靠路由，路由取决于模块，因此训练可以在圆圈中移动。尽管培训成功，但路由机制是黑匣子，其工作原理是模糊的。 2021年，卡内基·梅隆大学（Carnegie Mellon University）数学和名誉教授Manuel Blum和Lenore Blum在全球工作场所开发了引起关注之战的细节。这些机制包括确保模块不会增加对所带来的信息的信心，从而阻止收购等待。婚姻GE Blums还表明，可以形成模块以直接相互关联以防止工作区。例如，这些链接可以解释当我们学会骑自行车或演奏乐器时会发生什么。当模块共同确定哪些模块需要做什么时，它们将使任务离线。莱诺尔·布鲁姆（Lenore Blum）说：“这将通过短期记忆来改变无意识的处理。” Malay -Tao的关注是一个困难的资源。工作空间上没有太多的信息空间，因此在提供其他模块的内容时应选择WinningModule。这就像一个缺陷设计。 “为什么大脑只能同时想到的事情？”但是他认为强迫是一件好事：它执行了独立的纪律。有了世界上所有不可靠的复杂性，我们的大脑必须认识到它背后的简单规则。他说：“这种瓶颈迫使我们对世界的运作方式有疑问。”对于班吉奥来说，这是一个进口GWT的蚂蚁课程：人工神经网络对自己来说非常有力。他们有数十亿或万亿个参数，足以吸收互联网中的大量内容，但是有可能陷入杂草以从暴露于它们的东西中汲取更多的教训。如果Kansome大量的知识储备必须经过一个狭窄的漏斗，例如我们的马来人如何运作-TAO，那么他们就可以做得更好。在AI系统开始考虑GWT之前，Bengio开始努力将意识瓶颈包括在AI系统中。在2010年初，Bengio和他的同事们钦佩我们的大脑如何选择专注于信息并暂时阻止所有内容，并在神经网络上建立了类似的过滤器。例如，当像GPT这样的语言模型遇到代词时，它需要找到前身。这是通过突出演讲其他部分的附近名词和颜色来完成的。实际上，它是“专用”到理解文本所需的关键字。代词可以因此，归因于形容词，动词和bp。网络的不同部分可以同时关注不同的单词关系。但是班吉奥发现这种关注机制给了一个微观的好问题。如果网络完全忽略了几个单词，则将通过将零值分配给与这些单词一致的计算变量来实现。如此突然的变化将对网络培训的常见方法产生影响。该过程称为反向传播，并涉及监视使其产生的计算中的网络输出，因此，如果输出不正确，则可以找出原因。但是您无法通过突然的变化来跟踪它。因此，班吉奥（Bengio）和其他人设计了一种“软关注机制”来选择网络，但这不是太多。它分配了各种选项的计数重量，例如可以与哪个代词单词关联。尽管有些单词的重量比其他单词更大，但所有单词仍然有效。这网络永远不会做出困难的选择。班吉奥说：“您得到了其中的80％，其中20％，而且由于这些权重正在进行，您确实可以做[微积分]并应用反向传播。”这种软关注机制是“变压器”架构的重大变化，尤其是GPT中的“ T”。 Bengio近年来改变了这一程序，以创造更严格的瓶颈，他认为，如果网络取得与真正了解的东西相近，这一点很重要。真正的全球工作场所需要做出艰难的选择 - 它没有足够的空间来跟踪所有doingslian。 2021年，班吉奥（Bengio）和他的同事设计了一个“流”网络，该网络定期选择可用的选项，并有可能引起注意。他不仅依靠反向传播，而且还训练网络工作或逆转。这样，即使发生突然的变化，它也可以返回解决任何错误。在各种实验中，Bengio表明该系统已发展出更高的输入表示形式数据，与我们自己的大脑获得的数据并行。实施全球工作空间的另一个挑战是高水平的专家。像不同大学系的教授一样，不同的大脑模块会创造出每个人都无法理解的行话。视觉区域暗示抽象，使其可以从眼睛中处理ANG。听力模块的开发是为了适应内耳振动的性能。那他们怎么说？他们应该找到一些常见的单词或常识，例如亚里士多德的言语 - 该术语的原始含义。在科技公司引入的“多模式”网络中，此请求尤其紧急，将文本与图像和其他数据表相结合。在Dehaene和Changeux的GWT版本中，这些模块是由与它们的突触相匹配的神经元连接的，以将传入的数据转化为局部白话。 Dehaene说：“他们将[投入]更改为自己的代码。”但是细节并不模糊。实际上，他希望AI研究人员试图解决人工神经网络类似问题的S可能会提供一些线索。他说：“工作的屁股就像是一个想法；这不是一个理论。我们致力于做这理论，但仍然不清楚 - 工程师拥有这种非凡的才能可以是一个工作的系统。” 2021年，神经科学家和基于东京的人工智能公司Araya的创始人Ryota Kanei和另一位神经科学家Rufin VanRullen蔓延到边界的边界，该情报局提出了一种使人工神经网络迁移的方式。重要的是，这是一个单词云：一张显示所有语言单词的关联的地图，它是通过为每个IIN带来相似单词而构建的，而无关的单词则是“ amour”。您还可以为动物传播的希望工作：AI研究如何提供思想如何洗脑的示例。它旨在在公共潜在空间中提交文本，图像，音频和其他数据；在2022年，Google将其包含在一个自动的系统中Ilaly撰写了YouTube短裤的描述。 Araya团队已经运行了一系列实验，以探索其工作原理，并发现它并非被设计为全球工作场所，但它具有一项功能：独立模块，模块中的选择过程以及内存工作 - 非常工作空间。类似工作空间的想法的一个特别有趣的实现是AI人，就像由布拉格（Prague）的Goodai公司制作的SimScreat一样。我在2023年的标签上看到的版本设置在一个充满罪犯，腐败的警卫和认真精神科医生的监狱院子里，但去年发布的Alpha版本包括更多和平的场景。游戏将GPT用作角色大脑。它不仅可以控制他们的对话，还可以控制他们的行为和情感，从而使他们具有一定的心理深度。该系统监视角色是生气，悲伤还是关心的，并相应地选择其行为。开发人员添加了其他模块（包括全球工作场所E短期记忆的形式）为角色提供持续的心理学，并允许它们在游戏环境中行动。 Goodai的创始人Marek Rosa说：“我们的目标是将大型语言用作机器，因为非常好，然后围绕它建立长期记忆和某种认知架构。” AI的潜在成功来自元研究人员Yann Lecun。尽管他没有直接提到全球工作场所作为灵感，但他以自己的方式走了。 GPT挑战了当前发展模式的霸权。为此，他们必须对细节进行复杂的问题：他们应该是美味的人如何拼写句子中的每个单词，以及如何将每个像素放入图像中。但是，如果智力有任何差异，这就是对细节的选择性忽略。因此，莱肯认为，研究人员返回到当前的“判别”神经技术，用于图像识别，是因为他们可以看到彼此之间的差异n输入 - 例如，狗和猫的图片。这样的网络不会构建自己的图像，而仅处理现有图像来分配标签。 Lecun开发了一种特殊的培训计划，该方案提供了一个歧视网络，以提取文本，图像和其他数据的关键特征。它可能无法自动化一个句子，但它创建了预期的bylecun的抽象表示，与我们自己的脑海中相似。例如，如果您提供了在道路上驾驶的汽车的视频，表明它应该获得其生产，型号，颜色，位置和速度，同时消除沥青颠簸，涟漪在水坑中，在道路侧面闪烁的草叶片 - 除非我们特别注意它，否则我们的大脑将被忽略。他说：“所有这些不兼容的细节都已被删除。”这些简化的表示本身是没有用的，但是它们实施了Agagi至关重要的一系列功能。 Lecun将歧视网络放在MA上更大的系统上King IT是一个类似架构的大脑的模块，其中包含基本的GWTS功能，例如短期内存和用于协调mods模式并确定工作流程的“配置器”。例如，系统可能会计划。莱肯说：“我受到心理学的基础知识的启发。”正如人脑可以运行实验思考和思考一个人在不同情况下的感觉一样，配置者将多次运行判别网络，列出一系列假设的作品，以找到可以实现预期结果的作品。林肯说，他通常更喜欢避免结束意识，但他提出了他所说的“本地理论”，意识是配置者的工作，在他的模型中起作用，几乎就像工作空间在Baars理论中的作用一样。他们会知道研究人员是否成功地在AI系统中开发了真正的全球工作场所？思考是这是，至少与监视自身的能力结合在一起。但是巴尔斯怀疑这部分是因为他仍然不能完全相信自己的理论。他说：“我想知道GWT是否真的很好。”他认为，意识是一种生物学功能，它是我们独特的生物。几年前，当我采访富兰克林时，我也表达了类似的疑问。 （他于2023年去世。他认为全球工作场所是对身体需求的进化反应。大脑从经验中学习并迅速解决了复杂的安全问题。他认为，这些能力与问题的类型无关，而AI通常适用于某些发展。不是智力的一部分，而是由于生物学效率而产生的来自神经科学的客户。哥伦比亚大学神经科学家尼古拉斯·克里格斯科特（Nikolaus Kriegeskorte）说：“他们杀死了它。”但是大脑仍然证明了AI研究人员拥有的一般智力和当前最佳模型。克里格斯科特说：“人脑具有尚未征服的工程技能。”在过去的几十年中，对Agi的追求使我们对我们的智力有很多了解。现在，我们意识到我们认为在计算中需要简单的任务（例如视觉识别），而我们认为艰巨的任务（例如数学和国际象棋）确实很简单。我们还意识到大脑需要一些自然知识的知识。他们知道几乎需要通过经验来了解的一切。如今，由于模块化的重要性，我们已经证实了古老的智慧，即没有智能。它是功能的工具箱 - 从处理抽象到将社会的复杂性浏览到视觉和声音。作为Goertzel指出，通过混合和匹配不同的技能，我们的大脑可以在我们从未见过的地方获胜。我们创建了音乐类型的音乐类型，以解决上几代无法概述的科学问题。我们去了未知的领土 - 有一天，我们的人造堂兄可以向我们迈出这一步骤。