Τσαρλς Σάιμον, Συγγραφέας του Brain Simulator II – Σειρά Συνεντεύξεων

Ο Τσαρλς Σάιμον είναι ο συγγραφέας του Brain Simulator II, ενός συντροφικού βιβλίου για το Brain Simulator II, ένα δωρεάν, ανοικτό λογισμικό που στοχεύει στην δημιουργία ενός συστήματος τεχνητής γενικής νοημοσύνης (AGI)

Το αρχικό λογισμικό Brain Simulator κυκλοφόρησε το 1988, μια τεράστια περίοδος στον κόσμο του λογισμικού. Πόσο μεγάλο βήμα προς τα εμπρός είναι το Brain Simulator II σε σύγκριση με τον προκάτοχό του;

Το σύστημα σήμερα είναι πάνω από ένα εκατομμύριο φορές ταχύτερο. Το αρχικό λογισμικό γραφτηκε σε FORTRAN, εκτελούνταν σε ένα κλωνοποιημένο IBM AT, υποστήριζε ένα σταθερό πίνακα 1.200 νευρώνων και υπολογιζόταν περίπου δύο κύκλους ανά δευτερόλεπτο. Το σημερινό πρόγραμμα μπορεί να εκτελεστεί σε ένα δίκτυο και να επεξεργαστεί 2,5 δισεκατομμύρια συνάψεις ανά δευτερόλεπτο σε einem ισχυρό επεξεργαστή.

Αυτό το βιβλίο αφορά το Brain Simulator II, ένα ανοικτό λογισμικό που στοχεύει στην δημιουργία τεχνητής γενικής νοημοσύνης, ποια είναι η expérience κωδικοποίησης που απαιτείται για να εκτελεστεί αυτό το λογισμικό;

Δεν απαιτείται καμία εμπειρία. Αν δεν είστε προγραμματιστής, μπορείτε να περάσετε χρόνο με το Brain Simulator και να αποκτήσετε μια κατανόηση των ικανοτήτων και των περιορισμών των νευρώνων, μια peu γνώση για την αναπαράσταση γνώσεων και ακόμη να δημιουργήσετε τα δικά σας περιορισμένα δίκτυα. Αν είστε προγραμματιστής, θα ακολουθήσετε τις πιο σε βάθος τεχνικές εξηγήσεις και θα δημιουργήσετε τα δικά σας модούλ για να επεκτείνετε το σύστημα σε πιο προηγμένα στρατηγικά AGI.

Γιατί η επιστροφή στις βιολογικά εμπνευσμένες ρίζες της τεχνητής νοημοσύνης είναι σημαντική για την επίτευξη της AGI;

Στις δεκαετίες του ’80 η σκέψη ήταν ότι αν μπορούσαμε να δημιουργήσουμε ένα αρκετά μεγάλο νευρωνικό δίκτυο, θα γινόταν αυτόματα έξυπνο. Μετά από σαράντα χρόνια, αυτό το σενάριο έχει γίνει όλο και πιο απίστευτο. Έτσι, αν οι κλασικές προσεγγίσεις της τεχνητής νοημοσύνης δεν οδήγησαν στην AGI, ας εξετάσουμε κάποιες διαφορετικές προσεγγίσεις, και το μόνο που λειτουργεί είναι το ανθρώπινο мозγό.

Ταυτόχρονα, δεν υπάρχει λόγος για ακριβή συμμόρφωση με τη βιολογική πιθανότητα. Για παράδειγμα, γνωρίζουμε ότι ο εγκέφαλός μας μπορεί να εκτιμήσει αποστάσεις σε αντικείμενα με βάση τις μικρές διαφορές στις εικόνες που λαμβάνονται από τα δύο μας μάτια, η βάση για τις τρισδιάστατες ταινίες. Δεν γνωρίζουμε πώς αυτό λειτουργεί στον εγκέφαλο, οπότε αντί για αυτό, έχω προγραμματίσει αυτή τη λειτουργικότητα σε ένα модούλ που εκτιμά αποστάσεις χρησιμοποιώντας λίγες γραμμές τριγωνομετρίας. Μπορούμε να είμαστε khá σίγουροι ότι ο εγκέφαλός σας δεν λειτουργεί με αυτόν τον τρόπο, αλλά η προσεγγίση της τριγωνομετρίας είναι πιθανότατα ταχύτερη και πιο ακριβής.

Λέτε στο βιβλίο ότι μια AGI απαιτεί ρομποτική, γιατί είναι αυτό τόσο σημαντικό;

Σκεφτείτε να εξηγήσετε το χρώμα σε ένα τυφλό άτομο ή τη μουσική σε ένα κωφό άτομο. Αν ένα προοπτικό AGI είναι απλά ένα πρόγραμμα σε einen υπολογιστή, πώς μπορεί να αποκτήσει μια βασική κατανόηση για πράγματα που κάθε τριχρόνο παιδί γνωρίζει; Το παιδί έχει μια οπτική γωνία και περιβάλλεται από την πραγματικότητα. Το παιδί γνωρίζει ότι τα αντικείμενα υπάρχουν σε αυτήν την πραγματικότητα και ότι πολλά από αυτά μπορούν να χειριστούν. Παίζοντας με μπλοκ, ένα παιδί μπορεί να μάθει για το σχήμα, το μέγεθος, την πυκνότητα, τη βαρύτητα, την οπτική αποκάλυψη, την απόσταση και così κατω. Με αυτόνομη κίνηση, όραση και χειρισμό, μια AGI μπορεί να μάθει για την πραγματικότητα σε ένα πιο θεμελιώδες επίπεδο από οποιοδήποτε πρόγραμμα που βασίζεται μόνο σε βουνά κειμένων και εικόνων.

Μετά από μια ρομποτική AGI έχει αποκτήσει μια θεμελιώδη κατανόηση για τα αντικείμενα στην πραγματικότητα, αυτή η γνώση μπορεί να κλωνοποιηθεί σε μη ρομποτικές σκέψεις και η κατανόηση θα παραμείνει. Όπως κάποιος που χάνει τις αισθήσεις του της όρασης ή της ακοής μπορεί να κατανοήσει πράγματα με διαφορετικό τρόπο από ένα άτομο που δεν έχει कभ-либо είχε αυτές τις αισθήσεις.

Μια σημαντική πτυχή του Brain Simulator II είναι ότι δεν χρησιμοποιεί backpropagation, ποια είναι η λογική για τη μη υιοθέτηση αυτής της μεθόδου;

Ο εγκέφαλός σας λειτουργεί χωρίς backpropagation, οπότε η AGI πρέπει να είναι δυνατή χωρίς αυτό. Στην πραγματικότητα, η backpropagation είναι θεμελιωδώς ασυμβίβαστη με ένα βιολογικό μοντέλο επειδή βασίζεται στην ικανότητα να αισθανθεί και να τροποποιήσει τα βάρη των συνάψεων με σημαντική ακρίβεια. Μετά από κάποιο χρόνο με το Brain Simulator, θα καταλήξετε στο συμπέρασμα ότι η ρύθμιση των βαρών των συνάψεων με οποιαδήποτε ακρίβεια είναι πολύ δύσκολο και η ακριβής ανίχνευση των βαρών των συνάψεων είναι αδύνατο. Το θεμελιώδες πρόβλημα είναι ότι τα νευρικά κύτταρα τροποποιούν τα βάρη των συνάψεων, αλλά δεν υπάρχει τρόπος να ανιχνεύσετε ένα βάρος συνάψης χωρίς να τροποποιήσετε το νευρικό κύτταρο, οπότε ένα βάρος συνάψης δεν μπορεί να ανιχνευτεί χωρίς να τροποποιηθεί.

Η backpropagation δεν έχει βιολογική αναλογία και τη θεωρώ μια εξαιρετικά ισχυρή στατιστική μέθοδο. Πολλοί άνθρωποι εργάζονται με αυτήν, μερικοί με εξαιρετικά αποτελέσματα. Το σημείο μου είναι να δοκιμάσω κάποιες διαφορετικές προσεγγίσεις. Χρησιμοποιώντας νευρώνες σπίκινγκ σε συνδυασμό με μονάδες λογισμικού, κοιτάω τα προβλήματα της AGI από μια διαφορετική οπτική.

Όταν ο εγκέφαλος εξετάζεται, φαίνεται να υπάρχει αταξία και τυχαία, είναι αυτό που πρέπει να εισαχθεί σε ένα λογισμικό σύστημα για να εμφανιστεί η AGI;

Δεν νομίζω ότι είναι così. Όταν κοιτάτε τα μεμονωμένα νευρικά κύτταρα και τις συνάψεις, η λειτουργία τους είναι khá детерμινιστική, όπως και ο τρανζίστορ. Στο εγκέφαλο, τα πράγματα φαίνονται τυχαία επειδή τα επίπεδα θορύβου είναι αρκετά υψηλά και τα στοιχεία της πληροφορίας δεν είναι σε καμία εμφανή τάξη. Όμως, σκεφτείτε την όρασή σας, μπορείτε να διαβάσετε κείμενο με σαφήνεια και δεν υπάρχει αταξία ή τυχαία στη διαδικασία ανάγνωσης. Έτσι, συμπεραίνουμε ότι, τουλάχιστον, ο οπτικός φλοιός σας είναι αρκετά αξιόπιστος και επαναλαμβανόμενος. Όμως, όταν εξεταστεί, φαίνεται ακριβώς così αταξικός όσο και ο υπόλοιπος εγκέφαλος. Έτσι, ο υπόλοιπος εγκέφαλος είναι πιθανότατα τόσο αξιόπιστος και επαναλαμβανόμενος όσο και ο οπτικός φλοιός, απλά δεν βλέπουμε ακόμη την οργάνωση και την τάξη. Είναι λίγο σαν να διαβάζουμε κινέζικα, για μένα είναι αταξικές, ημι-τυχαίες σημάνσεις, αλλά για κάποιον που μπορεί να διαβάσει τη γλώσσα, υπάρχει μια απόλυτη οργάνωση. Απλά δεν μπορούμε ακόμη να διαβάσουμε τη γλώσσα του εγκεφάλου.

Εισάγετε μια έννοια που ονομάζεται Universal Knowledge Store (UKS), θα μπορούσατε να συζητήσετε τι είναι αυτό και γιατί έχει σημασία;

Σκεφτείτε πίσω στην ερώτηση της ρομποτικής, μπορείτε να δείτε ότι μια πτυχή της γενικής νοημοσύνης είναι η ικανότητα να ενσωματώσετε γνώσεις από διάφορες αισθήσεις. Γνωρίζετε για ένα μπλοκ επειδή μπορείτε να το δείτε, να το αγγίξετε και να ακούσετε λόγια γι’ αυτό. Όλα αυτά αντιπροσωπεύουν πληροφορίες για ένα μπλοκ. Έτσι, για μια AGI να έχει παρόμοιες ικανότητες, πρέπει να έχει ένα γενικό μηχανισμό αποθήκευσης που μπορεί να χειριστεί eine μεγάλη ποικιλία διαφορετικών πληροφοριών και να δημιουργήσει χρήσιμες σχέσεις μεταξύ των διαφόρων στοιχείων. Το UKS είναι ένας γράφος γνώσεων σε ένα πολύ γενικό τρόπο, οπότε μπορεί να χειριστεί ΟΠΟΙΑΔΗΠΟΤΕ πληροφορία και ΟΠΟΙΑΔΗΠΟΤΕ σχέσεις.

Το UKS μπορεί να αποθηκεύσει τις χωρικές πληροφορίες που απαιτούνται για την εφαρμογή του λαβυρίνθου μαζί με το δέντρο απόφασης και αποτελέσματος που χρησιμοποιείται για να διασχίσει τον λαβύρινθο και να επιτύχει ένα στόχο. Η ίδια δομή χρησιμοποιείται για να συνδέσει λέξεις με χρώματα. Αυτός ο τύπος γενικότητας είναι θεμελιώδης για την AGI.

Τι είναι ο χρονοπρόθεσμος σας για την εμφάνιση της AGI;

Είναι δύσκολο να πω. Ήδη έχουμε το απαραίτητο υλικό για την AGI και βλέπω ότι μια seule επέκταση είναι όλη η απαιτούμενη, και μπορεί να έρθει ανά πάσα στιγμή. Ας προσπαθήσω να περιγράψω αυτήν την επέκταση:

Σκεφτείτε ότι αν όλα που γνωρίζετε είναι ότι το κόκκινο είναι-ένα χρώμα και το μπλε είναι-ένα χρώμα, μπορώ να σας ζητήσω να ονομάσετε κάποια χρώματα και μπορείτε να πείτε κόκκινο και μπλε. Η ερώτηση είναι, πώς μπορεί μια AGI να μάθει ότι η σχέση “είναι-ένα” είναι κάτι. Θα μπορούσα να προγραμματίσω μια τέτοια σχέση εύκολα, αλλά τότε η AGI μου δεν θα μπορέσει να μάθει νέες σχέσεις όπως τις συναντά. Ένα παιδί μπορεί να μάθει για σχέσεις πιο κοντά/μακρύτερα, μεγαλύτερα/μικρότερα, νωρίτερα/αργότερα, πριν/μετά και così κατω. Όμως αυτές βασίζονται σε ακόμη πιο θεμελιώδεις έννοιες του μεγέθους, της απόστασης, του χρόνου και così κατω.

Πώς μπορεί ένα κεφάλι γεμάτο νευρικά κύτταρα να μάθει όλα αυτά τα πραγματικά θεμελιώδη πράγματα; Αυτό συνδέεται με την ανάγκη για ρομποτική. Πώς μπορεί μια AGI να μάθει την έννοια της απόστασης αν δεν μπορεί να πάει πουθενά ή να φτάσει σε κάτι; Αυτό επίσης συνδέεται με την ανάγκη για καθολική αποθήκευση. Πώς μπορεί μια AGI να κατανοήσει το να πάει κάπου, το οποίο συνδυάζει τις έννοιες του χώρου και του χρόνου; Το να πάει κάπου είναι σχετικά απλό. Η κατανόηση του τι σημαίνει να πάει κάπου είναι πολύ πιο δύσκολο. Πιστεύω ότι αυτά τα πραγματικά θεμελιώδη ερωτήματα είναι όλα εκφράσεις του ίδιου υποκείμενου προβλήματος και η λύση σε αυτό το πρόβλημα είναι η απαραίτητη επέκταση.

Δεν υπάρχουν πολλοί άνθρωποι που εργάζονται σε αυτό το ερώτημα, κυρίως επειδή είναι τόσο δύσκολο να προτείνουν ένα πρότζεκτ που, αν είναι πραγματικά επιτυχημένο, θα έχει τις ικανότητες ενός τριχρόνου παιδιού μετά από τρία χρόνια, και τις ικανότητες ενός δέκαχρονου παιδιού μετά από μια δεκαετία. Έτσι, η λύση είναι πιθανότατα να έρθει από μικρότερες ανεξάρτητες ερευνητές που έχουν τον χρόνο και την ενέργεια να αφιερωθούν σε προβλήματα χωρίς βραχυπρόθεσμη απόδοση.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με το Brain Simulator II ή την AGI γενικά;

Όταν προσπαθείτε να χρησιμοποιήσετε νευρικά κύτταρα και συνάψεις για να σχεδιάσετε κυκλώματα που αντιμετωπίζουν αυτά τα θεμελιώδη προβλήματα, καταλήγετε στο συμπέρασμα ότι αντί για μια έννοια να αντιπροσωπεύεται από quelques δεκάδες συνάψεις, κάθε eine απαιτεί quelques δεκάδες νευρικά κύτταρα. Αυτό σημαίνει ότι αντί για την ικανότητα του εγκεφάλου να είναι πολλά δισεκατομμύρια πράγματα, είναι περιορισμένη στην κατανόηση δεκάδων ή εκατομμυρίων πραγμάτων. Με αυτό στο μυαλό, μια incipient AGI που θα μπορούσε να κατανοήσει μόνο δέκα εκατομμύρια πράγματα πρέπει τουλάχιστον να μπορεί να κατανοήσει κάποια από αυτά τα θεμελιώδη έννοιες. Και ένα σύστημα υπολογιστή που αντιπροσωπεύει δέκα εκατομμύρια πράγματα είναι καλά εντός του πεδίου των σημερινών υλικών, ίσως ακόμη και του σημερινού υπολογιστή.

Η έκδοση V1.0 του Brain Simulator είναι πραγματικά η “ενηλικίωση” του. Τώρα έχει την ικανότητα και το λείαντο UI που το κάνουν πολύ πιο χρήσιμο για ένα ευρύτερο ερευνητικό κοινό. Είναι ένα κοινοτικό πρότζεκτ με μια αυξανόμενη ομάδα ανάπτυξης και ένα μεγαλύτερο σώμα τελικών χρηστών. Μαζί, θα δοκιμάσουμε πολλές νέες ιδέες και θα κάνουμε πρόοδο σε κάποια από τα θεμελιώδη ερωτήματα της νοημοσύνης και της AGI.

Ευχαριστώ για τη μεγάλη συνέντευξη, είναι πάντα εποικοδομητικό να συζητάμε για την AGI μαζί σας. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να διαβάσουν το βιβλίο Brain Simulator II.