Charles Simon, Συγγραφέας του Brain Simulator II – Σειρά Συνεντεύξεων

Ο Charles Simon είναι ο συγγραφέας του Brain Simulator II, ενός συντροφικού βιβλίου για το Brain Simulator II, ένα δωρεάν, ανοικτό λογισμικό που στοχεύει στην δημιουργία ενός ολοκληρωμένου συστήματος Γενικής Τεχνητής Νοημοσύνης (AGI)

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

Το σύστημα της εποχής μας είναι πάνω από ένα εκατομμύριο φορές ταχύτερο. Το αρχικό λογισμικό ήταν γραμμένο σε FORTRAN, έτρεχε σε ένα κλώνο IBM AT, υποστήριζε ένα σταθερό πίνακα 1.200 νευρώνων και υπολογίζονταν περίπου δύο κύκλους ανά δευτερόλεπτο. Το σημερινό πρόγραμμα μπορεί να τρέξει σε ένα δίκτυο και να επεξεργαστεί 2,5 δισεκατομμύρια συνάψεις ανά δευτερόλεπτο σε ένα ισχυρό CPU επιτραπέζιου υπολογιστή.

Αυτό το βιβλίο αφορά το Brain Simulator II, ένα ανοικτό λογισμικό που στοχεύει στην δημιουργία ολοκληρωμένης τεχνητής νοημοσύνης, ποια είδους kinh nghiệm προγραμματισμού χρειάζεται για να τρέξει αυτό το λογισμικό;

Δεν χρειάζεται καμία kinh nghiệm. Αν δεν είστε προγραμματιστής, μπορείτε να περάσετε χρόνο με το Brain Simulator και να αποκτήσετε μια κατανόηση των ικανοτήτων και των περιορισμών των νευρώνων, ένα peu γνώσεων 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 μονάδες 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 AGI;

Στις αρχές της δεκαετίας του 1980, η σκέψη ήταν ότι αν μπορούσαμε να χτίσουμε ένα αρκετά μεγάλο νευρωνικό δίκτυο, θα γινόταν αυτόματα έξυπνο. Μετά από σαράντα χρόνια, αυτό το σενάριο έχει γίνει ολοένα και πιο απίστευτο. Έτσι, αν οι κλασικές προσεγγίσεις της Τεχνητής Νοημοσύνης δεν έχουν αποδώσει για AGI, ας κοιτάξουμε μερικές διαφορετικές προσεγγίσεις, και το μόνο που λειτουργεί μοντέλο AGI που έχουμε είναι ο ανθρώπινος εγκέφαλος.

Την ίδια στιγμή, δεν υπάρχει λόγος για την αφοσιωμένη προσκόλληση στη 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 μονά, το οποίο εκτιμά αποστάσεις χρησιμοποιώντας μερικές γραμμές τριγωνομετρίας. Δεν μπορούμε να είμαστε βέβαιοι ότι ο εγκέφαλός σας δεν λειτουργεί με αυτόν τον τρόπο, αλλά η προσεγγίση τριγωνομετρίας είναι πιθανότατα ταχύτερη και πιο ακριβής.

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

Σκεφτείτε να εξηγήσετε το χρώμα σε一个人 που είναι τυφλός ή τη μουσική σε一个人 που είναι κωφός. Αν ένα προοπτικό AGI είναι απλά ένα πρόγραμμα σε einen υπολογιστή, πώς μπορεί να αποκτήσει μια βασική κατανόηση των πραγμάτων που κάθε τριχρόνος 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 απόκρυψη, την απόσταση και così weiter. Με αυτόνομη κίνηση, όραση και χειρισμό, ένα 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 ένα ρομποτικό AGI να έχει αποκτήσει μια θεμελιώδη κατανόηση των αντικειμένων 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 έναν διαφορετικό τρόπο από一个人 που δεν έχει nikdy αυτά τα αισθήματα.

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 το AGI πρέπει να είναι δυνατό 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 βαθμίδα ακρίβειας είναι πολύ δύσκολο και η ακριβής ανίχνευση των βαρών των συνάψεων είναι αδύνατο. Το θεμελιώδες πρόβλημα είναι ότι τα πυροδοτούμενα νεύρα τροποποιούν τα βάρη των συνάψεων, αλλά δεν υπάρχει τρόπος να ανιχνεύσετε ένα βάρος συνάψης χωρίς να πυροδοτήσετε νεύρα, οπότε ένα βάρος συνάψης δεν μπορεί να ανιχνευθεί 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 μερικές διαφορετικές προσεγγίσεις. Χρησιμοποιώντας σπίκινγκ νεύρα σε συνδυασμό με μονάδες λογισμικού, κοιτάω τα προβλήματα του AGI από μια διαφορετική οπτική.

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

Δεν νομίζω ότι ναι. Όταν κοιτάτε τα ατομικά νεύρα και τις συνάψεις, η λειτουργία τους είναι khá determinιστική, όπως και ο τρανζίστορ. Στο εγκέφαλο, τα πράγματα φαίνονται τυχαία επειδή τα επίπεδα θορύβου είναι αρκετά υψηλά και τα στοιχεία πληροφοριών δεν είναι σε καμία εμφανή σειρά. Αλλά σκεφτείτε την όραση σας, μπορείτε να διαβάσετε κείμενο με σαφήνεια και δεν υπάρχει αταξία ή τυχαία στη διαδικασία ανάγνωσης. Οπότε, συμπεραίνουμε ότι, τουλάχιστον, ο οπτικός φλοιός σας είναι αρκετά αξιόπιστος και επαναλαμβανόμενος. Παρόλα αυτά, όταν εξεταστεί, φαίνεται εξίσου ατακτικός όπως και ο υπόλοιπος εγκέφαλος. Οπότε ο υπόλοιπος εγκέφαλος είναι πιθανότατα εξίσου αξιόπιστος και επαναλαμβανόμενος, απλά δεν βλέπουμε ακόμη την οργάνωση και τη σειρά. Είναι λίγο σαν να διαβάζω κινέζικα, για μένα είναι ατακτικές, ημι-τυχαίες σημείωσεις, αλλά για κάποιον που μπορεί να διαβάσει τη γλώσσα, υπάρχει μια απόλυτη οργάνωση. Απλά δεν μπορούμε να διαβάσουμε ακόμη τη γλώσσα του εγκεφάλου.

Παρουσιάζετε μια концепτό που ονομάζεται Universal Knowledge Store (UKS), θα μπορούσατε να συζητήσετε αυτό και γιατί έχει σημασία;

Σκεφτείτε πίσω στην ερώτηση της ρομποτικής, μπορείτε να δείτε ότι μια πτυχή της γενικής νοημοσύνης είναι η ικανότητα να ενσωματώσει 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. Οπότε για ένα AGI να έχει παρόμοιες ικανότητες, πρέπει να έχει ένα γενικό μηχανισμό αποθήκευσης που μπορεί να χειριστεί μια μεγάλη ποικιλία από διαφορετικές πληροφορίες και να δημιουργήσει χρήσιμες σχέσεις μεταξύ των διαφόρων στοιχείων. Το UKS είναι ένας γράφος γνώσεων σε ένα πολύ γενικό τρόπο, οπότε μπορεί να χειριστεί ΟΠΟΙΟΔΗΠΟΤΕ είδος πληροφοριών και ΟΠΟΙΟΔΗΠΟΤΕ είδος σχέσεων.

Το UKS μπορεί να αποθηκεύσει τις χωρικές πληροφορίες που χρειάζονται 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 συσχετίσει λέξεις με χρώματα. Αυτός ο τύπος γενικότητας είναι θεμελιώδης για AGI.

Τι είναι ο ορίζοντας χρόνου για την εμφάνιση AGI;

Είναι δύσκολο να πω. Ήδη έχουμε το απαραίτητο υλικό για AGI και βλέπω ότι μια seule επέκταση είναι όλο που χρειάζεται, και μπορεί να έρθει σε οποιαδήποτε 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 μερικά χρώματα και μπορείτε να πείτε κόκκινο και μπλε. Η ερώτηση είναι, πώς μπορεί ένα AGI να μάθει ότι η σχέση “είναι-ένα” είναι κάτι. Θα μπορούσα να προγραμματίσω μια τέτοια σχέση εύκολα, αλλά τότε το AGI μου δεν θα μπορέσει να μάθει νέες σχέσεις όπως τις συναντά. Ένα παιδί μπορεί να μάθει για σχέσεις πιο κοντά/μακρύτερα, μεγαλύτερο/μικρότερο, συντομότερο/αργότερο, πριν/μετά και così weiter. Αλλά αυτές βασίζονται σε ακόμη πιο θεμελιώδεις έννοιες μεγέθους, απόστασης, χρόνου και πολλά άλλα.

Πώς μπορεί ένας εγκέφαλός να μάθει όλα αυτά τα πραγματικά θεμελιώδη πράγματα; Αυτό συνδέεται με την ανάγκη για ρομποτική. Πώς μπορεί ένα AGI να μάθει την έννοια της απόστασης αν δεν μπορεί να πάει πουθενά ή να φτάσει σε κάτι; Επίσης, συνδέεται με την ανάγκη για универσάλ αποθήκευση. Πώς μπορεί ένα AGI να κατανοήσει το να πάει κάπου, το οποίο συνδυάζει τις έννοιες του τόπου 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 εκδηλώσεις 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 μετά από τρία χρόνια, και τις ικανότητες ενός δέκαχρονου μετά από μια δεκαετία. Οπότε η λύση είναι πιθανό να έρθει από μικρότερους ανεξάρτητους ερευνητές που έχουν τον χρόνο και την ενέργεια να αφιερωθούν σε προβλήματα χωρίς σύντομο όφελος.

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

Όταν προσπαθείτε να χρησιμοποιήσετε νεύρα και συνάψεις για να σχεδιάσετε κυκλώματα που αντιμετωπίζουν αυτά τα θεμελιώδη προβλήματα, καταλήγετε στο συμπέρασμα ότι αντί για μια έννοια να αντιπροσωπεύεται από μερικές δεκάδες συνάψεις, κάθε eine απαιτεί μερικές δεκάδες νεύρα. Αυτό σημαίνει ότι αντί για την ικανότητα του εγκεφάλου να είναι πολλά δισεκατομμύρια πράγματα, όπως συνήθως υποστηρίζεται, είναι περιορισμένη στην κατανόηση δεκάδων ή εκατομμυρίων πραγμάτων. Με αυτό στο μυαλό, ένα νεαρό AGI που θα μπορούσε να κατανοήσει μόνο δέκα εκατομμύρια πράγματα πρέπει τουλάχιστον να能够 να κατανοήσει κάποιες από αυτές τις θεμελιώδεις έννοιες. Και ένα σύστημα υπολογιστή που αντιπροσωπεύει δέκα εκατομμύρια πράγματα είναι εντός του πεδίου του υλικού της εποχής μας, ίσως ακόμη και του σημερινού επιτραπέζιου υπολογιστή.

Η έκδοση V1.0 του Brain Simulator είναι πραγματικά η “ενηλικίωση” του. Τώρα έχει την ικανότητα και το γυαλιστερό 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 ενδιαφέρον να συζητάμε για AGI μαζί σας. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να διαβάσουν το βιβλίο Brain Simulator II.