Charles Simon, Brain Simulator II -kirjan kirjoittaja – Haastattelusarja

Charles Simon on Brain Simulator II -kirjan kirjoittaja, joka on seuraaja Brain Simulator II -ohjelmalle, joka on ilmainen, avoimen lähdekoodin ohjelmisto, jonka tavoitteena on luoda lopputon tekoälyjärjestelmä (AGI)

Alkuperäinen Brain Simulator -ohjelmisto julkaistiin vuonna 1988, mikä on valtava aika ohjelmistomaailmassa. Kuinka suuri askel eteenpäin Brain Simulator II on verrattuna edeltäjäänsä?

Nykyinen järjestelmä on yli miljoona kertaa nopeampi. Alkuperäinen ohjelma oli kirjoitettu FORTRAN-kielellä, se suoritettiin IBM AT -kloonilla, se tukee kiinteää 1 200 hermosolun matriisia ja se laskee noin kaksi sykliä sekunnissa. Nykyinen ohjelma voidaan suorittaa verkkoympäristössä ja se prosessoi 2,5 miljardia synapsia sekunnissa tehokkaalla työpöytäsuorittimella.

Tämä kirja kertoo Brain Simulator II: sta, avoimen lähdekoodin ohjelmistoprojektista, jonka tavoitteena on luoda lopputon tekoäly, mikälaista koodauskokemusta tarvitaan ohjelmiston suorittamiseen?

Kokemusta ei tarvita. Jos et ole ohjelmoija, voit viettää aikaa Brain Simulatorin kanssa ja päätyä ymmärtämään hermosen toiminnan mahdollisuuksia ja rajoituksia, hieman tietäen edustamisesta ja voit jopa luoda oman rajoitetun verkon. Jos olet ohjelmoija, seuraat syvemmän teknisen selityksen ja luot oman moduulin laajentamaan järjestelmää edistyneempiin AGI-strategioihin.

Miksi paluu biologisesti inspiroitiin tekoälyn juurille on tärkeää saavuttaa AGI?

1980-luvulla ajattelussa oli, että jos voisimme vain rakentaa tarpeeksi suuren hermosolmiverkon, se tulisi spontaanisti älykkääksi. Neljänkymmenen vuoden aikana tämä skenaario on muuttunut yhä epätodennäköisemmäksi. Jos perinteiset tekoälylähestymistavat eivät ole onnistuneet AGI: ssä, katsotaan erilaisia lähestymistapoja, ja ainoa toimiva AGI-malli, jonka meillä on, on ihmisaivo.

Samaan aikaan ei ole syytä orjallisesti noudattaa biologista uskottavuutta. Esimerkiksi tiedämme, että aivot voivat arvioida etäisyyksiä objekteihin perustuen pieniin eroihin kuvissa, jotka saadaan kahden silmän kautta, mikä on perusta 3D-elokuville. Emme tiedä, miten tämä toimii aivoissa, joten ohjelmoinkin tämän toiminnallisuuden moduuliin, joka arvioi etäisyyksiä käyttäen muutamia trigonometrian rivejä. Emme voi olla varmoja, että aivot toimivat tämän tavoin, mutta trigonometria on todennäköisesti nopeampi ja tarkin.

Sanot kirjassa, että AGI vaatii robottiikkaa, miksi tämä on niin tärkeää?

Kuvittele yrittäväsi selittää väriä sokealle henkilölle tai musiikkia kuuroille. Jos prospektiivinen AGI on vain ohjelma tietokoneessa, miten se voi saada perustiedon asioista, joita jokainen kolmevuotias tietää? Lapsi on näkökulma ja on ympäröity todellisuudella. Lapsi tietää, että objektit ovat olemassa todellisuudessa ja että monia niistä voidaan manipuloida. Leikkimällä palikoilla lapsi voi oppia muodosta, koosta, kiinteyydestä, gravitaatiosta, visuaalisesta sulkeutumisesta, etäisyydestä ja niin edelleen. Autonomisen liikkeen, näön ja manipulaattorien avulla AGI voi oppia todellisuudesta perustavammalla tasolla kuin mikään ohjelma, joka riippuu vain teksti- ja kuvadatasta.

Kun robotti-AGI on hankkinut perustiedon objekteista todellisuudessa, tieto voidaan kloonata ei-robottiin ajatteluun, ja ymmärrys säilyy. Sama tapa, kuin joku, joka menettää aistinsa, voi ymmärtää asioita toisin kuin henkilö, joka ei ole koskaan ollut näin.

Yksi tärkeä asia Brain Simulator II: ssä on, että se ei käytä takaisinpropagaatiota, mikä on syy tälle menetelmälle?

Aivot toimivat ilman takaisinpropagaatiota, joten AGI on mahdollista ilman sitä. Itse asiassa takaisinpropagaatio on perustavasti ristiriidassa biologisen mallin kanssa, koska se perustuu siihen, että voidaan aistia ja muuttaa synapsien painoja tietyn tarkkuuden kanssa. Jonkin ajan kuluttua Brain Simulatorin kanssa, päädyt siihen, että asettaminen synapsien painoihin on hyvin vaikeaa ja tarkkaan aistiminen, mitkä synapsien painot ovat, on mahdotonta. Perusongelma on, että hermosolmujen laukaisu muuttaa synapsien painoja, mutta ei ole tapaa havaita synapsien painoa ilman hermosolmujen laukaisua, joten synapsien painoa ei voida aistia ilman muuttamista.

Takaisinpropagaatio ei ole biologista vastinetta, ja pidän sitä erittäin voimakkaana tilastollisena menetelmänä. Monet ihmiset työskentelevät sen parissa, joillakin erinomaisilla tuloksilla. Piste on kokeilla erilaisia lähestymistapoja. Käyttämällä hermosoluja yhdistettynä modulaariseen ohjelmistoon, katselen AGI: n ongelmia toisesta näkökulmasta.

Kun aivot tutkitaan, niissä näyttää olevan häiriintä ja satunnaisuutta, onko tämä jotain, mitä meidän on lisättävä ohjelmistojärjestelmään, jotta AGI voisi syntyä?

En usko siihen. Kun tarkastelet yksittäisiä hermosoluja ja synapsia, niiden toiminta on hyvin deterministinen, kuten transistori. Aivoissa asiat näyttävät sattumanvaraisilta, koska melutasot ovat hyvin korkeat ja tiedon komponentit eivät ole järjestyksessä. Mutta katsokaa visuaalista aistia, voit lukea tekstiä selkeästi, eikä ole häiriintä tai satunnaisuutta lukuprosessissa. Niin, että päädyt siihen, että visuaalinen aivokuori on melko luotettava ja toistettavissa. Vaikka se näyttää yhtä häiriintyneeltä kuin muu aivot, emme vain näe järjestystä ja järjestyksen vielä.

Esittelet käsitteen Universal Knowledge Store (UKS), voitko lyhyesti kertoa, mitä se on ja miksi se on tärkeää?

Ajatelkaa takaisin robottiin liittyvään kysymykseen, voit nähdä, että yksi yleisen älyn puoli on kyky integroida tietoa eri aistien kautta. Tiedät paljon jonkin asian, koska voit nähdä sen, koskettaa sitä ja kuulla sanoja siitä. Kaikki tämä edustaa tietoa. Niin, että AGI voi omata samanlaiset kyvyt, se tarvitsee yleisen tallennusmekanismin, joka voi käsitellä laajan valikoiman erilaisia tietoja ja luoda hyödyllisiä suhteita eri kohteiden välillä. UKS on tietoverkko hyvin yleisessä mielessä, jotta se voi käsitellä MITÄ tahansa tietoa ja MITÄ tahansa suhteita.

UKS voi tallentaa spatiaalisen tiedon, jota tarvitaan sokkelin sovellukseen, yhdessä päätöksen ja tuloksen puun, jota käytetään sokkelin läpikäymiseen tavoitteena. Sama rakenne käytetään yhdistämään sanoja väreihin. Tällainen yleisyys on perustavanlaatuinen AGI: lle.

Mikä on aikahorisonttisi AGI: n syntyyn?

Se on vaikea sanoa. Meillä on jo tarvittava laitteisto AGI: lle, ja näen, että yksi läpimurto on kaikki, mitä tarvitaan, ja se voi tulla milloin tahansa. Yritän kuvata sitä läpimurtoa:

Kuvittele, että kaikki, mitä tiedät, on, että punainen ON väri ja sininen ON väri, voin pyytää sinua nimeämään joitain värejä, ja voit sanoa punainen ja sininen. Kysymys on, miten AGI voi oppia, että “ON” -suhde on jotain. Voin ohjelmoida tällaisen suhteen helposti, mutta sitten AGI ei voi oppia uusia suhteita, kun ne tulevat vastaan. Lapsi voi oppia suhteista, kuten lähempänä / kauempana, suurempi / pienempi, aikaisemmin / myöhemmin, ennen / jälkeen, ja niin edelleen. Mutta ne riippuvat edelleen perustavammista käsitteistä, kuten koosta, etäisyydestä, ajasta ja niin edelleen.

Miten aivot voivat oppia kaiken tämän perustiedon? Tämä liittyy takaisin robottiin. Miten AGI voi oppia etäisyyden käsitteen, jos se ei voi mennä minnekkään tai osoittaa mitään? Se liittyy myös yleiseen tallennukseen. Miten AGI voi ymmärtää menemistä, joka yhdistää sijainnin ja ajan käsitteet? Meneminen on suhteellisen helppoa. Ymmärtäminen siitä, mitä se tarkoittaa, on paljon vaikeampaa. Uskon, että nämä perustavat kysymykset ovat kaikki ilmenemismuotoja samasta perusongelmasta, ja ratkaisu tähän onkaan tarvittava läpimurto.

Ei ole monia ihmisiä, jotka työskentelevät tämän kysymyksen parissa, suurelta osin siksi, että se on niin vaikea esittää projekti, joka, jos se on todella onnistunut, voi olla kolmevuotiaan kykyjen tasolla kolmen vuoden kuluttua, ja kymmenenvuotiaan kykyjen tasolla kymmenen vuoden kuluttua. Niin, että ratkaisu tulee todennäköisesti pienemmistä riippumattomista tutkijoista, joilla on aikaa ja energiaa omistaa ongelmille, joilla ei ole lyhytaikaista paluuta.

Onko mitään muuta, mitä haluaisit jakaa Brain Simulator II: sta tai AGI: stä yleensä?

Kun yrität käyttää hermosoluja ja synapsia suunnittelemaan piirejä, jotka ratkaisevat näitä perustavanlaatuista ongelmia, päädyt siihen, että käsite edustaa muutaman kymmenen synapsin sijaan vaatii muutaman kymmenen hermosolua. Tämä tarkoittaa, että aivojen kapasiteetti ei ole miljardeja asioita, kuten yleisesti uskotaan, vaan se on rajoitettu ymmärtämään kymmeniä miljoonia asioita. Tällöin AGI, joka voi ymmärtää vain kymmenen miljoonaa asiaa, pitäisi pystyä ymmärtämään jotkut näistä perustavanlaatuista käsitteistä. Ja tietokonejärjestelmä, joka edustaa kymmenen miljoonaa asiaa, on hyvin tämän päivän laitteiston puitteissa, ehkä jopa tämän päivän työpöytätietokoneen.

V1.0-julkaisu Brain Simulatorista on oikeasti sen “tuleminen aikuiseksi”. Se on nyt kapasiteetilla ja hiottuilla käyttöliittymillä, jotka tekevät siitä paljon hyödyllisemmän laajemmalle tutkimusyleisölle. Se on yhteisöprojekti, jossa on kasvava kehitystiimi ja laajempi joukko loppukäyttäjiä. Yhdessä kokeilemme paljon uusia ideoita ja edistämme jonkin verran perustavanlaatuisten älyn ja AGI: n peruskysymyksissä.

Kiitos haastattelusta, on aina mielenkiintoista keskustella AGI: stä kanssasi. Lukijat, jotka haluavat oppia lisää, kannattaa lukea kirjaa Brain Simulator II.