चार्ल्स साइमन, ब्रेन सिम्युलेटर II – साक्षात्कार श्रृंखला के लेखक

चार्ल्स साइमन ब्रेन सिम्युलेटर II के लेखक हैं, जो ब्रेन सिम्युलेटर II की एक साथी पुस्तक है, एक नि:शुल्क, ओपन-सोर्स सॉफ्टवेयर परियोजना जिसका उद्देश्य एक एंड-टू-एंड आर्टिफिशियल जनरल इंटेलिजेंस (एजीआई) सिस्टम बनाना है

मूल ब्रेन सिम्युलेटर सॉफ्टवेयर 1988 में जारी किया गया था, सॉफ्टवेयर दुनिया में एक विशालता समय है। ब्रेन सिम्युलेटर II अपने पूर्ववर्ती की तुलना में कितना आगे है?

आज की प्रणाली एक लाख गुना तेज है। मूल फोरट्रान में लिखा गया था, एक आईबीएम एटी क्लोन पर चलता था, 1,200 न्यूरॉन्स की एक निश्चित सरणी का समर्थन करता था, और लगभग दो चक्र प्रति सेकंड गणना करता था। आज का कार्यक्रम एक नेटवर्क पर चल सकता है और एक शक्तिशाली डेस्कटॉप सीपीयू पर प्रति सेकंड 2.5 अरब सिनैप्स को संसाधित कर सकता है।

यह पुस्तक ब्रेन सिम्युलेटर II के बारे में है, एक ओपन-सोर्स सॉफ्टवेयर परियोजना जिसका उद्देश्य एंड-टू-एंड आर्टिफिशियल इंटेलिजेंस बनाना है, इस सॉफ्टवेयर को चलाने के लिए किस प्रकार का कोडिंग अनुभव आवश्यक है?

कोई अनुभव की आवश्यकता नहीं है। यदि आप एक प्रोग्रामर नहीं हैं, तो आप ब्रेन सिम्युलेटर के साथ समय बिता सकते हैं और न्यूरॉन्स, ज्ञान प्रतिनिधित्व, और यहां तक कि अपने स्वयं के सीमित नेटवर्क के बारे में कुछ जानकारी प्राप्त कर सकते हैं। यदि आप एक प्रोग्रामर हैं, तो आप अधिक गहन तकनीकी व्याख्याओं का अनुसरण करेंगे और अपने स्वयं के मॉड्यूल बनाएंगे ताकि प्रणाली को अधिक उन्नत एजीआई रणनीतियों तक विस्तारित किया जा सके।

एजीआई प्राप्त करने के लिए एआई की जैविक रूप से प्रेरित जड़ों पर लौटना क्यों महत्वपूर्ण है?

1980 के दशक में, यह सोचा गया था कि यदि हम एक बड़ा न्यूरल नेटवर्क बना सकते हैं, तो यह स्वचालित रूप से बुद्धिमान हो जाएगा। चालीस वर्षों के बाद, यह परिदृश्य अधिक से अधिक असंभव होता जा रहा है। इसलिए, यदि क्लासिक एआई दृष्टिकोण एजीआई के लिए काम नहीं करते हैं, तो आइए कुछ अलग दृष्टिकोणों पर विचार करें, और एकमात्र कार्यशील एजीआई मॉडल जो हमारे पास है वह मानव मस्तिष्क है।

एक ही समय में, जैविक प्लॉसिबिलिटी के प्रति दासता की कोई आवश्यकता नहीं है। उदाहरण के लिए, हम जानते हैं कि हमारे मस्तिष्क दूरी का अनुमान लगा सकते हैं वस्तुओं के लिए हमारी दो आंखों द्वारा प्राप्त छवियों में थोड़े अंतर के आधार पर, जो 3डी फिल्मों के लिए आधार है। हम नहीं जानते कि यह मस्तिष्क में कैसे काम करता है, इसलिए मैंने इस कार्यक्षमता को एक मॉड्यूल में कार्यक्रम किया है जो त्रिकोणमिति की कुछ पंक्तियों का उपयोग करके दूरी का अनुमान लगाता है। हमें यह यकीन हो सकता है कि आपका मस्तिष्क इस तरह से काम नहीं करता है, लेकिन त्रिकोणमिति दृष्टिकोण अधिक तेज़ और सटीक होने की संभावना है।

आप पुस्तक में कहते हैं कि एक एजीआई के लिए रोबोटिक्स की आवश्यकता है, यह इतना महत्वपूर्ण क्यों है?

एक अंधे व्यक्ति को रंग की व्याख्या करने या एक बहरे व्यक्ति को संगीत की व्याख्या करने की कोशिश करने पर विचार करें। यदि एक संभावित एजीआई केवल एक कंप्यूटर पर एक कार्यक्रम है, तो यह कैसे किसी भी तीन वर्षीय को पता है कि चीजों की मूल बातें क्या हैं? बच्चे का एक दृष्टिकोण है और वास्तविकता से घिरा हुआ है। बच्चे को पता है कि वस्तुएं उस वास्तविकता में मौजूद हैं और उनमें से कई को संभाला जा सकता है। ब्लॉक के साथ खेलकर एक बच्चा आकार, आकार, ठोसता, गुरुत्वाकर्षण, दृश्य अवरोध, दूरी, और आगे के बारे में सीख सकता है। स्वचालित गति, दृष्टि, और हाथों के साथ, एक एजीआई वास्तविकता के बारे में एक मूल स्तर पर सीख सकता है जो किसी भी कार्यक्रम से अधिक है जो केवल पाठ और छवि डेटा के पहाड़ों पर निर्भर करता है।

एक रोबोटिक एजीआई के बाद एक मूलभूत समझ हासिल करने के बाद वस्तुओं की वास्तविकता में, उस ज्ञान को गैर-रोबोटिक सोच मशीनों में क्लोन किया जा सकता है और समझ बनी रहेगी। जैसे कि किसी व्यक्ति जो अपनी दृष्टि या श्रवण की भावना खो देता है वह चीजों को एक अलग तरीके से समझ सकता है जो कभी इन भावनाओं का अनुभव नहीं किया है।

ब्रेन सिम्युलेटर II का एक महत्वपूर्ण पहलू यह है कि यह बैकप्रोपेगेशन का उपयोग नहीं करता है, इस पद्धति को अपनाने के लिए क्या तर्क है?

आपका मस्तिष्क बैकप्रोपेगेशन के बिना काम करता है, इसलिए एजीआई को इसके बिना संभव होना चाहिए। वास्तव में, बैकप्रोपेगेशन जैविक मॉडल के साथ मूल रूप से असंगत है क्योंकि यह सिनैप्स वजन को सटीकता के साथ महसूस करने और संशोधित करने में सक्षम होने पर निर्भर करता है। ब्रेन सिम्युलेटर के साथ कुछ समय के बाद, आप निष्कर्ष निकालेंगे कि सिनैप्स वजन को किसी भी डिग्री की सटीकता के साथ सेट करना बहुत मुश्किल है और सिनैप्स वजन को सटीक रूप से महसूस करना असंभव है। मूल समस्या यह है कि फायरिंग न्यूरॉन सिनैप्स वजन को संशोधित करते हैं लेकिन सिनैप्स वजन को महसूस करने का कोई तरीका नहीं है बिना न्यूरॉन्स को फायर किए, इसलिए सिनैप्स वजन को महसूस किए बिना संशोधित नहीं किया जा सकता है।

बैकप्रोपेगेशन का कोई जैविक एनालॉग नहीं है और मैं इसे एक अत्यधिक शक्तिशाली सांख्यिकीय विधि मानता हूं। बहुत से लोग इसके साथ काम कर रहे हैं, जिनमें से कुछ उत्कृष्ट परिणामों के साथ हैं। मेरा बिंदु है कि कुछ अलग दृष्टिकोणों को आजमाने के लिए। स्पाइकिंग न्यूरॉन्स को प्लग-इन सॉफ्टवेयर मॉड्यूल के साथ मिलाकर, मैं एजीआई की समस्याओं को एक अलग दृष्टिकोण से देख रहा हूं।

जब मस्तिष्क की जांच की जाती है, तो यह विकार और यादृच्छिकता की तरह लगता है, क्या यह कुछ ऐसा है जिसे हमें वास्तविक एजीआई के लिए एक सॉफ्टवेयर प्रणाली में पेश करने की आवश्यकता है?

मुझे लगता है कि नहीं। जब आप व्यक्तिगत न्यूरॉन्स और सिनैप्स को देखते हैं, तो उनका कार्य बहुत निर्धारित है, जैसे कि ट्रांजिस्टर। मस्तिष्क में, चीजें यादृच्छिक लगती हैं क्योंकि शोर का स्तर बहुत अधिक है और जानकारी के घटक किसी भी स्पष्ट क्रम में नहीं हैं। लेकिन अपनी दृष्टि पर विचार करें, आप स्पष्ट रूप से पाठ पढ़ सकते हैं और पढ़ने की प्रक्रिया में कोई विकार या यादृच्छिकता नहीं है। इसलिए, हम निष्कर्ष निकालते हैं कि कम से कम आपका दृश्य कॉर्टेक्स काफी विश्वसनीय और पुनरावृत्ति है। फिर भी, जब जांच की जाती है, तो यह मस्तिष्क के बाकी हिस्सों की तरह ही विकारपूर्ण लगता है। इसलिए, मस्तिष्क के बाकी हिस्से भी दृश्य कॉर्टेक्स की तरह ही विश्वसनीय और पुनरावृत्ति होने की संभावना है, हमें बस अभी तक संगठन और क्रम नहीं दिखाई दे रहा है। यह थोड़ा चीनी पढ़ने जैसा है, मुझे लगता है कि यह विकारपूर्ण अर्ध-यादृच्छिक चिह्न हैं, लेकिन जो व्यक्ति भाषा पढ़ सकता है वह एक绝olute संगठन है।

आप एक अवधारणा को यूनिवर्सल नॉलेज स्टोर (यूकेएस) कहते हैं, क्या आप इसे संक्षेप में चर्चा कर सकते हैं और यह महत्वपूर्ण क्यों है?

रोबोटिक्स के प्रश्न पर वापस आने पर, आप देख सकते हैं कि सामान्य बुद्धिमत्ता का एक पहलू विभिन्न इंद्रियों से ज्ञान को एकीकृत करने की क्षमता है। आप एक ब्लॉक के बारे में जानते हैं क्योंकि आप इसे देख सकते हैं, छू सकते हैं, और इसके बारे में शब्द सुन सकते हैं। यह सभी जानकारी एक ब्लॉक के बारे में है। इसलिए, एक एजीआई को समान क्षमताएं होने के लिए, यह एक सामान्य स्टोरिंग तंत्र की आवश्यकता है जो विभिन्न प्रकार की विविध जानकारी को संभाल सकता है और विभिन्न वस्तुओं के बीच उपयोगी संबंध बना सकता है। यूकेएस एक ज्ञान ग्राफ है जो बहुत ही सामान्य तरीके से है ताकि यह किसी भी प्रकार की जानकारी और किसी भी प्रकार के संबंधों को संभाल सके।

यूकेएस मेज़ एप्लिकेशन के लिए आवश्यक स्थानिक जानकारी को स्टोर कर सकता है, साथ ही साथ मेज़ को पार करने के लिए निर्णय और परिणाम पेड़ का उपयोग कर सकता है। यही संरचना शब्दों को रंगों के साथ जोड़ने के लिए उपयोग की जाती है। यह प्रकार की सामान्यता एजीआई के लिए मूलभूत है।

एजीआई के उभरने के लिए आपका समय क्षितिज क्या है?

यह कहना मुश्किल है। हमारे पास पहले से ही एजीआई के लिए आवश्यक हार्डवेयर है और मैं देखता हूं कि एक ही ब्रेकथ्रू की आवश्यकता है, और यह किसी भी समय आ सकता है। मैं उस ब्रेकथ्रू का वर्णन करने की कोशिश करूंगा:

मान लें कि यदि आपको केवल यह पता है कि लाल एक रंग है और नीला एक रंग है, तो मैं आपसे कुछ रंगों का नाम पूछ सकता हूं और आप लाल और नीला कह सकते हैं। प्रश्न यह है कि एक एजीआई कैसे सीख सकता है कि “है-एक” संबंध कुछ है। मैं आसानी से ऐसा संबंध प्रोग्राम कर सकता हूं, लेकिन फिर मेरा एजीआई नए संबंधों को सीखने में सक्षम नहीं होगा जैसे ही वे मिलते हैं। एक बच्चा निकटता / दूरी, बड़ा / छोटा, पहले / बाद में, और आगे के बारे में सीख सकता है। लेकिन वे आकार, दूरी, समय, और अधिक जैसी अधिक मूलभूत अवधारणाओं पर निर्भर करते हैं।

एक मस्तिष्क के न्यूरॉन्स का एक समूह कैसे सीख सकता है कि यह सब वास्तव में मूलभूत चीजें हैं? यह रोबोटिक्स की आवश्यकता से जुड़ा हुआ है। एक एजीआई कैसे सीख सकता है कि दूरी की अवधारणा क्या है अगर यह कहीं नहीं जा सकता है या कुछ नहीं पकड़ सकता है? यह यूनिवर्सल स्टोरेज की आवश्यकता से भी जुड़ा हुआ है। एक एजीआई कैसे समझ सकता है कि कहीं जाने का क्या मतलब है, जो स्थान और समय की अवधारणाओं को जोड़ती है? कहीं जाना अपेक्षाकृत सीधा है। समझना कि कहीं जाने का क्या अर्थ है बहुत अधिक कठिन है। मुझे लगता है कि ये वास्तव में मूलभूत प्रश्न एक ही अंतर्निहित समस्या के विभिन्न प्रकार हैं और उस समस्या का समाधान आवश्यक ब्रेकथ्रू है।

कुछ लोग इस प्रश्न पर काम कर रहे हैं, ज्यादातर इसलिए क्योंकि यह इतना मुश्किल है कि एक परियोजना को पिच करना जो वास्तव में सफल होने पर तीन साल के बाद एक तीन वर्षीय की क्षमताओं और एक दशक के बाद एक दस वर्षीय की क्षमताओं को प्राप्त करेगी। इसलिए, समाधान छोटे स्वतंत्र शोधकर्ताओं से आने की संभावना है जिनके पास समस्याओं पर काम करने के लिए समय और ऊर्जा है जिनका कोई अल्पकालिक रिटर्न नहीं है।

क्या ब्रेन सिम्युलेटर II या एजीआई के बारे में और कुछ है जो आप साझा करना चाहेंगे?

जब आप न्यूरॉन्स और सिनैप्स का उपयोग करके सर्किट डिज़ाइन करने का प्रयास करते हैं जो इन मूलभूत समस्याओं को संबोधित करते हैं, तो आप निष्कर्ष निकालते हैं कि एक अवधारणा का प्रतिनिधित्व करने के लिए कुछ दर्जन सिनैप्स की आवश्यकता नहीं है, प्रत्येक को कुछ दर्जन न्यूरॉन्स की आवश्यकता होती है। इसका मतलब है कि मस्तिष्क की क्षमता अरबों चीजों की नहीं है, जैसा कि आमतौर पर माना जाता है, लेकिन यह कुछ दस लाख या सौ लाख चीजों को समझने तक सीमित है। इस बात को ध्यान में रखते हुए, एक एजीआई जो केवल दस लाख चीजों को समझने में सक्षम है, कम से कम कुछ मूलभूत अवधारणाओं को समझने में सक्षम होना चाहिए। और एक कंप्यूटर प्रणाली जो दस लाख चीजों का प्रतिनिधित्व करती है, वह आज के हार्डवेयर के दायरे में है, शायद даже आज के डेस्कटॉप कंप्यूटर के दायरे में है।

ब्रेन सिम्युलेटर का वी1.0 रिलीज़ वास्तव में इसकी “आयु” है। इसमें अब वह क्षमता और पॉलिश किया गया यूआई है जो इसे एक अधिक सामान्य शोध दर्शकों के लिए बहुत अधिक उपयोगी बनाता है। यह एक समुदाय परियोजना है जिसमें एक बढ़ती विकास टीम और एक बड़ा उपयोगकर्ता निकाय है। हम एक साथ कई नए विचारों को आजमाएंगे और बुद्धिमत्ता और एजीआई के मूलभूत प्रश्नों पर प्रगति करेंगे।

साक्षात्कार के लिए धन्यवाद, यह हमेशा एजीआई पर चर्चा करना अच्छा लगता है। पाठक जो अधिक जानना चाहते हैं उन्हें पुस्तक ब्रेन सिम्युलेटर II पढ़नी चाहिए।