Charles Simon, Autor de Brain Simulator II – Série de Entrevistas

Charles Simon é o autor de Brain Simulator II, um livro companheiro do Brain Simulator II, um projeto de software de código aberto e gratuito que visa criar um sistema de Inteligência Artificial Geral (AGI) de ponta a ponta

O software Brain Simulator original foi lançado em 1988, um tempo enorme no mundo do software. Qual é o salto forward do Brain Simulator II em comparação com seu antecessor?

O sistema de hoje é mais de um milhão de vezes mais rápido. O original foi escrito em FORTRAN, rodava em um clone do IBM AT, suportava uma matriz fixa de 1.200 neurônios e calculava cerca de dois ciclos por segundo. O programa de hoje pode rodar em uma rede e processar 2,5 bilhões de sinapses por segundo em um processador de desktop poderoso.

Este livro é sobre o Brain Simulator II, um projeto de software de código aberto que visa criar inteligência artificial de ponta a ponta, que tipo de experiência em programação é necessária para executar este software?

Nenhuma experiência é necessária. Se você não é um programador, pode passar tempo com o Brain Simulator e sair com uma compreensão das capacidades e limitações dos neurônios, um pouco sobre representação de conhecimento e até construir suas próprias redes limitadas. Se você é um programador, seguirá as explicações técnicas mais aprofundadas e construirá seus próprios módulos para estender o sistema para estratégias de AGI mais avançadas.

Por que retornar às raízes biologicamente inspiradas da IA é importante para alcançar a AGI?

Nos anos 80, o pensamento era que se pudéssemos apenas construir uma rede neural grande o suficiente, ela se tornaria espontaneamente inteligente. Ao longo dos quarenta anos subsequentes, esse cenário se tornou cada vez mais implausível. Então, se as abordagens clássicas de IA não deram certo para a AGI, vamos olhar para algumas abordagens diferentes, e o único modelo de AGI funcionando que temos é o cérebro humano.

Ao mesmo tempo, não há razão para aderir rigidamente à plausibilidade biológica. Por exemplo, sabemos que nossos cérebros podem estimar distâncias para objetos com base em diferenças sutis nas imagens recebidas por nossos dois olhos, a base para filmes 3D. Não sabemos como isso funciona no cérebro, então, em vez disso, eu programei essa funcionalidade em um módulo que estima distâncias usando algumas linhas de trigonometria. Podemos ter certeza de que o seu cérebro não funciona dessa maneira, mas a abordagem trigonométrica é provavelmente mais rápida e precisa.

Você afirma no livro que uma AGI requer robótica, por que isso é tão importante?

Considere tentar explicar cor para uma pessoa cega ou música para uma pessoa surda. Se uma AGI prospectiva é apenas um programa em um computador, como ela pode obter uma compreensão básica de coisas que qualquer criança de três anos sabe? A criança tem um ponto de vista e está cercada pela realidade. A criança sabe que objetos existem nessa realidade e que muitos deles podem ser manipulados. Ao brincar com blocos, uma criança pode aprender sobre forma, tamanho, solidez, gravidade, oclusão visual, distância e muito mais. Com movimento autônomo, visão e manipuladores, uma AGI pode aprender sobre a realidade em um nível mais fundamental do que qualquer programa que dependa apenas de montanhas de dados de texto e imagem.

Depois que uma AGI robótica adquire uma compreensão fundamental de objetos na realidade, esse conhecimento pode ser clonado em máquinas de pensamento não robóticas e a compreensão persistirá. Assim como alguém que perde os sentidos da visão ou audição pode entender coisas de uma maneira diferente de alguém que nunca teve esses sentidos.

Um aspecto importante do Brain Simulator II é que ele não usa backpropagation, qual é a razão para não adotar essa metodologia?

Seu cérebro opera sem backpropagation, então a AGI deve ser possível sem ela. Na verdade, a backpropagation é fundamentalmente incompatível com um modelo biológico porque depende da capacidade de sentir e modificar os pesos das sinapses com precisão considerável. Depois de algum tempo com o Brain Simulator, você concluirá que definir os pesos das sinapses com qualquer grau de precisão é muito difícil e sentir com precisão o que esses pesos das sinapses são é impossível. O problema fundamental é que neurônios que disparam modificam os pesos das sinapses, mas não há como detectar um peso de sinapse sem disparar neurônios, então um peso de sinapse não pode ser sentido sem ser modificado.

A backpropagation não tem um análogo biológico e considero que seja um método estatístico extremamente poderoso. Muitas pessoas estão trabalhando com ele, algumas com resultados excelentes. Meu ponto é tentar abordagens diferentes. Ao usar neurônios que disparam combinados com módulos de software plug-in, estou olhando para os problemas da AGI de uma perspectiva diferente.

Quando o cérebro é sondado, parece haver desordem e aleatoriedade, é algo que precisamos introduzir em um sistema de software para que a AGI verdadeira surja?

Não acho que sim. Quando você olha para os neurônios e sinapses individuais, sua função é quite determinística, assim como o transistor. No cérebro, as coisas parecem aleatórias porque os níveis de ruído são bastante altos e os componentes de informação não estão em nenhuma ordem aparente. Mas considere sua visão, você pode ler texto com clareza e não há desordem ou aleatoriedade no processo de leitura. Então, concluímos que, pelo menos, seu córtex visual é razoavelmente confiável e repetível. No entanto, quando sondado, parece tão desordenado quanto o resto do cérebro. Então, o resto do cérebro provavelmente é tão confiável e repetível quanto o córtex visual, apenas não vemos a organização e a ordem ainda. É um pouco como ler chinês, para mim são marcas semi-aleatórias e desordenadas, mas para alguém que pode ler a linguagem, há uma organização absoluta. Apenas não podemos ler a linguagem interna do cérebro ainda.

Você introduz um conceito chamado de Armazenamento de Conhecimento Universal (UKS), poderia discutir brevemente o que é e por que isso é importante?

Pensando na pergunta sobre robótica, você pode ver que um aspecto da inteligência geral é a capacidade de integrar conhecimento de vários sentidos. Você sabe sobre um bloco porque pode vê-lo, tocá-lo e ouvir palavras sobre ele. Tudo isso representa informações sobre um bloco. Então, para uma AGI ter habilidades semelhantes, ela deve ter um mecanismo de armazenamento geral que possa lidar com uma ampla variedade de informações disparates e criar relacionamentos úteis entre os vários itens. O UKS é um grafo de conhecimento de uma maneira muito geral para que possa lidar com QUALQUER tipo de informação e QUALQUER tipos de relacionamentos.

O UKS pode armazenar as informações espaciais necessárias para a aplicação do labirinto, juntamente com a árvore de decisão e resultado usada para atravessar o labirinto para alcançar um objetivo. A mesma estrutura é usada para associar palavras com cores. Esse tipo de generalidade é fundamental para a AGI.

Qual é seu horizonte de tempo para a AGI surgir?

É difícil dizer. Já temos o hardware necessário para a AGI e vejo que uma única descoberta é tudo o que é necessário, e ela pode vir a qualquer momento. Vou tentar descrever essa descoberta:

Considere que, se tudo o que você sabe é que vermelho é-uma cor e azul é-uma cor, posso pedir que você nomeie algumas cores e você pode dizer vermelho e azul. A pergunta é, como uma AGI pode aprender que a relação “é-uma” é algo. Eu poderia programar facilmente essa relação, mas então minha AGI não poderá aprender novas relações à medida que elas são encontradas. Uma criança pode aprender sobre relações de mais perto/mais longe, maior/menor, mais cedo/mais tarde, antes/depois e muito mais. Mas essas dependem de conceitos ainda mais fundamentais de tamanho, distância, tempo e mais.

Como um cérebro cheio de neurônios pode aprender todas essas coisas realmente fundamentais? Isso se liga à necessidade de robótica. Como uma AGI pode aprender o conceito de distância se ela não pode ir a lugar nenhum ou alcançar nada? Isso também se liga à necessidade de armazenamento universal. Como uma AGI pode compreender ir a algum lugar, o que combina os conceitos de localização e tempo? Ir a algum lugar é relativamente direto. Entender o que significa ir a algum lugar é muito mais difícil. Acredito que essas questões realmente fundamentais são todas manifestações do mesmo problema subjacente e a solução para esse problema é a descoberta necessária.

Não muitas pessoas estão trabalhando nessa questão, principalmente porque é tão difícil apresentar um projeto que, se verdadeiramente bem-sucedido, terá as capacidades de uma criança de três anos após três anos, e as capacidades de uma criança de dez anos após uma década. Então, a solução provavelmente virá de pesquisadores independentes menores que têm o tempo e a energia para se dedicar a problemas com nenhum retorno de curto prazo.

Há algo mais que você gostaria de compartilhar sobre o Brain Simulator II ou a AGI em geral?

Quando você tenta usar neurônios e sinapses para projetar circuitos que abordem esses problemas fundamentais, você conclui que, em vez de um conceito ser representado por algumas dezenas de sinapses, cada um requer algumas dezenas de neurônios. Isso significa que, em vez da capacidade do cérebro serem muitos bilhões de coisas, como é comumente mantido, ela é limitada a compreender dezenas ou centenas de milhões de coisas. Com isso em mente, uma AGI nascente que possa compreender apenas dez milhões de coisas deve, pelo menos, ser capaz de captar alguns desses conceitos fundamentais. E um sistema de computador que representa dez milhões de coisas está bem dentro do escopo do hardware de hoje, talvez até do computador de mesa de hoje.

A versão 1.0 do Brain Simulator é realmente sua “maioridade”. Ele agora tem a capacidade e a interface de usuário polida que o tornam muito mais útil para uma audiência de pesquisa mais geral. É um projeto de comunidade com uma equipe de desenvolvimento em crescimento e um corpo maior de usuários finais. Juntos, vamos tentar muitas novas ideias e fazer progressos em algumas das questões fundamentais da inteligência e da AGI.

Obrigado pela grande entrevista, é sempre esclarecedor discutir AGI com você. Os leitores que desejam aprender mais devem ler o livro Brain Simulator II.