ชาร์ลส์ ไซมอน ผู้เขียน Brain Simulator II – สัมภาษณ์ซีรีส์

ชาร์ลส์ ไซมอน เป็นผู้เขียน Brain Simulator II ซึ่งเป็นหนังสือที่เกี่ยวข้องกับ Brain Simulator II ซอฟต์แวร์โครงการโอเพ่นซอร์สที่มีเป้าหมายในการสร้างระบบปัญญาประดิษฐ์ทั่วไป (AGI)

ซอฟต์แวร์ Brain Simulator ต้นฉบับถูกปล่อยออกมาในปี 1988 ซึ่งเป็นเวลานานมากในโลกของซอฟต์แวร์ Brain Simulator II มีการพัฒนามากเพียงใดเมื่อเทียบกับรุ่นก่อนหน้า?

ระบบปัจจุบันเร็วขึ้นกว่าเดิมถึงหนึ่งล้านเท่า ซอฟต์แวร์ต้นฉบับถูกเขียนด้วยภาษา FORTRAN และทำงานบน IBM AT clone โดยมีสมองเทียม 1,200 ตัวและคำนวณได้ประมาณสองรอบต่อวินาที ระบบปัจจุบันสามารถทำงานบนเครือข่ายและประมวลผลได้ 2.5 พันล้านสัญญาณต่อวินาทีบน CPU เดสก์ท็อปที่มีประสิทธิภาพ

หนังสือเล่มนี้เกี่ยวกับ Brain Simulator II ซึ่งเป็นโครงการซอฟต์แวร์โอเพ่นซอร์สที่มีเป้าหมายในการสร้างปัญญาประดิษฐ์ทั่วไป คุณต้องมีประสบการณ์ในการเขียนโค้ดเพียงใดจึงจะสามารถใช้ซอฟต์แวร์นี้ได้?

ไม่ต้องการประสบการณ์ใดๆ หากคุณไม่ใช่นักเขียนโค้ด คุณสามารถใช้เวลาในการเรียนรู้เกี่ยวกับ Brain Simulator และเข้าใจถึงความสามารถและข้อจำกัดของสมองเทียม คุณยังสามารถสร้างเครือข่ายที่มีข้อจำกัดของคุณเองได้ หากคุณเป็นนักเขียนโค้ด คุณจะสามารถเข้าใจถึงคำอธิบายทางเทคนิคที่ลึกซึ้งยิ่งขึ้นและสร้างโมดูลของคุณเองเพื่อขยายระบบให้ครอบคลุมกลยุทธ์ AGI ที่ซับซ้อนมากขึ้น

ทำไมการกลับไปสู่รากฐานทางชีววิทยาของ AI จึงสำคัญต่อการบรรลุปัญญาประดิษฐ์ทั่วไป?

ในช่วงทศวรรษ 1980 มีการคิดว่าหากเราสามารถสร้างเครือข่ายประสาทเทียมที่ใหญ่พอที่จะกลายเป็นปัญญาประดิษฐ์ได้โดยอัตโนมัติ แต่ในช่วงสี่สิบปีที่ผ่านมา ความเป็นไปได้นี้ได้ลดลงอย่างมาก ดังนั้น หากแนวทาง AI แบบดั้งเดิมไม่ได้ผลสำหรับ AGI เราควรลองแนวทางอื่น และรูปแบบ AGI ที่ทำงานได้เพียงอย่างเดียวที่เรามีคือสมองมนุษย์

ในขณะเดียวกัน ไม่มีเหตุผลที่จะยึดมั่นในความเป็นไปได้ทางชีววิทยาอย่างเคร่งครัด ตัวอย่างเช่น เรารู้ว่าสมองของเราสามารถประมาณระยะทางถึงวัตถุได้โดยอาศัยความแตกต่างเล็กน้อยในภาพที่ได้รับจากตาทั้งสอง ซึ่งเป็นพื้นฐานสำหรับภาพยนตร์ 3 มิติ แต่เรายังไม่ทราบว่าสิ่งนี้ทำงานอย่างไรในสมอง ดังนั้น ฉันจึงเขียนฟังก์ชันนี้ในโมดูลที่ประมาณระยะทางโดยใช้ตรีโกณมิติเพียงไม่กี่บรรทัด เราสามารถมั่นใจได้ว่าสมองของคุณไม่ทำงานในลักษณะนี้ แต่วิธีการตรีโกณมิติน่าจะเร็วกว่าและแม่นยำกว่า

คุณระบุในหนังสือว่า AGI ต้องการหุ่นยนต์ ทำไมสิ่งนี้จึงสำคัญ?

ลองพิจารณาว่าคุณพยายามอธิบายสีให้กับคนตาบอดหรือดนตรีให้กับคนหูหนวก หาก AGI ที่มีศักยภาพเป็นเพียงโปรแกรมบนคอมพิวเตอร์ มันจะเข้าใจสิ่งที่เด็กสามขวบเข้าใจได้อย่างไร เด็กมีมุมมองและอยู่ในความเป็นจริง เด็กรู้ว่าวัตถุอยู่ในความเป็นจริงและวัตถุหลายชิ้นสามารถจัดการได้ โดยการเล่นด้วยบล็อก เด็กสามารถเรียนรู้เกี่ยวกับรูปร่าง ขนาด ความแข็งแกร่ง ความโน้มถ่วง การบดบังทางภาพ ระยะทาง และอื่นๆ ด้วยการเคลื่อนที่ อุปกรณ์ตรวจจับ และการควบคุม หุ่นยนต์ AGI สามารถเรียนรู้เกี่ยวกับความเป็นจริงในระดับพื้นฐานมากกว่าโปรแกรมที่พึ่งพาข้อมูลข้อความและภาพเพียงอย่างเดียว

หลังจากที่หุ่นยนต์ AGI ได้รับความรู้พื้นฐานเกี่ยวกับวัตถุในความเป็นจริง ความรู้นี้สามารถถูกโคลนไปยังเครื่องจักรคิดที่ไม่ใช่หุ่นยนต์ และความเข้าใจจะยังคงอยู่ เช่นเดียวกับบุคคลที่สูญเสียการรู้สึกเห็นหรือการได้ยินสามารถเข้าใจสิ่งต่างๆ ในรูปแบบที่แตกต่างจากผู้ที่ไม่เคยสูญเสียการรู้สึกเหล่านี้มาก่อน

คุณไม่ใช้การกลับไปข้างหน้า (backpropagation) ใน Brain Simulator II ซึ่งเป็นเหตุผลที่ไม่สนับสนุนการนำแนวทางนี้มาใช้?

สมองของคุณทำงานโดยไม่ต้องใช้การกลับไปข้างหน้า ดังนั้น AGI จึงต้องเป็นไปได้โดยไม่ต้องใช้การกลับไปข้างหน้า ในความเป็นจริง การกลับไปข้างหน้าไม่เข้ากันกับแบบจำลองทางชีววิทยา เนื่องจากต้องอาศัยความสามารถในการรับรู้และปรับเปลี่ยนน้ำหนักของสัญญาณประสาทด้วยความแม่นยำสูง หลังจากใช้เวลาในการทำงานกับ Brain Simulator คุณจะสรุปได้ว่าการกำหนดค่าน้ำหนักของสัญญาณประสาทด้วยความแม่นยำใดๆ นั้นยากมาก และการตรวจจับค่าน้ำหนักของสัญญาณประสาทนั้นเป็นไปไม่ได้

การกลับไปข้างหน้าไม่มีแบบจำลองทางชีววิทยา และฉันถือว่าเป็นวิธีการทางสถิติที่มีพลังมาก มีหลายคนกำลังทำงานกับมัน โดยมีผลลัพธ์ที่ดี ฉันพยายามที่จะลองแนวทางที่แตกต่าง โดยใช้สมองเทียมที่กระตุกและโมดูลซอฟต์แวร์แบบปลั๊กอิน ฉันกำลังมองหาปัญหา AGI จากมุมมองที่แตกต่าง

เมื่อสมองถูกตรวจสอบ มันจะดูไม่เป็นระเบียบและไม่แน่นอน ควรนำสิ่งนี้มาใช้กับระบบซอฟต์แวร์เพื่อให้ AGI เกิดขึ้นหรือไม่?

ฉันไม่คิดว่าเช่นนั้น เมื่อดูสมองเทียมและเซลล์ประสาทแต่ละตัว ฟังก์ชันการทำงานของมันค่อนข้างจะแน่นอน เช่นเดียวกับทรานซิสเตอร์ ในสมอง สิ่งต่างๆ ดูเหมือนจะไม่เป็นระเบียบเนื่องจากระดับเสียงรบกวนมากและองค์ประกอบข้อมูลไม่ได้อยู่ในลำดับที่ชัดเจน แต่ลองพิจารณาการมองเห็นของคุณ คุณสามารถอ่านข้อความได้อย่างชัดเจนและมีระเบียบ ไม่มีความไม่เป็นระเบียบหรือความไม่แน่นอนในการอ่านข้อความ ดังนั้นเราจึงสรุปได้ว่าสมองของคุณมีความน่าเชื่อถือและทำซ้ำได้ แต่เมื่อตรวจสอบ มันจะดูไม่เป็นระเบียบเหมือนกับส่วนอื่นๆ ของสมอง

คุณแนะนำแนวคิดที่เรียกว่า Universal Knowledge Store (UKS) คุณสามารถอธิบายสิ่งนี้และความสำคัญของมันได้หรือไม่?

เมื่อนึกถึงคำถามเกี่ยวกับหุ่นยนต์ คุณจะเห็นว่าหนึ่งในด้านของปัญญาประดิษฐ์ทั่วไปคือความสามารถในการรวมความรู้จากประสาทสัมผัสต่างๆ คุณรู้เกี่ยวกับบล็อกเพราะคุณสามารถมองเห็น มันสัมผัส และได้ยินคำพูดเกี่ยวกับมัน ทั้งหมดนี้แสดงถึงข้อมูลเกี่ยวกับบล็อก ดังนั้น สำหรับ AGI ที่จะมีความสามารถที่คล้ายคลึงกัน มันจะต้องมีกลไกการจัดเก็บความรู้ทั่วไปที่สามารถจัดการข้อมูลที่แตกต่างกันและสร้างความสัมพันธ์ที่มีประโยชน์ระหว่างสิ่งต่างๆ UKS เป็นกราฟความรู้ในลักษณะที่กว้างขวางเพื่อให้สามารถจัดการข้อมูลใดๆ และความสัมพันธ์ใดๆ

UKS สามารถจัดเก็บข้อมูลเชิงพื้นที่ที่จำเป็นสำหรับการใช้งานเมซพร้อมกับแผนการตัดสินใจและผลลัพธ์ที่ใช้ในการเดินทางผ่านเมซเพื่อให้บรรลุเป้าหมาย โครงสร้างเดียวกันนี้ใช้เพื่อเชื่อมโยงคำศัพท์กับสี ประเภทของความสัมพันธ์นี้เป็นพื้นฐานสำหรับ AGI

คุณมีระยะเวลาที่คาดหวังสำหรับ AGI ที่จะเกิดขึ้นหรือไม่?

ยากที่จะบอก เราได้ฮาร์ดแวร์ที่จำเป็นสำหรับ AGI แล้ว และฉันเห็นว่าความสำเร็จครั้งเดียวที่ต้องการคือการทำลายล้าง และมันอาจเกิดขึ้นได้ทุกเมื่อ

ลองพิจารณาว่าหากคุณรู้เพียงว่าสีแดงเป็นสีและสีน้ำเงินเป็นสี ฉันสามารถถามคุณชื่อสีและคุณสามารถตอบว่าสีแดงและสีน้ำเงินได้ คำถามคือว่า AGI จะเรียนรู้ว่าความสัมพันธ์ “เป็นสี” คืออะไรได้อย่างไร ฉันสามารถเขียนโค้ดความสัมพันธ์นี้ได้ง่ายๆ แต่แล้ว AGI ของฉันจะไม่สามารถเรียนรู้ความสัมพันธ์ใหม่ๆ ที่พบได้ เด็กสามารถเรียนรู้เกี่ยวกับความสัมพันธ์ของใกล้/ไกล hơn ใหญ่/เล็กกว่า ก่อน/หลัง และอื่นๆ แต่สิ่งเหล่านี้ต้องอาศัยแนวคิดพื้นฐานมากกว่านั้น เช่น ขนาด ระยะทาง เวลา และอื่นๆ

AGI จะเรียนรู้แนวคิดพื้นฐานเหล่านี้ได้อย่างไร นี่เชื่อมโยงกับความต้องการหุ่นยนต์ AGI จะเรียนรู้แนวคิดระยะทางได้อย่างไรหากไม่สามารถไปที่ไหนหรือเอาสิ่งใดมาได้ นี่ยังเชื่อมโยงกับความต้องการจัดเก็บความรู้ทั่วไป AGI จะเข้าใจการไปที่ไหนซึ่งรวมถึงแนวคิดที่เกี่ยวกับตำแหน่งและเวลาได้อย่างไร การไปที่ไหนค่อนข้างตรงไปตรงมา แต่การทำความเข้าใจว่าการไปที่ไหนหมายถึงอะไรเป็นเรื่องที่ยากกว่ามาก ฉันเชื่อว่าปัญหาเหล่านี้ทั้งหมดเป็นเพียงการแสดงออกมาของปัญหาเดียวกัน และการแก้ปัญหาเหล่านั้นคือความสำเร็จที่จำเป็น

ไม่มีใครทำงานเกี่ยวกับปัญหานี้มากนัก เนื่องจากเป็นเรื่องที่ยากมากที่จะเสนอโครงการที่ถ้าประสบความสำเร็จจริงๆ จะมีความสามารถเทียบเท่ากับเด็กสามขวบหลังจากสามปี และมีความสามารถเทียบเท่ากับเด็กสิบขวบหลังจากสิบปี ดังนั้น การแก้ปัญหาก็น่าจะมาจากนักวิจัยอิสระขนาดเล็กที่มีเวลาและพลังงานในการอุทิศให้กับปัญหาที่ไม่มีผลตอบแทนในระยะสั้น

คุณต้องการแบ่งปันอะไรเกี่ยวกับ Brain Simulator II หรือ AGI โดยทั่วไปหรือไม่?

เมื่อคุณพยายามใช้สมองเทียมและเซลล์ประสาทเพื่อออกแบบวงจรที่แก้ไขปัญหาเหล่านี้ คุณจะสรุปได้ว่าแทนที่จะแสดงแนวคิดโดยใช้เซลล์ประสาทและเซลล์ประสาทเพียงไม่กี่สิบตัว แต่ละแนวคิดต้องใช้เซลล์ประสาทหลายสิบตัว ซึ่งหมายความว่าแทนที่จะความจุของสมองที่หลายพันล้านสิ่งเช่นที่คิดกันโดยทั่วไป มันจำกัดอยู่ที่การเข้าใจสิ่งต่างๆ เพียงหลายสิบหรือหลายร้อยล้านสิ่ง เมื่อพิจารณาเรื่องนี้แล้ว AGI ที่กำลังพัฒนาซึ่งสามารถเข้าใจสิ่งต่างๆ ได้เพียงสิบล้านสิ่งควรจะสามารถเข้าใจแนวคิดพื้นฐานบางส่วนได้ และระบบคอมพิวเตอร์ที่แสดงถึงสิบล้านสิ่งนั้นอยู่ภายในขอบเขตของฮาร์ดแวร์ในปัจจุบัน อาจจะแม้กระทั่งเดสก์ท็อปคอมพิวเตอร์ในปัจจุบัน

การเปิดตัว V1.0 ของ Brain Simulator จริงๆ แล้วเป็นการ “เติบโต” ของมัน มัน现在มีความสามารถและอินเทอร์เฟซผู้ใช้ที่ดีขึ้นซึ่งทำให้มันมีประโยชน์มากขึ้นสำหรับผู้วิจัยโดยทั่วไป เป็นโครงการร่วมกับทีมพัฒนาที่กำลังเติบโตและผู้ใช้สิ้นเปลืองที่ใหญ่ขึ้น เราจะทดลองแนวคิดใหม่ๆ มากมายและก้าวหน้าในบางคำถามพื้นฐานเกี่ยวกับปัญญาและ AGI

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม มัน luônเป็นเรื่องที่ให้ข้อมูลเมื่อพูดคุยเกี่ยวกับ AGI กับคุณ ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้โดยการอ่านหนังสือ Brain Simulator II