Charles Simon, Tác giả của Brain Simulator II – Loạt phỏng vấn

Charles Simon là Tác giả của Brain Simulator II, một cuốn sách đi kèm với Brain Simulator II, một dự án phần mềm mã nguồn mở miễn phí nhằm tạo ra một hệ thống Trí tuệ nhân tạo tổng quát (AGI) từ đầu đến cuối

Phần mềm Brain Simulator ban đầu được phát hành vào năm 1988, một khoảng thời gian rất dài trong thế giới phần mềm. Brain Simulator II tiến bộ đến đâu so với người tiền nhiệm của nó?

Hệ thống ngày nay nhanh hơn hơn một triệu lần. Bản gốc được viết bằng FORTRAN, chạy trên một bản sao IBM AT, hỗ trợ một mảng cố định gồm 1.200 nơ-ron và tính toán khoảng hai chu kỳ mỗi giây. Chương trình ngày nay có thể chạy trên mạng và xử lý 2,5 tỷ synapse mỗi giây trên một CPU máy tính để bàn mạnh.

Cuốn sách này nói về Brain Simulator II, một dự án phần mềm mã nguồn mở nhằm tạo ra trí tuệ nhân tạo từ đầu đến cuối, loại kinh nghiệm lập trình nào cần thiết để chạy phần mềm này?

Không cần kinh nghiệm. Nếu bạn không phải là lập trình viên, bạn có thể dành thời gian với Brain Simulator và đi away với sự hiểu biết về khả năng và giới hạn của nơ-ron, một chút về đại diện kiến thức và thậm chí xây dựng mạng lưới hạn chế của riêng bạn. Nếu bạn là lập trình viên, bạn sẽ theo dõi các giải thích kỹ thuật sâu hơn và xây dựng mô-đun của riêng bạn để mở rộng hệ thống sang các chiến lược AGI tiên tiến hơn.

Tại sao quay lại những gốc rễ sinh học của AI lại quan trọng để đạt được AGI?

Vào những năm 1980, cách nghĩ là nếu chúng ta có thể xây dựng một mạng nơ-ron đủ lớn, nó sẽ tự động trở nên thông minh. Trong bốn mươi năm qua, kịch bản này đã trở nên ngày càng không hợp lý. Vì vậy, nếu các cách tiếp cận AI cổ điển không hiệu quả cho AGI, hãy cùng xem xét một số cách tiếp cận khác, và mô hình AGI hoạt động duy nhất mà chúng ta có là não bộ con người.

Đồng thời, không có lý do để tuân thủ nghiêm ngặt tính sinh học. Ví dụ, chúng ta biết rằng não của chúng ta có thể ước tính khoảng cách đến các vật thể dựa trên sự khác biệt nhỏ trong hình ảnh nhận được từ hai mắt, cơ sở cho các bộ phim 3D. Chúng ta không biết nó hoạt động như thế nào trong não, vì vậy thay vào đó, tôi đã lập trình chức năng này trong một mô-đun ước tính khoảng cách bằng một vài dòng lượng giác. Chúng ta có thể khá chắc chắn rằng não của bạn không hoạt động theo cách này, nhưng cách tiếp cận lượng giác có thể nhanh hơn và chính xác hơn.

Bạn tuyên bố trong cuốn sách rằng AGI cần robot, điều này quan trọng như thế nào?

Hãy xem xét việc cố gắng giải thích màu sắc cho một người mù hoặc âm nhạc cho một người điếc. Nếu một AGI tiềm năng chỉ là một chương trình trên máy tính, làm thế nào nó có thể có sự hiểu biết cơ bản về những thứ mà bất kỳ đứa trẻ three tuổi nào cũng biết? Đứa trẻ có một điểm nhìn và được bao quanh bởi thực tế. Đứa trẻ biết rằng các vật thể tồn tại trong thực tế đó và nhiều vật thể trong số đó có thể được thao tác. Bằng cách chơi với các khối, một đứa trẻ có thể học về hình dạng, kích thước, độ rắn, trọng lực, che khuất hình ảnh, khoảng cách và nhiều hơn nữa. Với chuyển động tự chủ, tầm nhìn và các bộ phận thao tác, một AGI có thể học về thực tế ở mức cơ bản hơn bất kỳ chương trình nào chỉ dựa trên lượng lớn dữ liệu văn bản và hình ảnh.

Sau khi một AGI robot có được sự hiểu biết cơ bản về thực tế, kiến thức đó có thể được nhân bản vào các máy tính không phải robot và sự hiểu biết sẽ vẫn tồn tại. Giống như một người mất thị giác hoặc thính giác có thể hiểu những thứ theo cách khác với người chưa từng có những giác quan này.

Một khía cạnh quan trọng của Brain Simulator II là nó không sử dụng backpropagation, lý do cho việc không áp dụng phương pháp này là gì?

Não của bạn hoạt động mà không cần backpropagation, vì vậy AGI phải có thể thực hiện được mà không cần nó. Trên thực tế, backpropagation không tương thích với mô hình sinh học vì nó dựa trên khả năng cảm nhận và sửa đổi trọng số synapse với độ chính xác đáng kể. Sau một thời gian với Brain Simulator, bạn sẽ kết luận rằng việc đặt trọng số synapse với bất kỳ độ chính xác nào là rất khó và việc cảm nhận chính xác những gì trọng số synapse là không thể. Vấn đề cơ bản là nơ-ron hoạt động sửa đổi trọng số synapse, nhưng không có cách nào để phát hiện trọng số synapse mà không hoạt động nơ-ron, vì vậy trọng số synapse không thể được cảm nhận mà không sửa đổi nó.

Backpropagation không có tương đương sinh học và tôi coi nó là một phương pháp thống kê mạnh mẽ. Nhiều người đang làm việc với nó, một số với kết quả xuất sắc. Điểm của tôi là hãy thử các cách tiếp cận khác. Bằng cách sử dụng nơ-ron nhấp nháy kết hợp với mô-đun phần mềm có thể cắm vào, tôi đang xem xét các vấn đề của AGI từ một góc độ khác.

Khi não bộ được thăm dò, dường như có sự vô tổ chức và ngẫu nhiên, chúng ta có cần giới thiệu điều này vào một hệ thống phần mềm để AGI thực sự xuất hiện không?

Tôi không nghĩ vậy. Khi bạn nhìn vào các nơ-ron và synapse riêng lẻ, chức năng của chúng khá quyết định, cũng như transistor. Trong não, mọi thứ trông ngẫu nhiên vì mức độ nhiễu khá cao và các thành phần thông tin không nằm trong bất kỳ thứ tự rõ ràng nào. Nhưng hãy xem xét tầm nhìn của bạn, bạn có thể đọc văn bản với sự rõ ràng và không có sự vô tổ chức hoặc ngẫu nhiên trong quá trình đọc. Vì vậy, chúng ta kết luận rằng, ít nhất, vỏ não thị giác của bạn khá đáng tin cậy và lặp lại. Nhưng khi được thăm dò, nó trông vừa như vô tổ chức như phần còn lại của não. Vì vậy, phần còn lại của não có thể cũng đáng tin cậy và lặp lại như vỏ não thị giác, chúng ta chỉ chưa nhìn thấy tổ chức và trật tự yet. Điều này giống như đọc tiếng Trung, đối với tôi, đó là những dấu vết ngẫu nhiên không có tổ chức, nhưng đối với người có thể đọc ngôn ngữ, có một tổ chức tuyệt đối. Chúng ta chỉ chưa thể đọc ngôn ngữ nội bộ của não yet.

Bạn giới thiệu một khái niệm gọi là Kho lưu trữ Kiến thức Toàn cầu (UKS), bạn có thể thảo luận ngắn gọn về điều này và tại sao nó lại quan trọng không?

Nhìn lại câu hỏi về robot, bạn có thể thấy rằng một khía cạnh của trí tuệ tổng quát là khả năng tích hợp kiến thức từ các giác quan khác nhau. Bạn biết về một khối vì bạn có thể nhìn thấy nó, chạm vào nó và nghe những từ về nó. Tất cả điều này đại diện cho thông tin về một khối. Vì vậy, để một AGI có khả năng tương tự, nó phải có một cơ chế lưu trữ chung có thể xử lý nhiều loại thông tin khác nhau và tạo ra các mối quan hệ hữu ích giữa các mục khác nhau. UKS là một đồ thị kiến thức theo cách rất chung để nó có thể xử lý BẤT KỲ loại thông tin và BẤT KỲ loại mối quan hệ.

UKS có thể lưu trữ thông tin không gian cần thiết cho ứng dụng mê cung cùng với cây quyết định và kết quả được sử dụng để đi qua mê cung và đạt được mục tiêu. Cấu trúc相同 được sử dụng để liên kết từ với màu sắc. Loại tính tổng quát này là cơ bản cho AGI.

Thời gian biểu của bạn cho AGI xuất hiện là gì?

Điều này khó nói. Chúng ta đã có phần cứng cần thiết cho AGI và tôi thấy rằng chỉ cần một đột phá là đủ, và nó có thể đến vào bất kỳ lúc nào. Hãy để tôi cố gắng mô tả đột phá đó:

Hãy xem xét rằng nếu tất cả những gì bạn biết là màu đỏ là một màu và màu xanh là một màu, tôi có thể hỏi bạn tên một số màu và bạn có thể nói màu đỏ và màu xanh. Câu hỏi là, làm thế nào một AGI có thể học rằng mối quan hệ “là một” là gì. Tôi có thể lập trình mối quan hệ như vậy một cách dễ dàng, nhưng sau đó AGI của tôi sẽ không thể học các mối quan hệ mới khi chúng được gặp phải. Một đứa trẻ có thể học về các mối quan hệ gần hơn / xa hơn, lớn hơn / nhỏ hơn, sớm hơn / muộn hơn, trước / sau và nhiều hơn nữa. Nhưng những điều này dựa trên các khái niệm cơ bản hơn về kích thước, khoảng cách, thời gian và nhiều hơn nữa.

Làm thế nào một cái đầu đầy nơ-ron có thể học tất cả những thứ cơ bản này? Điều này liên quan đến nhu cầu về robot. Làm thế nào một AGI có thể học khái niệm khoảng cách nếu nó không thể đi bất kỳ nơi nào hoặc với bất kỳ thứ gì? Điều này cũng liên quan đến nhu cầu về lưu trữ chung. Làm thế nào một AGI có thể hiểu việc đi đến một nơi nào đó kết hợp các khái niệm về vị trí và thời gian? Việc đi đến một nơi nào đó tương đối thẳng forward. Hiểu những gì có nghĩa là đi đến một nơi nào đó là nhiều hơn nữa khó khăn. Tôi tin rằng những câu hỏi cơ bản này đều là những biểu hiện của cùng một vấn đề cơ bản và giải pháp cho vấn đề đó là đột phá cần thiết.

Không nhiều người đang làm việc về câu hỏi này, chủ yếu vì nó rất khó để trình bày một dự án mà, nếu thực sự thành công, sẽ có khả năng của một đứa trẻ three tuổi sau ba năm, và khả năng của một đứa trẻ mười tuổi sau một thập kỷ. Vì vậy, giải pháp có thể đến từ các nhà nghiên cứu độc lập nhỏ hơn, những người có thời gian và năng lượng để dành cho các vấn đề không có lợi nhuận ngắn hạn.

Có điều gì khác mà bạn muốn chia sẻ về Brain Simulator II hoặc AGI nói chung không?

Khi bạn cố gắng sử dụng nơ-ron và synapse để thiết kế mạch giải quyết các vấn đề cơ bản này, bạn kết luận rằng thay vì một khái niệm được đại diện bởi một vài chục synapse, mỗi khái niệm đòi hỏi một vài chục nơ-ron. Điều này có nghĩa là thay vì khả năng của não là nhiều tỷ thứ, nó bị giới hạn ở việc hiểu vài chục hoặc vài trăm triệu thứ. Với điều này trong tâm trí, một AGI sơ sinh có thể hiểu được mười triệu thứ ít nhất nên có thể nắm bắt một số khái niệm cơ bản này. Và một hệ thống máy tính đại diện cho mười triệu thứ nằm trong phạm vi của phần cứng ngày nay, có thể даже máy tính để bàn ngày nay.

Phiên bản V1.0 của Brain Simulator thực sự là “tuổi trưởng thành” của nó. Bây giờ nó có khả năng và giao diện người dùng được đánh bóng mà làm cho nó hữu ích hơn cho một khán giả nghiên cứu rộng lớn hơn. Đây là một dự án cộng đồng với một đội phát triển ngày càng tăng và một đội ngũ người dùng cuối lớn hơn. Cùng nhau, chúng ta sẽ thử nghiệm nhiều ý tưởng mới và tiến bộ trên một số câu hỏi cơ bản về trí tuệ và AGI.

Cảm ơn bạn về cuộc phỏng vấn tuyệt vời, luôn luôn sâu sắc khi thảo luận về AGI với bạn. Những người đọc muốn tìm hiểu thêm nên đọc cuốn sách Brain Simulator II.