Charles Simon，《大脑模拟器 II》的作者 – 访谈系列

查尔斯·西蒙的作者是 大脑模拟器 II，《Brain Simulator II》的姊妹书，《Brain Simulator II》是一个免费的开源软件项目，旨在创建端到端的通用人工智能 (AGI) 系统

最初的 Brain Simulator 软件于 1988 年发布，这对于软件界来说是一个漫长的时间。 与前作相比，《大脑模拟器 II》有多大的飞跃？

今天的系统速度快了一百万倍以上。 原始版本是用 FORTRAN 编写的，在 IBM AT 克隆上运行，支持 1,200 个神经元的固定阵列，每秒计算大约两个周期。 今天的程序可以在网络上运行，并在强大的桌面 CPU 上每秒处理 2.5 亿个突触。

这本书是关于 Brain Simulator II 的，这是一个旨在创建端到端人工智能的开源软件项目，运行这个软件需要什么类型的编码经验？

无需经验。 如果您不是程序员，您可以花时间使用大脑模拟器，了解神经元的功能和局限性，了解一些知识表示，甚至构建您自己的有限网络。 如果您是一名程序员，您将遵循更深入的技术解释并构建自己的模块，以将系统扩展到更高级的 AGI 策略。

为什么回归人工智能的生物学根源对于实现通用人工智能很重要？

1980 世纪 XNUMX 年代的想法是，如果我们能够构建一个足够大的神经网络，它就会自发地变得智能。 在这四十年的时间里，这种情况变得越来越难以置信。 因此，如果经典的人工智能方法不适用于通用人工智能，那么让我们看看一些不同的方法，而我们拥有的唯一可用的通用人工智能模型就是人脑。

与此同时，没有理由盲目地坚持生物学的合理性。 例如，我们知道我们的大脑可以根据我们两只眼睛接收到的图像的细微差异来估计到物体的距离，这是 3D 电影的基础。 我们不知道这在大脑中是如何工作的，所以我在一个模块中编写了这个功能，该模块使用几行三角函数来估计距离。 我们可以非常确定你的大脑不会以这种方式工作，但三角方法可能更快、更准确。

您在书中指出 AGI 需要机器人技术，为什么这如此重要？

考虑尝试向盲人解释颜色或向聋人解释音乐。 如果未来的通用人工智能只是计算机上的一个程序，那么它如何能够对任何三岁孩子都知道的事情有基本的了解呢？ 孩子有自己的观点，并被现实所包围。 孩子知道现实中存在物体，并且其中许多物体可以被操纵。 通过玩积木，孩子可以了解形状、大小、坚固性、重力、视觉遮挡、距离等等。 凭借自主运动、视觉和操纵器，AGI 可以比任何仅依赖大量文本和图像数据的程序更基础地了解现实。

当机器人 AGI 对现实中的物体有了基本的掌握之后，这些知识就可以被克隆到非机器人思维机器中，并且这种理解将会持续存在。 就像失去视觉或听觉的人能够以与从未拥有这些感官的人不同的方式理解事物一样。

Brain Simulator II 的一个重要方面是它不使用反向传播，不采用这种方法的理由是什么？

你的大脑在没有反向传播的情况下运行，所以没有它，通用人工智能也一定是可能的。 事实上，反向传播从根本上与生物模型不兼容，因为它依赖于能够以相当高的精度感知和修改突触权重。 使用大脑模拟器一段时间后，您会得出结论，以任何精度设置突触权重都是非常困难的，并且准确地感知这些突触权重是不可能的。 根本问题是，发射神经元会修改突触权重，但在不发射神经元的情况下无法检测突触权重，因此无法在不修改突触权重的情况下感测突触权重。

反向传播没有生物类似物，我认为它是一种极其强大的统计方法。很多人都在使用它，其中一些人取得了很好的成果。我的观点是尝试一些不同的方法。通过使用尖峰神经元与插件软件模块相结合，我从不同的角度看待 AGI 的问题。

当大脑被探测时，会出现无序和随机性，这是我们需要将其引入到软件系统中以实现真正的 AGI 的出现吗？

我不这么认为。 当你观察单个神经元和突触时，它们的功能是相当确定的，晶体管也是如此。 在大脑中，事物看起来是随机的，因为噪声水平相当高，并且信息成分没有任何明显的顺序。 但考虑一下你的视力，你可以清晰地阅读文本，并且阅读过程中不会出现混乱或随意的情况。 因此，我们的结论是，至少你的视觉皮层是相当可靠和可重复的。 然而，当对其进行探测时，它看起来和大脑的其他部分一样混乱。 因此，大脑的其余部分可能与视觉皮层一样可靠且可重复，只是我们还没有看到其组织和顺序。 这有点像阅读中文，对我来说，它是无序的半随机标记，但对于能够阅读该语言的人来说，这是一个绝对的组织。 我们只是还无法读取大脑的内部语言。

您介绍了一个称为通用知识库（UKS）的概念，您能否简要讨论一下这是什么以及为什么它很重要？

回想一下机器人技术的问题，你会发现通用智能的一方面是整合各种感官知识的能力。 您了解一个块是因为您可以看到它、触摸它并听到有关它的文字。 所有这些都代表了有关块的信息。 因此，要使 AGI 具有类似的能力，它必须具有通用的存储机制，能够处理各种不同的信息并在各个项目之间创建有用的关系。 UKS 是一种非常通用的知识图，因此它可以处理任何类型的信息和任何类型的关系。

UKS 可以存储迷宫应用程序所需的空间信息以及用于穿越迷宫以实现目标的决策和结果树。 相同的结构用于将单词与颜色相关联。 这种通用性是 AGI 的基础。

AGI 出现的时间范围是多少？

很难说。 我们已经拥有通用人工智能所需的硬件，我认为只需要一个突破即可，而且它随时可能出现。 让我尝试描述一下这一突破：

考虑一下，如果您只知道红色是一种颜色，蓝色是一种颜色，我可以要求您说出一些颜色，您可以说红色和蓝色。 问题是，AGI 如何得知“is-a”关系是某种东西。 我可以轻松地编写这样的关系，但是当我遇到新的关系时，我的 AGI 将无法学习它们。 孩子可以了解更近/更远、更大/更小、早/晚、之前/之后等等的关系。 但这些依赖于更基本的尺寸、距离、时间等概念。

一个充满神经元的大脑如何能够学习所有这些真正基础的东西？ 这与对机器人技术的需求有关。 如果 AGI 不能去任何地方或够不到任何东西，它怎么能学习距离的概念呢？ 它还与通用存储的需求有关。 AGI 如何理解去某个结合了位置和时间概念的地方？ 去某个地方相对简单。 理解去某个地方意味着什么要困难得多。 我相信这些真正根本性的问题都是同一个根本问题的表现，解决这个问题才是必要的突破。

没有多少人在研究这个问题，主要是因为要推销一个项目非常困难，如果真正成功的话，三年后将具有三岁孩子的能力，以及十岁孩子的能力十年后。 因此，解决方案很可能来自规模较小的独立研究人员，他们有时间和精力致力于解决没有短期回报的问题。

关于 Brain Simulator II 或 AGI，您还有什么想分享的吗？

当您尝试使用神经元和突触来设计解决这些基本问题的电路时，您会得出结论，每个突触需要几十个神经元，而不是由几十个突触代表的概念。 这意味着大脑的能力不是通常认为的数十亿个事物，而是仅限于理解数千万或数亿个事物。 考虑到这一点，一个只能理解一千万事物的新生通用人工智能至少应该能够掌握其中一些基本概念。 代表一千万个事物的计算机系统完全在当今硬件的范围之内，甚至可能是当今的台式计算机。

Brain Simulator V1.0 的发布确实标志着它的“成熟”。 它现在拥有强大的功能和精美的用户界面，这使得它对于更广泛的研究受众来说更加有用。 这是一个社区项目，拥有不断壮大的开发团队和更大的最终用户群体。 我们将共同尝试许多新想法，并在智能和通用人工智能的一些基本问题上取得进展。

感谢您接受精彩的采访，与您讨论 AGI 总是很有洞察力。 想要了解更多内容的读者应该阅读本书 大脑模拟器II。