Data science

การค้นหาปัญญาประดิษฐ์ทั่วไป (AGI)

ในการค้นหาปัญญาประดิษฐ์ทั่วไป (AGI) แอปพลิเคชั่น AI ในปัจจุบันแสดงให้เห็นถึงความสามารถน้อยมากในหลาย ๆ อย่างที่เด็กวัย 3 ขวบสามารถเข้าใจได้ – เข้าใจสาเหตุและผลกระทบ แรงโน้มถ่วงและความสัมพันธ์เชิงพื้นที่ และกาลเวลา ส่วนใหญ่ อาจเป็นเพราะว่าในขณะที่เรามีตัวอย่างที่ยอดเยี่ยมของความฉลาดทั่วไปในสมองของมนุษย์ โครงข่ายประสาทเทียมของ AI ทำงานในลักษณะที่แตกต่างจากวิธีการทำงานของสมองอย่างสิ้นเชิง แน่นอนว่าทั้งคู่มีสิ่งที่เรียกว่าเซลล์ประสาทซึ่งเชื่อมต่อกันด้วยไซแนปส์แบบถ่วงน้ำหนัก และสถานะของเซลล์ประสาทส่งผลกระทบต่อสถานะของเซลล์ประสาทที่เชื่อมต่อ ปัญญาประดิษฐ์ทั่วไปกับปัญญาประดิษฐ์ทั่วไปของมนุษย์ จากที่นั่น ความคล้ายคลึงกันก็หยุดลง เซลล์ประสาทชีวภาพไม่ปรากฏในชั้นที่เป็นระเบียบโดยมีการเชื่อมต่ออย่างเป็นระเบียบระหว่างชั้นหนึ่งกับชั้นถัดไปในลักษณะเดียวกับที่โครงข่ายประสาทของ AI ทำ ในทางกลับกัน สมองมีความเชื่อมโยงกันมากมายที่เรายังไม่ได้คลี่คลาย เซลล์ประสาททางชีววิทยาสะสมประจุจากไซแนปส์ที่เข้ามาและเปล่งเสียงแหลมเมื่อถึงเกณฑ์ ยิ่งกว่านั้น ค่าของเซลล์ประสาทชีวภาพยังเป็นเลขฐานสอง: ไม่ว่าจะมีหนามแหลมหรือไม่มีก็ตาม ผู้เชี่ยวชาญ AI มักจะตอบโต้ความแตกต่างนั้นด้วยการตั้งค่าการเปิดใช้งานเครือข่ายประสาทเทียมของ AI เป็นฟังก์ชันขั้นตอนเพื่อให้ผลลัพธ์เป็น 1 หรือ 0 อย่างไรก็ตาม ปัญหาของแนวทางดังกล่าวคือไม่สนใจประจุสะสมจากรอบหนึ่งไปอีกรอบ . เพื่อสร้างความแตกต่าง เราจะต้องเพิ่มหน่วยความจำภายใน ซึ่งไม่สะท้อนให้เห็นในโครงข่ายประสาทเทียมส่วนใหญ่ ผู้เชี่ยวชาญด้าน AI หลายคนยังแนะนำด้วยว่า แทนที่จะเป็นการเพิ่มขึ้นอย่างรวดเร็วของแต่ละคน ผลลัพธ์ของเซลล์ประสาทเทียมแสดงถึงอัตราการเพิ่มขึ้นอย่างรวดเร็วของเซลล์ประสาท และอัตรานั้นอาจแตกต่างกันไปอย่างต่อเนื่อง อย่างไรก็ตาม ในทางปฏิบัติ อัตราการพุ่งสูงขึ้นไม่สามารถเปลี่ยนแปลงได้อย่างต่อเนื่อง เนื่องจากเซลล์ประสาทชีวภาพมีอัตราการพุ่งสูงสุดที่ประมาณ Hz และสัญญาณประสาทไม่มีประโยชน์ด้านล่างเกี่ยวกับ 20 เฮิรตซ์ ในระหว่างนั้น ระดับเสียงรบกวนในสมองสูงจะจำกัดจำนวนของอัตราต่างๆ ที่สามารถแสดงได้อย่างน่าเชื่อถือ นอกจากนี้ การตรวจจับอัตราการพุ่งขึ้นอย่างเฉพาะเจาะจงจำนวนมากกลับกลายเป็นว่าทำได้ดีกว่าความสามารถของเซลล์ประสาทแต่ละเซลล์ และการตรวจหาอย่างตรงไปตรงมานั้นทำได้ช้ามาก นอกจากนี้ยังมีปัญหาเมื่อคุณพิจารณาว่าสัญญาณอินพุตสองสัญญาณที่พุ่งขึ้นในอัตราเดียวกันนั้นสามารถสร้างอัตราการพุ่งสูงขึ้นของเอาต์พุตที่แตกต่างกันได้อย่างไร ขึ้นอยู่กับเฟสสัมพันธ์หรือเวลา ซึ่งทั้งสองอย่างนี้ไม่มีอยู่ใน AI ทำให้เซลล์ประสาททางชีววิทยามีศักยภาพในการทำงานที่ขาดหายไปในจักรวาล เครือข่ายประสาท AI ไซแนปส์ ทั้งหมดนี้นำเราไปสู่ไซแนปส์ ปัญหาพื้นฐานที่นี่คือ ในบริบททางชีววิทยา ไม่มีทางที่สมองจะเข้าถึงน้ำหนักของไซแนปส์ได้อย่างแม่นยำ หากคุณดูที่เซลล์ประสาทที่ยิงด้วยอัตราคงที่ซึ่งเชื่อมต่อกับเซลล์ประสาทอื่นที่มีไซแนปส์ที่ไม่ทราบน้ำหนัก และพบว่าเซลล์ประสาทที่ส่งออกนั้นยิงที่อัตราครึ่งหนึ่งของอินพุต ไม่ได้หมายความว่าไซแนปส์มีน้ำหนัก 0.5 แต่หมายความว่าน้ำหนักของไซแนปส์อยู่ในช่วง 0.5 ถึง 1.0 ภายในเครื่องจำลองสมองประดิษฐ์ คุณสามารถคลิกที่ไซแนปส์และอ่านน้ำหนักหรือคลิกที่เซลล์ประสาทและดูว่าไซแนปส์มีส่วนทำให้เกิดศักยภาพของเมมเบรนมากเพียงใด อย่างไรก็ตาม ในสมองทางชีววิทยา เราไม่ทราบวิธีการวัดน้ำหนักของไซแนปส์ และวิธีเดียวที่จะวัดศักยภาพของเยื่อหุ้มเซลล์ประสาทก็คือการใช้อิเล็กโทรดแบบเข็ม ซึ่งไม่ใช่โอกาสที่น่าพึงพอใจหรือมีประสิทธิภาพเป็นพิเศษ นั่นหมายความว่าน้ำหนักของไซแนปส์นั้นไร้ประโยชน์หรือไม่? ไกลจากมัน. มันไม่มีประโยชน์สำหรับการจัดเก็บค่าที่แม่นยำซึ่งคุณอาจต้องการอ่านกลับ วิธีที่ดีกว่าในการดำเนินการนี้คือ ไซแนปส์แสดงข้อมูลเพียงบิตเดียว ในขณะที่ค่าน้ำหนักแสดงถึงความมั่นใจว่าบิตนั้นเป็นจริง ยิ่งน้ำหนักใกล้ 0.0 หรือ 1.0 มากเท่าไหร่ ความมั่นใจก็จะยิ่งสูงขึ้นเท่านั้น เพราะจะต้องใช้หนามแหลมมากขึ้นในการเปลี่ยนน้ำหนักเป็นอีกสถานะหนึ่ง Backpropagation ในที่สุดก็มี backpropagation ซึ่งไม่สามารถเป็นตัวแทนของวิธีที่เซลล์ประสาทเรียนรู้ด้วยเหตุผลพื้นฐานสองประการ แน่นอนว่ามีปัญหากับข้อมูลการฝึกอบรมจำนวนมากที่จำเป็นในการสร้างฟังก์ชันเครือข่ายการเรียนรู้เชิงลึกซึ่งแสดงให้เห็นชัดเจนว่าโครงข่ายประสาทกำลังเรียนรู้ด้วยกลไกที่แตกต่างจากเด็ก แต่ในระดับพื้นฐานที่มากกว่านั้น การดูสูตร backpropagation อย่างรวดเร็วแสดงให้เห็นว่ามันอาศัยการรู้ว่าน้ำหนักของไซแนปส์ในปัจจุบันคืออะไร และสามารถปรับเปลี่ยนน้ำหนักของไซแนปส์ใดๆ ในเครือข่ายได้โดยตรงด้วยความแม่นยำสูง สิ่งนี้เป็นไปไม่ได้ในโลกที่มีความเป็นไปได้ทางชีวภาพ นอกจากนี้ วิธีการคำนวณการเปลี่ยนแปลงของน้ำหนักในการขยายพันธุ์ด้านหลังจะไม่ทำงานหากสนามการไล่ระดับสีไม่ราบรื่นอย่างต่อเนื่อง ซึ่งไม่ใช่เพราะลักษณะที่ไม่ต่อเนื่องของเซลล์ประสาทและน้ำหนักไซแนปส์ในสมองของมนุษย์ ทั้งหมดนี้ไม่ได้หมายความว่าแนวทาง AI ในปัจจุบันนั้นผิดหรือไม่ได้ผล ในทางตรงกันข้าม ระบบ AI จำนวนมากทำงานได้ดีมาก แต่อัลกอริธึมของ AI ในปัจจุบันนั้นแตกต่างจากวิธีที่สมองของมนุษย์ทำงานในลักษณะเดียวกันได้สำเร็จ เนื่องจากอัลกอริธึมในโครงข่ายประสาทเทียมไม่สามารถนำไปใช้ในเซลล์ประสาทได้ หลังจากสี่ทศวรรษของการทดลองใน AI โดยไม่มีสติปัญญาทั่วไปปรากฏขึ้น ก็ถึงเวลาที่จะต้องตระหนักว่าจำเป็นต้องมีแนวทางใหม่หาก AGI เกิดขึ้น ใหญ่กว่า = ดีกว่า? ผู้เชี่ยวชาญด้าน AI หลายคนสันนิษฐานว่าแม้ว่าระบบ AI ในปัจจุบันจะล้มเหลวอย่างเห็นได้ชัด หากเราสามารถสร้างระบบให้ใหญ่พอและใส่ข้อมูลการฝึกอบรมที่เพียงพอได้ แต่ความฉลาดทั่วไปก็จะปรากฏขึ้น แม้ว่าสิ่งนี้จะเป็นไปได้ ความฉลาดที่สร้างขึ้นจะแตกต่างจากความฉลาดทั่วไปของมนุษย์เนื่องจากวิธีการที่แตกต่างกันโดยพื้นฐานที่อธิบายไว้ข้างต้น สิ่งนี้คล้ายกันมากกับการคิดในช่วงต้นของการพัฒนาระบบผู้เชี่ยวชาญ—ถ้าเราสามารถตั้งโปรแกรมกรณีการใช้งานได้เพียงพอ ระบบก็ดูเหมือนจะ “เข้าใจ” แต่ความฉลาดของมนุษย์ไหลไปในทิศทางอื่น—ความซับซ้อนของพฤติกรรมมนุษย์, “กรณีการใช้งาน” ที่หลากหลายนั้นเป็นผลมาจากความเข้าใจ เราน่าจะให้บริการที่ดีกว่าโดยมองว่าการเรียนรู้เชิงลึกเป็นเครื่องมือทางสถิติที่ทรงพลังและซับซ้อน ด้วยสิ่งนี้ เราสามารถค้นหาความสัมพันธ์ภายในชุดข้อมูลที่จิตใจมนุษย์ไม่สามารถตรวจพบได้ แต่ไม่สามารถสร้างความเข้าใจได้เองตามธรรมชาติ แต่เราต้องเน้นที่ความสามารถของเด็กวัย 3 ขวบ แม้ว่าสิ่งเหล่านี้ไม่ได้มีประโยชน์มากมายในการใช้งานเชิงพาณิชย์ในทันที แต่กุญแจสำคัญก็คือเด็กวัย 3 ขวบคนใดก็ตามที่รวมเอาความสามารถในการเติบโตเป็นเด็กอายุ 4 ขวบและอื่นๆ ไปจนถึงความสามารถในการคิดระดับผู้ใหญ่ การดูวิธีที่เด็กเรียนรู้เกี่ยวกับสิ่งแวดล้อมและความสัมพันธ์ระหว่างตนเองกับโลกแห่งความเป็นจริงเป็นกุญแจสู่ความเข้าใจที่แท้จริง ซึ่งเป็นพื้นฐานสำคัญสำหรับการพัฒนา AGI ในอนาคต

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button