Gondolj erre a hajó képére
Ha megkérnélek, hogy újraalkosd ezt a képet, hogyan csinálnád?
Két megközelítést vehetnénk fontolóra.
Először is, szimulálhatnánk ezt a teljes környezetet egy számítógépen. Létrehoznánk egy környezetet, beszereznénk a hajó megfelelő modelljét, beállítanánk a kamerát a környezetben, feltöltenénk mindenféle differenciálegyenlettel, hagynánk, hogy a szimuláció lejátsszon, miközben túlhajtjuk a 3090-est, hogy a kép nagyjából a megfelelő időben készüljön el. Ez a programozói megközelítés, ahol mindent egy számítógépen szimulálnak, és minden részletet, ha a programozó úgy akarja, részecskeszinten is ki lehetne írni.
A második megközelítés az, hogy egy hasonló szimulációt állítasz be a hátsó udvarodban, a való világban. Összeszedsz néhány dugattyút, szerzel vizet, veszel egy ugyanolyan modellhajót, esetleg viharos napon filmezel, és a dugattyúkat valamilyen kevésbé bonyolult szabályrendszer szerint mozgatod, mint a számítógépes szimulációhoz használt differenciálegyenletek, majd egy hasonló képet készítesz egy bolti kamerával.
Mindkét megközelítés célja ugyanaz: képet kapni erről a hajóról a tengeren. Az egyik zajos és pontatlan, míg a másik pontos. Az utóbbi időben azon gondolkodtam, hogy ez a két megközelítés hogyan viszonyul ahhoz a lehetséges hardverhez, amelyen a mesterséges intelligenciát futtatjuk.
A modern mesterséges intelligencia teljes egészében számítógépeken fut, konkrétan a Neumann-architektúra alatt, amelyeket úgy terveztek, hogy a Turing-féle teljes rendszerek gyakorlati megvalósításait jelentsék. Ez dióhéjban azt jelenti, hogy mindent, amit ezeken a Neumann-rendszereken csinálni szeretnénk, explicit módon kell programozni. Ez alkotja a számítógépek alapjait: az a képességük, hogy bármit meg tudjanak tenni, amit egy adott utasításkészleten belül meg lehet tenni, teszi őket olyan hatékonnyá.
Azon gondolkodtam, hogy ez hogyan áll szemben a biológiai számítástechnikai mechanizmusunkkal: az aggyal. Elvileg az emberi agy összes információját be lehetne sűríteni egy számítógépes szimulációba. Az összes szinapszist, az összes ingert, ami az agyba érkezik egy adott időpontban, ha mindegyikről tudunk, akkor mindent szimulálhatunk, amit az ember gondolna.
Ez természetesen rendkívül számításilag költséges lenne. Tegyük fel, hogy egyetlen neuront modellezünk 1000 rekesszel (ami alábecsüli a komplexitásukat), egy egyenlettel, amely a membránpotenciál változását írja le, és három továbbival, amelyek a nátrium- és káliumcsatornákat reprezentálják, amelyek az ionok áramlását szabályozzák a membránon keresztül. Ez legalább 4000 differenciálegyenletet eredményez, amelyeket egyetlen neuron modellezéséhez kell megoldanunk, ami egy tényleges neuron leegyszerűsítése . Szorozzuk meg ezt 85 milliárd neuronnal, és nos, kapunk egy olyan differenciálegyenlet-rendszert, amelyet még akkor sem tudnánk megoldani, ha a világ összes számítási kapacitása rendelkezésre állna. Ez még a pre- és posztszinaptikus szinapszis-dendrit kölcsönhatás közötti viselkedést sem veszi figyelembe, sem a szinaptikus plaszticitást, sem az agy gliasejtjeit, amelyeknek szerepük lehet az információfeldolgozásban.
Rendben, a neuronok egyértelműen összetettek, és az emberi agy még inkább. És ez elvezet az első ponthoz egy olyan ötlettel kapcsolatban, amit én wetware-nek nevezek : ez egy olyan számítógépes rendszer, amelyet nem lehet szoftverrel és hardverrel elválasztani. A hagyományos számítógépes rendszerekben a hardver és a szoftver nagyon különböző dolgokként különülnek el. Valójában a Neumann-rendszereket azért hozták létre, hogy ilyen hardver-szoftver elválasztás létezhessen, hogy a szoftver exportálható legyen egy másik hardverre, így ugyanazok az utasítások is futtathatók legyenek hasonló bemeneteken, ugyanazon típusú problémák megoldása érdekében. Bár, mint láthatjuk, a hagyományos szoftver-hardver felépítés problémákba ütközik, amikor rendkívül összetett objektumokat, például az agyat próbálunk szimulálni. Mi lenne, ha lenne egy olyan számítógépes rendszerünk, amely nem ugyanezen a típusú architektúrán megy keresztül, hanem exponenciálisan nagyobb számú lehetséges állapotot érhet el?
Egy ilyen rendszer viselkedése nemcsak a kezdeti rendszer és programozásának eredménye lenne, hanem magának a rendszernek a tulajdonságainak, esetleg a fizikai vagy kémiai mechanizmusoknak is köszönhető lenne. Visszatérve erre a hajóképes példánkra, a kezdeti állapot egy álló jelenet lenne álló vízzel és hajóval, a rendszer „programozása” a dugattyúk lennének, amelyek egy bizonyos módon mozgatják a vizet, és a rendszer tulajdonságai, amelyek a viselkedését a programozással együtt szabályozzák, a levegő fizikája, a gravitáció, a víz folyadékmechanikája és a hajóval való kölcsönhatásai lennének. Ez egy alapvetően eltérő megközelítés ahhoz, hogy elérjük, amit akarunk: egy olyan képet, amely úgy néz ki, mint a viharos hajónk, vagy – ezt a mesterséges intelligenciához viszonyítva – egy teljesen különálló rendszert igényel az agy viselkedésének tanulmányozásához.
Fontos megjegyezni, hogy egy ilyen rendszer nem lehet Turing-teljes (általános célú számítógépek), mivel az ilyen típusú rendszereket arra tervezték, hogy bizonyos számú számítást nagyon jól elvégezzenek. Végül is egy olyan rendszer, amelyet kifejezetten egy bizonyos típusú számítás elvégzésére vagy egy bizonyos típusú jelenség megfigyelésére terveztek, sokkal gyorsabbnak kell lennie, mint egy általános célú számítógépnek.
Egy ilyen rendszernek van egy másik tulajdonsága is: a halandó számítás. Például, ha létrehoznánk egy nedves szoftvert (wetware), annak állapota halandó lenne. Vegyük például az agyat. Az agyat véletlenszerűen alakítja a genetika, valamint a környezeti tapasztalatok. Ha a személy meghal, az agyban lévő összes információ örökre elveszik. Hasonlóképpen, egy nedves szoftverrendszer információinak el kellene veszniük, ha a nedves szoftver megsemmisül. Ez a nedves szoftver hardverre és szoftverre való elválaszthatatlanságának következménye. Mivel a számítás annyira specifikus, és a nedves szoftver állapota sztochasztikusan fejlődik egy szabályrendszer szerint, az azt reprezentáló információmennyiség annyira megnő, hogy lehetetlen lenne a nedves szoftver állapotát exportálni és valahova menteni.
Rendben, van egy jó elképzelésünk a nedves tárgyak definíciójáról, de vannak-e már ennek az ötletnek a gyakorlati megvalósításai?
Nos, egy hasonló gondolatmenet inspirálta a neuromorfikus számítástechnika területét: az agy működésére hasonlító rendszerek tervezését. Ez a terület számos projektet inspirált, mint például az IBM TrueNorth, az Intel Laohi, a Manchesteri Egyetem SpinNNaker projektjét, mind digitális neuromorf rendszereket, és a Neurogrid-et, a Stanford által kifejlesztett analóg neuromorf rendszert. Ezek a rendszerek nagyban hozzájárulnak a társadalomhoz, de nem pontosan ugyanazok, mint a wetware, mivel nem a rendszer fizikáját használja ki a számításhoz. A biológiai agyakban a neuronok, a gliasejtek és a sejtek fizikai és kémiai tulajdonságai játszanak szerepet a számításban.
Alternatív megoldásként bizonyítékok vannak arra, hogy az agy optimalizálása részben az energiafogyasztás szempontjából a legkisebb ellenállású út minimalizálását vezérli. Ez a legkisebb energia elve ihlette a Boltzmann-gépeket; ezek a felügyelet nélküli tanulási modellek az adatgeneráló eloszlás modellezését célozzák egy energiafüggvény minimalizálásával, amelyeket eredetileg Geoffrey Hinton tett népszerűvé a 80-as években.
Azt jósolom, hogy a mesterséges intelligencia rendszerek a jövőben két utat fognak választani. Megtanulhatnánk valódi biológiai neuronokat használni, laboratóriumban növeszthetnénk őket, és a valódi neuronok lehetővé tennék számunkra, hogy külső ingerek alapján mesterségesen intelligens rendszereket hozzunk létre . Vagy szintetizálhatnánk egy új anyagot, amelyet olyan rendszerekké tervezhetnénk, amelyek a rendszer fizikai tulajdonságait használják fel számítások elvégzésére. Mindkettő a nedves szoftverek (wetware) keretrendszerébe tartozna.
Nem világos, hogy a modern mesterséges intelligencia kutatását ez a jelenség a szőnyeg alá söpörné-e. Végül is a gépi tanulás nagy része egy paramétertér lokális minimumának megtalálásáról és annak működésre való reményéről szól. Az ilyen rendszerek betanításából származó viselkedés emergent; más szóval ismerjük azokat a szabályokat, amelyek meghatározzák, hogyan jutottak el idáig, de nem tudjuk biztosan megjósolni azokat.
Vegyük például Conway Életjáték című művét.
A rendszer frissítésének szabályai (mint például az Élet Játéka) nagyon egyszerűek lehetnek, tökéletesen ismerjük a teljes rendszert, és mégsem tudjuk megjósolni a hosszú távú viselkedését. A gépi tanulás ebben a tekintetben nagyrészt ugyanígy működik, és a nedves szoftverek is, ha széles körben használják az intelligencia modellezésére. Ez azért van, mert ha egy rendszert fizikai és biológiai folyamatoknak vetünk alá számítások elvégzésére, nem világos, hogy milyen viselkedést fognak produkálni. Ha egy ilyen rendszert használnánk az intelligencia modellezésére számítógépek helyett, akkor a gépi tanulási modellekben megfigyelt emergens viselkedés egyáltalán nem fordítható le a nedves szoftveres rendszerekre.
A wetware nem új abban az értelemben, hogy még nem definiálták volna; olyan számítástechnikaként definiálják, amelyben az agy mesterséges rendszerekhez kapcsolódik, vagy biokémiai folyamatokon alapuló mesterséges rendszerek modelljeként szolgál (azaz az agy). Csupán egy konkrétabb keretet szeretnék adni ehhez a szóhoz, és spekulációkat felvetni a wetware rendszerek körüli lehetséges fejlődésről, valamint arról, hogy a wetware hogyan fejleszthető a mesterséges intelligencia előmozdítása érdekében.
Tovább a cikkre: medium.com (Timothy Oh)
