Мозговое моделирование
7 ответов
Я видел интересный эксперимент, в котором физическая нейронная структура мозга крысы отображалась в цифровой нейронной сети с взвешиванием, смоделированным на основе химического состава нейронов каждого компонента, полученного с помощью МРТ и других. Довольно интересно. (новый ученый или Focus, 2 выпуска назад?)
На ум приходит IBM Blue Brain http://news.bbc.co.uk/1/hi/sci/tech/8012496.stm
Проблема заключается в вычислительной мощности, как вы правильно указываете. Но для последовательности стимулов к нейронной сети диапазон вычислений имеет тенденцию быть экспоненциальным, поскольку эти стимулы встречаются с более глубокими вложенными узлами. Любой сложный алгоритм взвешивания означает, что время, потраченное на каждый узел, может стать дорогим. Нейронные карты, специфичные для предметной области, обычно быстрее, потому что они специализированы. Мозг млекопитающих имеет много общих путей, что затрудняет их обучение, а компьютер может моделировать настоящий мозг млекопитающего в заданном пространстве / времени.
В реальном мозге также есть множество перекрестных разговоров, таких как статика (некоторые люди думают отсюда проистекает творчество или оригинальная мысль). Мозг также не учится, используя «прямой» стимул / вознаграждение ... они используют прошлый опыт в несвязанных материях для создания своего собственного обучения. Воссоздание нейронов - это одно дело в вычислительном пространстве, а создание точного обучения - другое. Не говоря уже о дофамине (октопамин у насекомых) и других неврологических химических веществах.
представьте, что вы даете цифровому мозгу ЛСД или антидепрессанты. Как настоящий симулятор. Потрясающие. Я подозреваю, что это будет сложная симуляция.
Я думаю, что вы делаете предположение, что наше представление о том, как работают нейронные сети, является хорошая модель мозга на крупном уровне; Я не уверен, что это хорошее предположение. Черт, не так много лет назад мы не думали, что глиальные клетки важны для психических функций, и долгое время считалось, что после созревания мозга нейрогенеза не происходит.
Джефф Хокинс сказал бы, что нейронная сеть - плохая аппроксимация мозга. Его «Об интеллекте» - потрясающее чтение.
Просто интересно, мы достигли 1 терафлоп на компьютер, и мы все еще не можем моделировать мозг насекомого. Кто-нибудь видел достойную реализацию самообучающейся саморазвивающейся нейронной сети?
Мы уже можем моделировать мозг. В наши дни возникает вопрос, насколько быстро и насколько точно.
Вначале прилагались усилия, чтобы попытаться найти наиболее абстрактное представление нейронов с наименьшим количеством необходимых физических свойств.
Это привело к изобретению перцептрона в Корнельском университете, который на самом деле является очень простой моделью. На самом деле, это могло быть слишком просто, как сказал известный профессор искусственного интеллекта Массачусетского технологического института Марвин Мински. написал статью, в которой ошибочно пришел к выводу, что для этого типа модели было бы невозможно изучить XOR (базовый логический элемент, который может быть эмулирован каждым компьютером, который у нас есть сегодня). К сожалению, его статья погрузила исследования нейронных сетей в темные века по крайней мере на 10 лет.
Хотя, вероятно, это не так впечатляет, как хотелось бы многим, уже существуют обучающие сети, которые могут выполнять визуальное и речевое обучение и распознавание.
И хотя у нас есть более быстрые процессоры, это все еще не то же самое, что нейрон. Нейроны в нашем мозгу - это, по крайней мере, параллельные сумматоры. Итак, представьте себе 100 миллиардов смоделированных человеческих нейронов, добавляющих каждую секунду, отправляя свои выходные данные на 100 триллионов соединений с «часами» около 20 Гц.
Это структура. Даже если бы у нас сегодня были компьютеры с такой же или более высокой производительностью, чем человеческий мозг (есть разные прогнозы, когда мы доберемся до этого, но впереди еще несколько лет), нам все равно нужно его программировать. И хотя сегодня мы многое знаем о мозге, есть еще очень много вещей, которых мы не знаем. И это не просто детали, а большие области, которые вообще не понятны.
Фокусировка только на тера- / пета-флопах похожа на просмотр только мегапикселей с помощью цифровых фотоаппаратов: фокусируется только на одном значении, когда есть задействовано много факторов (и их в мозгу несколько больше, чем в камере). Я также считаю, что многие оценки того, сколько FLOPS потребуется для моделирования мозга, далековато - но это совсем другое обсуждение.
В 2007 году они смоделировали эквивалент половины мозга мыши в течение 10 секунд при половинной скорости: http://news.bbc.co.uk/1/hi/ technology / 6600965.stm