Heim > Artikel > Technologie-Peripheriegeräte > Bengio, LeCun und andere haben gemeinsam ein NeuroAI-Whitepaper veröffentlicht: Die Essenz der Intelligenz ist die sensomotorische Fähigkeit, die KI steht vor der großen Herausforderung des verkörperten Turing-Tests
Dieser Artikel stammt von Lei Feng.com. Wenn Sie ihn erneut drucken möchten, besuchen Sie bitte die offizielle Website von Lei Feng.com, um eine Genehmigung zu beantragen.
Historisch gesehen waren die Neurowissenschaften ein wichtiger Treiber und eine Inspirationsquelle für die Entwicklung künstlicher Intelligenz, insbesondere in Bereichen, in denen Menschen und andere Tiere sehr gut sind, wie z. B. Sehvermögen, belohnungsbasiertes Lernen, Interaktion mit der physischen Welt, Machen Sie mit Hilfe der Neurowissenschaften Fortschritte in diesen Bereichen.
Aber in den letzten Jahren scheinen sich die Forschungsmethoden der Künstlichen Intelligenz von den Neurowissenschaften zu entfernen. Gleichzeitig hat die Künstliche Intelligenz weiterhin Schwierigkeiten, mit der menschlichen Intelligenz gleichzuziehen. Vor diesem Hintergrund zeichnet sich eine Welle der Rückkehr künstlicher Intelligenz in die Neurowissenschaften ab.
Kürzlich wurde in einem Weißbuch erklärt, dass „NeuroAI die Revolution der künstlichen Intelligenz der nächsten Generation katalysieren wird.“
Dieses Whitepaper mit dem Titel „Toward Next-Generation Artificial Intelligence: Catalyzing the NeuroAI Revolution“ bringt zwei Turing-Award-Gewinner, Yoshua Bengio und Yann LeCun, sowie eine Gruppe von Wissenschaftlern zusammen, die sich dem maschinellen Lernen und den Neurowissenschaften widmen Forschung.
Sie rufen: Um den Fortschritt der künstlichen Intelligenz zu beschleunigen und ihr enormes Potenzial auszuschöpfen, müssen wir uns der Grundlagenforschung von NeuroAI widmen.
Das Whitepaper schlägt zunächst vor, dass Das Grundelement der biologischen Intelligenz in der Fähigkeit von Tieren liegt, sensomotorisch mit der Welt zu interagieren.
Ausgehend von dieser Prämisse schlugen sie den Embodied Turing Test (den verkörperten Turing-Test) als ultimative Herausforderung von NeuroAI vor. Sein Kern liegt in fortgeschrittenen sensomotorischen Fähigkeiten, insbesondere einschließlich der Interaktion mit der Welt und der Flexibilität des Tierverhaltens. Leistung, Energieeffizienz und andere Eigenschaften.
Gleichzeitig sieht das Weißbuch auch einen Weg vor, mit dem verkörperten Turing-Test umzugehen, indem es den verkörperten Turing-Test des KI-Systems aus der Perspektive der Evolutionsgeschichte in die Intelligenz fortgeschrittener Organismen von unten zerlegt -Ebenen-Organismen zu komplexeren Organismen.
Die Rückkehr der künstlichen Intelligenz in die Neurowissenschaften ist unausweichlich.
Der Grundstein für die Revolution der künstlichen Intelligenz wurde vor Jahrzehnten in der Computational Neuroscience gelegt, als die Neurowissenschaftler McCulloch und Pitts 1943 erstmals einen mathematischen Ausdruck für die Eigenschaften von Neuronen vorschlugen, als sie verstehen wollten, wie das Gehirn rechnet.
Von Neumanns Erfindung der „Von Neumann-Computerarchitektur“ stammte tatsächlich aus seiner frühesten Arbeit zum Aufbau eines „künstlichen Gehirns“ in den 1940er Jahren.
Die tiefen Faltungsnetzwerke, die die neueste Welle der künstlichen Intelligenz ausgelöst haben, basieren auf künstlichen neuronalen Netzwerken (KNN), die direkt von der Forschung zu den visuellen Verarbeitungsschaltkreisen von Katzen inspiriert sind.
In ähnlicher Weise wurde die Entwicklung des Reinforcement Learning (RL) direkt von der neuronalen Aktivität von Tieren während des Lernprozesses inspiriert.
Jahrzehnte später sind künstliche neuronale Netze und verstärkendes Lernen zu den Mainstream-Technologien der künstlichen Intelligenz geworden, sodass das langfristige Ziel der „allgemeinen künstlichen Intelligenz“ in den Augen der Öffentlichkeit in greifbarer Nähe zu sein scheint.
Allerdings glauben viele Spitzenforscher im Bereich der künstlichen Intelligenz entgegen diesem Optimismus, dass wir noch neue große Durchbrüche erzielen müssen, bevor es möglich ist, künstliche Systeme zu bauen, die alle Aufgaben des Menschen und nicht nur des Menschen erfüllen können. Noch einfachere Tiere wie Ratten.
Die aktuelle KI ist weit davon entfernt, dieses Ziel zu erreichen:
KI kann jeden menschlichen Gegner in Spielen wie Schach und Go leicht besiegen, ist aber nicht robust genug, um sich neuen Dingen zu stellen. Beim Spielen stoßen wir oft auf Schwierigkeiten;
KI ist noch nicht in der Lage, eine Reihe einfacher Aktionen wie „zum Regal gehen, das Schachbrett abbauen, die Schachfiguren anordnen und die Schachfiguren im Spiel bewegen“ auszuführen; die sensomotorischen Fähigkeiten der KI sind noch nicht vergleichbar Vergleichbar mit 6-jährigen Kindern oder noch einfacheren Tieren fehlt der KI die Fähigkeit, mit einer unvorhersehbaren Welt zu interagieren und Schwierigkeiten zu haben, mit neuen Situationen umzugehen, eine grundlegende Fähigkeit, die sich alle Tiere mühelos aneignen.
Daher vermuten immer mehr KI-Forscher, dass es schwierig sein wird, die oben genannten Probleme zu lösen, wenn wir den bisherigen Weg fortsetzen.
Da es unser Ziel ist, der KI mehr natürliche Intelligenz zu verleihen, brauchen wir wahrscheinlich neue Inspiration von natürlichen intelligenten Systemen.
Während Dinge wie konvolutionelle künstliche neuronale Netze und verstärkendes Lernen von den Neurowissenschaften inspiriert sind, geht der Großteil der aktuellen Forschung im Bereich des maschinellen Lernens einen anderen Weg und verwendet Methoden, die von früheren Entdeckungen inspiriert sind, wie z. B. neuronale Netze, die darauf basieren der Aufmerksamkeitsmechanismus des Gehirns.
Die moderne Neurowissenschaft beeinflusst zwar immer noch die KI, aber die Auswirkungen sind noch sehr gering. Das ist eine verpasste Chance. In den letzten Jahrzehnten haben wir eine Fülle von Kenntnissen über das Gehirn angehäuft, die es uns ermöglichen, Einblicke in die anatomischen und funktionellen Strukturen zu gewinnen, die der natürlichen Intelligenz zugrunde liegen.
Vor diesem Hintergrund haben diese Wissenschaftler in diesem Whitepaper eine Erklärung abgegeben:
NeuroAI ist ein aufstrebendes Feld an der Schnittstelle von Neurowissenschaften und KI, basierend auf der Prämisse eines besseren Verständnisses Neural Computing Enthüllen Sie die grundlegenden Komponenten der Intelligenz und katalysieren Sie die nächste Revolution in der KI, letztendlich werden Agenten der künstlichen Intelligenz mit Fähigkeiten realisiert, die mit Menschen konkurrieren oder diese sogar übertreffen. Sie glauben, dass jetzt ein guter Zeitpunkt ist, groß angelegte Anstrengungen zu unternehmen, um die Prinzipien der biologischen Intelligenz zu identifizieren und zu verstehen und sie für den Einsatz in Computer- und Robotersystemen zu abstrahieren.
Was ist also das wichtigste Element der biologischen Intelligenz?
Sie glauben, dass Anpassungsfähigkeit, Flexibilität und die Fähigkeit, aus spärlichen Beobachtungen allgemeine Schlussfolgerungen zu ziehen, die Grundelemente der Intelligenz sind. Sie sind seit Hunderten von Millionen Jahren in irgendeiner Form in den Grundlagen unserer Evolution präsent Sensomotorische Schaltkreise.
Obwohl abstraktes Denken und logisches Denken oft als intelligente Verhaltensweisen angesehen werden, die nur für den Menschen gelten, ist abstraktes Denken, wie der Pionier der künstlichen Intelligenz Moravec sagte, nur „eine neue Technik, vielleicht weniger als 100.000 Jahre alt … Der Grund, warum es gültig ist, weil.“ es wird durch älteres, leistungsfähigeres, aber oft unbewusstes sensomotorisches Wissen unterstützt.“
Es ist sicherlich eine gute Nachricht, dass Ratten, Mäuse und nichtmenschliche Primaten als natürlichere Intelligenz in Experimenten dienen können, wenn die KI dies kann Wenn ihre Wahrnehmungs- und Motorikfähigkeiten übereinstimmen, werden die Schritte zur menschlichen Intelligenz viel kleiner sein. Wenn wir also die Kernfähigkeiten herausfinden, die alle Tiere bei der verkörperten sensomotorischen Interaktion mit der Welt besitzen, wird NeuroAI zwangsläufig zu erheblichen Fortschritten führen.
Turing schlug vor, dass wir im Vergleich zur unbeantwortbaren Frage, „ob Maschinen denken können“, sicher sein können, ob die Konversationsfähigkeit von Maschinen von der des Menschen unterschieden werden kann. Die implizite Ansicht ist, dass Sprache den Höhepunkt der menschlichen Intelligenz darstellt, sodass Maschinen, die sprechen können, intelligent sein müssen.
In gewisser Weise hatte Turing Recht, aber in anderer Hinsicht hatte er Unrecht.
Obwohl keine KI den Turing-Test bestehen kann, haben Sprachsysteme, die auf großen Textbibliotheken trainiert wurden, in letzter Zeit überzeugende Konversationen erzielt. Dieser Erfolg zeigt in gewissem Maße auch, wie einfach es für uns ist, Intelligenz als Handlungsfähigkeit, Entscheidungsfreiheit und sogar Bewusstsein zu betrachten werden dem Gesprächspartner zugeschrieben. Aber gleichzeitig schneiden diese Systeme bei bestimmten Denkaufgaben immer noch schlecht ab, was die Tatsache unterstreicht, dass Turing übersehen hat, dass Intelligenz viel mehr als nur Sprachfähigkeiten ist.
Die vielen Fehler, die derzeit von Systemen zur Verarbeitung natürlicher Sprache (NLP) gemacht werden, veranschaulichen auch den grundlegenden Mangel an Semantik, Kausalschlussfolgern und gesundem Menschenverstand der KI. Für diese Modelle liegt die Bedeutung von Wörtern in ihrem statistischen gemeinsamen Vorkommen und nicht in der realen Welt, sodass selbst die fortschrittlichsten Sprachmodelle trotz ihrer zunehmenden Fähigkeiten immer noch in einigen grundlegenden Bereichen eingeschränkt sind. Immer noch schlechte Leistungen bei allgemeinen Kenntnissen der Physik .
Der Turing-Test, wie er ursprünglich formuliert wurde, untersuchte nicht die Fähigkeit der KI, mit Tieren zu teilen und die physische Welt auf flexible Weise zu verstehen, sondern legte lediglich einen einfachen qualitativen Standard fest, anhand dessen wir die Fortschritte beurteilen konnten, die wir beim Aufbau der KI erzielt haben . Das Verständnis und die Fähigkeiten basieren möglicherweise auf der menschlichen Wahrnehmung und den motorischen Fähigkeiten, die über unzählige Generationen natürlicher Selektion verfeinert wurden.
In diesem Zusammenhang schlug der Autor im Whitepaper einen erweiterten „Embodied Turing Test“ (The Embodied Turing Test) vor, der fortgeschrittene sensomotorische Fähigkeiten zur Durchführung von KI-Interaktionen mit Menschen und anderen Tieren umfasst.
Nehmen Sie Tiere als Beispiel. Jedes Tier hat seine eigenen einzigartigen Fähigkeiten, daher definieren sie auch ihren eigenen verkörperten Turing-Test, wie zum Beispiel die Fähigkeit künstlicher Biber, Dämme zu bauen, die Fähigkeit von Eichhörnchen, über Bäume zu springen usw . . Unter ihnen sind viele zentrale sensomotorische Fähigkeiten bei fast allen Tieren vorhanden, und die Fähigkeit der Tiere, die für die Anpassung an neue Umgebungen erforderlichen sensomotorischen Fähigkeiten schnell zu entwickeln, zeigt auch, dass diese Kernkompetenzen eine solide Grundlage für sie bilden.
Im Folgenden sind einige gemeinsame Merkmale sensomotorischer Fähigkeiten aufgeführt, die im Whitepaper vorgestellt wurden.
Zielgerichtete Bewegung und Interaktion mit der Umwelt sind die charakteristischen Merkmale von Tieren.
Obwohl die Robotik in letzter Zeit Fortschritte bei der Optimierung der Kontrolle, des Verstärkungslernens und des Nachahmungslernens gemacht hat, ist sie noch weit davon entfernt, die Kontrolle des Körpers und die Manipulation von Objekten auf tierischer Ebene zu erreichen.
Der Autor weist darauf hin, dass die Neurowissenschaften Hinweise zu modularen und mehrschichtigen Architekturen geben können und dass die KI auch über diese Fähigkeiten verfügen kann, wenn diese Architekturen an die KI angepasst werden.
Darüber hinaus liefert uns die Neurowissenschaft auch einige grundlegende Leitlinien für den Entwurf von KI-Systemen, wie etwa Teilautonomie (wie Module auf niedriger Ebene in der Hierarchie halbautonom ohne Eingabe von Modulen auf hoher Ebene agieren können) und abgestufte Steuerung (Wie Bewegungen, die zunächst durch langsame Planungsprozesse erzeugt werden, schließlich auf schnelle Reflexsysteme übertragen werden) usw.
Das Verständnis, wie bestimmte neuronale Netze an verschiedenen Aufgaben beteiligt sind – wie Fortbewegung, Feinsteuerung von Gliedmaßen, Händen und Fingern, Wahrnehmung und Aktionsauswahl – kann einen Weg dafür bieten, wie solche Systeme in Robotern implementiert werden können, und möglicherweise Bereitstellung von Lösungen für andere Formen der „Intelligenz“ in eher kognitiven Bereichen. Beispielsweise kann die Einbeziehung von Schaltkreisprinzipien für die Bewegungssteuerung auf niedriger Ebene dazu beitragen, eine bessere Grundlage für die Bewegungsplanung auf hoher Ebene in der KI zu schaffen.
Ein weiteres Ziel des Verständnisses spezifischer neuronaler Netze besteht darin, künstliche Intelligenzsysteme zu entwickeln, die in der Lage sind, eine große Anzahl flexibler und vielfältiger Aufgaben auf eine Weise zu übernehmen, die die Bandbreite der Verhaltensweisen einzelner Tiere widerspiegelt.
Heutzutage kann KI leicht lernen, Menschen in Videospielen wie Human Torch zu übertreffen, indem sie einfach Bildschirmpixel und Spielergebnisse verwendet. Im Gegensatz zu menschlichen Spielern sind diese KIs jedoch spröde und sehr empfindlich gegenüber kleinen Störungen, und eine geringfügige Änderung der Spielregeln oder ein paar Pixel Eingabe können zu einer katastrophal schlechten Leistung führen. Dies liegt daran, dass die KI eine Zuordnung von Pixeln zu Aktionen lernt, die kein Verständnis der Agenten, Objekte und der Physik erfordert, die sie im Spiel steuern.
Ebenso würde ein selbstfahrendes Auto selbst die Gefahren, die damit einhergehen, dass eine Kiste vom LKW vor ihm herunterfällt, nicht verstehen, es sei denn, es hätte tatsächlich einen Fall gesehen, in dem eine Kiste, die von einem LKW fiel, zu einem schlechten Ergebnis geführt hat. Selbst wenn das System über die Gefahren herabfallender Kisten geschult ist, kann es sein, dass eine leere Plastiktüte, die aus dem vorausfahrenden Auto herausgeschleudert wird, ein unbedingt zu vermeidendes Hindernis darstellt, weil es nicht wirklich versteht, dass es sich bei der Plastiktüte um ein Hindernis handelt Was oder wie körperlich bedrohlich es ist. Diese Unfähigkeit, mit Szenarien umzugehen, die in den Trainingsdaten nicht vorkommen, stellt eine große Herausforderung für weit verbreitete KI-Systeme dar.
Um in einer unvorhersehbaren und sich ständig verändernden Welt erfolgreich zu sein, muss ein Agent flexibel sein und neue Veränderungen durch die regelmäßigen Trends der Situation meistern, was Tiere auch tun. Da Tiere auf Interaktionen in der realen Welt basieren, werden sie im Laufe der Evolution und Entwicklung mit den meisten Fähigkeiten geboren, die sie zum Gedeihen benötigen, oder erwerben diese schnell aufgrund begrenzter Erfahrung.
Es ist also klar, dass Tiere nicht durch das Training für eine bestimmte Aufgabe von Grund auf Fähigkeiten erwerben. Tiere betreten keine leere Welt und verlassen sich beim Lernen dann auf große, beschriftete Trainingssätze. Obwohl maschinelles Lernen nach Möglichkeiten gesucht hat, dieses „unbeschriebene Blatt“ zu vermeiden, einschließlich selbstüberwachtem Lernen, Transferlernen, kontinuierlichem Lernen, Meta-Lernen, One-Shot-Lernen und Nachahmungslernen, haben diese Methoden nicht annähernd die gefundene Flexibilität erreicht bei Tieren.
Zu diesem Zweck glauben die Autoren, dass es möglich ist, die Prinzipien auf neuronaler Schaltkreisebene zu verstehen, die der Verhaltensflexibilität in der realen Welt zugrunde liegen, selbst bei einfachen Tieren Verbesserung der Flexibilität und Praktikabilität von KI. Das heißt, wir können die Optimierungsprozesse nutzen, mit denen die Evolution bereits begonnen hat, und so die Suche nach universellen Schaltkreisen für Interaktionen in der realen Welt erheblich beschleunigen.
Derzeit ist die Energieeffizienz eine wichtige Herausforderung für die KI, die unser Gehirn gemeistert hat. Beispielsweise erfordert das Training eines großen Sprachmodells wie GPT-3 über 1.000 Megawattstunden, genug, um eine Kleinstadt einen Tag lang mit Strom zu versorgen. Der Gesamtenergieverbrauch für das Training von KI ist groß und wächst schnell. Im Vergleich dazu sind biologische Systeme energieeffizienter. Das menschliche Gehirn verbraucht beispielsweise etwa 20 Watt.
Der Unterschied in den Fähigkeitsanforderungen zwischen Gehirn und Computer ergibt sich aus der unterschiedlichen Informationsverarbeitung. Auf algorithmischer Ebene stützen sich moderne groß angelegte künstliche neuronale Netze wie groß angelegte Sprachmodelle auf große Feed-Forward-Architekturen, und ihre Selbstfokussierung auf die Abfolge von Prozessen im Laufe der Zeit ignoriert häufig die potenzielle Leistungsfähigkeit der Rekursion zur Verarbeitung kontinuierlicher Informationen .
Da wir derzeit keinen effektiven Mechanismus zur Berechnung der Kreditzuweisung in einem wiederkehrenden Netzwerk haben, kann die Art und Weise, wie das Gehirn eine flexible wiederkehrende Architektur zur Verarbeitung langer Zeitreihen nutzt, dies offensichtlich tun Seien Sie effizient. Lösen Sie das Problem der zeitlichen Kreditzuweisung – sogar effizienter als die Feedforward-Kreditzuweisungsmechanismen, die derzeit in künstlichen neuronalen Netzen verwendet werden. Wenn wir das Gehirn nutzen können, um effiziente Trainingsmechanismen für wiederkehrende Schaltkreise zu entwerfen, ist es möglicherweise möglich, unsere Fähigkeit zur Verarbeitung sequenzieller Daten zu verbessern und gleichzeitig die Energieeffizienz des Systems weiter zu verbessern.
Zweitens interagieren biologische Neuronen auf der Implementierungsebene hauptsächlich durch die Übertragung von Aktionspotentialen (Spikes), einem asynchronen Kommunikationsprotokoll. Genau wie die Interaktion zwischen traditionellen digitalen Elementen kann man sich die Ausgabe eines Neurons als eine Folge von Nullen und Einsen vorstellen, aber im Gegensatz zu einem digitalen Computer ist der Energieverbrauch einer „1“ (d. h. einer Spitze) um ein Vielfaches höher als die von „0“ Größenordnungen. Da biologische Schaltkreise in einem Spike-sparse-Zustand arbeiten – selbst sehr aktive Neuronen überschreiten selten einen Arbeitszyklus von 10 % und die meisten arbeiten mit einer niedrigeren Rate – sind sie viel energieeffizienter.
Darüber hinaus können auch andere Faktoren zur Verbesserung der Energieeffizienz biologischer Netzwerke beitragen. Beispielsweise können biologische Netzwerke auch dann noch effizient rechnen, wenn einige Komponenten sehr unzuverlässig oder „verrauscht“ sind.
Die synaptische Freisetzung – die Art und Weise, wie Neuronen kommunizieren – kann so unzuverlässig sein, dass nur jede zehnte Nachricht zugestellt wird. Die Schaltkreise sind so organisiert, dass die Spike-Züge sehr variabel sind, eine Eigenschaft, die es neuronalen Schaltkreisen ermöglichen könnte, probabilistische Überlegungen anzustellen.
Dies ist eine sehr robuste Form der Berechnung unter Unsicherheit, und obwohl derzeit viele Forschungsanstrengungen unternommen werden, um das Potenzial von Spitzennetzwerken auszuschöpfen, ist dies bisher noch nicht geschehen Es handelte sich um eine „Killeranwendung“, die der Energieeffizienz biologischer Kreisläufe Konkurrenz macht. Das Hauptproblem besteht derzeit darin, dass „neuromorphe Chips“ weder angeborene Funktionen neuronaler Schaltkreise nachbilden noch leicht zu trainieren sind. Sie sind also zwar energieeffizienter, aber nicht so nützlich wie ihre energiehungrigen digitalen Gegenstücke.
Unter solchen Umständen schlägt der Autor vor, dass wir zur Erzielung einer höheren Energieeffizienz in der KI nicht nur auf die Idee spärlicher Spike-Netzwerke zurückgreifen können, sondern auch Außerdem stellen neuronale Netzwerke Schaltungsfunktionen und Lernregeln bereit, die auf neuromorphen Chips implementiert sind.
Also, wie sollten wir verkörperte Turing-Tests entwickeln? KI?
Der Autor glaubt, dass es möglich sein könnte, Schritt für Schritt aus der Perspektive der Evolutionsgeschichte vorzugehen. Beispielsweise führen die meisten Tiere zielgerichtete Bewegungen aus, etwa indem sie sich auf Nahrung zubewegen und sich von Bedrohungen entfernen. Darauf bauen komplexere Fähigkeiten auf, darunter die Kombination verschiedener Sinne wie Sehen oder Riechen, das Unterscheiden von Nahrungsmitteln von Bedrohungen durch unterschiedliche sensorische Informationen, das Navigieren zu früheren Standorten, das Abwägen von Anreizen und Bedrohungen zum Erreichen von Zielen und das präzise Interagieren mit der Welt dienen ziele und mehr.
Diese komplexen Fähigkeiten finden sich in einfachen Organismen wie Würmern, aber bei komplexeren Tieren wie Fischen und Säugetieren sind diese Fähigkeiten darauf ausgelegt, mit neuen Strategien kombiniert zu werden, um leistungsfähigere Verhaltensstrategien zu erreichen. Diese evolutionäre Perspektive schlägt eine Strategie zur Lösung des verkörperten Turing-Tests vor, indem man ihn in eine Reihe voneinander abhängiger inkrementeller Herausforderungen zerlegt und diese Reihe iterativ optimiert.
Darüber hinaus gehören zu den Organismen, die leichte und mittlere Herausforderungen darstellen, Würmer, Fliegen, Fische, Nagetiere und Primaten usw Dabei handelt es sich um neurowissenschaftliche Forschung. Wir können das gesammelte Wissen über die Schaltkreise und Mechanismen hinter diesen Verhaltensmustern von Tieren nutzen, um entsprechende Forschungen auf Computern unter Verwendung virtueller Umgebungen und virtueller Kreaturen durchzuführen.
Um das erforderliche Maß an Verhaltensflexibilität zu erreichen, wird KI, die den Embodied Turing Test besteht, einer Reihe artspezifischer Tests unterzogen, um selbstüberwachtes Lernen zu erforschen , kontinuierliches Lernen, Transferlernen, Meta-Lernen und lebenslanges Gedächtnis usw. Diese Tests können auch standardisiert werden, damit wir den Forschungsfortschritt messen können. Letztendlich können sich erfolgreiche virtuelle Organismen durch Roboterbemühungen an die physische Welt anpassen und zur Lösung realer Probleme eingesetzt werden.
Um die oben genannten Ziele zu erreichen, sind nicht nur viele Ressourcen erforderlich, sondern auch andere Disziplinen als die traditionelle künstliche Intelligenz und Neurowissenschaften wie Psychologie, Ingenieurwesen und Linguistik . Erreiche Erfolge. Unsere oberste Priorität besteht nicht nur darin, vorhandenes Fachwissen in diesen Disziplinen zu nutzen, sondern eine neue Generation von KI-Forschern auszubilden, die sowohl in den Ingenieurwissenschaften/Computerwissenschaften als auch in den Neurowissenschaften hervorragende Leistungen erbringen.
Diese Forscher werden auf jahrzehntelange Erfahrung in den Neurowissenschaften zurückgreifen, um neue Richtungen für die Forschung im Bereich der künstlichen Intelligenz festzulegen. Die größte Herausforderung wird darin bestehen, die Synergien der Neurowissenschaften, der Computerwissenschaften und anderer verwandter Bereiche zu nutzen, um die Erforschung voranzutreiben. Das heißt, zu bestimmen, welche Details der Schaltkreise des Gehirns, der Biophysik und der Chemie wichtig sind und welche Details in KI-Anwendungen verwendet werden können . Vernachlässigung.
Daher brauchen wir dringend Forscher mit einer gewissen Ausbildung in verschiedenen Fachgebieten, die neurowissenschaftliches Wissen computergerecht abstrahieren und bei der Gestaltung von Experimenten helfen können, um neue neurobiologische Forschungsergebnisse zu generieren zur künstlichen Intelligenz.
Zweitens müssen wir eine gemeinsame Plattform schaffen, die diese virtuellen Agenten entwickeln und testen kann. Eine der größten technischen Herausforderungen, denen wir bei der Erstellung von Iterationen, der Umsetzung des Turing-Tests und der Entwicklung künstlicher Organismen zur Deckung dieses Bedarfs gegenüberstehen, ist die Rechenleistung. Derzeit kann das Training eines großen neuronalen Netzwerkmodells nur für eine einzelne spezifische Aufgabe (z. B. die Steuerung des Körpers im 3D-Raum) auf spezialisierter verteilter Hardware Tage dauern.
Drittens müssen wir grundlegende theoretische und experimentelle Forschung zum neuronalen Computing unterstützen.
In den letzten Jahrzehnten haben wir viel über das Gehirn gelernt und beginnen, immer mehr über die einzelnen Zellen, Neuronen usw. des Gehirns zu verstehen Wie Dinge als Teil eines einfachen Schaltkreises funktionieren. Ausgestattet mit dem Wissen über diese Module besteht unser nächster Schritt darin, unsere Bemühungen der Erforschung der Funktionsweise des Gehirns, eines integrierten intelligenten Systems, zu widmen.
Um dieses Ganze zu erforschen, müssen Sie genau verstehen, wie 100 Milliarden Neuronen von 1.000 verschiedenen Typen miteinander verbunden sind. Sie müssen die Beziehung zwischen jedem Neuron und dem Flexiblen verstehen Anpassungsfähige Verbindungen zwischen Tausenden anderer Neuronen erfordern auch ein Verständnis der Rechenleistung, also der Intelligenz. Wir müssen also das Gehirn zurückentwickeln und die Grundprinzipien seiner Funktionsweise abstrahieren.
Bitte beachten Sie, dass die Entwicklung virtueller Agenten diesen Prozess erheblich beschleunigen wird, da virtuelle Agenten Experimente an realen Tieren und computersimulierten Tieren ermöglichen. Direkte Vergleiche werden Aufschluss geben die zugrunde liegenden Mechanismen der Eigenschaften auf neuronaler Schaltkreisebene und die Mechanismen, die für robuste Steuerung, flexibles Verhalten, Energieeffizienz und intelligentes Verhalten erforderlich sind.
Die Nutzung der starken Synergien zwischen Neurowissenschaften und künstlicher Intelligenz erfordert Programm- und Infrastrukturunterstützung, um groß angelegte Forschung über Disziplinen hinweg zu organisieren und zu ermöglichen.
Obwohl die Neurowissenschaften eine lange Geschichte der Förderung der Entwicklung künstlicher Intelligenz haben, und ihre Zukunft Es gibt ein enormes Entwicklungspotenzial, aber die meisten Ingenieure und Computerwissenschaftler in der KI-Community sind sich des Potenzials nicht bewusst, aus den Neurowissenschaften Kapital zu schlagen.
Der Einfluss der Neurowissenschaften auf die Ideen von Neumann, Turing und anderen Giganten der Computertheorie wird in typischen Informatikkursen selten erwähnt; hochmoderne Konferenzen zur künstlichen Intelligenz wie NeurIPS wurden einst genutzt, um Computational Neuroscience und die neuesten Erkenntnisse zu teilen und zu demonstrieren Ergebnisse des maschinellen Lernens, aber Die Konferenzteilnehmer konzentrieren sich jetzt fast nur auf maschinelles Lernen und ignorieren die Neurowissenschaften.
„Ingenieure studieren keine Vögel, um bessere Flugzeuge zu bauen“ ist ein weit verbreitetes Sprichwort. Aber die Analogie schlägt fehl, zum Teil weil Luftfahrtpioniere Vögel untersuchten und Wissenschaftler dies auch in der Neuzeit tun. Darüber hinaus gilt diese Analogie auf einer grundlegenderen Ebene nicht: Das Ziel der modernen Luftfahrttechnik besteht nicht darin, einen Flug auf „Vogelniveau“ zu erreichen, sondern das primäre Ziel der künstlichen Intelligenz besteht tatsächlich darin, das „Menschenniveau“ zu erreichen oder zu übertreffen „Intelligenz.
So wie Computer den Menschen in vielen Aspekten übertreffen (z. B. in der Fähigkeit, Primzahlen zu berechnen), übertreffen Flugzeuge Vögel in Bezug auf Geschwindigkeit, Reichweite und Frachtkapazität. Wenn das Ziel der Luftfahrtingenieure tatsächlich darin besteht, eine Maschine mit „Vogel-Niveau“-Fähigkeiten zu bauen, die durch dichte Wälder fliegen und sanft auf Ästen landen kann, dann müssen diese Ingenieure genau darauf achten, wie Vögel das tun.
Wenn das Ziel der künstlichen Intelligenz darin besteht, sensomotorische Intelligenz auf Tierebene zu erreichen, wäre es für Forscher besser, von Tieren zu lernen und zu erfahren, wie sich Tiere entwickelt haben, um sich in dieser unvorhersehbaren Welt zu verhalten.
Das obige ist der detaillierte Inhalt vonBengio, LeCun und andere haben gemeinsam ein NeuroAI-Whitepaper veröffentlicht: Die Essenz der Intelligenz ist die sensomotorische Fähigkeit, die KI steht vor der großen Herausforderung des verkörperten Turing-Tests. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!