Artikel ini diterbitkan semula daripada Lei Feng.com Jika anda perlu mencetak semula, sila pergi ke tapak web rasmi Lei Feng.com untuk memohon kebenaran.
Secara sejarah, neurosains telah menjadi pemacu utama dan sumber inspirasi untuk pembangunan kecerdasan buatan, terutamanya penglihatan, pembelajaran berasaskan ganjaran, interaksi dengan dunia fizikal dan bahasa, yang dilakukan oleh manusia dan haiwan lain. sangat mahir dalam Kecerdasan buatan telah mencapai kemajuan besar dalam bidang ini dengan bantuan neurosains.
Walau bagaimanapun, dalam beberapa tahun kebelakangan ini, kaedah penyelidikan kecerdasan buatan nampaknya semakin menjauh daripada sains saraf Pada masa yang sama, kecerdasan buatan terus mengalami kesukaran untuk mengejarnya kecerdasan manusia. Dengan latar belakang ini, gelombang kecerdasan buatan yang kembali ke neurosains sedang terbentuk.
Baru-baru ini, kertas putih mengeluarkan pengisytiharan bahawa "NeuroAI akan memangkin revolusi kecerdasan buatan generasi akan datang."
Kertas putih bertajuk "Ke Arah Kecerdasan Buatan Generasi Seterusnya: Memangkin Revolusi NeuroAI" menghimpunkan dua pemenang Anugerah Turing, Yoshua Bengio dan Yann LeCun, dan sekumpulan saintis yang komited untuk penyelidikan mengenai gabungan pembelajaran mesin dan neurosains.
Mereka menyeru: Untuk mempercepatkan kemajuan kecerdasan buatan dan merealisasikan potensinya yang besar, kita mesti komited kepada penyelidikan asas mengenai NeuroAI.
Kertas putih pertama kali mencadangkan bahawa Elemen asas kecerdasan biologi terletak pada keupayaan haiwan untuk terlibat dalam interaksi sensorimotor dengan dunia.
Bermula dari premis ini, mereka mencadangkan The Embodied Turing Test sebagai cabaran muktamad NeuroAI Terasnya terletak pada Keupayaan sensorimotor lanjutan, khususnya termasuk interaksi dengan dunia , fleksibiliti tingkah laku haiwan, kecekapan tenaga dan ciri-ciri lain.
Pada masa yang sama, kertas putih juga membayangkan laluan untuk menangani ujian Turing yang terkandung, memecahkan ujian Turing yang terkandung dalam sistem AI dari perspektif sejarah evolusi ke dalam perkembangan daripada organisma peringkat pertengahan ke tahap rendah kepada kecerdasan organisma yang lebih kompleks.
Kepulangan kecerdasan buatan kepada neurosains tidak dapat dielakkan.
Benih revolusi kecerdasan buatan telah disemai beberapa dekad yang lalu dalam neurosains pengiraan, apabila ahli sains saraf McCulloch dan Pitts mula-mula mencadangkan ungkapan matematik sifat-sifat neuron pada tahun 1943, mereka cuba memahami bagaimana otak mengira.
Penciptaan Von Neumann tentang "Seni Bina Komputer Von Neumann" sebenarnya berasal dari kerja terawalnya dalam membina "otak buatan" diambil daripada pengetahuan otak yang sangat terhad.
Rangkaian konvolusi yang mendalam yang mencetuskan gelombang kecerdasan buatan terkini dibina pada rangkaian saraf tiruan (ANN), yang diperoleh secara langsung daripada litar pemprosesan visual kucing Dapatkan inspirasi daripada penyelidikan .
Begitu juga, pembangunan pembelajaran tetulang (RL) diilhamkan secara langsung oleh aktiviti saraf haiwan semasa proses pembelajaran.
Dekad kemudian, rangkaian saraf tiruan dan pembelajaran pengukuhan telah menjadi teknologi arus perdana kecerdasan buatan, jadi di mata orang ramai, matlamat jangka panjang "kecerdasan buatan am" nampaknya menjadi Ia dalam genggaman kita.
Walau bagaimanapun, bertentangan dengan keyakinan ini, ramai penyelidik kecerdasan buatan barisan hadapan percaya bahawa kita masih perlu membuat penemuan besar baru sebelum mungkin untuk membina mesin yang boleh menyelesaikan semua tugas manusia Sistem buatan, dan bukan hanya manusia, malah haiwan yang lebih ringkas seperti tikus.
AI semasa masih jauh daripada mencapai matlamat ini:
AI boleh dengan mudah mengalahkan mana-mana manusia dalam permainan seperti catur dan lawan Go, tetapi tidak cukup teguh dan sering menghadapi kesukaran apabila menghadapi perkara baharu; menyusun buah catur dan menggerakkannya dalam permainan"; kebolehan sensorimotor AI belum lagi setanding dengan kanak-kanak berumur empat tahun, atau haiwan yang lebih mudah; AI tidak mempunyai keupayaan untuk berinteraksi dengan dunia yang tidak dapat diramalkan , kesukaran mengendalikan situasi baharu, keupayaan asas yang semua haiwan perolehi dengan mudah.
Oleh itu, semakin ramai penyelidik AI mengesyaki bahawa sukar untuk menyelesaikan masalah di atas jika kita meneruskan laluan semasa.
Memandangkan matlamat kami adalah untuk menjadikan AI mempunyai lebih kecerdasan semula jadi, kami berkemungkinan memerlukan inspirasi baharu daripada sistem pintar semula jadi.
Walaupun rangkaian saraf tiruan konvolusi dan pembelajaran tetulang diilhamkan oleh neurosains, kebanyakan penyelidikan semasa tentang pembelajaran mesin mengambil jalan lain neurosains, seperti rangkaian saraf berdasarkan mekanisme perhatian otak.
Sains saraf moden sememangnya masih menjejaskan AI, tetapi kesannya masih sangat kecil. Ini adalah peluang yang terlepas. Sepanjang beberapa dekad yang lalu, kami telah mengumpul banyak pengetahuan tentang otak, membolehkan kami mendapatkan pandangan tentang struktur anatomi dan berfungsi yang menyokong kecerdasan semula jadi.
Berlawanan dengan latar belakang inilah para saintis ini mengeluarkan deklarasi dalam kertas putih ini:
NeuroAI is The emerging medan di persimpangan neurosains dan AI adalah berdasarkan premis bahawa pemahaman yang lebih baik tentang pengkomputeran saraf akan mendedahkan komponen asas kecerdasan, yang akan memangkin revolusi seterusnya dalam AI, akhirnya mencapai keupayaan yang menyaingi atau bahkan mengatasi manusia Keupayaan agen tiruan. Mereka percaya sekarang adalah masa yang baik untuk melancarkan usaha berskala besar untuk mengenal pasti dan memahami prinsip kecerdasan biologi dan mengabstrakkannya untuk digunakan dalam sistem komputer dan robotik.
Jadi, apakah elemen kecerdasan biologi yang paling penting?
Mereka percaya bahawa kebolehsuaian, fleksibiliti dan keupayaan untuk membuat kesimpulan umum daripada pemerhatian yang jarang adalah elemen asas kecerdasan, dan ia telah ditunjukkan dengan cara tertentu Bentuk ini wujud dalam litar sensorimotor asas kami yang telah berkembang selama ratusan juta tahun.
Walaupun pemikiran dan penaakulan abstrak sering dianggap sebagai tingkah laku pintar yang unik kepada manusia, seperti yang dikatakan oleh perintis kecerdasan buatan Moravec, pemikiran abstrak hanyalah "satu teknik baharu yang mungkin belum mempunyai sejarah lagi." 100,000 tahun... Ia berfungsi kerana ia disokong oleh pengetahuan sensorimotor yang lebih tua, lebih berkuasa, tetapi sering tidak sedarkan diri ”
Ini sememangnya berita baik, Tikus, tikus dan primat bukan manusia berfungsi sebagai model yang lebih mudah dikendalikan untuk eksperimen tentang kecerdasan semula jadi, dan jika kecerdasan buatan dapat memadankan kebolehan persepsi dan motor mereka, langkah ke arah kecerdasan manusia mungkin lebih kecil. Oleh itu, jika kita mengetahui kebolehan teras yang dimiliki oleh semua haiwan dalam interaksi sensorimotor yang terkandung dengan dunia, NeuroAI pasti akan membawa kepada kemajuan besar.
Pada tahun 1950, Alan Turing mencadangkan "Permainan Tiruan" untuk Menguji keupayaan mesin untuk mempamerkan tingkah laku pintar yang sama dengan, atau tidak dapat dibezakan daripada, manusia. Dalam pertandingan itu, hakim manusia dikehendaki menilai perbualan bahasa semula jadi antara orang sebenar dan mesin yang dilatih untuk meniru tindak balas manusia.
Turing mencadangkan bahawa berbanding dengan soalan yang tidak dapat dijawab tentang "sama ada mesin boleh berfikir", apa yang boleh kita pasti ialah sama ada keupayaan perbualan mesin boleh dibezakan daripada manusia. Pandangan tersirat ialah bahasa mewakili kemuncak kecerdasan manusia, jadi mesin yang boleh bercakap mestilah pintar.
Dalam satu cara, Turing betul, tetapi dalam cara lain dia salah.
Walaupun tiada AI yang boleh lulus ujian Turing, baru-baru ini, sistem bahasa yang dilatih pada perpustakaan teks besar telah mencapai dialog persuasif Kejayaan ini sebahagiannya Ia juga mendedahkan kecenderungan kita untuk mengaitkan kecerdasan, agensi, dan juga kesedaran kepada lawan bicara kita. Tetapi pada masa yang sama, sistem ini masih berprestasi lemah pada tugas penaakulan tertentu, menyerlahkan fakta bahawa Turing mengabaikan bahawa kecerdasan jauh melebihi kemampuan bahasa.
Banyak kesilapan yang dibuat oleh sistem pemprosesan bahasa semula jadi (NLP) pada masa ini turut menggambarkan kekurangan asas AI dalam semantik, penaakulan sebab musabab dan akal sehat. Bagi model ini, makna perkataan terletak pada kejadian bersama statistiknya dan bukannya di dunia nyata, jadi walaupun model bahasa yang paling maju, walaupun keupayaannya semakin meningkat, masih terhad dalam beberapa bidang prestasi yang masih lemah pengetahuan fizik.
Ujian Turing seperti yang dirumuskan pada asalnya tidak meneroka keupayaan AI untuk berkongsi dengan haiwan dan memahami dunia fizikal dengan cara yang fleksibel. Ia hanya mewujudkan standard kualitatif yang mudah untuk menilai kemajuan yang telah kami capai membina AI. Pemahaman dan kebolehan mungkin berdasarkan persepsi manusia dan kebolehan motor, yang diasah melalui pemilihan semula jadi yang tidak terkira banyaknya.
Sehubungan dengan itu, penulis mencadangkan "Ujian Turing Terwujud" (The Embodied Turing Test) yang dilanjutkan dalam kertas putih, yang merangkumi kebolehan sensorimotor lanjutan dan boleh menyepadukan Penanda Aras AI dan membandingkan interaksi dengan manusia dan haiwan lain.
Ambil haiwan sebagai contoh Setiap haiwan mempunyai set kebolehan tersendiri, jadi mereka juga mentakrifkan ujian Turing mereka sendiri, seperti menguji keupayaan memerang buatan untuk membina empangan. , keupayaan tupai untuk melompat dari pokok, dan banyak lagi. Antaranya, banyak kebolehan sensorimotor teras dikongsi oleh hampir semua haiwan, dan keupayaan haiwan untuk mengembangkan kemahiran motor sensori dengan pantas yang diperlukan untuk menyesuaikan diri dengan persekitaran baharu juga menunjukkan bahawa kemahiran teras ini menyediakan asas yang kukuh untuk mereka.
Berikut ialah beberapa ciri biasa kebolehan sensorimotor yang diperkenalkan dalam kertas putih.
Bergerak dengan tujuan dan berinteraksi dengan alam sekitar adalah ciri yang menentukan haiwan.
Walaupun robotik baru-baru ini telah mencapai kemajuan dalam mengoptimumkan kawalan, pembelajaran pengukuhan dan pembelajaran tiruan, ia masih jauh daripada mencapai kawalan tahap haiwan terhadap badan dan manipulasi objek.
Pengarang menegaskan bahawa kerana neurosains boleh memberikan panduan tentang seni bina modular dan berlapis, apabila seni bina ini disesuaikan menjadi AI, AI juga boleh mempunyai keupayaan ini.
Bukan itu sahaja, neurosains juga memberi kita beberapa panduan prinsip untuk mereka bentuk sistem AI, seperti autonomi separa (bagaimana modul peringkat rendah dalam hierarki boleh berfungsi tanpa input daripada peringkat tinggi modul) bertindak separa autonomi) dan kawalan berperingkat (bagaimana pergerakan yang asalnya dihasilkan oleh proses perancangan perlahan akhirnya dipindahkan ke sistem refleks pantas), dsb.
Memahami bagaimana rangkaian saraf tertentu terlibat dalam tugas yang berbeza - seperti pergerakan, kawalan halus anggota badan, tangan dan jari, persepsi dan pemilihan tindakan - boleh memberitahu bagaimana sistem tersebut berfungsi Pelaksanaan dalam robot menyediakan laluan dan mungkin juga menyediakan penyelesaian untuk bentuk "kecerdasan" lain dalam bidang yang lebih kognitif. Sebagai contoh, menggabungkan prinsip litar untuk kawalan gerakan peringkat rendah boleh membantu menyediakan asas yang lebih baik untuk perancangan gerakan peringkat tinggi dalam AI.
Satu lagi matlamat untuk memahami rangkaian saraf tertentu adalah untuk membangunkan keupayaan untuk melibatkan diri dalam cara yang bergema dengan julat tingkah laku yang dihasilkan oleh haiwan individu. Sistem kecerdasan buatan untuk sejumlah besar tugas yang fleksibel dan pelbagai.
Hari ini, AI boleh belajar dengan mudah mengatasi prestasi manusia dalam permainan video seperti Human Torch, hanya menggunakan piksel pada skrin dan skor permainan. Walau bagaimanapun, tidak seperti pemain manusia, AI ini rapuh dan sangat sensitif terhadap gangguan kecil, dan sedikit perubahan dalam peraturan permainan atau beberapa piksel input boleh mengakibatkan prestasi buruk yang teruk. Ini kerana AI mempelajari pemetaan daripada piksel kepada tindakan yang tidak melibatkan pemahaman tentang ejen, objek dan fizik yang mengawalnya dalam permainan.
Begitu juga, kereta pandu sendiri tidak akan memahami bahaya kotak jatuh dari trak di hadapannya melainkan ia benar-benar melihat ia jatuh dari trak hasil yang buruk. Walaupun ia dilatih tentang bahaya peti jatuh, sistem mungkin menganggap beg plastik kosong yang diterbangkan dari kereta di hadapannya sebagai halangan yang perlu dielakkan sama sekali, kerana ia tidak benar-benar memahami bahawa beg plastik adalah Apa, atau betapa mengancamnya secara fizikal. Ketidakupayaan untuk mengendalikan senario yang tidak dilihat dalam data latihan adalah cabaran utama untuk sistem AI yang banyak bergantung.
Untuk berjaya dalam dunia yang tidak menentu dan sentiasa berubah, ejen mesti fleksibel dan menguasai perubahan baharu melalui trend perkembangan biasa situasi, Beginilah haiwan buat juga. Oleh kerana haiwan berasaskan interaksi dunia nyata, sepanjang evolusi dan pembangunan mereka dilahirkan dengan kebanyakan kemahiran yang mereka perlukan untuk berkembang maju, atau memperolehnya dengan cepat daripada pengalaman yang terhad.
Jadi jelaslah bahawa latihan untuk tugas tertentu dari awal bukanlah cara haiwan memperoleh kemahiran. Haiwan tidak memasuki dunia batu tulis kosong dan kemudian bergantung pada set latihan berlabel besar untuk belajar. Walaupun pembelajaran mesin telah mencari cara untuk mengelakkan "tulisan kosong" ini, termasuk pembelajaran penyeliaan kendiri, pembelajaran pemindahan, pembelajaran berterusan, pembelajaran meta, pembelajaran satu pukulan dan pembelajaran tiruan, kaedah ini tidak mendekati fleksibiliti yang ditemui dalam haiwan.
Untuk tujuan ini, penulis percaya bahawa memahami prinsip peringkat litar saraf yang menyediakan asas untuk fleksibiliti tingkah laku dalam dunia nyata, walaupun dalam haiwan mudah, mempunyai potensi untuk bertambah baik. AI. Fleksibiliti dan praktikal. Iaitu, kita boleh memanfaatkan proses pengoptimuman yang telah dilakukan oleh evolusi, secara mendadak mempercepatkan pencarian litar universal untuk interaksi dunia sebenar.
Pada masa ini, cabaran penting yang dihadapi AI yang telah diatasi oleh otak kita ialah kecekapan tenaga. Contohnya, melatih model bahasa yang besar seperti GPT‑3 memerlukan lebih 1,000 megawatt jam, cukup untuk menggerakkan sebuah bandar kecil selama sehari. Jumlah tenaga yang digunakan untuk melatih AI adalah besar dan berkembang pesat Sebagai perbandingan, sistem biologi lebih cekap tenaga Otak manusia, sebagai contoh, menggunakan kira-kira 20 watt.
Perbezaan keperluan keupayaan antara otak dan komputer berpunca daripada perbezaan pemprosesan maklumat. Pada peringkat algoritma, rangkaian saraf tiruan berskala besar moden seperti model bahasa berskala besar bergantung pada seni bina suapan ke hadapan yang besar, dan tumpuan kendiri mereka pada urutan proses dari semasa ke semasa sering mengabaikan potensi kuasa rekursi untuk memproses maklumat berterusan. .
Pada masa ini, memandangkan kami tidak mempunyai mekanisme pengiraan peruntukan kredit yang berkesan dalam rangkaian berulang, cara otak menggunakan seni bina berulang yang fleksibel untuk mengendalikan siri masa yang panjang jelas dapat menyelesaikan peruntukan kredit masa dengan cekap masalah—malah lebih cekap daripada mekanisme peruntukan kredit suapan yang kini digunakan dalam rangkaian saraf tiruan. Jika kita boleh menggunakan otak untuk membimbing cara mereka bentuk mekanisme latihan yang cekap untuk litar berulang, kita mungkin dapat meningkatkan keupayaan kita untuk memproses data berjujukan sambil meningkatkan lagi kecekapan tenaga sistem.
Kedua, pada peringkat pelaksanaan, neuron biologi berinteraksi terutamanya dengan menghantar potensi tindakan (pancang), yang merupakan protokol komunikasi tak segerak. Sama seperti interaksi antara elemen digital tradisional, output neuron boleh dianggap sebagai rentetan 0s dan 1s, tetapi tidak seperti komputer digital, penggunaan tenaga "1" (iaitu, puncak) adalah beberapa kali lebih tinggi. daripada perintah magnitud "0". Oleh kerana litar biologi beroperasi dalam keadaan jarang spike-malah neuron yang sangat aktif jarang melebihi kitaran tugas 10% dan kebanyakannya beroperasi pada kadar yang lebih rendah-mereka jauh lebih cekap tenaga.
Selain itu, faktor lain juga mungkin menyumbang kepada peningkatan kecekapan tenaga rangkaian biologi. Sebagai contoh, rangkaian biologi masih boleh mengira dengan cekap walaupun sesetengah komponen sangat tidak boleh dipercayai atau "bising."
Pelepasan sinaptik – cara neuron berkomunikasi – mungkin tidak boleh dipercayai sehingga hanya 1 dalam 10 mesej dihantar. Litar disusun sedemikian rupa sehingga kereta api pancang sangat berubah-ubah, sifat yang membolehkan litar saraf melakukan penaakulan kebarangkalian.
Ini adalah satu bentuk pengiraan yang mantap di bawah ketidakpastian Walaupun banyak kajian sedang berusaha untuk mengeksploitasi potensi rangkaian puncak, sehingga kini, masih belum ada penyelesaian yang boleh dibandingkan. dengan litar biologi "aplikasi pembunuh" dengan kecekapan tenaga yang setanding. Masalah utama semasa ialah "cip neuromorfik" tidak meniru fungsi litar saraf semula jadi dan tidak mudah untuk dilatih, jadi walaupun ia lebih cekap tenaga, ia tidak berguna seperti rakan digital mereka yang haus tenaga.
Dalam keadaan sedemikian, penulis mencadangkan bahawa untuk mencapai kecekapan tenaga yang lebih tinggi dalam AI, kita bukan sahaja boleh menggunakan idea rangkaian spike jarang, tetapi juga menyediakan litar saraf fungsi dan pembelajaran Cip neuromorfik biasa dilaksanakan.
Jadi, bagaimanakah kita harus membangunkan AI untuk Ujian Turing Terjelma?
Pengarang percaya bahawa adalah mungkin untuk meneruskan langkah demi langkah dari perspektif sejarah evolusi. Sebagai contoh, kebanyakan haiwan terlibat dalam pergerakan terarah matlamat, seperti bergerak ke arah makanan dan menjauhi ancaman. Membina ini adalah kemahiran yang lebih kompleks, termasuk menggabungkan deria yang berbeza, seperti penglihatan atau bau, membezakan makanan daripada ancaman melalui maklumat deria yang berbeza, menavigasi ke lokasi sebelumnya, menimbang insentif dan ancaman untuk mencapai matlamat, dan berinteraksi dengan dunia dengan cara yang tepat Berinteraksi untuk berkhidmat matlamat dan banyak lagi.
Kebolehan kompleks ini boleh didapati dalam organisma ringkas seperti cacing, tetapi dalam haiwan yang lebih kompleks seperti ikan dan mamalia, kebolehan ini direka bentuk untuk digabungkan dengan strategi baharu untuk menjadi strategi tingkah laku yang lebih berkuasa. Perspektif evolusi ini mencadangkan strategi untuk menyelesaikan ujian Turing yang terkandung dengan membahagikannya kepada satu siri cabaran tambahan yang saling bergantung dan mengoptimumkan siri ini secara berulang.
Selain itu, organisma yang mewakili cabaran peringkat rendah dan sederhana termasuk cacing, lalat, ikan, tikus, dan primata, dsb., yang merupakan sistem yang digunakan secara meluas dalam penyelidikan neurosains. , kita boleh menggunakan pengetahuan terkumpul sebelumnya tentang litar dan mekanisme di sebalik corak tingkah laku haiwan ini untuk menjalankan penyelidikan berkaitan komputer menggunakan persekitaran maya dan makhluk maya.
Untuk mencapai tahap fleksibiliti yang diperlukan dalam tingkah laku, AI yang melepasi Ujian Turing Embodied akan menghadapi satu siri ujian khusus spesies untuk meneroka pembelajaran penyeliaan kendiri, pembelajaran berterusan, pemindahan pembelajaran, Meta-pembelajaran dan ingatan sepanjang hayat, dsb. Ujian ini juga boleh diseragamkan supaya kita boleh mengukur kemajuan penyelidikan. Akhirnya, organisma maya yang berjaya boleh menyesuaikan diri dengan dunia fizikal melalui usaha robotik dan digunakan untuk menyelesaikan masalah dunia sebenar.
Mencapai matlamat yang dinyatakan di atas memerlukan kedua-dua jumlah sumber yang besar dan pencapaian dalam disiplin selain daripada kecerdasan buatan tradisional dan neurosains seperti psikologi, kejuruteraan dan linguistik. Di luar sekadar memanfaatkan kepakaran sedia ada dalam disiplin ini, keutamaan kami ialah melatih generasi baharu penyelidik AI yang cemerlang dalam kedua-dua sains kejuruteraan/pengiraan dan sains saraf.
Penyelidik ini akan menggunakan beberapa dekad neurosains untuk melakarkan hala tuju baharu bagi penyelidikan kecerdasan buatan. Cabaran terbesar ialah menentukan cara memanfaatkan sinergi neurosains, sains pengiraan dan bidang berkaitan lain untuk memajukan penerokaan Iaitu, menentukan butiran litar otak, biofizik dan kimia yang penting dan butiran yang boleh digunakan dalam aplikasi AI. .
Oleh itu, kami amat memerlukan penyelidik dengan beberapa latihan dalam bidang berbeza yang boleh mengabstrakkan pengetahuan neurosains dengan cara yang mesra komputer dan membantu mereka bentuk eksperimen untuk menghasilkan hasil yang berkaitan dengan penyelidikan neurobiologi baharu keputusan.
Kedua, kita perlu mencipta platform kongsi yang boleh membangunkan dan menguji ejen maya ini. Salah satu cabaran teknikal terbesar yang akan kami hadapi dalam mencipta lelaran, merangkumi ujian Turing, dan organisma buatan yang berkembang untuk menangani keperluan ini ialah kuasa pengkomputeran. Pada masa ini, melatih model rangkaian saraf yang besar hanya untuk satu tugas khusus (seperti mengawal badan dalam ruang 3D) boleh mengambil masa beberapa hari pada perkakasan teragih khusus.
Ketiga, kita perlu menyokong penyelidikan asas teori dan eksperimen tentang pengkomputeran saraf.
Kami telah belajar banyak tentang otak sejak beberapa dekad yang lalu, dan kami mula memahami lebih banyak tentang sel individu otak, neuron dan cara perkara ini berfungsi Sebahagian daripada litar ringkas yang berfungsi. Berbekalkan pengetahuan tentang modul ini, langkah seterusnya adalah menumpukan usaha kami untuk meneroka bagaimana otak, sistem pintar bersepadu, beroperasi.
Untuk meneroka keseluruhan ini, anda perlu memahami dengan mendalam bagaimana 100 bilion neuron daripada 1,000 jenis berbeza disambungkan bersama, dan anda perlu memahami cara setiap neuron berinteraksi dengan beribu-ribu neuron lain yang fleksibel dan sambungan yang boleh disesuaikan antara neuron juga memerlukan pemahaman tentang kuasa pengkomputeran, iaitu kecerdasan. Jadi kita mesti merekayasa balik otak dan mengabstrakkan prinsip asas operasinya.
Perhatikan bahawa pembangunan ejen maya akan mempercepatkan proses ini, kerana ejen maya membenarkan perbandingan langsung antara eksperimen dengan haiwan sebenar dan haiwan simulasi komputer, yang akan mendedahkan mekanisme asas sifat dan mekanisme peringkat litar saraf yang diperlukan untuk kawalan teguh, tingkah laku fleksibel, kecekapan tenaga dan tingkah laku pintar.
Mengambil kesempatan daripada sinergi yang kuat antara neurosains dan kecerdasan buatan memerlukan sokongan program dan infrastruktur untuk mengatur dan membolehkan penyelidikan berskala besar merentas disiplin.
Walaupun neurosains mempunyai sejarah panjang mempromosikan pembangunan kecerdasan buatan dan perkembangan masa depannya juga mempunyai potensi besar, kecerdasan buatan Kebanyakan jurutera dan saintis pengiraan dalam komuniti perisikan tidak tahu bahawa neurosains boleh dimanfaatkan.
Pengaruh neurosains terhadap pemikiran von Neumann, Turing dan gergasi teori pengkomputeran yang lain jarang disebut dalam kursus sains komputer biasa yang canggih seperti NeurIPS pernah digunakan untuk berkongsi Showcase yang terkini; menghasilkan neurosains pengiraan dan pembelajaran mesin, tetapi orang yang menghadiri persidangan itu kini hampir hanya menumpukan pada pembelajaran mesin dan mengabaikan neurosains.
"Jurutera tidak mengkaji burung untuk membina kapal terbang yang lebih baik" adalah pepatah biasa. Tetapi analogi itu gagal, sebahagiannya kerana perintis penerbangan telah mengkaji burung, dan para sarjana masih melakukannya pada era moden. Tambahan pula, analogi ini tidak berlaku pada tahap yang lebih asas: matlamat kejuruteraan aeronautik moden bukanlah untuk mencapai penerbangan "paras burung", tetapi matlamat utama kecerdasan buatan sememangnya untuk mencapai, atau melebihi, "peringkat manusia". "kecerdasan.
Sama seperti komputer mengatasi manusia dalam banyak cara (seperti keupayaan untuk mengira nombor perdana), kapal terbang mengatasi burung dalam kelajuan, jarak dan kapasiti kargo. Jika matlamat jurutera aeronautik sememangnya untuk membina sebuah mesin dengan keupayaan "paras burung" yang boleh terbang melalui hutan tebal dan mendarat dengan lembut di dahan pokok, maka jurutera ini perlu memberi perhatian kepada cara burung melakukannya.
Begitu juga, jika matlamat kecerdasan buatan adalah untuk mencapai kecerdasan sensorimotor deria akal peringkat haiwan, penyelidik akan lebih baik belajar daripada haiwan, yang telah berkembang dalam tingkah laku dunia yang tidak dapat diramalkan ini.
Atas ialah kandungan terperinci Bengio, LeCun dan lain-lain bersama-sama mengeluarkan kertas putih NeuroAI: Intipati kecerdasan ialah keupayaan sensorimotor, AI menghadapi cabaran hebat ujian Turing yang terkandung. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
