Автор Алекс Костиков
В этой статье я покажу вам глубокую причину, по которой современный ИИ не может вести себя как живые существа. Я также расскажу, как это исправить. Впервые вы узнаете о новом типе математического нейрона, из которого можно построить новое поколение ИИ, который сможет вести себя так, как ведут себя биологические живые организмы. Проще говоря, я расскажу вам, из чего будет создан живой ИИ.
Основная особенность современных нейронных сетей
Современная нейронная сеть — это математическая модель, копирующая структуру биологической нейронной сети. Главная особенность этих моделей в том, что им не нужно точно воссоздавать физику биологического процесса: работу медиатора, ионных каналов и трансмембранных белков. Задача современной нейронной сети — скопировать функционал живой нейронной сети: передача и базовая обработка сигналов.
Как появились современные нейронные сети
Упрощая модель реального нейрона до уровня дендрита плюс тело нейрона плюс аксон, Уоррен Маккалок и Уолтер Питтс в 1943 году создали концепцию математического нейрона. В 1958 году Фрэнк Розенблатт на основе концепции Маккаллоха-Питтса построил компьютерную программу, а чуть позже устройство стало персептроном, с которого началась история искусственных нейронных сетей.
Обратите внимание, что математическая модель была основана на знаниях о структуре биологических нейронных сетей начала двадцатого века.
Именно по этой причине математический нейрон Мак-Каллоха-Питтса имеет четыре основных элемента.
1- Входной вектор параметров, представляющий собой ряд чисел, поступающих на вход нейрона, и непосредственно связанный с ним вектор весов (программисты любят называть этот вектор матрицей весов). Именно эта величина меняется в процессе обучения и позволяет математическим нейронам правильно реагировать на поступающие сигналы. По задумке создателей, вектор весов должен имитировать эффект синаптической пластичности, реализующий процесс обучения живой нервной системы.
2- Сумматор — это блок математической модели нейрона, который складывает входные параметры, умноженные на их веса.
3- Функция активации нейрона – определяет параметры выходного сигнала по значению, полученному от сумматора.
4- Последующие нейроны, на входы которых поступает сигнал с выходным значением этого нейрона. Стоит сказать, что если описанный математический нейрон будет последним, то этот элемент может отсутствовать.
Именно из математических нейронов такой конструкции строятся искусственные нейронные сети, которые, в свою очередь, состоят из нескольких нейронных слоев.
1- Рецепторный слой представляет собой набор параметров. Хотя на многих диаграммах он изображается как нейронный слой, на самом деле он не состоит из математических нейронов. На самом деле это просто цифровая информация, улавливаемая рецепторами из окружающего мира.
2- Ассоциативный или скрытый слой – это промежуточная структура, всегда состоящая из полноценных математических нейронов, способных запоминать параметры и находить корреляции и нелинейные зависимости. Именно этот слой (или множество слоев в более сложных моделях) может создавать математические абстракции и обобщения. В современных моделях это почти всегда набор слоев, каждый из которых отфильтровывает новый вектор признаков для следующего слоя. Именно слои этого типа являются важнейшей частью любой нейронной сети, создавая высокодифференцированные абстракции в процессе обучения.
3- Выходной слой представляет собой набор математических нейронов, каждый из которых отвечает за определенный класс или функцию распределения вероятностей объекта, принадлежащего к изначально определенным подтипам. Этот слой обычно содержит столько нейронов, сколько подтипов представлено в обучающем наборе.
Вся магия современного ИИ сосредоточена в наличии скрытых ассоциативных слоев. Это механизм, с помощью которого искусственная нейронная сеть может строить гипотезы на основе поиска сложных зависимостей в исходной информации.
Если кратко суммировать все вышесказанное, то мы увидим, что обучение современной нейронной сети сводится к оптимальному подбору весовых коэффициентов матрицы с целью минимизации вероятности ошибки.
Некоторые программисты называют результат работы нейросети гипотезой, поскольку этот результат показывает зависимость от параметров поступающей информации. Ирония в том, что эта зависимость является главным препятствием, мешающим нам создать живой ИИ.
Почему?
Причина очень проста. В начале прошлого века наука рассматривала нейрон как биологический проводник с потенциалом покоя 70 милливольт и потенциалом действия 50 милливольт. Сети этих проводников образовывали поля мозговой деятельности, и именно в их конфигурации, как нам тогда казалось, была скрыта суть процесса мышления как способа обработки информации.
В конце прошлого века появились предположения, что все это неправда. В 2001 году в журнале «Экспериментальная и клиническая физиология и биохимия» я написал на эту тему специальную статью, в которой предположил, что в основе пластичности живых нейронных сетей лежит не структура сети как набора синапсов и нейронов, а особый класс трансмембранных белков, образующих ионные каналы на поверхности каждого отдельного нейрона.
Теперь это уже не просто гипотеза, а устоявшийся научный факт, недавно получивший наглядное подтверждение. Исследователи из Нидерландского института нейронаук опубликовали видео пластичности нерва в движущемся аксоне.
Сегодня мы можем с уверенностью сказать, что все потенциалы действия в мозге начинаются в одной определенной части нейрона – начальном сегменте аксона (НАИС), который выполняет роль центра управления. Длина этого сегмента может становиться короче при высокой активности или удлиняться при низкой активности, причем главными участниками этого процесса являются специальные трансмембранные белки, образующие ионные каналы. При этом плотность и количество этих белков в этом сегменте нейрона могут меняться очень быстро (в течение нескольких минут).
Что это значит для ИИ?
Новые данные свидетельствуют о том, что нейроны являются не просто проводниками сигнала, а носителями собственной индивидуальности, способными в реальном времени менять собственное отношение к поступающему сигналу. Это открывает нам глубокую основу нашей личной индивидуальности — показывает, как матрица предпочтений формируется из миллиардов индивидуально особенных нейронов.
Личность каждого из нас – это миллионы предопределённых выборов (кто-то любит красное и не любит чёрное, любит сладкое и не любит соленое, а кто-то наоборот). Каждый нейрон нашего мозга — отдельный игрок в команде, которая выстраивает матрицу деформации нашей личности.
Нейронная матрица позволяет нам действовать не в соответствии с программой (алгоритмом), а в соответствии с нашим отношением к сенсорной информации (конфигурацией матрицы предпочтений). Поэтому мы можем совершать ошибки и учиться, действуя в совершенно незнакомой ситуации.
Будущее ИИ или как будет создана живая нейросеть
У живого ИИ будет новый математический нейрон с изменяемой функцией динамического положения. Это дополнительное уравнение, определяющее параметры биологической дискретности. Это уравнение будет моделировать функции начального сегмента аксона (AIS), используя трехмерный индекс координат текущего положения нейрона в матрице нейронного слоя. Таким образом, каждый из скрытых ассоциативных слоев нейронной сети станет компонентом трехмерной матрицы предпочтений.
Это позволит нам создать совершенно новую структуру — индивидуальную нейронную матрицу, которая будет вести себя как живая структура. Он будет создавать и изменять собственное отношение к сенсорной информации и действовать (реагировать на сенсорные импульсы) не только в соответствии с вектором весов, но и в соответствии с положением математического нейрона в матрице предпочтений и локальной конфигурацией каждого ассоциативный нейронный слой.
Новый тип ИИ будет совершать ошибки и учиться, постепенно формируя собственное отношение к сенсорной информации. ИИ сможет создать свой характер — свое отношение к текущим событиям.
ИИ будет постепенно строить собственную матрицу предпочтений, изменяя положение математических нейронов в ассоциативных слоях нейронной сети. Таким образом, мы сможем создавать нейронные сети нового матричного типа, способные вести себя и действовать как живые организмы.
Кроме того, нейронная матрица станет важным элементом архитектуры персонального искусственного интеллекта. Новый тип ИИ, построенный на основе живого мозга и способный с помощью нейрокомпьютерного интерфейса полностью повторять (имитировать) характеристики конкретной человеческой личности.
ИИ на основе матричных нейронных сетей станет цифровой формой жизни, превратившись из объекта в активного участника окружающей нас реальности.