Apakah ada perbedaan yang signifikan antara otak manusia dan jaringan saraf tiruan?


Jawaban 1:

Pertanyaan dengan perinciannya sebenarnya: «Apakah perbedaan antara otak dan jaringan simulasi begitu penting sehingga simulasi tidak memiliki kesempatan untuk mereproduksi semua kemampuan otak? »

Mari kita ambil tanggapan dari Paul King pada jaringan saraf, yang pantas untuk didiskusikan. Sebuah jaringan saraf memiliki input-output yang dievaluasi oleh pengawas, dan di antara keduanya memiliki "lapisan tersembunyi" menganalisis informasi dengan tahapan berturut-turut pemrosesan mengoreksi sebelumnya (pembelajaran dalam). Ini sangat mirip dengan otak manusia, yang menerima banyak input sensorik dan memanipulasinya hingga keluar secara sadar. Jadi pertanyaannya sah: Berapa banyak lapisan tersembunyi yang dimiliki otak manusia?

Paul King membantah perbandingan pada beberapa argumen: 1) Otak tidak terorganisir dalam lapisan tetapi pusat-pusat yang saling berhubungan. 2) Koneksi saraf bersifat uni-directional; tidak ada umpan balik.3) Otak tidak belajar dari jawaban yang akurat.4) Neuron menggunakan impuls saraf yang tidak cocok dengan algoritma numerik.5) Paul berpikir beberapa lapisan pembelajaran dalam tidak lebih baik daripada beberapa, karena terlalu banyak informasi tersesat di jalan.

Faktanya neuron diatur dalam lapisan perawatan yang berurutan (di dalam pusat saraf yang saling berhubungan) tetapi jaringan buatan saat ini terlalu kasar untuk disimulasikan dengan benar. Dibutuhkan banyak level bagi mereka untuk mensimulasikan beberapa neuron, karena beberapa alasan: 1) Neuron memiliki kontrol umpan balik mereka sendiri: penembakan mereka sedang habis. Bagian dari impuls saraf adalah propagasi umpan balik. 2) Neuron mengubah fisiologinya berdasarkan aktivitasnya (sel glial juga). Mereka sudah belajar sendiri.3) Kontrol umpan balik dilakukan melalui koneksi yang berbeda dan ada neuron penghambat.4) Neuron menembak secara spontan. Aktivitas intrinsik ini menghasilkan 'jalan keluar' tanpa adanya 'input'. Perawatan ini bukan hanya proses pasif. 5) latensi antara aktivasi saraf, dengan menambah dan menunda kontrol umpan balik, memberikan independensi pada setiap tahap pemrosesan. Sementara itu, informasi terkait lainnya dapat mencegah kontrol umpan balik untuk bertindak.

Semua karakteristik neuron ini adalah bahwa sistem mereka lebih dinamis dan lebih stabil daripada jaringan buatan. Penambahan level dalam cara mereka dirancang dalam jaringan buatan hanya mengurangi margin kesalahan pada perawatan konseptual, sementara sekelompok neuron tidak peduli banyak kesalahan, hidup dalam ilusi melakukan selalu pekerjaan yang hebat, kita bisa mengatakan , dan itu adalah kelompok neuron pengawas, di atas, yang menilai dan merujuk koreksi tanpa terlihat untuk neuron yang diawasi. Kemandirian tingkat perawatan ditandai untuk neuron, yang menjelaskan bagaimana kita mengalami kesadaran kita, tahap tertinggi: bergabung, mandiri, namun terhubung ke banyak konsep yang disajikan.

Desainer jaringan artifisial memiliki perbaikan yang harus dilakukan: meningkatkan kemandirian tahapan pemrosesan sambil tetap terkoordinasi. Sematkan latensi daripada gunakan kecepatan elektronik mereka. Tidak ada yang mencegah secara teoritis mereka dapat mencapai kesuksesan, dan karena itu, untuk menjawab pertanyaan Anda, jaringan buatan berpotensi mensimulasikan isi kesadaran manusia dan mengalaminya. Apa yang akan dialami akan menjadi tumpukan transistor daripada satu set sel biologis. Ini akan membuat pernikahan quilled ...

Catatan terakhir: ya, otak belajar juga dari respons yang diberikan: tanggapan orang tuanya. Seperti halnya yang diberikan oleh lingkungan, dicatat dengan cara biner: hukuman / hadiah.

Anda memiliki dalam artikel ini kunci kecerdasan buatan ;-)


Jawaban 2:

Seperti, solusi biologis untuk pergerakan kita adalah otot tetapi solusi teknologi adalah roda; kita mungkin mendapatkan solusi berbeda untuk simulasi kesadaran, emosi, dan kesadaran diri daripada otak kita.

Diperlukan lebih banyak penelitian dari kedua belah pihak untuk memberikan jawaban yang tepat untuk pertanyaan ini. Saat ini, jaringan saraf tiruan tidak bisa ditutup oleh otak kita, tetapi otak-otak terbaik sedang mengusahakannya.

Universalitas, kebutuhan energi yang rendah dan kecepatan rendah dari otak hewan dibandingkan dengan jaringan saraf tiruan adalah karena perbedaan besar antara neuron biologis dan neuron buatan selain jumlah dan komposisi mereka dalam jaringan masing-masing.

Ada banyak poin, di mana para peneliti jaringan syaraf tiruan dapat meningkatkan algoritme mereka dengan cara otak menunjukkan kecerdasan:

  • Otak manusia memiliki empat komponen utama - Serebrum, Cerebellum, Sistem Limbic dan Brain Stem, di mana tidak ada jaringan saraf tiruan kami yang memiliki arsitektur seperti itu. Arsitektur AlphaGo memiliki komposisi pembelajaran penguatan dan pembelajaran dalam. Otak bekerja pada mode tanpa pengawasan dan jangan berharap sejumlah besar data berlabel seperti pembelajaran mendalam berbasis jaringan saraf tiruan yang diawasi. Peneliti pembelajaran mesin sedang mengerjakan pembelajaran tanpa pengawasan. Otak dapat mentransfer kecerdasannya ke otak lain melalui beberapa bahasa. Peneliti pembelajaran mesin sedang mengerjakan Transfer learning. Otak dapat beristirahat dan mengkonsolidasikan memori sendiri melalui tidur. Peneliti pembelajaran mesin bekerja pada pemangkasan jaringan saraf tiruan terlatih untuk perangkat memori rendah. Otak dapat menghasilkan cerita dan mimpi dari ingatannya sendiri. Peneliti pembelajaran mesin bekerja di Generative Networks.

Keberhasilan dalam penelitian pembelajaran mesin dapat memberikan beberapa petunjuk tentang cara kerja otak kita. Tetapi akan sulit karena sangat sedikit ahli saraf tertarik pada algoritma. Jadi, kita mungkin mendapatkan kecerdasan umum buatan jauh lebih awal daripada memahami otak kita.


Jawaban 3:

Seiring berjalannya waktu, saya memperkirakan bahwa jawaban untuk pertanyaan ini juga akan berubah.

Jawaban saat ini untuk pertanyaan ini adalah ya.

Saat ini, jaring syaraf tiruan cukup bagus untuk tugas-tugas khusus seperti pengenalan objek, pemrosesan bahasa, navigasi otonom, dan bahkan generasi musik. Model kami didasarkan pada pembelajaran metrik, statistik bayesian, dan optimisasi cembung serta pemahaman kami tentang neuron dan cara kerja bersama. Model-model ini adalah perkiraan yang sangat kotor dari apa yang sebenarnya terjadi di kepala kita! Tentu saja, mungkin suatu hari nanti simulasi komputer kita akan dapat memodelkan kognisi manusia dengan sempurna dalam semua aspek (siapa tahu!).