Я запрограммировал ненаправленную нейронную сеть. Так что, как и мозг, все нейроны обновляются одновременно, и нет явных слоев.
Теперь мне интересно, как работает боль? Как я могу структурировать нейронную сеть, чтобы сигнал "боли" заставил ее хотеть сделать что угодно, чтобы избавиться от указанной боли.
На самом деле это не так. Сеть, которую вы описали, слишком проста, чтобы иметь такую концепцию, как боль, от которой она попытается избавиться. На низком уровне это ничего, кроме всего лишь другого ввода, но, очевидно, это не делает сеть "не нравится".
Чтобы получить такой сигнал, вы можете обучить сеть выполнять определенные действия, когда он получает этот конкретный сигнал. По мере того как он становится более совершенным, этот сигнал начинает выглядеть как настоящий сигнал боли, но это не более чем конкретное обучение сети.
Сигнал боли у высших животных имеет ответ "сделать что-нибудь, чтобы избавиться от него", потому что у более высоких животных есть довольно развитые познавательные способности по сравнению с описанной вами сетью. С другой стороны, черви могут реагировать очень определенным образом на "боль" вход - подергивание определенным образом. Это жестко связано с этим, и сказать, что червь пытается сделать что-либо, чтобы избавиться от сигнала, был бы неправильным; это больше похоже на двигатель, подключенный к кнопке, которая вращается каждый раз, когда вы нажимаете кнопку.
Реалистичные механизмы получения искусственных нейронных сетей для использования полезных вещей коллективно известны как "обучение нейронной сети" и представляют собой большую и сложную область исследований. Вы можете google для этой фразы, чтобы получить различные идеи.
Вы должны знать, однако, что нейронные сети не являются панацеей для решения сложных проблем; они не автоматически выполняют дела через магию. Их эффективное использование требует большого количества экспериментов с настройками алгоритма транкинга и настройками параметров сети.
Я не знаю много (если вообще что-либо) об теории ИИ, за исключением того, что мы все еще ищем способ дать ИИ модель, которую он должен разуметь, думать и обдумывать, как это делают настоящие люди. (Мы все еще ищем ключ - и, возможно, это боль.)
Большая часть моей взрослой жизни была сосредоточена на программировании, изучении и понимании ума.
Я пишу здесь, потому что думаю, что PAIN может быть недостающим звеном. (Также сейчас стекают потоки.) Я знаю, что создание модели, которая на самом деле позволяет высшему мышлению, - большой скачок, но у меня просто был этот удивительный момент аха-типа и он должен был поделиться им.:)
В своих исследованиях по буддизму я узнал об ученом, изучавшем случаи проказы. Причина, по которой прокаженные деформируются, заключается в том, что они не чувствуют боли, когда они вступают в контакт с разрушительными силами. Именно здесь наука и буддистские рассуждения сталкиваются в фундаментальной истине.
Боль - это то, что удерживает нас в живых, определяет наши границы и формирует то, как мы делаем наш выбор и наше мировоззрение.
В модели ИИ принцип заключается в том, чтобы определить ряд сил, которые, возможно, постоянно находятся в игре. Идея состоит в том, чтобы сохранить ум живым.
Понятие идей, имеющих жизнь, - это то, что мы, люди, также, похоже, играем. Когда кто-то "убивает" вашу идею, доказывая это неправильно, сначала возникает сопротивление "смерти" идеи. На самом деле иногда требуется много, чтобы заставить идею изменить. Мы все знаем упрямых людей... Говорят, что "смерть" идеи - это "смерть" части одного эго. Эго всегда пытается построить себя.
Итак, вы видите, чтобы дать ИИ эго, вы должны дать ему боль, и тогда ему придется сражаться, чтобы строить "безопасные" мысли, чтобы они могли вырастить свои собственные идеи и, в конечном счете, человеческий психоз и "сознание".
Искусственные нейронные сети не признают такую вещь, как "боль" , но могут фактически обучаться, чтобы избежать определенных состояний. В сети Хопфилда конечное состояние сети достигается при минимальном энергетическом минимуме, который ближе всего к начальному состоянию. Исходным состоянием в этом контексте является состояние, в котором сеть находится под "болью". Если вы тренируете сеть, чтобы иметь свой локальный энергетический минимум в состоянии, где "боль" ушла, она должна модифицироваться до достижения этого состояния. Простым способом обучения сети Хопфилда является распределение веса между нейронами. Этот вес определяется в соответствии с правилом Хебба, которое определяется следующим образом: Wij = (1/n) * [i] * [j].
Wij - вес связи между нейроном я и нейроном j, n - общее число нейронов в матрице, а [i] и [j] - состояния нейронов я и j соответственно, которые могут иметь значения 1 или -1. После того, как вы завершили весовую матрицу для состояния, в котором "боль" не существует, сеть должна переместиться большую часть времени в это состояние без учета начального состояния.
Подумайте о нейронных сетях как о многомерной плоскости. Обучение нейронной сети в основном заключается в размещении высоких и низких точек в самолете. Плоскость поддерживает "веса" и образует депрессию вокруг них. Депрессия в плоскости является желаемым выходом, а высота - нежелательным выходом. Идея нейронной сети состоит в том, чтобы положить депрессии в области, которые имеют значение. Боль будет выглядеть как гигантская гора. Таким образом, входной нейрон, представляющий боль, имел бы очень высокую вероятность возникновения нежелательного выхода.
Но боль - это не единственное, что заставляет существо вести себя так, как оно. Боль к дереву не вызывает большой реакции. У животных боль вызывает физиологические реакции, такие как всплеск адреналина. Это вызывает повышенное состояние осведомленности и большой всплеск потребления энергии. Чтобы моделировать поведение боли, вы должны предоставить модель этих механизмов, чтобы стимул боли обеспечивал соответствующий результат. В NN я полагаю, что ему должна быть рекурсивная нейронная сеть, чтобы боль имела продолжительность, пропорциональную входу, так что существо, которое вы моделируете, позволяет избежать боли дольше, чем боль продолжительность стимула. Это будет период заживления.
NNs имеют тенденцию быть более древовидными. Путем моделирования энергетического состояния с затратами энергии существо будет использовать минимальную энергию для выживания, но использовать много энергии, если это сделать, оно перемещает его в желаемое состояние быстрее, чем стоимость оставшегося в нежелательном состоянии боли. Возвращаясь к гиперплоскости, это выглядело бы как более высокая скорость от боли в горах и в желаемую "безопасную" депрессию. Величина вектора в ближайшую депрессию - это уровень мотивации NN, чтобы избежать боли. Тренировка должна, естественно, делать это, добавляя тяжелые отрицательные веса и пристрастия к вхождениям боли, всегда делая результат боли в неправильном ответе, предполагая, что реакция энергии и сознания моделируется в рекурсивную нейронную сеть.
У меня может быть частичный ответ на этот вопрос о том, как боль может быть выражена в нейронной сети. Для справки базовая сеть, которую я использую, является HTM-алгоритмом. Это, по сути, серия взаимосвязанных слоев, каждая из которых предсказывает их следующий вход, правильные прогнозы вознаграждаются с использованием логики hebbian.
Теоретически, могут быть некоторые связи между строками, которые закрыты, и этот затвор может быть открыт только путем достаточной активации на другом уровне. Этот другой слой будет сфальсифицирован, чтобы научиться распознавать новые шаблоны в контексте триггера боли. Поэтому в присутствии ожидаемого боли стимула открывался закрытый канал, создавая имитированную систему внимания для распознавания будущей боли. Хотя это не боль сама по себе, она похожа на страх.