Se está a utilizar o nosso cérebro profundo treinamento para a compreensão do mundo?

Imediatamente, quando o dr. Blake Richards ouviu sobre a profunda ensino, ele percebeu que encontrei não somente com um método que está revolucionando a inteligência artificial. Ele percebeu que olha para algo fundamental do cérebro humano. Este foi o início da década de 2000, e Richards realizou o curso na Universidade de Toronto, juntamente com Jeff Хинтоном. Хинтону, que esteve na origem da criação do algoritmo, vencer o mundo, propuseram a ler um curso introdutório sobre o seu método de ensino, inspirado no cérebro humano.

Palavras-Chave aqui é "inspirado no cérebro". Apesar da convicção de Richards, a taxa jogou contra ele. O cérebro humano, como se viu, não tem uma função importante, que é programado em algoritmos de aprendizado profundo. Na superfície, esses algoritmos profanaram biológica principais fatos já provados нейробиологами.

Mas, e se uma profunda formação e o cérebro, na verdade, são compatíveis?

E aqui, em um novo estudo publicado no eLife, Richards, trabalhando com a DeepMind, propôs um algoritmo baseado na estrutura biológica de neurônios no neocórtex. Quando crash, córtex cerebral, é o lar de instituições de funções cognitivas, tais como o raciocínio, a previsão e o pensamento flexível.

A Equipe uniu artificiais de neurônios em camadas de rede e colocou em frente a ela a tarefa clássica visão computacional — determinar o manuscrito de números.

Um Novo algoritmo que cumpriu perfeitamente. Mas o que é importante: ele analisou os exemplos para o treinamento da mesma forma que os algoritmos de aprendizagem profunda, mas foi construído totalmente em biologia básica do cérebro.

"Profunda formação possível biológica para a estrutura", concluíram os cientistas.

Uma Vez no momento em que este modelo é uma versão do computador, Richards espera passar o bastão experimental нейробиологам, que poderiam testar o algoritmo em tempo real cérebro.

Se sim, os dados podem ser transferidos para o computador do cientista para o desenvolvimento maciçamente paralelos e algoritmos que serão executados nossas máquinas. Este é o primeiro passo em direção à fusão de duas áreas de "virtuoso a dança" de descoberta e inovação.

a Busca de um bode expiatório

Embora você certamente já ouviu falar sobre o fato de que a inteligência artificial recentemente venceu o melhor dos melhores em dia, dificilmente você sabe exatamente como funcionam os algoritmos a base da inteligência artificial.

Em poucas palavras, uma profunda formação baseado em rede neural artificial virtuais "neurônios". Como e alto arranha-céu, a rede está estruturada na hierarquia: os neurônios de baixo nível processam enter — por exemplo, horizontais ou verticais, traço, formando o número 4, e os neurônios de alto nível processam abstract aspectos números de 4.

Para treinar a rede, você lhe dá exemplos do que está procurando. O sinal é distribuído através de uma rede (sobe as escadas do edifício), e cada neurônio está tentando buscar algo fundamental no funcionamento do "quarteto".

Como as crianças aprendem algo novo, o primeiro da rede de enfrentamento, não é muito bom. Ela dá a todos os que, em sua opinião, é semelhante a um número de quatro e são obtidas imagens no espírito de Picasso.

Mas é assim que corre o treinamento: algoritmo mapeia a saída com o ideal de entrada e calcula a diferença entre eles (leia-se: o erro). Erro de "de volta para são propagadas na internet, ensinando cada neurônio, supostamente, não é o que você está procurando, procure melhor.

Depois, milhões de exemplos e de repetições, a rede começa a funcionar perfeitamente.

O Sinal de erro é extremamente importante para a educação. Sem um efetivo retorno de propagação de erro" a rede não vai saber quais dos seus neurônios estão errados. Em busca de um bode expiatório inteligência artificial melhora a si mesmo.

O Cérebro também faz isso. Mas como? Não temos a menor idéia.

Biológico impasse

Obviamente mais: a solução de profunda aprendizagem não funciona.

A retropropagação do erro — é extremamente importante função. Ela requer a existência de uma certa infra-estrutura para funcionar corretamente.

Em primeiro lugar, cada neurônio na rede deve receber uma notificação de erro. Mas no cérebro, os neurônios são conectados apenas com alguns parceiros de fluxo descendente (se geralmente ligados). Para retropropagação trabalhou no cérebro, os neurônios no primeiro nível, deve perceber a informação de bilhões de conexões em canais de downlink — e isso é biologicamente impossível.

, E apesar de alguns algoritmos de aprendizado profundo adaptam o local e a forma de propagação de erros — essencialmente entre os neurônios — exige, para a sua conexão à frente e atrás, era simétrico. Nas sinapses do cérebro, isso não acontece quase nunca.

Mais modernos algoritmos de adaptar uma estratégia diferente, através da implementação de um único caminho de feedback, o que ajuda os neurônios encontrar erros localmente. Embora isso seja mais реализуемо biologicamente, o cérebro não é uma rede de computação dedicada a buscar bodes expiatórios.

Mas tem neurônios com complexas estruturas, ao contrário do homogêneos "bolas", que atualmente aplicam-se, no mais profundo de aprendizagem.

Ramificação de rede

Os Cientistas inspiram das células piramidais, que se enchem de córtex cerebral de uma pessoa.

"a Maioria desses neurônios têm a forma de árvores, suas "raízes" profundamente explodindo no cérebro, e os "galhos" tona", diz Richards. "O que é notável, as raízes recebem alguns conjuntos de dados de entrada, e os ramos outros".

Curioso, mas a estrutura dos neurônios, muitas vezes acaba por ser um "tal como a necessidade de" abordarcomputação para a tarefa. Tomar, por exemplo, o processamento de sensações: o fundo de neurônios piramidais estão onde deveriam, para obter o toque de entrada e o topo de uma localização conveniente para a transmissão de erros através de feedback.

Esta estrutura complexa de um ser evolutivo solução anti errada sinal?

Os Cientistas criaram camadas de uma rede neural baseada em algoritmos anteriores. Mas, em vez de uniformes de neurônios, eles deram-lhe uma neurônios das camadas médias зажатые entre a entrada e a saída — semelhante ao real. Aprendendo com os manuscritos números, o algoritmo mostrou-se muito melhor que a única rede, apesar da falta de um clássico de propagação de erros. Celulares estrutura de forma independente possamos identificar o erro. Então, no momento certo, um neurônio uniu ambos fonte de informação para a busca da melhor solução.

Este tem a base biológica: os neurocientistas sabem há muito tempo que a entrada de uma ramificação de um neurônio locais executam cálculos, que pode integrar-se com os sinais de retorno de propagação de erros de ramos de saída. Mas nós não sabemos se o cérebro funciona, na verdade, portanto, Richards encomendou нейробиологам descobrir isso.

Além do Mais, esta rede processa problema semelhante ao método tradicional de aprendizagem profunda forma: utiliza a estrutura de camadas múltiplas para recuperar progressivamente mais abstratas idéias de cada um.

"isso É uma característica de aprendizado profundo", explicam os autores.

Profundamente o cérebro

Sem dúvida, na história, haverá mais de reviravoltas inesperadas, porque os cientistas de computador fazem mais biológicos de peças em algoritmos de IA. Richards e sua equipe consideram a função prognóstica de cima para baixo, quando os sinais com níveis mais elevados afetam diretamente a forma como níveis mais baixos de reagir à entrada.

O Feedback dos superiores níveis, não só melhora a sinalização de erros; ela também pode incentivar os neurônios de baixo nível de processamento de trabalhar "melhor" em tempo real, diz Richards. Enquanto a rede não superou outros небиологические rede de aprendizagem profunda. Mas isso não é importante.

"Profunda formação teve um impacto enorme para a AI, mas até hoje, o seu efeito sobre a neurociência tem sido limitado", dizem os autores do estudo. Agora eu neurocientistas será motivo para comprovação experimental e aprender, encontra-se se a estrutura de neurônios a base natural do algoritmo de aprendizado profundo. Talvez, nos próximos dez anos, começará mutuamente benéfico para a troca de dados entre нейробиологами e pesquisadores de inteligência artificial.