计算机算法的性质完全不同
在计算机中工作的算法由电压降序列或机器代码驱动,由传统的 1 和 0 组成。除了速度和物理本质之外,反射和算法之间还有一长串重要的区别。神经冲动或反射是一种不可避免的反应,而算法是规则的总和,或一组旨在解决特定问题的指令。问题。
换句话说,反射可以是错误的,但不能是沉默的,相反,算法通常不会出错,但如果其中包含的指令无法执行,则可能不会给出答案。
反射甚至在任务之前就知道答案,算法只有在完成所有必要的步骤后才能学习答案。
一个简单的例子
想象一个简单的问题,在公式 1 + X + 3 = 6 中找到 X 的值。算法会这样做:首先 6-1 = 5,然后 5-3 = 2,所以 X = 2。反射会立即答案 X = 2。确实,只有当反射已经遇到这种情况并且凭经验发现答案 1 和 3 不正确时,才会发生这种情况。
但是如果情况发生变化,问题变得更难了怎么办1+X+Y=6。这样的问题,算法会保持沉默,无法给出答案。事实上,没有足够的初始数据来回答。此选项有几个正确答案。该算法将无法确定哪一个是准确的。
而对于反射来说,什么都没有改变,如果反射之前已经遇到过这样的任务,反射只会回答 X = 2 和 Y = 3。如果没有,那么反射仍然会回答,但很可能会出现错误。
为什么会这样?
答案在于神经冲动过程的能量成本。人类神经系统中的信号运动,这是一个非常耗能的过程,首先需要在神经元表面产生膜电位(高达 90 mV),然后使其急剧变化,从而产生去极化波. 在神经冲动的那一刻,离子迅速穿过膜,之后神经细胞必须将钠离子和钾离子返回到原来的位置。为此,必须使用特殊的分子泵(钠钾腺苷三磷酸酶)。
结果,神经组织被证明是我们身体中最耗能的结构。人脑平均重 1.4 公斤,占体重的 2%,消耗了我们身体所有可用能量的 20%。在一些4-6岁的孩子中,大脑的能量消耗达到了身体可用能量的60%!
这一切都迫使大自然尽可能地节省神经系统的资源。
为了解决一项简单的功能性任务,神经系统需要大约 100 个位置紧凑的神经元。海葵(珊瑚息肉的一类)有这样一个简单的神经系统(100个神经元),如果它们从一个地方转移到另一个地方,它们可以复制(重复)身体的原始方向。
更困难的任务,更多的神经元
额外的任务和功能需要增加神经系统的能力,这不可避免地导致相关神经元的分组增加。因此,需要成百上千个贪婪的神经细胞。
但是大自然知道如何找到解决方案,即使似乎没有什么可以发明的。如果神经系统的工作如此昂贵,那么就没有必要以如此高的代价获得正确的答案。
只是犯错更便宜。
另一方面,错误对自然毫无价值。如果有机体经常犯错,它就会死亡,而给出正确答案的人将取代它。即使这样的答案是侥幸的结果。形象地说,一切都是简单的——只有给出正确答案的人才能活着。
这表明神经系统的工作只是表面上与算法相似。事实上,其工作的核心不是计算,而是基于记忆的刻板决定的反射或简单重复。
我们星球上任何生物的本性和神经系统只是简单地以各种记忆机制的形式与预先编写的婴儿床打交道,但从表面上看,它看起来像是一种计算活动。
换句话说,试图用计算算法击败反射就像试图公平地对抗一张更清晰的牌。
这种策略与突触可塑性相结合,赋予生物神经系统极大的效率。
在自然界中,大脑是一种极其昂贵的商品。因此,它的操作基于简单但廉价的反射,而不是准确但昂贵的算法。使用这种方法,少数神经元可以解决非常复杂的问题,例如与方向相关的问题。秘密在于,生物神经系统实际上并不计算任何东西,它只是记住正确答案。经过数十亿年的进化和自己生命的一段时期,已经创建了一套通用的解决方案,这些解决方案以前是成功的。如果不是,那么犯错并不可怕。这使得即使是小而原始的神经系统也能同时对刺激做出反应并保持肌肉张力、呼吸、消化和血液循环等自动功能。
算法在比赛开始前就输了
大脑与集成电路
所有这些都表明,尝试基于现有计算算法创建人工智能,我们将从根本上输给自然,即使在与运动相关的简单非智力活动的例子中也是如此。我们的电子设备将是准确的,但非常耗能,因此效率低下。
我们已经可以在自动驾驶汽车中看到这一点。自主控制系统的开发人员面临的意想不到的问题之一与能源消耗有关。实验性自动驾驶汽车需要特殊的高性能发电机来为电子控制系统供电。
而在自然界中,有非常简单的神经系统可以完美地应对动态机动的任务。比如护士鲨(重达110公斤,可以攻击人类),大脑仅重8克,整个神经系统,连同外周部分的所有纤维,仅重250克多一点。
主要结论
我们需要创建真正的人工智能的第一件事是根据生物反射弧原理工作的电子系统,即零离散性的生物算法。
有趣的是,生物算法的结构框图早在上世纪末就已经存在,但由于模糊的零离散性,它们一直保持着奇特的状态。唯一的例外是进化算法,它构成了计算智能领域进化建模的基础。
生物学告诉我们,在现实生活中,失败的不是犯错的人,而是不节约资源的人。
没有必要害怕错误。事实上,您需要害怕以高能耗为代价的准确答案。
但这只是问题的一部分,解决问题的方法将使创建能够控制运动和精细运动技能的相对简单的人工系统成为可能。
为了开发适用于现实生活的真正人工智能,我们必须弄清楚人脑的第二个智能方案是如何工作的。