思維，意識與智力模型
目錄
目錄
新思維機器的神經模式模型
介紹
在我寫這篇文章時，
背景
在進一步研究之前，需要很好地理解真實神經元的工作原理。重要的是要了解當他們接收來自他人的訊號時他們如何發射以及他們之間如何建立聯絡。你可以閱讀有關突觸，樹突，軸突，神經遞質和動作電位在下面的文章：article1, article2, video, article4, article5, article6.。
在本講座結束時，我希望你能更清楚地瞭解智慧和意識是什麼，也許有一天，你們中的一個將為智慧機器做出自己的貢獻。
回顧
- 神經元的直徑為4至100微米
- 人腦中有大約80-90億個神經元
- 每個神經元連線到4-7000個其他神經元
- 它們形成100到1000萬億個突觸
- 動作電位約為30毫伏，持續約1毫秒
- 根據神經元型別，訊號以約30-100 m / s的速度傳播
- 大腦使用大約25W的電力
- 據信平均大腦每天產生多達50,000個想法
一些視力相關統計：
- 視網膜受體細胞數量：5-6百萬個視錐細胞; 120-140萬棒
- 視網膜神經節細胞數量：80萬至100萬
- 視神經纖維數量：1,200,000
- 外側膝狀體中的神經元數量：570,000
- 視覺皮層（區域17）中的細胞數量：538,000,000
- 可見光波長（人體）：400-700nm
- 激發杆所需的光量：1光子
- 激發錐形所需的光量：100個光子
- 大腦可以在大約13毫秒內處理影象
在進入細節之前要記住一件重要的事情，即使神經元有來自他人的訊號，它只會在接收到足夠的輸入以達到動作電位的閾值時“觸發”（通過他的軸突發送訊號）。
即使兩個神經元結合在一起（一個樹突靠近另一個軸突），訊號只有在它們也變成化學連線時才會傳播。這種化學連線可以或多或少地持久化，這取決於訊號在該區域中傳播的頻率。
從功能的角度來看，有3種類型的神經元：感覺，運動和中間神經元。第一種是從我們身體的神經末梢向大腦傳遞訊號。第二個將大腦反饋傳送到肌肉，腺體，內臟。第三種類型指的是幫助建立聯絡的通常大腦神經元。
一些生物學考慮因素
自然界不可能把每個神經元的位置和型別儲存在我們的DNA中。人類的大腦天生就是“空洞”，沒有太多預先定義的聯絡，然後通過生活經驗來配置自己。我說“沒有太多的聯絡”，因為它們中的一些（如本能）仍然儲存在DNA中，並且它們在大腦成形時自動生成。
因此，在出生時，大腦更像是海綿，渴望積累資訊，塑造原始神經元之間的聯絡。這就是為什麼嬰兒能夠快速學習，而成年人可能需要更長時間。你需要重塑已經穩定的網路，加上大腦的物理和化學特徵可能與大腦應該用於其他目的不同。換句話說，人類在一開始就更像是一臺學習機器，然後他變得更像一臺思維機器。
人類充滿了感測器，這些感測器將電脈衝傳送到大腦或脊柱。
假設我們用手指觸控某些東西，也許是熱的東西。手指中的觸控感測器記錄壓力，局部發生化學反應，電脈衝通過長神經元傳送到大腦。大腦通過發射其他神經元來做出決定，並將電脈衝（通過運動神經元）傳送回肌肉，肌肉縮回手指。
這基本上是事情的運作方式。不僅手指而且所有感官和肌肉都以這種方式連線。它們將整個身體連線到大腦中的一些神經元，這些神經元依次連線到整個大腦網路。
視網膜基於進入的光的強度和形狀，也基於光（顏色）的頻率，形成影象。視網膜上的每個點激發其自身神經元的終止，該神經元在頭部後部的視覺皮層中傳送訊號。人類對每隻眼睛都有2D視力，眼睛前方的某個影象會激發（觸發）某些神經元，類似於監檢視像。正如您在上面的統計資料中所看到的，人眼的解析度非常高，因此視網膜上形成的影象的“畫素”將觸發大量相應的感覺神經元。
耳朵 - 內部器官振動到某些空氣頻率，它們將振動的強度和形狀傳遞給內部感覺神經元。一個特定的聲音，例如一個詞，將首先觸發這些神經元，然後其他神經元連線到它們。如果聲音重複，這些新觸發的神經元將在化學和電學上相互連線，並形成一個記憶——這就是這個詞被記住的方式。
言語 - 在大腦中進行一些內部處理（不是針對所有人，但一般而言是），現有的大腦網路與導致頸部肌肉，喉部和肺部的運動神經元相連。根據一些預先學習的模式傳送的脈衝會以一定的順序刺激某些肌肉，並且通過改變肺部的空氣形狀產生一個詞。
並非所有感覺神經元都連線到我們可以訪問的大腦部分。大多數人的處理和反饋大多是在無意識中完成的。
持久連線
讓我們考慮一下，我們有一個一歲大的嬰兒第一次看到一隻貓。他的眼睛把貓的形象傳給大腦，傳給大腦皮層中一組特定的神經元。
當它們同時或在非常短的時間間隔內觸發時，化學和電學訊號會彼此相互接觸，並且新的永久連線就會誕生。
這些新連線在它們之間或直接連線到它們的其他連線之間形成。這基本上是貓的記憶，一種神經元的模式，它們曾經一起觸發並相互聯絡。將來，觸發其中的大部分可能會觸發所有這些，因為它們是物理連線的。
事實上，事情有點複雜，因為大腦能夠有一些模糊的邏輯並能識別不同位置的貓，所以更多的神經元以類似的方式對此做出貢獻。它們處於相同的腦區並形成相似的模式。
這裡也有一些棘手的問題。只有當神經元按順序觸發並且訊號相互傳播時，此記憶才是貓。永續性物理連線不代表可檢索資料，它不是jpg。你不能只激發模式中的一個神經元，並期望檢索所有神經元。你不能用這種方式搜尋貓，事情往往是相反的：你從相同的輸入（或者可能來自相關的記憶）獲得模式，並且當觸發完整的cat時，你使用它做一些事情，通常會觸發更多的模式。這就是為什麼影象識別如此之快，它不是資料庫搜尋。此外，這就是為什麼我們可以通過檢視片段來識別物件，我們觸發初始模式的足夠神經元部分。（直覺也可能屬於這一類。）
當未觸發貓模式時，涉及的神經元之間的部分物理連線可用於觸發其他模式。即使貓被觸發，其他模式也來自它，因為沒有神經元只是單一模式的一部分。
如果它們不長時間激發，那些神經元可能會破壞化學連線並且可能忘記記憶。現在，讓我們看看貓，它是幾百萬神經元連線的模式，這些神經元在短時間內連線並觸發在一起。
一隻貓！
神經模式
現在假設我們的孩子正試圖觸控貓。讓我們看看他腦子裡發生了什麼。
貓的模式已經形成，而神經元在視覺皮層連續發射。與此同時，他可能會聞到貓的味道，他可能會觸控它，他可能聽到它喵喵叫，他可能會聽到他母親說話。所有這些感測器都會觸發更多入口點神經元，這些神經元與正在進行的貓模式相連。現在我們對貓的情況充滿了記憶：我們的貓不僅是一個影象，它的聲音，氣味，感覺。
許多感覺神經元產生連續的模式，每個模式在其區域中具有特定的順序。一些新的大模式誕生了，下次嬰兒聽到貓叫時，這些已經存在於聽覺區域的模式也可能觸發貓的視覺模式，因為它們是物理連線的。或者他們可能觸發儲存貓名稱的相關神經元，因為它們曾經一起觸發（安德魯，不要碰貓！）
貓的情況：
如果貓抓傷了孩子，疼痛感測器會直接向一些“危險反應”神經元發出脈衝，釋放腎上腺素並激發一些運動肌肉。這些型別的連線可以是預定義的（在DNA中，本能中）或學習的。這種艱難方式形成的模式將把貓與危險聯絡起來。
下一次，貓的形象可能觸發“對危險的反應”神經元併產生恐懼感——與腺體（釋放一些激素），面板，肌肉等相關的神經元模式。
什麼是思想？
現在我們正在定義一個想法是什麼。
思想基本上是由連續觸發的連線神經元形成的模式。可以將影象作為單個靜態模式呼叫，但是情境，想法，記憶，思想在一系列觸發模式中，遵循它們之間的物理連線。在這個定義中，一切都很重要：路徑，順序，可能訊號的速度; 它不是3D靜態模式，而是時間序列。
這個序列不是孤立的; 它始終是觸發它的其他模式的繼承的一部分（來自外部感覺神經元或來自其他一些內部模式）。此外，在模式觸發時，一些中間神經元生成相鄰模式，因為它們也涉及其他物理連線。這定義了邏輯，彼此產生的連線思想。
因此，思想是一種時間模式，在短時間內傳播的電訊號被認為是相同的連結神經元。它們都是由不同的其他想法或輸入一起觸發的。
如果我們看一下神經病學今天如何解釋deja-vu，我們可能會發現它有點複雜。但是如果我們認為由於某些因素引發類似的附近模式，事情可能會變得容易一些。
你可能仍然想知道這個模型有什麼用處。我認為像這樣看待人類智慧將有助於我們更好地理解大腦中發生的過程。也許它有助於設計下一代智慧機器，因為我們仍處於學習機器時代。具有多個輸入和輸出的機器可以在不同的區域上進行訓練，具有記憶並將它們關聯起來，所有這些都在同一個網路中。
熵與隨機思維
大腦永遠不會停止思考。時間模式在不同的區域中一個接一個地形成。為什麼他們不總是以相同的順序始終生成相同的模式？首先，大腦是動態的，它的配置通過建立新的突觸連線和破壞舊的連線而不斷變化。此外，感覺神經元產生足夠的熵，因此一些起始模式的輸入永遠不會相同。它可能相似但不相同，外部溫度的單一等級差異會影響整個大腦。這是因為當來自其他人的輸入達到“動作電位” 的閾值水平時，神經元會觸發。因此，一些神經元可能觸發或不依賴於外部熵，從而影響所有其他神經元。
這就是隨機思維的實現方式，今天的機器學習並沒有得到很好的處理，因為他們期望相同資料的結果相同。根據情緒，大腦可能產生不同的結果......
即使並非所有可能性都已被分析，這種隨機性有助於選擇一個好的解決方案。有些人稱之為直覺。機器學習演算法也利用這種熵（“隨機森林”），因為它也是由軟體模擬的。
什麼是智力？
智力=產生有生產力的思想的連續，這些思想服務於某些預定義的目的（模式）——生存、繁殖、進化。這些預定義模式是如何形成的？通過反覆試驗，發生了突變，沒有突變的人消失了。在他們形成之後，他們以某種方式找到了進入DNA的方式，而後代繼承了它們，然後以同樣的方式增強它們。
隨著更多生成的連線和更多活動，大腦匹配某些預定義模式的機會增加。我們可以說大腦變得更聰明瞭。
顯微鏡上的真實神經元
影象識別
正如我所說，一旦在某些視覺神經元之間建立連線（或者可能在某些附近區域）並形成一個模式，大腦就能夠回憶起那個影象。你看到你認識的人，眼睛再次觸發相同的神經元，就像第一次一樣，遵循現在存在的相同硬體模式。它們與你對那個人的一些其他記憶有關，因為當時形成的模式越來越多，或者在類似的背景下形成。所以基本上，記憶再次觸發相同的模式，這給出了相同的感受，反應或想法。它們與該人，姓名，地點等進一步聯絡所有相關模式。
但是我們怎麼想象有人在記憶中呢？當我們考慮某人時，如果沒有背景，我們就永遠不會向人臉上思考。基本上，我們記得在特定情況或位置的某個人，我們沒有單獨的臉部影象，因為它從未像這樣形成。我們的想法始於與該人相關的其他模式，如名稱，位置或其他相關記憶。然後，大腦試圖重建最初形成的大模式並與視覺區域中的原始影象模式相關聯。當完整的記憶重新觸發時，視覺模式啟用，我們再次“看到”記憶中的人臉，沒有外部刺激，都是從一些相關的思想開始。此外，模式的副本可能形成在一個封閉區域，當我們做夢時，這可以在沒有外部輸入的情況下觸發我們大腦中的影象。
人工智慧與機器學習
我們正朝著正確的方向緩慢前進。仍然關注錯誤的領域，悲觀，缺乏理解，缺乏資訊，無知等等。我們處於這個新領域的早期階段，它會讓一些人感到害怕或讓別人做夢。其他一些人幾乎虔誠地對待它。但是進步是無法阻止的，如果我們能夠做一個物種，無論好壞，我們都會這樣做，無論它是用於進化還是用於戰爭。
目前，我們嘗試在2D數字（二進位制）系統上模擬3D時間實體。這是緩慢而低效的，因為大腦用燈泡的能量做得更多。如果我們設法制造一些真正智慧的東西，它可能具有體育場那麼大——仍然有可能，但是我們可能做得更好。當前的設計很好地建立了新的機器學習演算法，以瞭解我們可以用AI做什麼或者限制和危險是什麼。仍然不實用。我們的軟體神經元需要發展為更好的專用硬體。
我們今天使用的機器學習演算法只考慮輸入和輸出。他們不知道也不關心在訓練資料時形成的內部模式，但他們使用輸出。而內部就是魔術，這些模式代表了對系統的理解。我們不足以使用它們來生成其他目的，併為不同目的重用相同的網路（即強化學習）。
此外，機器學習處理數字和功能，而大腦處理靈活的空間連線。在這方面，大腦要快得多，但未來的硬體可以解決這個問題。
大腦儲存的情況類似於觸發的連結神經元的時間序列，而軟體神經網路儲存固定模式並試圖在以後重用它。這就像我們在某些資料上構建一個黑盒子，然後我們在其他地方使用它並期待結果，這就是全部。
許多模仿人類大腦並推動事物發展的方法已經存在。
- 有些嘗試“新增更多硬體”方法，應用於當前設計——更快的處理器和更多GPU上的核心，以加快學習速度。沒有必要複製完全相同的設計以獲得相同的結果，實際上輪子和腿部用於相同的目的。這種方法適用於當今最常見的Von Newmann硬體，允許我們大多數人使用機器學習。但可能，這不是未來。
為了適應新的計算，需要新的硬體。第一個想法是將演算法實現轉移到晶片上，但整個系統的重新設計可能會表現得更好。
- 我們需要模擬突觸，動態生成3D連線，以建立電子模式。我們需要某種新的模擬大腦——在這方面， 神經計算可能表現最佳。
這是一種熵環境，其中連線模式可以基於先前的模式形成並生成其他模式。
為了適應現有的概念和目的，除了像在我們教孩子一樣訓練它們，別無他法。甚至連大自然也不能對這些進行微觀管理，它讓它們掌握在學習手中。與自然界最大的不同在於，一旦受過訓練，國家就能夠得到拯救、恢復、改善。
- AI和量子計算同時出現太巧合了。在不久的將來，我們可能會看到基於量子計算的AI系統的設計，現在甚至還沒有考慮或想象。這些系統實現的速度可以以全新的方式模擬模式。人類處於這個充滿希望的新時代的早期階段，一些人已經看到了將量子計算用於人工智慧的方法。
一旦我們設法建立硬體和演算法以生成類似於大腦的模式，事情就會快速發展。這些新智慧機器在速度和準確性方面都將具有令人難以置信的效能。AGI將有一條直線路徑，我們可能在20 - 30年內擁有它。也許今天我們只是在錯誤的硬體上處理過時的神經元。
有了這個新的基礎，我們只需要新增我們已有的子系統，影象識別，語言識別等。我會嘗試一個瘋狂的猜測：建立這些新演算法加上硬體可能需要5到10年，然後另外10-15創造高度智慧的機器人 - 能夠洗碗。
當與這些機器通訊的語言達到人類標準，並且當他們能夠表達他們正在做的事情時，奇點可能會被認為已經解決了。但直到他們，簡單的智慧機器人將進入我們的家園，並將使我們的生活更輕鬆。
有一件事是肯定的，精靈已經不在瓶子裡，很多人已經看到了這一點，現在他們正在研究它。
機器學習和資訊檢索
實際上，這就是我寫這篇文章的方式，我想知道機器學習是否可以用於更好的搜尋引擎。我的結論是，在近期內不會，至少不會以我看到的方式。這是因為今天的ML不是用於儲存的，如果提供文件（例如，使用ML用於普通搜尋引擎提供的頂級文件），它仍然可以是非常好的相關引擎。
檢查集合中的所有文件太慢並且在索引搜尋下執行。為了從大腦的速度中受益並建立一個完整的搜尋引擎機器學習，我們必須將所有文件儲存在其中，就像大腦儲存影象一樣。這將是相當大的，比當前索引大得多，我認為我們今天沒有接近這一點——演算法和硬體。
正如我所說，大腦不是為記憶而建造的。一個人幾乎無法記住一本書的兩頁。使大腦在生成的時間模式中保持資訊的同時也產生思想。這就是為什麼軟體“神經元”應該儲存更少的資料並建立更多連線的原因。一旦我們將世界概念融入到這樣的機器中，作為模式，我們就可以看到這些系統如何使用熵並處理它們。
什麼是意識
既然我們知道大腦中是如何思考的，以及它們如何進化和產生其他思想，我們就可以得出這種憤世嫉俗的結論：
我們所說的意識只是一套關於我們自己的想法。它們就像關於貓的那些：觸發的連線神經元的模式。它們更多一點，因為我們每天記錄了很多關於我們的模式，並且我們從我們的身體（感覺）中獲得了許多與記憶相關的輸入。此外，我們還有一些關於生存和自動保護的預定義模式。所有這些與我們自己相關的想法與那些關於貓的想法並沒有實際不同，它們只是......更多。我們擁有更多關於我們自己的模式，而不是其他任何東西。
因此，如果我們創造一個知道他的名字的機器人，有目的，知道他做了什麼並試圖保護自己，我們可以說他是有意識的。沒有必要更多，沒有任何神聖之處。對於那個很抱歉...
對於那些堅持50年陳詞濫調的人來說，是的，機器人可以被程式設計為墜入愛河或擁有感情。一旦我們設法處理學習機器內部的模式，我們就可以建立它們並將它們連線到一些物理反應中。並在某些情況下使它們觸發。一隻螞蟻在離開我們時有意識。預先記錄的模式識別出危險。攜帶食物只是預先確定的本能或者是學習行為; 兩者都儲存在神經系統中。
自然語言處理
自然語言處理是故事中最難的部分，人工智慧的聖盃。它是定義奇點的元素。它與今天機器學習完成的“單詞匹配”無關，它基本上搜索資料庫中的類似短語或單片語。
語言處理是指與智慧機器的雙向通訊形式，其中機器通過檢查內部模式來表達其當前狀態。它是機器將傳達的概念與現有模式相匹配並提供相關模式作為反饋的能力。它是將這些概念與後果，自身想象力，歷史和半預測未來同步的能力。它還有更多......
這是最難實現的部分，應該放在最後，因為它需要所有其他子系統。這種形式的交流也出現在人類歷史上的最後一次，大約在一萬年前，在大腦足夠大以至於其他型別的處理之後很久。海豚非常聰明但不會溝通太多。我們需要從語言的原始形式開始並及時改進它，但如果不先解析智慧就無法完成。我們甚至可能需要詢問我們如何處理哲學家機器人，以防我們已經設法擁有發明事物的機器......
聊天機器人，就像今天這樣，很難改進。30年後沒有太大進展，即使我們在數十億預先錄製的對話中使用機器學習，它們也不會產生自然智慧。
即使我們設法在語言層面上孤立和處理概念並新增某種對話歷史，也很難或不可能僅根據文字來預測眼前的未來或後果。這是你與智慧實體交談的感覺的一個重要部分，他們可能永遠不會通過旅行測試。
助理：
因此，理性答案的錯覺無法取代真實的思維。這並不意味著他們不會出售，或者人們不會將它們用於簡單的任務，簡單的問答對話或助手。它們只是有趣的小工具（除非公司選擇用聊天機器人以最低工資支付的呼叫中心替換女孩，在這種情況下，它們是煩人的小工具）。
結論
這裡涉及多門學科，神經學、數學、計算、生物學等等，也許我並不是在所有情況下都非常準確。但總體情況可能是正確的。也許需要一門新學科，將神經學與機器學習聯絡起來。
大腦的逆向工程正在進行中，還有很多東西要發現。但是今天我們正處在這樣一個時刻：我們知道足夠的開始並且我們有足夠的計算能力。新的AI演算法剛剛證明了這是可能的; 我們只需要找到改善它們的方法。可能需要多年的試驗和錯誤，調整和創新，但智慧機器正在前進的路上。他們將為我們所有人帶來更好的生活。
我們可能打算創造它們，作為一種新的生命形式，它在某種程度上可以拯救我們正在死亡的地球，無論是汙染嚴重，過熱還是照射......
與現實相比，人類用來預測未來的時間太短，能力也太弱。他們想象著2000年之前傳送和星際旅行的方式。但他們無法想象10年前自駕車，所有科幻電影仍然有司機和飛行員。同樣所有的外星人都是血肉之軀，當我們的機器人很明顯會首先相遇的時候。在這方面，即使奇點將比預期晚10年發生，其影響將遠遠高於今天所有人的想法。希望是積極的。
“成功創造有效的人工智慧可能是我們文明史上最大的事件。”
斯蒂芬霍金
PS:有專業術語翻譯不當，歡迎指正
原文地址：https://www.codeproject.com/Articles/1221003/Thinking-Consciousness-and-a-Model-of-Intelligence