Tùy Chỉnh Chế Độ Xem
Cài đặt chỉ áp dụng cho trình duyệt này
Chế độ ánh sáng màn hình
  • Giao diện sáng
  • Giao diện tối
  • Giao diện mặc định

Kết Luận Không Thể Chối Cãi: Học Máy Không Giống Như Bộ Não Của Bạn

ket-luan-khong-the-choi-cai-hoc-may-khong-giong-nhu-bo-nao-cua-ban


Bài viết cuối cùng trong loạt bài gồm chín phần tóm tắt nhiều lý do "Tại sao học máy không giống như bộ não của bạn?" - cùng với một vài điểm tương đồng. Hy vọng rằng những bài viết này đã giúp giải thích các khả năng và hạn chế của tế bào thần kinh sinh học, cách chúng liên quan đến Machine Learning và cuối cùng là những gì cần thiết để tái tạo kiến ​​thức theo ngữ cảnh của bộ não con người, cho phép AI đạt được trí thông minh và sự hiểu biết thực sự.

Khi kiểm tra Học máy và bộ não sinh học, kết luận không thể tránh khỏi là ML hoàn toàn không giống bộ não. Trên thực tế, điểm giống nhau duy nhất là một mạng nơ-ron bao gồm những thứ gọi là nơ-ron được kết nối bởi những thứ gọi là khớp thần kinh. Mặt khác, các tín hiệu sẽ khác, khoảng thời gian khác và các thuật toán của ML là không thể thực hiện được trong các tế bào thần kinh sinh học vì một số lý do.

Các tế bào thần kinh rất chậm so với máy tính nên cách chúng hoạt động về cơ bản là khác nhau. Chắc chắn, có rất nhiều tế bào thần kinh và chúng chạy theo một quy trình nói chung là song song. Nhưng có một số quá trình nối tiếp rõ ràng như thị giác và thính giác, và sự chậm chạp của tế bào thần kinh đặt ra những giới hạn khá khó khăn đối với số giai đoạn có thể có trong quá trình xử lý. Nếu bạn có thể nhìn hoặc nghe thấy điều gì đó và phản ứng với điều đó trong một tích tắc của giây, thì số lượng “lớp” xử lý trong não bị giới hạn bởi tốc độ mà mỗi lớp có thể thực hiện quá trình xử lý của nó. Tốc độ xử lý chậm cũng có nghĩa là các tập huấn luyện khổng lồ phổ biến trong Machine Learning là không hợp lý trong môi trường sinh học.

Cấu trúc lớp có trật tự của mạng thần kinh nhân tạo là cần thiết cho hoạt động của chúng. Nếu các tín hiệu từ các lớp xuôi dòng được phép lặp lại các lớp trước đó thì thuật toán lan truyền ngược cơ bản bị phá vỡ vì bề mặt giảm độ dốc của nó không còn là hằng số. Loại kết nối vòng lặp này cung cấp cho mạng nơ-ron một mức độ bộ nhớ trong để nó có khả năng tạo ra các kết quả khác nhau từ các đầu vào giống hệt nhau dựa trên trạng thái bên trong của nó. Điều này rất tốt cho ý tưởng về các quá trình suy nghĩ giống con người hơn, nhưng không tốt cho ANN vì lan truyền ngược không có cách nào “biết” trạng thái bên trong là gì.

Thuật toán của perceptron khác và không tương thích với những gì chúng ta biết về tế bào thần kinh sinh học. Tổng kết cơ bản nhất được thực hiện bởi perceptron không hoạt động đối với nơ-ron, ngoại trừ một số trường hợp hiếm hoi. Các tế bào thần kinh có các đặc điểm như “thời kỳ trơ” khiến chúng bỏ lỡ các xung đột sắp tới và điều này dẫn đến các tổng kết sai. Loạt bài này trước đây đã chỉ ra rằng tổng của 0,6 + 0,1 thường mang lại 0,6 (không phải 0,7 như tổng sẽ đề xuất). Trên thực tế, tình huống duy nhất mà tổng kết đáng tin cậy là trong các mạng quá chậm để hữu ích. Nói chung, ý tưởng cho rằng giá trị trong một perceptron đại diện cho tần số tăng đột biến của một tế bào thần kinh sinh học đơn giản là không hoạt động.

Học máy dựa trên các giá trị nơ-ron và trọng số khớp thần kinh có độ chính xác hợp lý, cả hai giá trị này đều không hợp lý trong môi trường sinh học. Loạt bài này chứng minh rằng giá trị nơ ron càng cần được biểu diễn chính xác thì mỗi lớp mạng phải chạy càng chậm. Một ước tính hợp lý về số lượng các giá trị khác nhau được biểu thị trong một nơ-ron sẽ là 10 - không phải là số dấu phẩy động chính xác điển hình của ANN.

Đặt trọng lượng khớp thần kinh chính xác thậm chí còn tồi tệ hơn. Mặc dù một số cách tiếp cận lý thuyết để thiết lập trọng số khớp thần kinh có thể hữu ích, nhưng dữ liệu sinh học quan sát được cho thấy trọng số khớp thần kinh có mức độ ngẫu nhiên cao. Trên thực tế, chúng cao đến mức hợp lý khi kết luận rằng các khớp thần kinh về cơ bản là kỹ thuật số, đại diện cho trọng số 0 hoặc 1 và bất kỳ giá trị trung gian nào chỉ biểu thị độ tin cậy rằng giá trị đó là chính xác và/hoặc mục dữ liệu cụ thể đó có thể dễ dàng như thế nào được giữ lại hoặc bị lãng quên.

Vấn đề lớn nhất với ý tưởng cho rằng học máy giống như bộ não của bạn là quá trình lan truyền ngược cần đặt các khớp thần kinh cụ thể thành các trọng số cụ thể. Theo những gì chúng tôi biết, không có cơ chế nào có thể thực hiện được điều này. Trọng lượng của khớp thần kinh thay đổi để đáp ứng với sự tăng đột biến gần như đồng thời của các nơ-ron mà chúng kết nối và cơ sở hạ tầng cần thiết để thiết lập bất kỳ khớp thần kinh cụ thể nào sẽ yêu cầu một số nơ-ron - làm mất giá trị của việc lưu trữ thông tin theo trọng số của khớp thần kinh.

Chắc chắn rằng lĩnh vực mô phỏng thần kinh gần đây đã đạt được một số tiến bộ theo đúng hướng, nhưng phần lớn, nó vẫn dựa vào lan truyền ngược và thiết lập các trọng số khớp thần kinh cụ thể, cả hai cách đều không hợp lý.

Tổng hợp lại, mặc dù học máy đã đạt được một số tiến bộ đáng kể, nhưng nó có rất ít liên quan đến cách thức hoạt động của bộ não bạn. Đây là lý do tại sao chúng tôi đang theo đuổi sự phát triển của cấu trúc đồ thị tự thích ứng, một hệ thống đã được chứng minh là có thể thực hiện được trong các tế bào thần kinh và có thể là đại diện cho cách triển khai trí tuệ nhân tạo nói chung.

Copyright Disclaimer:

This site does not store any files on its server. We only index and link to content provided by other sites. Please contact the content providers to delete copyright contents if any and email us, we'll remove relevant links or contents immediately.

Tuyên bố miễn trừ bản quyền:

Trang web này không lưu trữ bất kỳ tệp nào trên máy chủ của nó. Chúng tôi chỉ lập chỉ mục và liên kết đến nội dung được cung cấp bởi các trang web khác. Vui lòng liên hệ với các nhà cung cấp nội dung để xóa nội dung bản quyền nếu có và gửi email cho chúng tôi, chúng tôi sẽ xóa các liên kết hoặc nội dung có liên quan ngay lập tức.

Tham khảo các bài viết cùng chủ đề:

1. Trí Tuệ Nhân Tạo Sẽ Thay Đổi Ứng Dụng Di Động Như Thế Nào?

2. Tầm Quan Trọng Của Hoán Vị Trong Dự Đoán Mạng Thần Kinh

3. 7 Khóa học Trí tuệ nhân tạo AI miễn phí tốt nhất năm 2022

4. Những Gì Sẽ Xảy Ra Đối Với Xu Hướng Chất Lượng AI Vào Năm 2023


Đọc thêm
Đăng nhận xét