Сегодня я хочу объяснить, как теория Патома упрощает наш взгляд на функции мозга - переход от модели обработки к модели сопоставления с образцом - и что это означает. Применение теории мозга помогает моделировать то, что я называю машинным интеллектом или, точнее, «искусственным интеллектом, имитирующим человека».

Человеческий интеллект происходит от языка, а не от сознания или чего-то еще. Язык позволяет нам учиться без проб и ошибок - главное эволюционное преимущество. Пользователи языка значительно снизили риски. Они слышат, что работает, а что нет, на основе опыта других, даже не попробовав.

Язык можно рассматривать как прямое окно в сложное представление мозга о мире, объединяющее причину и следствие, ключевой элемент интеллектуального мышления [i], внутри самих словоформ. Богатство и точность человеческого представления отсутствуют в современных решениях, таких как машинное обучение с глубоким обучением, в котором отсутствует символическое представление [ii].

Извлекая семантическое представление из языка, включая его причинные элементы, «машинный интеллект» может общаться с нами более естественно и эффективно.

Что такое ИИ?

На днях мне понравилась статья об искусственном интеллекте (ИИ). Это сделал профессор Калифорнийского университета в Беркли Майкл И. Джордан [iii] (нет, не баскетболист). Он начал с того, что указал на то, что машинное обучение (ML) и связанное с ним Data Science можно называть ИИ, но термин ИИ неоднозначен. Затем он сломал A.I. на 3 части, чтобы помочь нам всем. Они есть:

1. Искусственный интеллект, имитирующий человека (машинный интеллект, в моих терминах): создание машины, обладающей интеллектом человеческого уровня.

2. Увеличение интеллекта (I.A.): использование вычислений и данных для создания сервисов, повышающих человеческий интеллект и творческие способности, например современные поисковые системы и перевод на естественный язык

3. Интеллектуальная инфраструктура (I.I.): сеть вычислений, данных и физических объектов - например, эффективная навигация на беспилотных автомобилях

Джордан отмечает, что цели И.А. и И. может быть лучше удовлетворен, если не использовать искусственный интеллект, имитирующий человека. вообще.

Что еще более важно, и в центре внимания сегодняшней статьи И.А. и И. Методы не смогли преодолеть разрыв с машинным интеллектом, потому что у них нет доступа к семантике языка - строительным блокам человеческого общения, необходимым для понимания естественного языка (NLU).

I. Интеллект - это результат человеческого языка

Моя собака умна, но ее способности не могут считаться целью машинного интеллекта.

Как объяснил доктор Алан Тьюринг в своей имитационной игре [iv], интеллект (мышление) можно проверить, используя язык для обсуждения человеческой деятельности, такой как шахматы, поэзия и математика.

Интеллект не проявляется в действиях, подобных животным, например в зрении. Моя собака узнает меня своим зрением. Она также узнает мой голос, так что слух тоже не интеллект. Когда она обнаруживает меня своим обонянием, ее реакция кажется такой же, как и другие чувства, как если бы мой мультисенсорный паттерн совпал, который затем соединяется с ее реакцией, которая включает в себя виляние хвостом и множество других движений в составе соединения. шаблон.

Следовательно, машинный интеллект не может быть только сенсорным распознаванием, и, хотя некоторые органы чувств сейчас эмулируются системами, основанными на машинном обучении, они еще не похожи на мозг по своим характеристикам, архитектуре или представлению.

Может быть, интеллект - это еще и умение перемещаться по лабиринтам, как крысы учатся делать? Навигация - полезная задача для машинного интеллекта, поскольку она требует передвижения, равновесия и координации, но мало кто сочтет это одним только человеческим интеллектом.

На данном этапе нашей истории основное внимание должно быть уделено человеческому языку взаимодействию, чтобы машины могли объяснить нам, почему они делают то, что они делают, если они даже знают почему.

В человеческих языках часто отсутствуют слова

Итак, что я имел в виду во введении выше, говоря «наслаждаясь» искусственным интеллектом. статья?

Я имею в виду, мне понравилось читать статью. Обратите внимание, что нет слова, означающего чтение, но вы все равно это знали. Спасибо профессору Пустеевскому за его работу [v], описывающую квалиа для моделирования этой наблюдаемой особенности языка.

Меня учили говорить, что значение слова в предложении определяется значениями других слов в предложении, и в этом случае значение чтение передается [vi] значением слова слово статья.

Кажется, что из-за таких наблюдений трудно объяснить языки. Спустя годы, прошедшие с изобретения цифрового компьютера, модели языка не смогли справиться с обработкой естественного языка (NLP). Это тема многих других моих статей на Medium, таких как необходимость удаления частей речи [vii] и исключения синтаксического анализа [viii] в пользу подходов, основанных на значении, но сегодня давайте продолжим смотреть в основе человеческого мозга.

II. Использование символов для обозначения причины и следствия

Люди, кажется, лучше учатся на примерах, чем на абстрактной теории, поэтому давайте рассмотрим пример. Здесь мы видим, как язык использует символы и причинно-следственные связи внутри самих слов.

Каждое слово или последовательность слов в буквальной фразе вносит свой вклад в значение речи вместе с последовательностью слов в предложении. Значение слова «есть», как видно, встроено в другое слово, добавляющее причину, значение «накормил».

Сопоставление с образцом отличается от обработки

Система, показанная ниже (с защищенного сайта app.pat.ai), в своей основе использует сопоставление с образцом, чтобы отличаться от модели обработки, принятой в современных устройствах: code-processing-data. Сопоставление с образцом находит «одинаковые» вещи, и NLU системы использует это, многократно сопоставляя образцы, пока не перестанут обнаруживаться новые.

Термин «сопоставление с образцом» можно рассматривать как упрощенный, но это не так. Достаточно смоделировать естественный язык, способный объяснить известные аспекты Вселенной. Используемая иерархическая, двунаправленная модель, основанная на наборах и списках атомов-шаблонов, кажется эффективным подходом для биологических возможностей, таких как NLU, которые оказались проблематичными для парадигмы обработки.

С помощью символов вещи можно распознать как «одинаковые» несколькими способами. Учитывая единственный символ, который не может быть продублирован, символ остается таким же, когда указывает на себя. То же самое, когда на него указывают два или более различных объекта.

«Накормленный» - это то же самое, что «есть» в том смысле, что он имеет общее значение: есть '. «Eat» отличается тем, что принимает 2 роли, в то время как «fed» принимает 3 роли и является причинным предикатом. Дополнительная роль в fed указывает причинителя, которого можно исключить в пассивном залоге (на английском языке), как в этом примере.

Разложение языков на смысловые части хорошо выполняется лингвистической структурой Role and Reference Grammar (RRG), основным разработчиком которой является профессор Роберт Д. Ван Валин-младший.

«Женщина-полицейский должна захотеть съесть этот гамбургер» описывает возможное событие со слабым обязательством (должно) на диаграмме ниже. В этом возможном случае она чего-то хочет. Что это-то? Ситуация подсказывает нам: она ест этот гамбургер.

Обратите внимание, что «этот гамбургер» ее не ест. Связывание ролей с правильной семантической позицией определяется алгоритмом связывания RRG, который обслуживает все естественные языки.

Это то же самое, что «Женщина-полицейский должна хотеть, чтобы ее накормили этим гамбургером»? При точном разложении ответ будет отрицательным, как упоминалось выше. Вторая фраза в этой ситуации - пассивная, что означает «кто-то ее накормил». Однако вы можете увидеть общие элементы, такие как -

сделать ' (женщина-полицейский, [ест' (женщина-полицейский, этот гамбургер)]) & INGR съела ' (этот гамбургер)

- говорит нам, что кормление включает в себя еду. Это тот же символ есть '.

В системе, которую я построил, это различие проводится через последовательность различий совпадений / несоответствий в семантической сети. Реализуя RRG [ix], у нас есть строительные блоки языка - значимые атомы - для сравнения в известных шаблонах фраз. В шаблоне фразы образцы в известной последовательности сопоставляются с полученным вводом. То, что известно на основе опыта, совпадает с неизвестным.

Символическое представление

В двух приведенных выше примерах очевидна символическая природа языковой модели: существуют определенные смыслы слова [x], соответствующие предикатам (есть / накормить). Слово следует предоставляет базовому оператору слабый / низкий уровень обязательств оператор уровня предложения возможно, который отображается в разбивке сопоставителя значений на изображениях выше. Каждый аргумент сказуемого, являющийся смыслом слова, состоит из значений слов.

Красота соединения RRG, разделяющего первый аргумент со вторым предикатным представлением, обеспечивает ясный смысл.

Патомы - это чистая форма символического представления: они состоят только из наборов и списков атомов паттернов. Со временем они становятся меньше, так как любые шаблоны, несовместимые с новыми совпадениями, вызывают разложение, оставляя все оставшиеся патомы уникальными и разными.

RRG идеально подходит для символического представления с четкими наборами символических элементов для представления анализируемого языка. И хотя в предложении может быть двусмысленность, соответствующая более чем одному допустимому семантическому представлению, ее не нужно разрешать. Неоднозначность просто передается в контекстную систему для разрешения, если это необходимо.

В традиционных синтаксических анализаторах синтаксическое представление слова «бегущий человек» неразрешимо, поскольку слово «бег» является существительным, прилагательным и глаголом. Наука, стоящая за этой моделью, когда сначала синтаксис, не имеет решения. Учитывая контекст, возможно, это можно было бы решить, но, откровенно говоря, проблемы, вызванные научной моделью, должны решаться просто путем изменения теории.

Самый простой способ изменить современную модель - принять RRG, теорию, которая включает в себя отслеживание смысла и контекста.

III. Сознание не является отличительным признаком

Некоторые утверждают, что сознание - это единственная человеческая особенность, которая отделяет нас от животных. Определение сознания разнообразно - некоторые утверждают, что оно включает язык в дополнение к осознанию. Это центральное место в концепции разума« [xi] ».

Сознание - это просто осознание

Осведомленность о мире - полезная функция для животных с мозгом. Единое мировоззрение, возможно, облегчает выживание, поскольку животное пытается сохранить свое тело полностью. Осведомленность чисто субъективна и не может быть объективно измерена, поэтому приписывание осведомленности и сознания только людям - это просто человеческое предубеждение против других животных.

Цель машинного интеллекта может быть достигнута без осознания и без зависимости от ряда других неточных слов, таких как подсознание, бессознательное, разум и другие функции мозга.

Но нам нужно не заходить слишком далеко, например, внедрять бихевиоризм, при котором вещи, которые нельзя наблюдать напрямую, должны исключаться, например, ментальные состояния.

В машинном интеллекте мы имеем дело с тем, что делает мозг, за чем нельзя наблюдать напрямую. Очевидный компромисс состоит в том, чтобы четко создать теорию, чтобы заполнить этот пробел. Силу гравитации нельзя наблюдать, но ее можно косвенно измерить путем экспериментов. Точно так же представление смысла в мозгу можно проверить с помощью языка, в котором сам разговор поддерживает или опровергает теорию.

Где находится осведомленность?

Осведомленность - это функция ствола мозга у людей, сознание которых рассматривается как более распределенное [xii].

Гипотеза о том, что мозг рано развил осведомленность как преимущество для выживания, помещает его в эволюционно раннюю область - ствол мозга. Это сделает осведомленными большинство животных с мозгом, включая рыб, рептилий и млекопитающих. По мере развития мозга его входные данные будут расширяться за счет более развитых сенсорных областей в головном мозге.

Во время нейрохирургии обычно проверяют функцию мозгового материала, стимулируя его и выслушивая то, что сообщает пациент. По определению, это проверяет область сознательной реакции или осознания искусственно активированного паттерна.

Некоторые области не вызывают осознанной реакции, такой как стимуляция мозжечка: центра мелкой моторики. Зрительная кора, височные доли и многие другие области коры имеют. Это соответствует активации паттерна, состоящего из паттернов в сенсорных областях, которые связаны с самыми старыми областями мозга. Двунаправленный характер паттернов позволяет сложным паттернам сохранять свое представление в составляющих сенсорных источниках, избегая необходимости кодирования, как в компьютере.

Что означает такая активация?

Теория патома хранит паттерны в иерархии: сенсорные паттерны можно найти в соответствующей сенсорной коре. Эти шаблоны могут быть дополнительно уточнены / распознаны, например, в зрении. Движение и цвет находятся в отдельных областях зрительной коры.

Эти сенсорные области объединяются в структурах мозга около височной доли, таких как гиппокамп, энторинальная кора и т. Д., Которые затем соединяются для референтов (вещей) с височной долей и для предикатов (действий) с лобной долей. Сенсорные предикаты представлены в соответствующей им смысловой области.

В то время как эта архитектура кажется «никуда не денется», ни в чем не проецируясь, цель мозга - чувствовать мир и двигаться с помощью мускулов. Решение, что делать, связывает возможные объекты и действия, которые хранятся в височных и лобных долях соответственно. Движение мускулов отделено от распознавания мозгом того, кто и что сделал, как и ожидалось. Точно так же бросание бейсбольного мяча - это отдельный навык от разговоров о физике в школе.

Короче говоря, доступ к мультисенсорной памяти должен активировать сенсорные паттерны, хранящиеся в соответствующей сенсорной коре головного мозга. А вспоминание сохраненного паттерна немного похоже на повторное переживание, когда осознание получает проблеск исходного сенсорного опыта.

Дополнительная информация по теории Патома

Теория патома была разработана на основе наблюдений за функцией мозга и нарушениями, обнаруженными при повреждении головного мозга [xiii].

Применительно к языку большинство более продвинутых мозгов связано с сенсорным восприятием и мультисенсорной консолидацией. Язык строится на этом, связывая звук (или прикосновение для шрифта Брайля или зрение для знаков) с активными значениями в мозгу. Написанные слова, например, распознаются в височной доле между распознаванием лиц и объектами [xiv] (референтами).

Мозг обладает особенностью пластичности, при которой нельзя полагаться на конкретную область для хранения определенных закономерностей между людьми. Этого следовало ожидать от системы, которая строит иерархию на шаблонах более низкого уровня. Поскольку все мы воспринимаем мир по-разному, ассоциации, которые мы узнаем, одинаково разные. В сочетании с генетическими различиями между людьми наш мозг различается по локализованным функциям.

Это соответствует уровню вовлеченной теории: теория патома касается того, что происходит в мозгу, а не того, как он это делает в деталях.

Вывод

Если осведомленность является особенностью мозга многих животных, в том числе человека, вероятным отличительным признаком интеллекта является человеческий язык. По этой причине естественный язык является ключом к машинному интеллекту.

Для машин, имитирующих естественный язык, первым шагом является исследование того, из чего сделан язык, для чего я цитирую ролевую и справочную грамматику [xv] как лучшую структуру, охватывающую языки мира, потому что она расширяет сегодняшнее состояние - современная синтаксическая модель с семантикой и контекстом.

В то время как И.А. и И. продолжает предоставлять полезные инструменты, такие как поисковая система и помощь в продажах, машинный интеллект требует следующего шага - естественного языка.

Конечные заметки

[I] https://www.quantamagazine.org/to-build-truly-intelligent-machines-teach-them-cause-and-effect-20180515/ представляет точку зрения Judea Pearl о ​​том, что рассуждение по ассоциации должно быть заменено С причинным рассуждением.

[Ii] http://nautil.us/issue/67/reboot/why-robot-brains-need-symbols - это обзор ограничений глубокого обучения и отсутствие символических возможностей.

[Iii] https://medium.com/@mijordan3/artificial-intelligence-the-revolution-hasnt-happened-yet-5e1d5812e1e7 - это изменение акцента профессором Майклом Джорданом публичных дебатов об искусственном интеллекте. на логически обособленные области.

[Iv] https://www.csee.umbc.edu/courses/471/papers/turing.pdf для статьи Тьюринга in Mind (1950).

[V] https://en.wikipedia.org/wiki/Generative_lexicon Одним из элементов генеративного лексикона Пустеевского является модель квалиа.

[Vi] Фактически, результат начинается с определения значения слова понравилось, которое в сочетании со значением артикль дает одно из его квалиа, чтение.

[Vii] https://medium.com/pat-inc/meaning-matching-without-parts-of-speech-ead3ba9e526f Без частей речи!

[Viii] https://medium.com/pat-inc/factoring-out-parsing-for-nlu-5142742273ad Избегайте синтаксических методов для NLU.

[Ix] https://www.amazon.com/Exploring-Syntax-Semantics-Interface-Robert-Valin/dp/0521811791 - это расширенное введение в грамматику ролей и справочников.

[X] Смысл слова подобен словарному определению или его значению.

[Xi] https://plato.stanford.edu/entries/consciousness/ сознание, возможно, является центральным вопросом в современных теориях о разуме

[Xii] https://www.seeker.com/physical-location-of-consciousness-found-in-brain-2086918268.html обсуждает ствол мозга и проекции на головной мозг.

[Xiii] https://www.amazon.com/Machine-Intelligence-Death-Artificial-ebook/dp/B01E9NM1XM Болл, Дж., 1998.

[Xiv] Дехейн, С., Чтение в мозгу: новая наука о том, как мы читаем, Penguin Book, 2009, с. 74.

[Xv] http://www.acsu.buffalo.edu/~rrgpage/rrg.html охватывает большое количество исследовательских статей и содержит библиографию соответствующих работ.