Nieustannie wracam do jednego prostego punktu. Sieci neuronowe imitują komórki mózgu w celu przetwarzania danych, ale robią to w bardzo przybliżony sposób.
To zdanie brzmi bardziej znacząco, niż jest w istocie. Sieć neuronowa nie jest mózgiem w pudełku. To model komputerowy zbudowany z wielu małych elementów, które zachowują się nieco jak neurony. Każdy element przyjmuje wejścia, miesza je i wysyła wynik. Gdy wiele tych elementów pracuje razem, sieć potrafi wyłapywać wzorce w danych.
W tym tkwi prawdziwa wartość. Sieć nie potrzebuje pełnego, ludopodobnego umysłu. Potrzebuje jedynie użytecznego sposobu na zamianę liczb na decyzje. W praktyce oznacza to, że obrazy, tekst, dźwięk i inne dane mogą przepływać przez warstwy połączonych jednostek. Każda warstwa nieznacznie zmienia dane. Późniejsze warstwy wykorzystują te zmiany, by znaleźć kształty, słowa lub inne wzorce.
Podstawowa idea jest wystarczająco prosta. Biologiczny neuron otrzymuje sygnały od innych komórek. Jeśli wystarczy dużo tych sygnałów dotrze, może wysłać własny sygnał dalej. Sztuczny neuron kopiuję tylko ogólny zarys tej idei. Otrzymuje liczbowe wejścia, nadaje im wagi, sumuje je i przekazuje wynik przez funkcję. Ta funkcja decyduje, jak silne powinno być wyjście.
Lubię ten aspekt, ponieważ utrzymuje on hype pod kontrolą. Model nie próbuje skopiować każdego szczegółu prawdziwej komórki mózgowej. Kopiuje kilka użytecznych nawyków. Dlatego działa w uczeniu maszynowym. Daje elastyczny sposób na naukę na podstawie przykładów, a nie sztywnych reguł.
Najważniejszy jest etap trenowania. Sieć zaczyna od przybliżonych ustawień. Następnie widzi przykłady i dostosowuje swoje wagi, gdy jej odpowiedzi są błędne. Z czasem te drobne zmiany pomagają jej lepiej radzić sobie z nowymi danymi. Nauka rozkłada się na całą sieć, a nie jest przechowywana w jednym miejscu.
To właśnie tam ludzie często tworzą sobie niewłaściwy obraz. Sieć neuronowa nie rozumie danych w sposób, w jaki robi to człowiek. Nie wie, czym jest kot w ludzkim sensie. Uczy się wzorców, które pomagają jej wygenerować właściwe wyjście. Może to wyglądać inteligentnie i często jest użyteczne, ale nadal jest dopasowywaniem wzorców.
Porównanie do mózgu pomaga tylko do pewnego stopnia. Prawdziwe komórki mózgowe są znacznie bardziej złożone. Wykorzystują sygnały elektryczne i chemiczne. Działają w chaotycznych, zmieniających się systemach biologicznych. Wiele projektów sieci neuronowych wykorzystuje tylko małą, czystą część tego zachowania. Pożyczają nazwę i ogólną strukturę, a nie pełną biologię.
Myślę, że to ograniczenie jest ważniejsze, niż przyznają większość przewodników dla początkujących. Mózg nie jest blueprintem w ścisłym sensie. Jest inspiracją. Sieć neuronowa jest bliższa uproszczonemu modelowi matematycznemu niż rzeczywistemu układowi nerwowemu. Dlatego można ją zbudować na komputerze i trenować za pomocą danych, czego biologia nie potrafi zrobić w ten sam sposób.
Istnieje jeszcze jedno szczere ograniczenie. Analogia do mózgu może wprowadzać ludzi w błąd, sugerując, że wszystkie sieci neuronowe są takie same. Nie są. Niektóre są płytkie. Niektóre są głębokie. Niektóre są budowane do obrazów. Inne do tekstu. Niektóre używają specjalnych warstw lub metod trenowania. Wspólna idea jest taka sama, ale szczegóły zmieniają się mocno.
Dla dewelopora najczystszy sposób myślenia o tym jest następujący: sieć neuronowa to zbiór połączonych procesorów liczb, który uczy się na przykładach. Jej części są inspirowane neuronami, a jej połączenia inspirowane synapsami. Ale system jest inżynieryjnie zaprojektowany pod kątem przewidywania, a nie biologii. Dlatego może być praktyczny, nie będąc wiernym oryginałowi.
Trzymam też jedną ostrożność przed oczami. Dziedzina wciąż bada, jak daleko powinna iść analogia do mózgu. W niektórych badaniach sieci neuronowe mogą wykazywać mózgowate wzorce tylko przy specjalnych ustawieniach. To przypomnienie, że podobieństwo jest użyteczne, ale ograniczone. To wybór modelu, a nie dowód, że maszyna myśli jak mózg.
Więc krótka odpowiedź pozostaje ta sama. Sieci neuronowe imitują komórki mózgu, by przetwarzać dane, ale tylko na wysokim poziomie. Pożyczają pomysł wielu połączonych jednostek uczących się na sygnałach. Nie kopiują komórki mózgowej jedna po drugiej. Ta luka nie jest wadą. Jest powodem, dla którego metoda jest na tyle prosta, by ją zbudować, trenować i używać.
O taki rodzaj szczerych detali chodzi mi w piśmie o sztucznej inteligencji. Jeden praktyczny pomysł, jeden działający model tego, jak behaves, i jeden jasny limit. To również obietnica stojąca za The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jeden szczery rzut oka na to, co naprawdę działa.
