Sztuczne sieci neuronowe w luźny i użyteczny sposób imitują funkcje ludzkiego mózgu. To jest właściwy punkt wyjścia, a także granica. Są zbudowane z połączonych jednostek, które przyjmują dane wejściowe, ważą je i przekazują wyniki, co jest prostą wersją oprogramowania sposobu, w jaki neurony biologiczne przesyłają sygnały.
Wciąż wracam do jednego faktu: podobieństwo dotyczy funkcji, nie biologii. Prawdziwy mózg ma żywe komórki, sygnały chemiczne i ogromną sieć efektów czasowych. Sztuczna sieć neuronowa ma liczby, matematykę i kod. Nazwa jest wystarczająco uczciwa, by wskazywać na ideę, ale może też wprowadzać ludzi w błąd, myśląc, że model to mały cyfrowy mózg. Nie jest tak.
To, w czym sztuczna sieć neuronowa radzi sobie dobrze, to nauka wzorców z danych. Każda jednostka, często nazywana neuronem, otrzymuje wartości wejściowe. Łączy je z wagami, a następnie wysyła wynik przez funkcję aktywacji. Ta aktywacja to mała reguła, która decyduje, jak mocno jednostka powinna reagować. Przy wielu jednostkach ułożonych jedna na drugiej, sieć może uczyć się użytecznych wzorców, takich jak etykiety obrazów, wzorce mowy lub relacje tekstowe.
Ten projekt jest inspirowany mózgiem, ale jest to uproszczona wersja. Biologiczne neurony robią znacznie więcej niż dodawanie liczb i stosowanie prostego wzoru. Aktywują się w złożony sposób, używają wielu rodzajów chemii i pracują z timingiem, którego obecne standardowe sieci neuronowe nie modelują dobrze. Architektura sieci, której używamy w uczeniu maszynowym, przejęła szeroką ideę połączonych jednostek przetwarzających, a następnie przekształciła ją w matematykę, którą komputer może trenować.
Trenowanie to ta część, która sprawia, że system wydaje się inteligentny. Sieć zgaduje, sprawdza, jak bardzo się pomyliła, i lekko dostosowuje swoje wagi. Powtarza to wiele razy. Z czasem sieć uczy się, które wzorce wejściowe są istotne. To jedna z głównych przyczyn, dla których te modele są użyteczne. Nie potrzebują programisty, który ręcznie zapisze każdą regułę.
Mimo to właśnie tutaj liczy się uczciwa granica. Sztuczne sieci neuronowe nie myślą w sposób, w jaki myślą ludzie. Nie rozumieją w ludzkim sensie. Nie mają pamięci, świadomości ani intencji, jak mózg. Są dobre w dopasowywaniu wzorców, a nie w byciu umysłem. Nawet gdy ich zachowanie wygląda sprawnie, wewnętrzny proces nadal jest matematyczny, a nie biologiczny.
Myślę, że to jest punkt, którego większość czytelników potrzebuje najbardziej. Mózg zainspirował projekt, ale obecny algorytm nie jest kopią mózgu. To praktyczny model, który wykorzystuje luźną lekcję od mózgu: wiele małych jednostek pracujących razem może rozwiązywać trudne zadania. Okazało się, że ten pomysł jest potężny, nawet jeśli wersja maszyny jest znacznie prostsza niż oryginał.
Istnieje również użyteczny podział między starszymi twierdzeniami a obecną rzeczywistością. Wczesne opisy często sprawiały, że porównanie brzmiało bliższe niż w rzeczywistości. Współczesne prace są ostrożniejsze. Niektóre idee sieci neuronowych rzeczywiście przypominają części zachowań mózgu w szerokim ujęciu. Ale pełny system biologiczny pozostaje znacznie bogatszy niż to, co robią dziś większość sztucznych sieci. Sieci neuronowe typu spiking oraz inne modele inspirowane mózgiem próbują zamknąć tę lukę, ale wciąż nie są takie same jak ludzki mózg.
Więc krótka odpowiedź pozostaje ta sama. Sztuczne sieci neuronowe imitują funkcje ludzkiego mózgu, kopiując szeroką ideę połączonych jednostek, które uczą się z sygnałów. Nie kopiują samego mózgu. Są narzędziami inżynierskimi, stworzonymi do nauki wzorców, i działają, ponieważ uproszczona idea jest użyteczna, a nie dlatego, że prawdziwie reprodukują ludzką myśl.
To jest rodzaj prostej odpowiedzi, jakiej chcę od koncepcji AI: jedna jasna idea, jeden działający mechanizm i jedna twarda granica. To również obietnica stojąca za The Model Log, z jedną praktyczną koncepcją AI, jednym działającym przykładem i jednym uczciwym spojrzeniem na to, co naprawdę działa.
