Sztuczne sieci neuronowe imitują ludzki mózg, ale robią to w sposób luźny i użyteczny. To właśnie ten aspekt warto mieć na uwadze. Czerpią one z pomysłu wielu połączonych jednostek przesyłających sygnały do przodu, jednak nie są złożone z żywych neuronów i nie działają tak, jak działa pełnoprawny mózg.
Lubię zacząć od prostego faktu. Sieć neuronowa to system matematyczny. Posiada proste jednostki zwane węzłami, które przyjmują dane wejściowe, stosują wagi i wysyłają wynik. Ten układ jest inspirowany komórkami mózgu, gdzie neurony odbierają sygnały, łączą je i przekazują dalej. Zgodność jest rzeczywista, ale powierzchowna.
Nie czyni to pomysłu słabym. Wręcz przeciwnie – sprawia, że jest praktyczny. Mózg dostarczył dziedzinie użytecznego modelu: wiele małych części, liczne połączenia oraz zachowanie wynikające z działania całego systemu. Głębokie uczenie przejęło ten pomysł i przekształciło go w oprogramowanie potrafiące wyuczać wzorce z danych. Dlatego właśnie słowo „neuronowe” się przyjęło. Odnosi się ono do kształtu idei, a nie do perfekycznej kopii biologii.
Myślę, że tu wielu ludzi wpada w zakłopotanie. Słyszą „podobne do mózgu” i zakładają, że system myśli jak człowiek. Nie myśli. Sztuczna sieć neuronowa uczy się poprzez zmianę liczb podczas treningu. Mózg uczy się za pomocą biologii, chemii i wielu warstw kontroli, których wciąż nie modelujemy w pełni. Te dwa systemy dzielą pewne podobieństwo rodzinne, ale nie ten sam silnik.
Użytecznym elementem jest struktura. W głębokiej sieci warstwy mogą opierać się na wcześniejszych warstwach. Wczesne warstwy mogą uczyć się prostych wzorców. Późniejsze warstwy mogą łączyć te wzorce w bardziej złożone. Taka zbudowana na stosie konstrukcja jest jednym z powodów, dla których głębokie uczenie działa tak dobrze w zadaniach takich jak rozpoznawanie wzorców obrazowych i mowy. Model nie jest mądry. Jest wielowarstwowy.
Ograniczenia mają znaczenie równie duże co sama idea. Współczesne sieci neuronowe nie kopiują w pełni szczegółów budowy mózgu. Nie posiadają prawdziwych neuronów, prawdziwych synaps ani pełnego zestawu mechanizmów mózgu, takich jak synchronizacja czasowa, sprzężenie zwrotne i elastyczna kontrola. Są też słabe w niektórych rzeczach, które ludzie wykonują łatwo, np. w szeroko rozumianym zdrowym rozsądku i elastycznym rozumowaniu w różnych rodzajach zadań. Mogą być silnymi maszynami do wykrywania wzorców, a mimo to nie zrozumieć sensu sceny.
Mam też jedną zasadę ostrożności. Analogia do mózgu może prowadzić do niewłaściwego myślenia. Lepiej powiedzieć, że sztuczne sieci neuronowe są inspirowane mózgiem, a nie mu równoważne. Ta drobna zmiana utrzymuje obraz w zgodzie z prawdą. Zapobiega histerii, a histeria jest miejscem, w którym wiele wyjaśnień zaczyna błędnie funkcjonować jeszcze przed napisaniem kodu.
Dla głębokiego uczenia ta różnica stanowi całą historię. Dziedzina wykorzystuje ideę podobną do mózgowej, aby zbudować model matematyczny, który może uczyć się z danych. Ten model może być potężny, ale pozostaje narzędziem. Nie staje się ludzki tylko dlatego, że jego części mają nazwy nawiązujące do kształtu neuronów.
Więc czysta odpowiedź jest prosta. Sztuczne sieci neuronowe imitują ludzki mózg pod względem struktury i inspiracji, a nie w pełnej funkcjonalności. Są użytecznym uproszczeniem mózgowych koncepcji, zaprojektowanym do obliczeń. To wystarczy, by były wartościowe, ale nie wystarcza, by mylić je z prawdziwym mózgiem.
To rodzaj jasności, jaką staram się utrzymywać w The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jeden szczery rzut oka na to, co naprawdę działa.
