¿Existe una diferencia significativa entre un cerebro humano y una red neuronal simulada?


Respuesta 1:

La pregunta con sus detalles es en realidad: «¿Las diferencias entre el cerebro y la red simulada son tan importantes que la simulación no tiene la posibilidad de reproducir todas las capacidades del cerebro? »»

Tomemos una respuesta de Paul King en las redes neuronales, que merece discusión. Una red neuronal tiene entrada-salida evaluada por un supervisor, y entre las dos tiene "capas ocultas" que analizan la información por etapas sucesivas de procesamiento que corrigen las anteriores (aprendizaje profundo). Esto se parece mucho al cerebro humano, que recibe múltiples entradas sensoriales y las manipula hacia la salida consciente. Entonces la pregunta es legítima: ¿Cuántas capas ocultas tiene el cerebro humano?

Paul King refuta la comparación con varios argumentos: 1) El cerebro no está organizado en capas sino en centros interconectados. 2) Las conexiones neuronales son unidireccionales; sin retroalimentación. 3) El cerebro no aprende de las respuestas precisas proporcionadas. 4) Las neuronas usan impulsos nerviosos que no coinciden con los algoritmos numéricos. 5) Paul piensa que múltiples capas de aprendizaje profundo no son mejores que algunas, porque demasiada información es perdido en el camino.

De hecho, las neuronas se organizan en capas sucesivas de tratamiento (dentro de diferentes centros nerviosos interconectados), pero las redes artificiales actuales son demasiado gruesas para simular correctamente. Se necesitan muchos niveles para simular algunas de las neuronas, por varias razones: 1) Las neuronas tienen su propio control de retroalimentación: su activación se está agotando. Parte de los impulsos nerviosos es la propagación de retroalimentación.2) Las neuronas alteran su fisiología en función de su actividad (también las células gliales). Ya son autoaprendices.3) El control de retroalimentación se ejerce a través de diferentes conexiones y existen neuronas inhibidoras.4) Las neuronas se disparan espontáneamente. Esta actividad intrínseca produce una 'salida' en ausencia de 'entrada'. El tratamiento no es solo un proceso pasivo.5) Las latencias entre las activaciones neuronales, al agregar y retrasar el control de retroalimentación, proporcionan independencia en cada etapa de procesamiento. Mientras tanto, otra información relacionada puede evitar que actúe el control de retroalimentación.

Todas estas características de las neuronas son que su sistema es más dinámico y más estable que las redes artificiales. La adición de niveles en la forma en que están diseñados en una red artificial solo reduce el margen de error en un tratamiento conceptual, mientras que a un grupo de neuronas le importa poco salir mal, vive en la ilusión de hacer siempre un gran trabajo, podríamos decir , y es el grupo de supervisores neuronas, arriba, quien evalúa y refiere correcciones invisibles para las neuronas supervisadas. La independencia de los niveles de tratamiento está marcada para las neuronas, lo que explica cómo experimentamos nuestra conciencia, la etapa más alta: fusionada, independiente, pero conectada a una multitud de conceptos presentados.

Los diseñadores de redes artificiales tienen que hacer esta mejora: aumentar la independencia de sus etapas de procesamiento mientras las mantienen coordinadas. Incruste la latencia en lugar de usar su velocidad electrónica. Nada impide en teoría que puedan alcanzar el éxito y, por lo tanto, para responder a su pregunta, las redes artificiales son potencialmente capaces de simular los contenidos de la conciencia humana y experimentarlos. Lo que experimentará será un montón de transistores en lugar de un conjunto de células biológicas. Esto hará bodas quilled ...

Última nota: sí, el cerebro aprende también de las respuestas proporcionadas: las de sus padres. Además de los que da el entorno, se observa de forma binaria: castigo / recompensa.

Tienes en este artículo la clave de la inteligencia artificial ;-)


Respuesta 2:

Como, la solución biológica para nuestra locomoción es el músculo pero la solución tecnológica es la rueda; podemos obtener una solución diferente para la conciencia simulada, las emociones y la autoconciencia que nuestro cerebro.

Se requiere más investigación de ambos lados para proporcionar la respuesta adecuada a esta pregunta. Actualmente, la red neuronal simulada no está cerca de nuestro cerebro, pero los mejores cerebros están trabajando en ello.

La universalidad, los bajos requerimientos de energía y la baja velocidad de los cerebros de los animales en comparación con las redes neuronales artificiales se deben a las enormes diferencias entre las neuronas biológicas y las neuronas artificiales además de su número y composición en sus respectivas redes.

Hay muchos puntos en los que los investigadores de redes neuronales artificiales pueden mejorar su algoritmo observando la forma en que el cerebro muestra inteligencia:

  • El cerebro humano tiene cuatro componentes principales: Cerebrum, Cerebellum, Limbic System y Brain Stem, donde ninguna de nuestra red neuronal artificial establecida tiene tal arquitectura. La arquitectura de AlphaGo tiene una composición de aprendizaje por refuerzo y aprendizaje profundo. El cerebro funciona en modo no supervisado y no espera una gran cantidad de datos etiquetados como la red neuronal artificial supervisada basada en aprendizaje profundo. Los investigadores del aprendizaje automático están trabajando en el aprendizaje no supervisado. El cerebro puede transferir su inteligencia a otro cerebro a través de algún lenguaje. Los investigadores del aprendizaje automático están trabajando en el aprendizaje de transferencia. El cerebro puede descansar y consolidar su propia memoria a través del sueño. Los investigadores del aprendizaje automático están trabajando en la poda de redes neuronales artificiales capacitadas para dispositivos con poca memoria. El cerebro puede generar historias y sueños desde su propia memoria. Los investigadores de aprendizaje automático están trabajando en redes generativas.

El éxito en la investigación del aprendizaje automático puede proporcionar alguna pista sobre cómo funciona nuestro cerebro. Pero será difícil ya que muy pocos neurocientíficos están interesados ​​en el algoritmo. Entonces, podemos obtener inteligencia artificial general mucho antes que la comprensión de nuestro cerebro.


Respuesta 3:

A medida que pasa el tiempo, predigo que la respuesta a esta pregunta también cambiará.

La respuesta actual a esta pregunta es sí.

Actualmente, las redes neuronales simuladas son bastante buenas en tareas especializadas como el reconocimiento de objetos, el procesamiento del lenguaje, la navegación autónoma e incluso la generación de música. Nuestros modelos se basan en el aprendizaje métrico, las estadísticas bayesianas y la optimización convexa, así como en nuestra comprensión de las neuronas y de cómo funcionan juntas. ¡Estos modelos son una aproximación muy grosera de lo que realmente sucede en nuestras cabezas! Por supuesto, quizás algún día nuestras simulaciones por computadora serán capaces de modelar perfectamente la cognición humana en todos los aspectos (¡quién sabe!).