Intelligence的話題總是永遠討論不完

因為連最基本的定義"什麼是intelligence"都可以得不到共識

作者寫這本書想必是有十足的野心

因為他一開始想顛覆的即是在電腦科學廣為接受的Turing Test

Turing Test指的是若你和一個機器對話..然後你感覺不出來它是人或是機器的話

那麼我們就可以稱這機器擁有人類智慧的行為

許多人工智慧(Artificial Intelligence)的研究都是以它為最後的目標

然而曾有個有趣的競賽是比看看哪個程式最接近Turing Test的目標

最後勝出的程式僅是重覆你說過的話, 或是要你說多一點, 或是把你的直述句換成疑問句

這個程式真的帶有智慧嗎? 這點我和作者的想法是一樣的

 

作者認為intelligence是內在的行為..不應該只看外顯的行為來判斷

例如當你坐著看書..你的腦子在運作..但是無法被測量出來

他認為intelligence的定義應該是對事情能做出預測

像是你聽到政治人物說"你們說這樣.."的時候..心中就會浮出"對不對~~叭叭~"的聲音

或是聽到歌的前奏..你心裡就知道後面的歌是怎麼唱的

這些行為都不是外顯的..當然實際生活中可能會搭配一些動作外顯(把歌唱出來)

但那不是intelligence的真正所在..預測才是

以往AI都是以計算機出發以Turing Test為目標的做法..這他認為是錯誤的

1990年後開始興起的neural network(類神經網路)試圖模擬腦最基本神經元的功能

但是其模型往往都太簡單..而且缺乏了人腦裡真正的結構

 

他在閱讀和整理大量的腦科學文獻後

歸結人腦的運作重點不在運算(人腦裡怎麼可能有FFT加速器?)..而在於如何使用記憶去預測

當你遠遠看到一個久不見的朋友..腦中會用眼睛看到的少量資訊和腦中的記憶試圖去預測他的其它特色

直到你看到的人和預測的符合了..就代表你記起來這位朋友是誰了

(能用少量的資訊呼叫出腦中完整的資訊..這種記憶系統被稱為auto-associative memory)

人腦包含了進化前的腦..和讓人類在動物中突出的大腦皮質neocortex

他的重點都擺在neocortex上..這是讓人類有驚人學習力的神奇組織

neocortex的運作方法應該要包含以下三個重點

1. Time: 時間在人腦運作上扮演重要角色 (你可以試著講出英文字母倒過來的順序)

2. Feedback: 人腦不是單單處理接收到的資訊..它會feedback預測的東西和接收到的相比

3. Hierarchy: 神經元的排列是階層式的..越上層的信號概念越抽象

他接下來提出的neocortex運作框架..書中稱為memory-prediction framework

但後來有了一個更適合的名字為Hierarchical Temporal Memory (HTM)

 

在介紹他的理論之前..他也先描述了一些腦有趣的特點

neocortex是在包裹在舊大腦外面一層薄薄的東西

厚度和大小大概就跟晚餐餐巾差不多而已..它緃向結構是層狀的..大致上可分為六層

每一層大概跟一張樸克牌一樣薄..這樣的東西幾乎就構成了你所有的意識和知識..真是令人驚奇!

許多實驗顯示不同區域的neocortex帶有不同的功能

然而這些區域裡的組織看起來都差不多..而且其功能分布似乎不是絕對的

有實驗顯示將剛出生的老鼠的聽覺神經改接到負責視力的neocortex區域

這些老鼠的聽力後來竟然可以和一般老鼠是一樣的! 這暗示著neocortex的運作方法和sense功能無關

無論是視覺, 聽覺, 或是觸覺..雖然一開始的訊號不同..但到達neocortex後都會被轉變成一樣的神經訊號

 

另一件重要的觀察是..neocortex接收的外來的信號都不會是靜止的..都是會隨時間變動的

例如音樂或是你摸一支筆的感覺

甚至當你自己盯著一張圖不動時..人眼其實會一直做掃視(saccade)..眼睛會快速地變動注視的中心

頻率甚至高達一秒三次左右..雖然進入視網膜的影像是一直在跳動的..但是意識到的是一個靜止的影像

所以neocortex會巧妙地將變動的感知信號..變成靜止的認知結果

 

最後是一個常被用來比喻neocortex運作模式和計算機完全不同的例子

那就是所謂的one hundred steps rule..意指從感知神經到最終認知的神經元..訊號大概也只走了一百步

因為一個神經訊號傳遞速度大約是5ms..但當人類認知一張臉時..可能都用不到一秒鐘

這代表人腦不是一個運算非常快速的計算機..而是很有效率的記憶預測系統

 

接下來是作者提出的neocortex運作框架 (細節要看書和圖)

所有neocortex的神經元運作法則是一樣的..無關感知的功能

接收的感知信號是隨時間變化的sequential patterns

它是能只有部份資訊就能預測出整體資訊的auto-associative memory

在階層化的系統裡..最底層的是感知信號或是肌肉的motor信號

越走越高層的信號會成為越隨時間和空間不變的invariant form (人名, 歌名, ...)

 

neocortex可視為一堆micro column的組成

每個micro column擁有六層結構..可視為一個獨立處理單元

平面分散的micro column其實是連結成有階層關係的hierarchical tree (node = micro column)

對於感知來說..信號由下到上等同於感知訊號的feedforward..上到下則是預測的feedback

(對於motor來說..上而下是動作的feedforward..下而上是feedback)

不同感知和motor在上層是連結在一起的..所以一個字的意義與怎麼寫和怎麼唸在最上層是連在一起的

於是當你會唸一個字後..在學寫的時候..大腦不用重新定義字的意義..只要用在學唸時已學會的就好

有趣的是在neocortex裡..feedback的線路佔了90%之多..遠多於feedfoward

這代表了預測在這個框架裡的重要性

 

接下來細看micro column和它的鄰居是如何運作的

以感知的部份來看..其六層組織由上到下稱為L1~L6

L1和鄰居的L1有很高的連接..同時也接收從上層送下來的預測信號

而從下層往上送的feedforward信號透過L6會送到L3

L3又可再分為L3a和L3b

L1收進來的信號為經上層預測的結果和鄰居在短暫時間前的結果

結合兩者可得出最後的預測: 該micro column是否該發出信號

L3a的功能是..當預測有效時..會抑制住L3b..讓L2發出預測的信號

反之..若預測無效時..會讓L3b發出從下層來的信號

 

從這個架構可以知道..有時候你以為你看到了一張臉..其實很多部份都是自行腦補的

例如著名的近看是瑪莉蓮夢露..遠看是愛因斯坦的圖..兩人的臉在很多細節上都是缺少的

你認知到的臉..有一大部份是你腦裡自行預測出來的結果

我們也知道了感知和動作是連結在一起的

所以感知和行為是一種互相feedback的系統

像是看著飛奔過去的車子..你看到車子跑向左..自動告訴你的頭要轉向左..如此下去

 

這整體的概念對我來說是很有說服力的 (數學細節可用Bayesian network補齊)

而且作者後來是依這些觀念在設計真正能實作的系統的

十分令人期待能產生出怎樣特殊的應用呢

 

書裡接下來的部份..就和該理論關係不太大了..不過就當增加常識也不錯

為什麼hippocampus受損的人..會有舊記憶沒問題..但永遠學不了新東西的問題

原來是因為它位於cortical pyramid的最頂端

(但就這推理..雖然記不住前天高層次的記憶..但應該要能記住低層次的記憶才對?)

另外作者也對於intelligence層次分出三種等級

第一等級是用DNA在學習的生物..像是微生物, 昆蟲, 和植物..它們有預測的能力都存在DNA裡

第二等級是用腦學習的生物..可以在一代裡就改變生活習性

第三等級是人..人除了腦明顯比別的動物大以外..最重要的是語言的發明

有了語言 (衍生物像書, 網路, ...)..人類就不用只靠自己學習..可以從別人的經驗快速成長

 

另外關於creativity..作者認為它來自於記憶裡相關類似東西的預測

有人說所有發明都不是100%的憑空想像

像是當你遇到某個難題時..可能會想到說如果從某個角度看..還滿像以前就解過的另一個問題等等

 

最後作者的野心絕對是要打造能用的機器

目前最合適的方法當然是利用silicon (不過他目前還是停留在software..或許是認為時機未到?)

在capacity和速度方面..silicon絕對沒有問題..甚至很有機會產生出比人腦更厲害的機器腦

最大的bottleneck就在於connectivity上

目前silicon的接線方式和人腦裡超有彈性的方法相差太多

而且人腦裡的神經元之間的連線是可以增增減減的..這個silicon也辦不到

作者的提議是既然silicon速度快很多..那可以用share bus的方法來解決

不過這些概念連獨眼龍都知道吧..要怎麼實作早已是大型brain-like chip project的主要大問題了

 

其實不用我來說..這本書絕對會是這領域的一個經典

裡面細節上的錯誤絕對是有的..但是提出來的框架..足以讓研究者用五年以上的時間去驗證

看到我直覺上就一直不認同的AI沈船..心裡一直在偷笑

但若一昧的認為這個系統就是王道..會不會是另一種盲點呢?

arrow
arrow
    全站熱搜

    蘑菇 發表在 痞客邦 留言(0) 人氣()