Vorton pri procezoj, aŭ iom pri ni ĉiuj .
Daŭrigo de pensoj pri la temo de inteligenteco, kaj natura kaj artefarita (AI), Unua Parto
Delikata demando: Ĉu la persono loĝas nun? Ne, kiam ni promenas laŭ la strato kaj rekte kontemplas la mondon ĉirkaŭ ni, ni agas pli-malpli reala tempo... Kvankam fakte – kondiĉe ke tio, kion ni vidas, trapasas la kutimajn mekanismojn de rekono/klasifiko – ĉio ĉi estos lastatempa, sed ankoraŭ la pasinteco. Tiuj. ĉu homo vivas en la pasinteco?
Ekzemple: vi promenas laŭ la strato kaj vidas hundon. Aŭ aŭton. Ĉiukaze, se ni parolas pri la momento, ĉi tiu informo jam estas malaktuala. Se ni funkcias per datumoj, kiuj trapasis ĉiujn niajn kognajn mekanismojn (kaj la cerbo estas malproksime de la plej rapida kalkulilo!) ni simple ne daŭrigos kun la mondo! La hundo atakos aŭ, male, forkuros, kaj via deziro frapeti ĝin malantaŭ la orelon restos neplenumita, kaj la aŭto trafos vin aŭ preterpasos, kvankam ĝi estis ĉi tiu aŭto, kiun vi volis "kapti".
Sed dank' al Dio tio ne okazas tiel, kaj jen kial: la cerbo funkcias malsame. La unuo de percepto ne estas objekto, aŭ eĉ aro de objektoj, sed procezoj. La hundo kuras. Al vi aŭ de vi. Aŭ li ne kuras, sed kuŝas, ekzemple. La aŭto ankaŭ estas senmova (en parkejo), aŭ moviĝas en certa direkto. En ĉiuj kazoj, vi perceptas procezon, kiu etendiĝas laŭlonge de la tempo kaj, sekve, havas certan evoluon en la estonteco. Kiam mi diras, ke ni perceptas eventojn kiel disvolviĝantajn en tempo, tio ne estas vortfiguro. Faru eksperimenton - prenu dekduon da fotoj (t.e., momentfotojn de realeco) kaj priskribu tion, kion vi vidas. Jen kelkaj homoj en ĉambro, ili kverelas, aŭ jen homo promenas sur la strato, aŭ jen sidas rigardante televidon, kaj jen alia persono legas libron. Ĉi tiuj estas ĉiuj procezoj etenditaj en tempo! Vi perceptas la momentfoton kiel io, kiu havas etendon. Vi ne scias kiel fari ĝin alimaniere, ĉar tiel funkcias la cerbo: ĝi estas trejnita por rekoni procezojn, kaj ne izolitajn objektojn sur la scenejo. Same kiel ne okuloj-nazo-buŝo, sed la vizaĝo entute (saluton, konvoluciaj neŭralaj retoj).
La mondo konsistas el procezoj, ne objektoj. Se mi demandos vin, kio ĝi estas pomon, tiam plej multaj plenkreskuloj diros, ke tio estas frukto, kaj infanoj - kio ĝi estas? manĝaĵo. Sed ambaŭ estas procezaj priskriboj, ĉar la unua signifas, ke ĉi tiu pomo kreskas sur arbo, kaj servas la arbon por reproduktado, kaj la dua estas ke ĝi manĝebla. Nek unu nek la alia estas rilataj al la rektaj trajtoj de pomo - formo, koloro, grandeco... Ĉar la trajtoj permesas identigon, sed ne permesas uzon, aŭ komprenon kie ĝi estas uzata en la ekstera mondo, t.e. difini la procezojn.
Se ni prenas tipan debaton pri la naturo de tempo, tiam la klasikaj postulatoj temas pri la neŝanĝebleco de la pasinteco (ekster la kunteksto de tempovojaĝado), la graveco de la nuntempo (estas nur momento... 😉), kaj la estonteco, kiu ankoraŭ ne ekzistas, kio signifas, ke ĝi povas esti ŝanĝita. Kiam ni parolas pri objektiva realo, povas tre bone esti, ke tiel estas. Tamen, homo vivas en sia propra, subjektiva modelo de la mondo, kaj tie ĉio estas preskaŭ la malo!
La pasinteco ne estas preskaŭ tiel neŝanĝebla kiel ni ŝatus. Senĉese ricevante novajn informojn, homo rekonstruas la pasintecon por forigi kontraŭdirojn (vi pensis, ke Pjotr Stepanych estas ĉe la simpozio, kaj li venas el striptizklubo... Tio signifas nenie, li, la distristo, ne iris kaj tute... ). Samtempe, via subjektiva estonteco estas konstanta en multaj aspektoj (kio ajn ĝi estas, vendrede mi havas bieron kaj piedpilkon!). Krome, havante specifan celon en la estonteco, vi ne nur konstruas ĉenon de procezoj en inversa ordo (Por fariĝi direktoro de granda kompanio, vi devas diplomiĝi en prestiĝa universitato, por tio vi unue devas enskribiĝi en ĝi, por tio vi devas bone trapasi la Unuigitan Ŝtatan Ekzamenon, kaj studi viajn hejmtaskojn!), sed estas ankaŭ sufiĉe verŝajne, ke en ĉi tiu procezo vi iros en la pasintecon (Ĉu ni ne havis amikojn/konatojn, kiuj nun leviĝis kaj akiris rilatojn kaj povus helpi infanon kun universitato?) - kial ne kontraŭemocio? 😉
Tamen mi iomete devias. Tamen, la ĉefa afero, pri kiu mi volis koncentriĝi, estas procezoj. Mi estas profunde konvinkita, ke ebla AI ne devus esti trejnita pri fotoj aŭ eĉ filmetoj. Konvolucia reto havas du nivelojn (minimume) - kaj fakte temas pri du malsamaj retoj: unu estas trejnita por trovi certajn grafikajn ŝablonojn en kruda bildo, la dua traktas la eligon de la unua - t.e. kun jam prilaboritaj kaj pretaj informoj. Por sukcese interagi kun la mondo de AI, necesas la sama afero: je iu (neniel la unua) nivelo devas ekzisti reto, kiu ricevas kiel enigaĵon mapon de procezoj disvolvitaj laŭlonge de la tempo. La konceptoj de "komenco" kaj "fino", "movado", "transformo", "kunfandado" kaj "dividado" estas kun kio la reto devas lerni labori.
Mi estas sufiĉe certa, ke tiuj, kiuj laboras pri ludo AI, kiel Alpha Go, komprenas ĉi tion unu aŭ alian. Eble la aliroj tie estas iom malsamaj, sed la esenco estas la sama: la nuna situacio sur la tabulo (kaj en la evoluo de la lastaj movoj) estas analizita por "kio okazas ĝenerale." Kaj depende de kiom kio okazas respondas al kio devus okazi, ni elektas niajn proprajn movojn.
Estas tre malfacile paroli pri strategio/konduto kiam la enigo estas bildo de sensiloj. Kaj inverse - preta vektoro enhavanta kompletan rompon de la nuna stato de la kampo en ludoj kun kompletaj informoj (konsideru kompletan bildon de la mondo) estas tute realigebla tasko, kiel praktikado montras. Tamen, se la konvolucia reto de la unuaj niveloj identigis objektojn, kaj la sekvaj niveloj analizas tiujn objektojn en dinamiko, identigante procezojn (konatajn de trejnado, ekzemple) kiuj kompletigas la datumojn akiritajn pli frue, tiam ŝajnas eble labori kun tio. ..
Demandoj por spertuloj:
Kiom realisma estas, pro aktualaj evoluoj en neŭralaj retoj, fari proksimume la sekvantan:
Ĉe la enirejo, ni diru kontinua videosignalo, eventuale stereo. Kiel opcio: kun pluraj gradoj de libereco (la kapablo turni la fotilon - arbitre, aŭ laŭ ŝablono). Tamen, se necese, la videosignalo povas esti kompletigita/anstataŭigita per iuj aliaj metodoj de spaca percepto - de sonaro ĝis lidar.
Strikte parolante…la enigo povas esti io ajn reala tempo fluo - eĉ parolo/teksto, eĉ valutaj citaĵoj, sed... En la konsiderata procezo, estas por mi pli facile fidi la solan specimenon de la menso disponebla al mi por rekta studo - mia propra! ) Kaj en ĉi tiu "specimeno" la sensa kanalo estas preter konkurenco!
Ĉe la elirejo:
- Profundmapo (se la fotilo estas senmova) aŭ mediomapo. spaco (dinamika fotilo/lidar, ktp.);
Por kioNecesas, se ni volas havi realan spacan aranĝon de objektoj por taksi ilian interagadon. En ĉi tiu kazo, la bildo de la fotilo estas nur dudimensia projekcio de pli alta dimensia spaco, kaj pliaj transformoj estas necesaj.
- Izoliteco de unuopaj objektoj (konsiderante la profundon/spacmapon, kaj ne nur/ne tiom videblajn konturojn);
- Identigo de moviĝantaj objektoj (rapido/akcelo, konstruo/antaŭdiro de trajektorio(?));
- Hierarkia klasifiko de objektoj laŭ iuj ĉerpitaj trajtoj (formo/dimensioj/koloro/nuancoj de movado/Kompontaj partoj(?)). Tiuj. esence ĉerpi metrikojn por .
pri la hierarkioEble la vorto "Hierarkia" ne tute taŭgas ĉi-kaze. Mi volis emfazi la kapablon elekti metrikojn iam ajn por tio inter ili permesis al ni konsideri du malsamajn arojn de metrikoj kiel unu koncepton. Kiel "ruĝa aŭto" kaj "blua buso" devus esti ĝeneraligitaj en la koncepton de "veturilo", ekzemple.
Gravas: Se eble, la sistemo ne estas antaŭtrejnita. Tiuj. iuj bazaj aferoj povas esti metitaj (ekzemple, konvolucia reto de la unua tavolo, por reliefigi konturojn/geometrion), sed ĝi devas lerni elekti objektojn kaj poste rekoni ilin memstare.
- Kaj, fine, konstrui skanadon (surbaze de punktoj 1,4, t.e. spaca mapo konsiderante metrikon) en tempo (nuntempe, en ĉi tiu etapo de la ŝajne rekte observita periodo), por fari analizon laŭ punktoj 2. -4, kun por identigi: procezoj/okazaĵoj (kiuj esence estas ŝanĝoj en tempopaŝo 3) kaj ilia aretklasifiko (paŝo 4).
Denove: el la bildo el la sensiloj ni unue ĉerpas priskribon de la mondo en pli preta formo, markita laŭ la ĉerpitaj trajtoj kaj dividita ne en pikselojn, sed en objektojn. Tiam ni vastigas la mondon konsistantan el objektoj ĝustatempe kaj ricevis "bildo de la mondo" ni nutras ĝin al la enigo de la sekva reto, kiu funkcias kun ĝi same kiel la antaŭaj tavoloj funkciis kun la sensa bildo. Kie la konturoj de objektoj estis elstarigitaj, la "konturoj" de daŭrantaj procezoj nun estos elstarigitaj. La relativa pozicio de objektoj en la spaco similas al la kaŭzo-efika rilato de procezoj en tempo... Io tia.
Supozeble, post tio, la sistemo devus povi rekoni procezojn laŭ iliaj partoj (kiel ĝi kapablas rekoni bildojn, havante nur ilian fragmenton, aŭ kiel ), kaj kiel sekvo, antaŭdiri ilin kaj antaŭen kaj malantaŭen en tempo, vastigante la modelon de paŝo 5 senlime en ambaŭ direktoj. Ankaŭ, supozeble, havante ideon pri la konsistigaj procezoj, la sistemo povas identigi, el pluraj rilataj lokaj procezoj, pli grandajn, tutmondajn procezojn kaj, kiel konsekvenco, implicitajn, kaŝitajn procezojn, kiuj estas integra parto de la identigitaj tutmondaj, sed ne estas rekte perceptataj.
Kaj la lasta afero: havi fiksan staton de la sistemo en la estonteco (kie nur signifaj elementoj de Hilbert-metriko estas fiksitaj, kun libera interpreto de la ceteraj, neesencaj valoroj) - ĉu la reto kapablas "elpensi" la ripozi?
Nu, tio estas. se ĝi estus bildo en kiu nur du senrilataj fragmentoj estis donitaj, ĉu reto trejnita sur iu specimeno povus kompletigi "konsekvencan" kompletan bildon? La specimeno en ĉi tiu kazo estas similaj tempointervaloj de sperto, la fragmentoj estas la aktualaj kaj specifitaj statoj. La rezulto: konsekvenca "rakonto" liganta unu kaj la alian...
Ŝajnas al mi, ke ĉi tio jam estos sufiĉe signifa bazo por pliaj eksperimentoj:
- inkludo de propraj agoj en la "historio", se eble/necese
- prioritato de "naturaj" kaŭzo-kaj-efikaj ŝablonoj super nekontrolitaj stokastaj emisioj (ruletproblemo)
- iu versio de scivolemo, t.e. aktiva ekkono de ŝablonoj per ago... ktp
P.S. Mi plene konfesas, ke mi ĵus inventis la radon, kaj spertaj homoj delonge aplikas ĉi tiujn principojn en la praktiko. 😉 En ĉi tiu kazo, mi petas vin "piki vian nazon" en la koncernajn evoluojn. Kaj estus absolute mirinde, se ekzistas detala priskribo de la fundamentaj problemoj de ĉi tiu aliro aŭ pravigo por kial ĝi principe ne funkcias.
P.P.S. Mi konscias, ke la teksto estas kruda, kaj la ideo saltas de unu afero al alia, sed mi tre volis demandi al kelkaj personoj tiujn ĉi demandojn (la sekcio "demando al la spertuloj"), kaj ĉi tio estas malfacile malhavi ĉe almenaŭ iom da ekspozicio. (kaj mi relegis ĝin nun, kaj konstatis, ke ĝi estas tre malfacile komprenebla) ĝi servis al sia celo: mi ricevis plurajn diskutojn, kiuj estis valoraj por mi... Mi esperas, ke ankaŭ ĉi-foje ĝi funkcios! 😉
fonto: www.habr.com