Придание боли нейронной сети

Это не совсем так работает. Сеть, которую вы описали, слишком проста, чтобы иметь такое понятие, как боль, от которой она пытается избавиться. На низком уровне это не что иное, как просто еще один вход, но, очевидно, это не делает сеть «нелюбимой».

Чтобы получить такой сигнал, вы можете обучить сеть выполнять определенные действия, когда она получает этот конкретный сигнал. По мере уточнения этот сигнал начинает выглядеть как настоящий болевой сигнал, но это не более чем специфическая тренировка сети.

Сигнал боли у высших животных имеет реакцию «сделай все, чтобы избавиться от него», потому что высшие животные обладают довольно развитыми когнитивными способностями по сравнению с сетью, которую вы описали. Черви, с другой стороны, могут очень специфическим образом реагировать на «боль» — дергаться определенным образом. Это заложено таким образом, и сказать, что червь пытается сделать что-то, чтобы избавиться от сигнала, было бы неправильно; это больше похоже на двигатель, подключенный к кнопке, который вращается каждый раз, когда вы нажимаете кнопку.

Реалистичные механизмы, позволяющие искусственным нейронным сетям делать полезные вещи, известны под общим названием «обучение нейронных сетей» и представляют собой большую и сложную область исследований. Вы можете найти эту фразу в Google, чтобы получить различные идеи.

Однако вы должны знать, что нейронные сети не являются панацеей для решения сложных проблем; они не делают что-то автоматически с помощью магии. Их эффективное использование требует большого количества экспериментов с настройками алгоритма обучения и настройками параметров сети.

Я мало что знаю (если вообще знаю) о теории ИИ, за исключением того, что мы все еще ищем способ дать ИИ модель, необходимую для того, чтобы рассуждать, думать и размышлять, как это делают настоящие люди. (Мы все еще ищем ключ — и, возможно, это боль.)

Большая часть моей взрослой жизни была посвящена компьютерному программированию, изучению и пониманию разума.

Я пишу здесь, потому что думаю, что БОЛЬ может быть недостающим звеном. (Кроме того, stackoverflow рулит прямо сейчас.) Я знаю, что создание модели, которая на самом деле обеспечивает более высокое мышление, — это большой скачок, но у меня только что был этот удивительный момент типа «ага», и я должен был поделиться им. :)

Изучая буддизм, я узнал об одном ученом, изучавшем случаи проказы. Причина, по которой прокаженные деформируются, заключается в том, что они не чувствуют боли, когда вступают в контакт с повреждающими силами. Именно здесь наука и буддийские рассуждения сталкиваются в фундаментальной истине.

Боль — это то, что поддерживает в нас жизнь, определяет наши границы и формирует наш выбор и наше мировоззрение.

В модели ИИ принцип, возможно, состоит в том, чтобы определить ряд сил, которые постоянно действуют. Идея состоит в том, чтобы сохранить ум живым.

Мы, люди, похоже, тоже разыгрываем концепцию идей, имеющих жизнь. Когда кто-то «убивает» вашу идею, доказывая ее ошибочность, сначала возникает сопротивление «смерти» идеи. На самом деле, иногда требуется много усилий, чтобы заставить идею измениться. Мы все знаем упрямых людей... Говорят, что «смерть» идеи — это «смерть» части человеческого эго. Эго всегда пытается возвысить себя.

Итак, вы видите, чтобы дать ИИ эго, вы должны причинить ему боль, и тогда ему придется бороться за создание «безопасных» мыслей, чтобы он мог вырастить свои собственные идеи и, в конечном итоге, человеческий психоз и «сознание».

Искусственные нейронные сети не распознают такое понятие, как «боль», но на самом деле могут быть обучены избегать определенных состояний. В сети Хопфилда конечное состояние сети достигается при минимуме энергии, ближайшем к начальному состоянию. Начальное состояние в этом контексте — это состояние, в котором сеть испытывает «боль». Если вы научите сеть иметь локальный минимум энергии в состоянии, когда «боль» ушла, она должна модифицировать себя до тех пор, пока это состояние не будет достигнуто. Простой способ обучить сеть Хопфилда — присвоить вес взаимодействию между нейронами. Этот вес определяется в соответствии с правилом Хебба, которое определяется как: Wij = (1/n) * [i] * [j].

Wij — вес связи между нейроном i и нейроном j, n — общее количество нейронов в матрице, а [i] и [j] — состояния нейронов i и j соответственно, которые могут принимать значения 1 или -1. После того, как вы заполните матрицу весов для состояния, в котором «боль» не существует, сеть должна большую часть времени смещаться в сторону этого состояния, независимо от начального состояния.

Думайте о нейронных сетях как о многомерной плоскости. Обучение нейронной сети — это, по сути, размещение высоких и низких точек на плоскости. Плоскость поддерживает «гири» и образует вокруг них углубление. Впадина на плоскости — желательный выход, а возвышенность — нежелательный выход. Идея нейронной сети состоит в том, чтобы помещать углубления в важные области. Боль будет похожа на гигантскую гору. Таким образом, входной нейрон, представляющий боль, с очень высокой вероятностью выдаст нежелательный результат.

Но не только боль заставляет существо вести себя так, а не иначе. Боль к дереву не вызывает особой реакции. У животных боль вызывает физиологические реакции, такие как всплеск адреналина. Это приводит к повышенному состоянию осведомленности и значительному увеличению потребления энергии. Чтобы смоделировать поведение боли, вы должны предоставить модель этих механизмов, чтобы болевой стимул обеспечивал соответствующий результат. Я полагаю, что в НС должна быть рекурсивная нейронная сеть, чтобы продолжительность боли была пропорциональна входным данным, чтобы существо, которое вы моделируете, избегало боли дольше, чем сама боль. продолжительность стимула. Это будет период заживления.

NN имеют тенденцию быть более древовидными. При моделировании энергетического состояния с затратой энергии существо будет использовать минимальную энергию для выживания, но будет использовать много энергии, если при этом оно переместит его в желаемое состояние быстрее, чем стоимость пребывания в нежелательном болезненном состоянии. Возвращаясь к гиперплоскости, это выглядело бы как более высокая скорость от нагорья боли в желаемую «безопасную» депрессию. Величина вектора в ближайшую депрессию является уровнем мотивации НС избегать боли. Обучение, естественно, должно делать это, добавляя тяжелые отрицательные веса и смещения к болевым входам, всегда приводя к тому, что ввод боли приводит к неправильному ответу, предполагая, что реакция энергии и осознания смоделирована в рекурсивной нейронной сети.

У меня может быть частичный ответ на этот вопрос о том, как боль может быть выражена в нейронной сети. Для справки, базовая сеть, которую я использую, представляет собой алгоритм HTM. По сути, это серия взаимосвязанных слоев, каждый из которых предсказывает свой следующий ввод, правильные предсказания вознаграждаются с использованием логики Хебба.

Теоретически между слоями могут быть некоторые соединения, которые закрыты, и эти ворота могут быть открыты только при достаточной активации на другом уровне. Этот другой слой будет приспособлен только для того, чтобы научиться распознавать новые паттерны в контексте триггера боли. Следовательно, при наличии стимула, ожидаемого от боли, закрытый канал будет открываться, создавая смоделированную систему внимания для распознавания будущей боли. Хотя это не боль сама по себе, это похоже на страх.