1,468 okumalar

Bilişsel Paradigma: Beyinden Esinlenen Yapay Zeka Gelişimini Keşfetmek

ile Edem Gold13m2023/05/10

Çok uzun; Okumak

Bu makalede yapay zeka sistemleri oluşturmaya yönelik beyinden ilham alan yaklaşımı anlamaya çalışacağız. Bilim insanları Norman Weiner'ın sinir bilimi ile bilgisayar biliminin yakınsamasını nasıl sağladığını tartışacağız. Frank Rosenblatt'ın Perceptron'u, insan zekasını taklit etmeye yönelik ilk gerçek girişimdi ve bu girişimin başarısızlığı, Sinir Ağları için platform görevi görecek çığır açıcı bir çalışmayı nasıl beraberinde getirdi.

People Mentioned

featured image - Bilişsel Paradigma: Beyinden Esinlenen Yapay Zeka Gelişimini Keşfetmek

"Bizi insan yapan şey Zekamızdır ve Yapay Zeka da bu Niteliğin bir uzantısıdır" -Yan LeCun

Sinir Ağlarının (yapay sinir ağları olarak da bilinir) ortaya çıkışından bu yana, yapay zeka endüstrisi benzersiz bir başarı elde etti. Sinir Ağları, modern yapay zeka sistemlerinin arkasındaki itici güçtür ve insan beynini örnek alarak modellenmiştir. Modern yapay zeka araştırmaları, insanlara benzer şekilde öğrenen ve hareket eden sistemler oluşturmak için insan beyninin sinirsel süreçlerini taklit etmeyi amaçlayan algoritmaların oluşturulmasını ve uygulanmasını içerir.

Bu makalede yapay zeka sistemleri oluşturmaya yönelik beyinden ilham alan yaklaşımı anlamaya çalışacağız. Bu konu doğası gereği geniş bir konu olmasına rağmen, mümkün olduğu kadar kısa ve öz olacağımı belirtmekte fayda var. Daha karmaşık alt dallara sahip olan alt konuları bağımsız makaleler olarak ele almayı planlıyorum ve elbette yazının sonunda referanslar bırakacağım.

İçerik dökümü

Buna nasıl yaklaşmayı umuyorum:

Yapay zekaya beyinden ilham alan yaklaşımın tarihi: Burada bilim adamları Norman Weiner ann Warren McCulloch'un sinir bilimi ile bilgisayar bilimini nasıl yakınlaştırdığını, Frank Rosenblatt'ın Perceptron'unun insan zekasını taklit etmeye yönelik ilk gerçek girişim olduğunu ve nasıl başarısız olduğunu tartışacağız. Sinir Ağları için platform görevi görecek çığır açıcı bir çalışmaya imza attı.
İnsan beyni nasıl çalışır ve yapay zeka sistemleriyle ilişkisi: Bu bölümde yapay zekaya beyinden ilham alan yaklaşımın biyolojik temeline dalacağız. İnsan beyninin temel yapısını ve işlevlerini tartışacağız, temel yapı taşı olan nöronu anlayacağız ve bunların bilgiyi işlemek ve karmaşık eylemleri mümkün kılmak için birlikte nasıl çalıştıklarını anlayacağız.
Yapay Zekaya Beyinden Esinlenen Yaklaşımın Arkasındaki Temel İlkeler: Burada yapay zekaya beyinden ilham alan yaklaşımın arkasındaki temel kavramları tartışacağız. Gibi kavramların nasıl olduğunu açıklayacağız; Sinir ağları, Hiyerarşik işleme ve esneklik ve paralel işleme tekniklerinin, dağıtılmış temsillerin ve tekrarlayan geri bildirimin, yapay zekanın beynin işleyişini taklit etmesine nasıl yardımcı olduğu.
İnsan beynini örnek alan yapay zeka sistemleri oluşturmanın zorlukları: Burada insan beynini taklit eden sistemler oluşturmaya çalışmanın doğasında olan zorluklar ve sınırlamalardan bahsedeceğiz. Gibi zorluklar; Beynin karmaşıklığı ve birleşik bir biliş teorisinin eksikliği, bu zorlukların ve sınırlamaların nasıl ele alındığını araştırıyor.

Hadi başlayalım!

Yapay zekaya beyinden ilham alan yaklaşımın tarihi

Akıllı davranışlar sergileyebilen makineler üretme dürtüsü, ilhamının çoğunu MIT Profesor'a borçludur. Norbert Weiner . Norbert Weiner, üç yaşındayken okuyabilen dahi bir çocuktu. Matematik, Nörofizyoloji, tıp ve fizik gibi çeşitli alanlarda geniş bir bilgiye sahipti.

Norbert Weiner, bilimdeki ana fırsatların , Sınır Bölgeleri olarak adlandırdığı, belirli bir disiplin içinde açıkça yer almayan, daha ziyade tıp ve mühendislik çalışmaları gibi disiplinlerin bir araya gelerek bir tıp alanı oluşturmak üzere bir araya gelen çalışma alanları olan, Sınır Bölgeleri olarak adlandırdığı alanların keşfedilmesinde yattığına inanıyordu. Tıp Mühendisliği-, şunları söylediği aktarıldı:

"Fizyolojik bir problemin zorluğu doğası gereği matematiksel ise, matematikten habersiz on fizyolog, matematikten habersiz bir fizyologun ulaştığı mesafeye kesinlikle ulaşacaktır."

1934 yılında Weiner ve diğer birkaç akademisyen, sınır bölgesi bilimiyle ilgili makaleleri tartışmak için her ay bir araya geliyordu.

Yarım yamalak fikirler, yetersiz özeleştiri, abartılı özgüven ve kendini beğenmişlik için mükemmel bir katarsisti. - Norman Weiner

Bu oturumlardan ve kendi kişisel araştırmalarından Weiner, biyolojik sinir sistemleri üzerine yeni araştırmaların yanı sıra elektronik bilgisayarlar üzerine öncü çalışmalar hakkında bilgi sahibi oldu ve onun doğal eğilimi bu iki alanı harmanlamaktı. Böylece sinir bilimi ile bilgisayar bilimi arasında bir ilişki oluştu. Bu ilişki, bildiğimiz şekliyle yapay zekanın yaratılmasının temel taşı haline geldi.

İkinci Dünya Savaşı'ndan sonra Wiener hem insanlarda hem de makinelerde zekaya ilişkin teoriler oluşturmaya başladı ve bu yeni alana bu isim verildi. Sibernetik . Wiener'in Sibernetiğe girişi, bilim adamlarının biyolojinin mühendislikle kaynaşma olasılığı hakkında konuşmasını sağladı. Adı geçen bilim adamlarından biri de nörofizyologdu. Warren McCulloch Daha sonra Yale'de felsefe ve psikoloji okumak için Haverford Üniversitesi'nden ayrıldı.

New York'ta bir bilimsel konferansa katılırken meslektaşlarının biyolojik geri bildirim mekanizmaları üzerine yazdığı makalelerle tanıştı. Ertesi yıl, McCulloch, koruması altındaki 18 yaşındaki Walter Pitts ile birlikte beynin nasıl çalıştığına dair bir teori önerdi; bu teori, bilgisayarların ve beyinlerin temelde aynı şekilde çalıştığı yönündeki yaygın algıyı güçlendirmeye yardımcı olacaktı.

Sonuçlarını McCulloch'un nöronların İkili Sayıları işleme olasılığı üzerine yaptığı araştırmaya dayandırdılar (bilinmeyenler için, bilgisayarlar ikili sayılar yoluyla iletişim kurar). Bu teori, McCulloch-Pitts Nöronu (MCP) olarak adlandırılan yapay sinir ağının ilk modelinin temelini oluşturdu.

MCP, olarak bilinen ilk sinir ağının yaratılmasının temelini oluşturdu. algılayıcı . Perceptron Psikolog tarafından yaratıldı. Frank Rosenblatt Beyindeki sinapslardan ilham alarak, insan beyninin bilgiyi sinapslar (nöronlar arası iletişim) aracılığıyla işleyip sınıflandırabildiğine göre, belki bir dijital bilgisayarın da aynısını sinir ağı aracılığıyla yapabileceğine karar verdi.

Perceptron esasen MCP nöronunu tek bir yapay nörondan bir nöron ağına ölçeklendirdi, ancak ne yazık ki algılayıcının pratik uygulamasını sınırlayan bazı teknik zorlukları vardı; sınırlamalarından en önemlisi karmaşık işlemleri (daha fazlası arasında sınıflandırma yapmak gibi) gerçekleştirememesiydi. örneğin bir algılayıcı bir kedi, bir köpek ve bir kuş arasında sınıflandırma yapamaz).

1969 yılında bir kitap yayımlandı. Marvin Minsky Ve Seymour Makalesi Perceptron başlıklı Perceptron'un kusurları detaylı bir şekilde ortaya konmuştur ve bu nedenle Yapay Sinir Ağları üzerine yapılan araştırmalar, Geri Yayılım'ın önerisine kadar durmuştur. Paul Werbos .

Geriye Yayılım, o dönemde Sinir Ağlarının endüstriyel uygulamasını engelleyen karmaşık verilerin sınıflandırılması sorununu çözmeyi umuyor. Sinaptik esneklikten ilham aldı; Beynin, nöronlar arasındaki bağlantıların gücünü değiştirme şekli ve dolayısıyla performansı artırma şekli. Geriye Yayılım, ağırlık ayarlaması adı verilen bir süreç yoluyla beyindeki nöronlar arasındaki bağlantıları güçlendiren süreci taklit etmek için tasarlandı.

Paul Werbos'un ilk önerisine rağmen, geri yayılım kavramı ancak aşağıdaki gibi araştırmacıların ortaya çıkmasıyla yaygın bir şekilde benimsendi: David Rumelheart , Geoffrey Hinton , Ve Ronald Williams sinir ağlarının eğitimi için geri yayılımın etkinliğini gösteren yayınlanmış makaleler. Geri yayılımın uygulanması, dünyadaki mevcut yapay zeka sistemlerinin çoğuna güç veren Derin Öğrenmenin yaratılmasına yol açtı.

"İnsanlar günümüzün bilgisayarlarından daha akıllı çünkü beyin, insanların çok iyi olduğu doğal bilgi işleme görevlerinin merkezi bir yönüyle başa çıkmaya daha uygun bir temel hesaplama mimarisini kullanıyor." - Paralel Dağıtılmış İşleme

İnsan beyni nasıl çalışır ve yapay zeka sistemleriyle ilişkisi

Araştırmacıların yapay zekayı insan beynini taklit edecek şekilde nasıl modellemeye başladıklarını tartıştık, şimdi beynin nasıl çalıştığına bakalım ve beyin ile yapay zeka sistemleri arasındaki ilişkiyi tanımlayalım.

Beyin nasıl çalışır: Basitleştirilmiş bir açıklama

İnsan beyni, esasen düşünceleri nöronların kullanımı yoluyla işler, bir nöron 3 temel bölümden oluşur; Dendrit, Axon ve Soma. Dendrit diğer Nöronlardan sinyalleri almaktan, Soma Dendritten alınan bilgiyi işlemekten, Akson ise işlenen bilgiyi sıradaki bir sonraki Dendrite aktarmaktan sorumludur.

Beynin düşünceyi nasıl işlediğini anlamak için, üzerinize doğru gelen bir araba gördüğünüzü, gözleriniz hemen optik sinir yoluyla beyninize elektrik sinyalleri gönderdiğini, ardından beyinde bir nöron zinciri oluşturarak gelen sinyali anlamlandırdığını hayal edin. Zincirdeki ilk nöron, sinyali Dendritleri aracılığıyla toplar ve sinyali işlemek üzere Soma'ya gönderir. Soma görevini tamamladıktan sonra sinyali Akson'a gönderir, o da bunu zincirdeki bir sonraki nöronun Dendritine gönderir. Bilgiyi aktarırken Aksonlar ve Dendritler arasındaki bağlantıya Sinaps denir. Tüm süreç, beyin bir Sapiotemporal Sinaptik Girdi bulana kadar devam eder (bilimsel dil budur; beyin, kendisine gönderilen sinyale en uygun yanıtı bulana kadar işleme devam eder) ve ardından gerekli efektörlere, örneğin bacaklarınıza ve bacaklarınıza sinyaller gönderir. daha sonra beyin, bacaklarınıza karşıdan gelen arabadan kaçmanız için bir sinyal gönderir.

Beyin ve yapay zeka sistemleri arasındaki ilişki

Beyin ve yapay zeka arasındaki ilişki büyük ölçüde karşılıklı olarak faydalıdır; beyin, yapay zeka sistemlerinin tasarımının ve yapay zekadaki ilerlemelerin arkasındaki ana ilham kaynağı olup beynin ve onun nasıl çalıştığının daha iyi anlaşılmasına yol açar.

Beyin ve yapay zeka söz konusu olduğunda karşılıklı bilgi ve fikir alışverişi söz konusudur ve bu ilişkinin pozitif simbiyotik doğasını kanıtlayan birkaç örnek vardır:

Sinir Ağları: İnsan beyninin Yapay Zeka alanına yaptığı tartışmasız en önemli etki Sinir Ağlarının yaratılmasıdır. Özünde, Sinir Ağları biyolojik nöronların işlevini ve yapısını taklit eden hesaplamalı modellerdir; sinir ağlarının mimarisi ve öğrenme algoritmaları büyük ölçüde beyindeki nöronların etkileşim ve uyum sağlama şeklinden ilham alır.
Beyin Simülasyonları: Yapay zeka sistemleri şu amaçlarla kullanıldı: benzetmek insan beyni ve onun fiziksel dünyayla olan etkileşimlerini incelemek. Örneğin araştırmacılar, görsel işlemede yer alan biyolojik nöronların aktivitesini simüle etmek için Makine Öğrenimi tekniklerine sahiptir ve sonuç, beynin görsel bilgiyi nasıl işlediğine dair içgörü sağlamıştır.
Beyinle ilgili içgörüler: Araştırmacılar, beyin verilerini ve fMRI taramalarını analiz etmek ve bunlardan içgörü elde etmek için Makine Öğrenimi Algoritmalarını kullanmaya başladı. Bu içgörüler, aksi takdirde gizli kalacak olan kalıpları ve ilişkileri tanımlamaya hizmet eder. Elde edilen içgörüler, iç bilişsel işlevlerin, hafızanın ve karar vermenin anlaşılmasına yardımcı olabilir ve aynı zamanda Alzheimer gibi beyne özgü hastalıkların tedavisine de yardımcı olur.

Yapay Zekaya Beyinden Esinlenen Yaklaşımın Arkasındaki Temel İlkeler

Burada yapay zekanın insan beyninin çalışma şeklini taklit etmesine yardımcı olan çeşitli kavramları tartışacağız. Bu kavramlar, yapay zeka araştırmacılarının karmaşık görevleri yerine getirebilecek daha güçlü ve akıllı sistemler oluşturmasına yardımcı oldu.

Nöral ağlar

Daha önce de tartışıldığı gibi sinir ağları, insan beyninin Yapay Zeka alanına yaptığı tartışmasız en önemli etkidir. Özünde, Sinir Ağları biyolojik nöronların işlevini ve yapısını taklit eden hesaplamalı modellerdir; ağlar, yapay nöronlar olarak adlandırılan ve yapay sinir ağları tarafından yapılana benzer şekilde bilginin işlenmesine ve iletilmesine yardımcı olan, birbirine bağlı düğümlerin çeşitli katmanlarından oluşur. Biyolojik sinir ağlarındaki dendritler, somalar ve aksonlar. Sinir Ağları, beynin yaptığı gibi geçmiş deneyimlerden öğrenecek şekilde tasarlanmıştır.

Dağıtılmış Gösterimler

Dağıtılmış temsiller, bir sinir ağındaki kavramları veya fikirleri, bir model oluşturmak için bir ağdaki çeşitli düğümler boyunca bir model olarak kodlamanın bir yoludur. Örneğin, sigara içme kavramı bir sinir ağındaki belirli bir dizi düğüm kullanılarak temsil edilebilir (kodlanabilir) ve böylece bu ağ, sigara içen bir adamın görüntüsüyle karşılaşırsa, görüntüyü anlamlandırmak için seçilen düğümleri kullanır (bu, bundan çok daha karmaşık, ancak basitlik adına), bu teknik, yapay zeka sistemlerinin karmaşık kavramları veya kavramlar arasındaki ilişkileri, beynin karmaşık uyaranları tanıdığı ve hatırladığı gibi hatırlamasına yardımcı olur.

Tekrarlayan Geribildirim

Bu, ağın çıktısını eğitimde ekstra veri girişi olarak entegre etmesine izin vermek için bir sinir ağının çıktısının girdi olarak döndürüldüğü yapay zeka modellerinin eğitiminde kullanılan bir tekniktir. Bu, beynin modelini önceki deneyimlere göre ayarlamak için geri bildirim döngülerinden nasıl yararlandığına benzer.

Paralel İşleme

Paralel işleme, hızı artırmak amacıyla daha küçük bitlerin başka bir işlemcide işlenmesi amacıyla karmaşık hesaplama görevlerinin daha küçük bitlere bölünmesini içerir. Bu yaklaşım, beynin aynı anda farklı görevleri (çoklu görev) gerçekleştirebilmesine benzer şekilde, yapay zeka sistemlerinin daha fazla girdi verisini daha hızlı işlemesini sağlar.

Dikkat Mekanizmaları

Yapay zeka modellerinin girdi verilerinin belirli bölümlerine odaklanmasını sağlayan bir teknik olan bu teknik, Doğal Dil İşleme gibi karmaşık ve hantal veriler içeren sektörlerde yaygın olarak kullanılmaktadır. Beynin, büyük ölçüde dikkat dağıtıcı bir ortamın yalnızca belirli bölümlerine dikkat etme yeteneğinden esinlenmiştir; Konuşmaların kakofonisinden tek bir sohbete uyum sağlama ve etkileşimde bulunma yeteneğiniz gibi.

Takviyeli Öğrenme

Takviyeli Öğrenme, yapay zeka sistemlerini eğitmek için kullanılan bir tekniktir ve insanların deneme yanılma yoluyla becerileri nasıl öğrendiğinden ilham almıştır. Bir yapay zeka temsilcisinin eylemlerine göre ödüller veya cezalar almasını içerir; bu, temsilcinin hatalarından ders almasını ve gelecekteki eylemlerinde daha verimli olmasını sağlar (bu teknik genellikle oyunların oluşturulmasında kullanılır).

Denetimsiz Öğrenme

Beyin sürekli olarak sesler, görsel içerik, cilde duyusal duygular vb. şeklinde yeni veri akışları alıyor ve bunların hepsini anlamlandırması ve görünüşte tamamen farklı olan tüm bu olayların nasıl gerçekleştiğine dair tutarlı ve mantıksal bir anlayış oluşturmaya çalışması gerekiyor. fiziksel durumunu etkiler.

Şu benzetmeyi örnek alalım; teninizde bir su damlası hissedersiniz, çatılara hızla düşen su damlacıklarının sesini duyarsınız, kıyafetlerinizin ağırlaştığını hissedersiniz ve o anda yağmurun yağdığını anlarsınız ve hafıza bankanızı ararsınız. Şemsiye taşıyıp taşımadığınızı öğrenmek için, taşıyorsanız iyisiniz, yoksa bulunduğunuz yerden evinize olan mesafeyi kontrol edersiniz, eğer yakınsa, iyisinizdir, yoksa yağmurun ne kadar şiddetli olduğunu ölçmeye çalışırsınız. Hafif bir çiseleme varsa evinize dönüş yolculuğunuza devam etmeyi deneyebilirsiniz, ancak yağmur yağmaya hazırlanıyorsa o zaman sığınacak bir yer bulmalısınız.

Görünüşte farklı veri noktalarını (su, ses, his, mesafe) anlamlandırma yeteneği, Yapay Zekada Denetimsiz Öğrenme adı verilen bir teknik biçiminde uygulanmaktadır. Bu, yapay zeka sistemlerine açık etiketleme olmadan ham, yapılandırılmamış verileri anlamlandırmanın öğretildiği bir yapay zeka eğitim tekniğidir (kimse size yağmur yağarken yağmur yağdığını söylemez, değil mi/).

Beyinden Esinlenen Yapay Zeka Sistemleri Oluşturmanın Zorlukları

Beyni yapay zeka sistemleri için ilham kaynağı olarak kullanma yaklaşımının nasıl ortaya çıktığını, beynin yapay zeka ile nasıl ilişki kurduğunu ve beyinden ilham alan yapay zekanın arkasındaki temel ilkeleri konuştuk. Bu bölümde insan beynini örnek alarak modellenen yapay zeka sistemlerini oluşturmanın doğasında olan bazı teknik ve kavramsal zorluklardan bahsedeceğiz.

Karmaşıklık

Bu oldukça göz korkutucu bir zorluk. Yapay zekaya yönelik beyinden ilham alan yaklaşım, beyni modellemeye ve bu modele göre yapay zeka sistemleri oluşturmaya dayanmaktadır, ancak insan beyni, 100 milyar nöron ve yaklaşık 600 trilyon sinaptik bağlantıya (her bir nöronda ortalama 10.000 sinaptik bağlantıya sahiptir) sahip, doğası gereği karmaşık bir sistemdir. diğer nöronlarla bağlantılar) ve bu sinapslar sürekli olarak dinamik ve öngörülemeyen şekillerde etkileşim halindedir. Bu karmaşıklığı taklit etmeyi ve aşmayı amaçlayan yapay zeka sistemleri oluşturmak, başlı başına bir zorluktur ve aynı derecede karmaşık istatistiksel modeller gerektirir.

Büyük Modellerin Eğitimi için Veri Gereksinimleri

Şu anda metin tabanlı yapay zeka modellerinin en ileri noktası olan Open AI'nin GPT 4'ü 47 GigaByte veri gerektiriyor; buna karşılık önceki GPT3, 17 Gigabyte veri üzerinde eğitilmişti; bu da yaklaşık 3 kat daha düşük bir değerdir. GPT 5'in ne kadar eğitim alacağını hayal edin.

Kabul edilebilir sonuçlar elde etmek için kanıtlandığı gibi, Beyinden Esinlenen Yapay Zeka sistemleri, özellikle işitsel ve görsel görevler için büyük miktarda veri ve veri gerektirir ve bu, veri toplama boru hatlarının oluşturulmasına büyük önem verir; örneğin Tesla, 780 milyon mil sürüş verisi ve veri toplama hattına her 10 saatte bir milyon mil daha ekleniyor.

Enerji verimliliği

Beynin enerji verimliliğini taklit eden, beyinden ilham alan yapay zeka sistemleri oluşturmak büyük bir zorluktur. insan beyni yaklaşık 20 watt güç tüketirken, Tesla'nın özel çiplerdeki Otopilot'u saniyede yaklaşık 2.500 watt enerji tüketiyor ve etrafı alır ChatGPT boyutunda bir yapay zeka modelini eğitmek için 7,5 megawatt saat (MWh).

Açıklanabilirlik Sorunu

Kullanıcıların güvenebileceği, beyinden ilham alan yapay zeka sistemleri geliştirmek, yapay zekanın büyümesi ve benimsenmesi açısından çok önemlidir, ancak sorun da burada yatmaktadır; yapay zeka sistemlerinin modellenmesi amaçlanan beyin, aslında bir kara kutudur. Beynin iç işleyişini anlamak kolay değildir; bunun nedeni, beynin düşünceyi nasıl işlediğini çevreleyen bilgi eksikliğidir. İnsan beyninin biyolojik yapısının nasıl olduğuna dair araştırma eksikliği yok ama beynin işlevsel nitelikleri, yani düşüncenin nasıl oluştuğu, deja vu'nun nasıl oluştuğu vb. konularda ampirik bilgi eksikliği var ve bu da beyinden ilham alan yapay zeka sistemlerinin oluşturulmasındaki bir soruna.

Disiplinlerarası Gereksinimler

Beyinden ilham alan yapay zeka sistemleri oluşturma eylemi, farklı alanlardaki uzmanların bilgisini gerektirir; Sinirbilim, Bilgisayar Bilimi, Mühendislik, Felsefe ve Psikoloji. Ancak burada hem lojistik hem de temel açıdan bir zorluk var; farklı alanlardan uzmanların bir araya getirilmesi mali açıdan oldukça zorlu ve aynı zamanda bilgi çatışması sorunu da var; Bir mühendisin, egoların çatışması sorununu bir yana, inşa ettiği şeyin psikolojik etkilerini önemsemesini sağlamak gerçekten zordur.

Özet

Sonuç olarak, beyinden ilham alan yaklaşım yapay zeka sistemleri oluşturmanın bariz yolu olsa da (nedenini tartıştık), zorluklarla doludur ancak geleceğe bu sorunları çözmek için çaba sarf edildiği umuduyla bakabiliriz.