Mô hình nhận thức: Khám phá sự phát triển AI lấy cảm hứng từ não bộ

"Trí thông minh của chúng ta là thứ tạo nên con người chúng ta và AI là phần mở rộng của Chất lượng đó" -Yan LeCun Kể từ sự ra đời của (còn được gọi là mạng thần kinh nhân tạo), ngành công nghiệp AI đã đạt được thành công vô song. Mạng thần kinh là động lực đằng sau các hệ thống AI hiện đại và chúng được mô phỏng theo bộ não con người. Nghiên cứu AI hiện đại liên quan đến việc tạo và triển khai các thuật toán nhằm bắt chước các quá trình thần kinh của bộ não con người để tạo ra các hệ thống học hỏi và hành động theo cách tương tự như con người. Mạng thần kinh Trong bài viết này, chúng ta sẽ cố gắng tìm hiểu cách tiếp cận lấy cảm hứng từ não bộ để xây dựng Điều đáng chú ý là mặc dù chủ đề này vốn đã rộng, nhưng tôi sẽ trình bày ngắn gọn và cô đọng nhất có thể. Tôi dự định coi các chủ đề phụ có nhiều nhánh phụ phức tạp hơn như các bài báo độc lập, và tất nhiên, tôi sẽ để lại phần tham khảo ở cuối bài viết. các hệ thống AI. phân tích nội dung Làm thế nào tôi hy vọng để tiếp cận điều này: Tại đây, chúng ta sẽ thảo luận về cách các nhà khoa học Norman Weiner ann Warren McCulloch mang lại sự hội tụ giữa khoa học thần kinh và khoa học máy tính, Perceptron của Frank Rosenblatt là nỗ lực thực sự đầu tiên để bắt chước trí thông minh của con người như thế nào và sự thất bại của nó như thế nào đã mang lại công việc đột phá sẽ đóng vai trò là nền tảng cho Mạng nơ-ron. Lịch sử của phương pháp lấy cảm hứng từ não bộ đối với AI: Trong phần này, chúng ta sẽ đi sâu vào cơ sở sinh học của cách tiếp cận lấy cảm hứng từ não bộ đối với AI. Chúng ta sẽ thảo luận về cấu trúc và chức năng cơ bản của bộ não con người, hiểu khối xây dựng cốt lõi của nó, tế bào thần kinh và cách chúng phối hợp với nhau để xử lý thông tin và kích hoạt các hành động phức tạp. Cách thức hoạt động của bộ não con người và cách nó liên quan đến các hệ thống AI: Ở đây chúng ta sẽ thảo luận về các khái niệm cơ bản đằng sau phương pháp lấy cảm hứng từ não bộ đối với AI. Chúng tôi sẽ giải thích các khái niệm như; Mạng lưới thần kinh, Xử lý phân cấp, độ dẻo và cách các kỹ thuật xử lý song song, biểu diễn phân tán và phản hồi định kỳ hỗ trợ AI bắt chước hoạt động của não. Các nguyên tắc cốt lõi đằng sau phương pháp lấy cảm hứng từ não bộ đối với AI: Ở đây chúng ta sẽ nói về những thách thức và hạn chế vốn có trong nỗ lực xây dựng các hệ thống bắt chước bộ não con người. Những thách thức như; sự phức tạp của bộ não và việc thiếu một lý thuyết thống nhất về nhận thức khám phá cách giải quyết những thách thức và hạn chế này. Những thách thức trong việc xây dựng các hệ thống AI được mô phỏng theo bộ não con người: Hãy để chúng tôi bắt đầu! Lịch sử của phương pháp tiếp cận lấy cảm hứng từ não bộ đối với AI Nỗ lực chế tạo những cỗ máy có khả năng hoạt động thông minh có được phần lớn cảm hứng từ Giáo sư MIT, . Norbert Weiner là một thần đồng biết đọc khi mới ba tuổi. Ông có kiến thức rộng về nhiều lĩnh vực khác nhau như Toán học, Sinh lý học thần kinh, y học và vật lý. Norbert Weiner Norbert Weiner tin rằng những cơ hội chính trong khoa học nằm ở việc khám phá cái mà ông gọi là - những lĩnh vực nghiên cứu rõ ràng không thuộc một ngành nào đó mà là sự kết hợp của nhiều ngành như nghiên cứu về y học và kỹ thuật kết hợp với nhau để tạo ra lĩnh vực Kỹ thuật y tế-, ông được trích dẫn nói: Vùng ranh giới "Nếu độ khó của một vấn đề sinh lý học có bản chất toán học, thì mười nhà sinh lý học dốt toán sẽ đi được chính xác bằng một nhà sinh lý học dốt toán" Vào năm 1934, Weiner và một vài học giả khác tập trung hàng tháng để thảo luận về các bài báo liên quan đến khoa học vùng ranh giới. Đó là chất xúc tác hoàn hảo cho những ý tưởng nửa vời, sự tự phê bình không đầy đủ, sự tự tin thái quá và sự khoa trương - Norman Weiner Từ những buổi học này và từ nghiên cứu cá nhân của mình, Weiner đã biết về nghiên cứu mới về hệ thần kinh sinh học cũng như về công việc tiên phong trên máy tính điện tử, và thiên hướng tự nhiên của anh ấy là kết hợp hai lĩnh vực này. Và như vậy, mối quan hệ giữa khoa học thần kinh và khoa học máy tính đã được hình thành. Mối quan hệ này đã trở thành nền tảng cho việc tạo ra trí tuệ nhân tạo, như chúng ta biết. Sau Thế chiến II, Wiener bắt đầu hình thành các lý thuyết về trí thông minh ở cả con người và máy móc và lĩnh vực mới này được đặt tên là . Bước đột phá của Wiener vào Điều khiển học đã thành công khiến các nhà khoa học nói về khả năng kết hợp sinh học với kỹ thuật. Một trong những nhà khoa học nói trên là một nhà sinh lý học thần kinh tên là , người sau đó đã bỏ học tại Đại học Haverford để theo học triết học và tâm lý học tại Yale. điều khiển học Warren McCulloch Trong khi tham dự một hội nghị khoa học ở New York, anh đã tiếp xúc với các bài báo của các đồng nghiệp viết về cơ chế phản hồi sinh học. Năm sau, với sự hợp tác của người bạn học 18 tuổi xuất sắc tên là Walter Pitts, McCulloch đã đề xuất một lý thuyết về cách thức hoạt động của bộ não - một lý thuyết sẽ giúp thúc đẩy nhận thức rộng rãi rằng máy tính và bộ não hoạt động cơ bản theo cùng một cách. Họ đưa ra kết luận dựa trên nghiên cứu của McCulloch về khả năng tế bào thần kinh xử lý Số nhị phân (đối với những người không biết, máy tính giao tiếp qua số nhị phân). Lý thuyết này đã trở thành nền tảng cho mô hình đầu tiên của mạng thần kinh nhân tạo, được đặt tên là Tế bào thần kinh McCulloch-Pitts (MCP). MCP đóng vai trò là nền tảng cho việc tạo ra mạng thần kinh đầu tiên được gọi là . Perceptron được tạo ra bởi Nhà tâm lý học, người, lấy cảm hứng từ các khớp thần kinh trong não, đã quyết định rằng vì bộ não con người có thể xử lý và phân loại thông tin thông qua các khớp thần kinh (giao tiếp giữa các nơ-ron) nên có lẽ một máy tính kỹ thuật số cũng có thể làm điều tương tự thông qua mạng lưới thần kinh. tri giác Frank Rosenblatt Về cơ bản, Perceptron đã mở rộng nơ-ron MCP từ một nơ-ron nhân tạo thành một mạng lưới các nơ-ron, nhưng thật không may, perceptron gặp phải một số thách thức kỹ thuật làm hạn chế ứng dụng thực tế của nó, hạn chế đáng chú ý nhất của nó là không có khả năng thực hiện các hoạt động phức tạp (như phân loại giữa nhiều hơn một mục, ví dụ, một perceptron không thể thực hiện phân loại giữa một con mèo, một con chó và một con chim). Vào năm 1969, một cuốn sách được xuất bản bởi Và có tiêu đề trình bày chi tiết các lỗ hổng của Perceptron và do đó, nghiên cứu về Mạng nơ-ron nhân tạo bị đình trệ cho đến khi đề xuất về Tuyên truyền ngược bởi . Marvin Minsky Giấy Seymour Perceptron Paul Werbos Tuyên truyền ngược hy vọng sẽ giải quyết được vấn đề phân loại dữ liệu phức tạp đã cản trở ứng dụng công nghiệp của Mạng nơ-ron vào thời điểm đó. Nó được lấy cảm hứng từ tính dẻo của khớp thần kinh; cách bộ não sửa đổi sức mạnh của các kết nối giữa các tế bào thần kinh và như vậy sẽ cải thiện hiệu suất. Back Propagation được thiết kế để bắt chước quá trình trong não tăng cường kết nối giữa các nơ-ron thông qua một quá trình gọi là điều chỉnh trọng lượng. Bất chấp đề xuất ban đầu của Paul Werbos, khái niệm lan truyền ngược chỉ được áp dụng rộng rãi khi các nhà nghiên cứu như , , Và đã xuất bản các bài báo chứng minh tính hiệu quả của lan truyền ngược để đào tạo mạng lưới thần kinh. Việc triển khai backpropagation đã dẫn đến việc tạo ra Deep Learning, cung cấp năng lượng cho hầu hết các hệ thống AI hiện có trên thế giới. David Rumelheart Geoffrey Hinton Ronald Williams "Con người thông minh hơn máy tính ngày nay vì bộ não sử dụng kiến trúc tính toán cơ bản phù hợp hơn để xử lý khía cạnh trung tâm của nhiệm vụ xử lý thông tin tự nhiên mà con người rất giỏi." - Xử lý phân tán song song Cách bộ não con người hoạt động và cách nó liên quan đến các hệ thống AI Chúng ta đã thảo luận về cách các nhà nghiên cứu bắt đầu lập mô hình AI để bắt chước bộ não con người, bây giờ chúng ta hãy xem cách bộ não hoạt động và xác định mối quan hệ giữa bộ não và các hệ thống AI. Cách thức hoạt động của bộ não: Mô tả đơn giản Bộ não con người, về cơ bản xử lý các suy nghĩ thông qua việc sử dụng các tế bào thần kinh, một tế bào thần kinh được tạo thành từ 3 phần cốt lõi; Dendrite, Axon và Soma. Dendrite chịu trách nhiệm nhận tín hiệu từ các Tế bào thần kinh khác, Soma xử lý thông tin nhận được từ Dendrite và Axon chịu trách nhiệm chuyển thông tin đã xử lý sang Dendrite tiếp theo trong chuỗi. Để nắm được cách não xử lý suy nghĩ, hãy tưởng tượng bạn nhìn thấy một chiếc ô tô đang tiến về phía mình, mắt bạn ngay lập tức gửi tín hiệu điện đến não thông qua dây thần kinh thị giác và sau đó não tạo thành một chuỗi các nơ-ron để hiểu tín hiệu đến. Tế bào thần kinh đầu tiên trong chuỗi thu thập tín hiệu thông qua của nó và gửi đến để xử lý tín hiệu sau khi Soma hoàn thành nhiệm vụ của mình, nó sẽ gửi tín hiệu đến , sau đó gửi tín hiệu đó đến Dendrite của tế bào thần kinh tiếp theo trong chuỗi , kết nối giữa Axons và Dendrites khi truyền thông tin được gọi là Synapse. Toàn bộ quá trình tiếp tục cho đến khi não tìm thấy (đó là biệt ngữ khoa học; não tiếp tục xử lý cho đến khi tìm thấy phản hồi tối ưu đối với tín hiệu được gửi đến nó) và sau đó nó gửi tín hiệu đến các bộ phận tác động cần thiết, ví dụ như chân của bạn và sau đó não sẽ gửi tín hiệu đến chân của bạn để chạy khỏi chiếc xe đang lao tới. các Dendrites Soma Axon Đầu vào khớp thần kinh Sapiotemporal Mối quan hệ giữa não bộ và hệ thống AI Mối quan hệ giữa bộ não và AI phần lớn là đôi bên cùng có lợi với bộ não là nguồn cảm hứng chính đằng sau việc thiết kế các hệ thống AI và những tiến bộ trong AI giúp hiểu rõ hơn về bộ não và cách thức hoạt động của nó. Có sự trao đổi qua lại về kiến thức và ý tưởng khi nói đến não bộ và AI, và có một số ví dụ chứng minh bản chất cộng sinh tích cực của mối quan hệ này: Có thể cho rằng tác động đáng kể nhất do bộ não con người tạo ra đối với lĩnh vực Trí tuệ nhân tạo là việc tạo ra Mạng thần kinh. Về bản chất, Mạng thần kinh là các mô hình tính toán bắt chước chức năng và cấu trúc của tế bào thần kinh sinh học, kiến trúc của mạng thần kinh và thuật toán học tập của chúng phần lớn được lấy cảm hứng từ cách các tế bào thần kinh trong não tương tác và thích nghi. Mạng thần kinh: Các hệ thống AI đã được sử dụng để bộ não con người và nghiên cứu các tương tác của nó với thế giới vật chất. Ví dụ, các nhà nghiên cứu có kỹ thuật Machine Learning để mô phỏng hoạt động của các tế bào thần kinh sinh học liên quan đến xử lý hình ảnh và kết quả đã cung cấp cái nhìn sâu sắc về cách não bộ xử lý thông tin hình ảnh. Mô phỏng não bộ: mô phỏng Các nhà nghiên cứu đã bắt đầu sử dụng Thuật toán máy học để phân tích và thu thập thông tin chi tiết từ dữ liệu não và quét fMRI. Những hiểu biết sâu sắc này phục vụ để xác định các mẫu và mối quan hệ mà nếu không sẽ bị ẩn. Những hiểu biết sâu sắc thu được có thể giúp hiểu được các chức năng nhận thức bên trong, trí nhớ và quá trình ra quyết định, nó cũng hỗ trợ điều trị các bệnh liên quan đến não bộ như bệnh Alzheimer. Thông tin chi tiết về não: Nguyên tắc cốt lõi đằng sau phương pháp tiếp cận trí tuệ nhân tạo lấy cảm hứng từ não bộ Ở đây chúng ta sẽ thảo luận về một số khái niệm hỗ trợ AI bắt chước cách thức hoạt động của bộ não con người. Những khái niệm này đã giúp các nhà nghiên cứu AI tạo ra các hệ thống mạnh mẽ và thông minh hơn, có khả năng thực hiện các tác vụ phức tạp. Mạng thần kinh Như đã thảo luận trước đó, mạng nơ-ron được cho là tác động đáng kể nhất do bộ não con người tạo ra đối với lĩnh vực Trí tuệ nhân tạo. Về bản chất, Mạng nơ-ron là mô hình tính toán bắt chước chức năng và cấu trúc của nơ-ron sinh học, mạng được tạo thành từ nhiều lớp nút liên kết với nhau, được gọi là nơ-ron nhân tạo, hỗ trợ xử lý và truyền thông tin, tương tự như những gì được thực hiện bởi đuôi gai, soma và sợi trục trong mạng lưới thần kinh sinh học. Mạng lưới thần kinh được thiết kế để học hỏi từ những kinh nghiệm trong quá khứ giống như cách bộ não làm. Đại diện phân tán Các biểu diễn phân tán chỉ đơn giản là một cách mã hóa các khái niệm hoặc ý tưởng trong mạng thần kinh dưới dạng một mẫu dọc theo một số nút trong mạng để tạo thành một mẫu. Ví dụ: khái niệm hút thuốc có thể được biểu diễn (mã hóa) bằng cách sử dụng một tập hợp các nút nhất định trong mạng thần kinh và do đó, nếu mạng đó xuất hiện hình ảnh một người đàn ông đang hút thuốc thì nó sẽ sử dụng các nút đã chọn đó để hiểu hình ảnh (đó là phức tạp hơn thế rất nhiều nhưng để đơn giản hóa), kỹ thuật này hỗ trợ các hệ thống AI ghi nhớ các khái niệm phức tạp hoặc mối quan hệ giữa các khái niệm giống như cách bộ não nhận biết và ghi nhớ các kích thích phức tạp. Phản hồi thường xuyên Đây là một kỹ thuật được sử dụng trong đào tạo các mô hình AI trong đó đầu ra của mạng thần kinh được trả về làm đầu vào để cho phép mạng tích hợp đầu ra của nó làm đầu vào dữ liệu bổ sung trong quá trình đào tạo. Điều này tương tự như cách bộ não sử dụng các vòng phản hồi để điều chỉnh mô hình của nó dựa trên kinh nghiệm trước đó. Tiến trình song song Xử lý song song liên quan đến việc chia nhỏ các tác vụ tính toán phức tạp thành các bit nhỏ hơn nhằm nỗ lực xử lý các bit nhỏ hơn trên bộ xử lý khác nhằm cải thiện tốc độ. Cách tiếp cận này cho phép các hệ thống AI xử lý nhiều dữ liệu đầu vào nhanh hơn, tương tự như cách bộ não có thể thực hiện các nhiệm vụ khác nhau cùng một lúc (đa nhiệm). Cơ chế chú ý Đây là một kỹ thuật được sử dụng cho phép các mô hình AI tập trung vào các phần cụ thể của dữ liệu đầu vào, nó thường được sử dụng trong các lĩnh vực như Xử lý ngôn ngữ tự nhiên chứa dữ liệu phức tạp và cồng kềnh. Nó được lấy cảm hứng từ khả năng của bộ não chỉ chú ý đến những phần cụ thể của một môi trường phần lớn gây mất tập trung; như khả năng điều chỉnh và tương tác của bạn trong một cuộc trò chuyện ngoài một loạt các cuộc trò chuyện. Học tăng cường Học tăng cường là một kỹ thuật được sử dụng để đào tạo các hệ thống AI, nó được lấy cảm hứng từ cách con người học các kỹ năng thông qua thử và sai. Nó liên quan đến việc một tác nhân AI nhận phần thưởng hoặc hình phạt dựa trên hành động của mình, điều này cho phép tác nhân học hỏi từ những sai lầm của mình và hiệu quả hơn trong các hành động trong tương lai (kỹ thuật này thường được sử dụng trong quá trình tạo trò chơi). Học không giám sát Bộ não liên tục nhận được các luồng dữ liệu mới dưới dạng âm thanh, nội dung hình ảnh, cảm giác của da, v.v. và nó phải hiểu tất cả những điều đó và cố gắng hình thành sự hiểu biết mạch lạc và hợp lý về cách thức tất cả những sự kiện dường như khác biệt này ảnh hưởng đến trạng thái vật chất của nó. Lấy sự tương tự này làm ví dụ, bạn cảm thấy nước rơi trên da, bạn nghe thấy tiếng giọt nước rơi nhanh trên mái nhà, bạn cảm thấy quần áo nặng trĩu và trong khoảnh khắc đó, bạn biết mưa đang rơi, sau đó bạn tìm kiếm ngân hàng ký ức của mình để xác định xem bạn có mang theo ô không và nếu có thì bạn không sao, nếu không thì bạn kiểm tra xem khoảng cách từ vị trí hiện tại đến nhà bạn nếu gần thì bạn không sao, nếu không thì bạn thử đo xem mưa có dữ dội không sẽ trở thành nếu trời mưa phùn nhẹ, bạn có thể cố gắng tiếp tục hành trình trở về nhà của mình, nhưng nếu trời sắp trở thành cơn mưa rào, thì bạn phải tìm nơi trú ẩn. Khả năng hiểu ý nghĩa của các điểm dữ liệu dường như khác nhau (nước, âm thanh, cảm giác, khoảng cách) được triển khai trong Trí tuệ nhân tạo dưới dạng một kỹ thuật có tên là Học tập không giám sát. Đó là một kỹ thuật đào tạo AI trong đó các hệ thống AI được dạy để hiểu dữ liệu thô, phi cấu trúc mà không cần gắn nhãn rõ ràng (không ai nói với bạn rằng mưa đang rơi khi trời đang rơi, phải không/). Những thách thức trong việc xây dựng hệ thống AI lấy cảm hứng từ não bộ Chúng ta đã nói về cách tiếp cận sử dụng bộ não làm nguồn cảm hứng cho các hệ thống AI ra đời như thế nào, bộ não liên quan đến AI như thế nào và các nguyên tắc cốt lõi đằng sau AI lấy cảm hứng từ não bộ. Trong phần này, chúng ta sẽ nói về một số thách thức kỹ thuật và khái niệm vốn có trong việc xây dựng các hệ thống AI được mô phỏng theo bộ não con người. phức tạp Đây là một thử thách khá khó khăn. Phương pháp lấy cảm hứng từ não bộ đối với AI dựa trên mô hình hóa não bộ và xây dựng các hệ thống AI theo mô hình đó, nhưng bộ não con người vốn là một hệ thống phức tạp với 100 tỷ nơ-ron và khoảng 600 nghìn tỷ kết nối khớp thần kinh (trung bình mỗi nơ-ron có 10.000 khớp thần kinh). kết nối với các tế bào thần kinh khác), và các khớp thần kinh này liên tục tương tác theo những cách năng động và không thể đoán trước. Việc xây dựng các hệ thống AI nhằm mục đích bắt chước và hy vọng vượt qua sự phức tạp đó tự nó đã là một thách thức và đòi hỏi các mô hình thống kê phức tạp không kém. Yêu cầu dữ liệu để đào tạo các mô hình lớn Open AI's GPT 4, hiện tại, tiên tiến nhất của các mô hình AI dựa trên văn bản yêu cầu 47 Gigabyte dữ liệu, so với GPT3 tiền nhiệm của nó được đào tạo trên 17 Gigabyte dữ liệu, thấp hơn khoảng 3 bậc độ lớn, hãy tưởng tượng GPT 5 sẽ được đào tạo ở mức độ nào. Như đã được chứng minh để có được kết quả chấp nhận được, các hệ thống Trí tuệ nhân tạo lấy cảm hứng từ não bộ yêu cầu một lượng lớn dữ liệu và dữ liệu cho các nhiệm vụ, đặc biệt là các nhiệm vụ về thính giác và thị giác và điều này tập trung rất nhiều vào việc tạo ra các đường ống thu thập dữ liệu, chẳng hạn như Tesla đã 780 triệu dặm dữ liệu lái xe và hệ thống thu thập dữ liệu của nó thêm một triệu dặm nữa sau mỗi 10 giờ. Hiệu suất năng lượng Xây dựng các hệ thống AI lấy cảm hứng từ não mô phỏng hiệu quả năng lượng của não là một thách thức lớn. bộ não con người tiêu thụ khoảng 20 watt điện, trong khi đó Autopilot của , trên những con chip chuyên dụng, tiêu thụ khoảng 2.500 watt mỗi giây và 7,5 megawatt giờ (MWh) để đào tạo một mô hình AI có kích thước bằng . Tesla nó mất khoảng ChatGPT Vấn đề giải thích Việc phát triển các hệ thống AI lấy cảm hứng từ não bộ có thể được người dùng tin tưởng là rất quan trọng đối với sự phát triển và áp dụng AI, nhưng vấn đề nằm ở chỗ, bộ não, thứ mà các hệ thống AI được mô phỏng theo, về cơ bản là một hộp đen. Hoạt động bên trong của não không dễ hiểu, điều này là do thiếu thông tin xung quanh cách não xử lý suy nghĩ. Không thiếu nghiên cứu về cách thức cấu trúc sinh học của bộ não con người nhưng lại thiếu thông tin thực nghiệm nhất định về phẩm chất chức năng của bộ não, nghĩa là suy nghĩ được hình thành như thế nào, deja vu xảy ra như thế nào, v.v., và điều này dẫn đến đến một vấn đề trong việc xây dựng các hệ thống AI lấy cảm hứng từ não bộ. Yêu cầu liên ngành Hành động xây dựng các hệ thống AI lấy cảm hứng từ não bộ đòi hỏi kiến thức của các chuyên gia trong các lĩnh vực khác nhau, chẳng hạn như; Khoa học thần kinh, Khoa học máy tính, Kỹ thuật, Triết học và Tâm lý học. Nhưng có một thách thức ở đó cả về hậu cần và nền tảng, theo nghĩa là việc thu hút các chuyên gia từ các lĩnh vực khác nhau là nhiệm vụ rất khó khăn về tài chính, và cũng có vấn đề về xung đột tri thức; thật khó để khiến một kỹ sư quan tâm đến những tác động tâm lý của những gì anh ấy / cô ấy đang xây dựng, chứ đừng nói đến vấn đề xung đột giữa các bản ngã. Bản tóm tắt Tóm lại, mặc dù cách tiếp cận lấy cảm hứng từ não bộ là con đường rõ ràng để xây dựng các hệ thống AI (chúng ta đã thảo luận về lý do tại sao), nhưng nó cũng có nhiều thách thức nhưng chúng ta có thể nhìn về tương lai với hy vọng rằng những nỗ lực đang được thực hiện để giải quyết những vấn đề này. Cũng được xuất bản ở đây. Người giới thiệu Học máy FreeCode Camp Báo cáo an toàn phương tiện của Tesla Các đơn vị thần kinh cơ bản của não: Tế bào thần kinh, khớp thần kinh và tiềm năng hành động Khi AI lấy cảm hứng từ não gặp AGI Perceptron: Tế bào thần kinh nhân tạo (Bản nâng cấp cần thiết cho Thần kinh McCulloch-Pitts) Tế bào thần kinh McCulloch-Pitts — Mô hình toán học đầu tiên của loài người về tế bào thần kinh sinh học BackPropagation xuyên thời gian: Nó làm gì và làm như thế nào Lịch sử của AI BrainOS: Khung học máy tự động tương tự não nhân tạo mới