关于Spaun的真相-大脑模拟 两个聊天机器人彼此聊天-有趣又怪异 GANPaint:将AI用于艺术 WCF和WF给予社区 从耳朵到脸 所有神经网络的深层缺陷 蠕虫在尾巴上平衡杆子 Kickstarter上的OpenCV AI套件 TensorFlow-Google的开源AI和计算引擎 众包取代新闻工作者 Google的DeepMind学会玩街机游戏 哑机器人V智能机器人 .NET与.NET 5融为一体 Google的深度学习-语音识别 LInQer将.NET LINQ移植到Javascript 机器人TED演讲-新的图灵测试? GAN的发明者加入苹果 您的智能手机会监视您键入的内容 人工智能帮助改善国际象棋 Zalando Flair NLP库已更新 TensorFlow 1.5包含移动版本 AlphaGo输了一场比赛-比分3-1 虚拟机器学习峰会 Microsoft开源AI调试工具 SharePoint走向移动 F#4.0发出文化变革的信号 克里斯蒂拍卖AI艺术品 人工智能如何区分 Facebook在蒙特利尔的新AI实验室 Mozilla想要您的声音 微软使用极深的神经网络赢得ImageNet 建立AI合作伙伴关系 .NET Core 3-Microsoft几乎回到了起点 神经网络-更好的销售商? Google使用AI查找您的住所 虹膜-适用于Android的Siri证明苹果没有优势 TensorFlow 2提供更快的模型训练 深度学习研究人员将为Google工作 Xamarin SDK开源 更正工具已添加到Google网站翻译器中 使用AI进行双检测 DARPA的AI下一步运动-20亿美元! AI在DARPA混战中击败了人类飞行员 Rodney Brooks称AI的状态 Arduino体内的蠕虫意识 深度学习找到您的照片 更多的机器学习应用于Google表格 深度天使-未来媒体操纵的AI ASP.NET更新并重命名 小猫猫猫探测器
您的位置:首页 >物联网 >

关于Spaun的真相-大脑模拟

Spaun是一个250万个大脑神经元模型,可以做有用的事情-识别数字,做算术并使用模拟的手臂写下答案-但这似乎是个突破。

紧跟IBM模拟了5300亿个神经元的消息之后,我们获得了有关Spaun的头条新闻。这是另一个大型的神经模拟,但是与IBM神经网络不同,Spaun所做的事情令人印象深刻。在《科学》杂志发表的论文中,尽管这是一项由公共资助的研究,但实际上却是在付费墙后面,克里斯·埃里亚史密斯(Chris Eliasmith)和他的同事们描述了Spaun,并发布了一段视频,展示了它可以识别数字,生成简单的数字问题的答案,并通过模拟将其写下来。臂。

整个演示文稿给人留下了深刻的印象,旨在最大程度地吸引人这确实是大脑的印象。结果,据报道,Spaun的眼睛可以让它看到世界,而人工丘脑可以执行视觉处理。您可以在视频中看到,甚至网络中神经元的活动都映射到显示子系统所在位置的大脑图。

您受到邀请,受到鼓励并且不禁得出结论,这是一个思考的大脑。

这导致了像这样的头条新闻:科学家创造出可以编写,记住列表甚至通过基本智商测试的功能性虚拟大脑

这些映射就像显示一个卡通人物的肌肉弯曲,以此解释蒸汽机汽缸的工作方式。可能并没有错,但是得出一个人是蒸汽机的结论会产生误导。

过度声明的结果是损害AI整个主题的原因之一,尽管此模拟是前进的有趣一步,但准确了解正在发生的事情很重要。

首先要指出的是,Spaun不会学任何东西。它可以安排处理八个预定义的任务,并且它不会学习任何新任务或修改其执行现有任务的方式。整个系统基于神经工程框架(NEF),该框架可用于计算使神经网络执行特定任务所需的连接强度值。如果您希望神经网络实现输入f(x)的函数,则NEF将为将完成此任务的泄漏集成和点火网络计算参数。这是一种有趣的方法,但是它没有显示出真实的大脑和真实的神经网络所具有的可塑性。

如果有的话,这种方法更像原始的McCulloch和Pitts网络,其中人工神经元是手工制作的以创建逻辑门。例如。您可以将神经元放在一起以创建NAND门,然后就可以使用它们来实现一台完整的计算机-例如,基于奔腾的PC,使用神经元NAND门来实现日益复杂的逻辑。一切都会奏效,但不会成为思维大脑或神经元计算机模型。

西班牙

同样,Spaun是一种有趣的机制,由子单元组成,这些子单元已使用NEF设计成符合规范的要求。构建这些结构的关键思想是“语义指针”-Spaun是语义指针体系结构统一网络的缩写。但是,整个系统可以完成所演示的任务这一事实仅反映了它们被设计为恰好可以完成该任务的事实。

这本身是令人印象深刻的,值得进一步研究,但是我们需要了解,这并不像看起来的大脑那么大。

您可以使用Nengo神经模拟器在自己的基于NEF的系统上运行,该模拟器用于在其他演示网络中实现Spaun。您可以将一些神经元放置在设计图面上,而立即将它们转换为控制系统或存储设备。然后,您可以将这些设备组合到看起来像大脑的组织中,这些组织也可以执行特定任务。它非常聪明,但是那里没有机器学习的废料。这是作为工程的神经网络。例如,手臂或其他电机设备的控制遵循具有反馈,超调和传递功能的传统控制系统工程原理。

因此,远离炒作-这仍然令人印象深刻。

如果可以修改和扩展相同的技术,以包括AI的“深度学习”学校正在发现和尝试的学习方法,那么也许我们很快就会有头脑。同时,我们所得到的证明是,只要我们将结构放入其中,高度结构化的神经网络就可以完成类似大脑的事情。

NEF似乎值得一探。埃里亚史密斯(Eliasmith)正在写一本名为《如何建立大脑》的书,但与此同时,还有一个较早的书名已经出版:

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。