摘抄by「千脑智能」
智能的多样性基于一种基本的算法。芒卡斯尔指出,这些区域之所以看起来相似,是因为它们都在做着同样的事情。使这些区域有所区别的不是它们的内在功能,而是它们所连接的东西。如果你将一个皮质区与眼睛相连,就得到了视觉;如果你将同一皮质区与耳朵相连,就得到了听觉;如果你将两个不同的皮质区相连,你就得到了高级思维,如语言。然后芒卡斯尔指出,如果我们能发现新皮质所有部分的基本功能,就能理解整个新皮质的工作方式。
树突脉冲就是预测本身。当远端树突上一组相邻的突触同时接收信息输入时,就会产生树突脉冲,这就意味着该神经元已经识别出其他一些神经元的活动模式。当检测到这种活动模式时,该神经元就会产生一种树突脉冲,从而提高细胞体的电压,使细胞进入我们所说的“预测状态”。这时,这个神经元处于一种预脉冲状态。这种状态类似于一个跑步者听到“预备—”时调整好姿势准备起跑。如果一个处于预测状态的神经元随后得到足够的近端信息输入,产生一个潜在的脉冲,那么该细胞就会比神经元没有处于预测状态下更早一点发射脉冲信号。
我们从新皮质学习一个丰富而详细的世界模型开始,它会利用这个模型不断预测下一个感觉输入是什么。我们接着探讨神经元是如何做出这些预测的。这使我们得出了一个新的理论,即大多数预测是由树突脉冲表示的,它暂时改变了神经元内部的细胞电压,从而使该神经元比其他神经元提前做好准备,以便更早发射脉冲信号。预测不会沿着细胞的轴突发送到其他神经元,这就解释了为什么我们对大多数预测一无所知。然后,我们展示了新皮质中使用新神经元模型的回路是如何学习和预测序列的。我们将这一想法应用于这样一个问题:当感觉输入因我们自己的移动而改变时,这样的回路如何预测下一个感觉输入。为了预测这些移动的感觉输入,我们推断,每根皮质柱必须知道其感觉输入相对于被感知到的物体的位置。要做到这一点,皮质柱需要一个以该物体为轴心的参考系
大脑使用参考系管理所有知识。参考系用于为我们所知道的一切建模,而不仅仅是实物。参考系在新皮质中无处不在。所有知识都存储在与参考系相关联的位置。
记住清单上的物品的一个众所周知的技巧,被称作位点法,有时也被称作记忆宫殿,指的是想象将你想记住的物品放在家里的不同位置。
信息存储在参考系中,信息的检索是移动的一种形式。
嵌套结构和递归并不是语言所独有的属性。事实上,世界上的所有事物都是通过这种方式组成的。
参考系的四种用途,一种用于旧脑,三种用于新皮质。旧脑中的参考系学习环境地图。新皮质里what柱中的参考系学习实物地图。新皮质里where柱中的参考系学习我们身体周围空间的地图。此外,新皮质里非感觉皮质柱中的参考系学习概念地图。
依据大脑的特性提出了判断智能的标准。大脑具备以下四种特性:持续学习、通过运动学习、多重模型、使用参考系存储知识。
智能机器还需要传感器和移动这些传感器的能力。这被称为“具身”。具身可以是一个看起来像人、狗或蛇的机器人,可以以非生物的形式存在,如一辆汽车或一个十臂工业机器人。具身甚至可以是虚拟的,如探索互联网的机器人。
科幻小说作家艾萨克·阿西莫夫(Isaac Asimov)提出了著名的“机器人三定律”。这三条定律就好似一份安全协议:·第一定律:机器人不得伤害人类,也不得无视人类受到伤害。·第二定律:机器人必须服从人类的命令,除非这些命令违反了第一定律。·第三定律:在不违反第一定律和第二定律的前提下,机器人必须保护自己。
要成为任一领域的专家,你都需要有一个好的参考系,一张好的地图。成为专家主要是要找到一个好的参考系来组织事件和观察数据。爱因斯坦与他同时代的人一样,都从相同的事件开始。然而,他找到了一种更好的方式来组织这些事件,也就是形成了一个更好的参考系,这使他能够运用类比并做出令人惊讶的预测。
你对咖啡杯的了解存储在成千上万个模型中,即存储在成千上万根皮质柱中,但这些仍然只占新皮质中所有皮质柱的一小部分。这就是我们称其为“千脑智能理论”的原因:关于任何特定物体的知识都分布在成千上万个互补的模型中。
不能依据机器执行一项或几项任务的情况来衡量智能。相反,智能是由机器如何学习和存储关于世界的知识决定的。人类之所以聪明,不是因为我们能把一件事做得特别好,而是因为我们能学会做几乎任何事。
保存知识最可靠的方法是不断地进行复制传递。这就是探索的本质:你不知道你会学到什么,但你一定会学到某些东西。设计智能机器可以从三个部分着手:具身(embodiment)、旧脑部分、大脑新皮质。复制你自己只是一个岔路口,而不是道路的延伸。