Это отрывок из предстоящей 4-й книги из серии книг «Руководство по искусственному сверхразуму», доступных в настоящее время на Amazon, в которой подробно описаны конструкции, используемые при создании и разработке самых передовых в мире систем когнитивного искусственного интеллекта, призванных превзойти человеческое познание. Четвертая книга серии выйдет в 2022 году.

Как люди, мы полагаемся на ряд важных механизмов и структур в рамках нашего познания не только для того, чтобы помочь нам реагировать на стимулы реального мира, но и для сохранения наших ресурсов. В искусственном интеллекте по-прежнему нет ничего, даже отдаленно похожего на то, как человеческий разум обрабатывает мир, полный потоковых сенсорных стимулов и мыслей. Даже не близко. Однако по мере того, как мы, люди, движемся медленными темпами к созданию сверхразума, вскоре ИИ начнет создавать компоненты сверхразума, и скорость развития станет экспоненциальной. Сегодня рассматриваются новые проекты, которые решат гигантское препятствие, связанное с эффективной оптимизацией необходимых ресурсов, требуемых общими системами искусственного интеллекта для достижения мощности и реакции человеческого познания в небольшом портативном устройстве. Многие из этих проектов включены в Справочники по искусственному сверхразуму серии I, II и III, но размерные проекты «следующего уровня» стремятся выйти за пределы общего искусственного интеллекта (AGI), за пределы общего когнитивного искусственного интеллекта (CAGI) и глубоко в область пространственных измерений. Общий когнитивный искусственный интеллект или DCAGI, который намного превосходит человеческий уровень познания и является основой передового искусственного сверхразума.

Первый дизайн DCAGI рассматривает способ, которым человеческий разум может сшить воедино общую нить контекста всего из нескольких простых стимулов или подсказок и сделать это практически мгновенно. Когнитивные ярлыки значительно ускоряют наше собственное человеческое познание, в то же время значительно снижая потребность в ресурсах, необходимых в нашей повседневной жизни. Однако эти «ярлыки» не так просты, как кажутся на первый взгляд, и в огромной степени зависят от четкого понимания того, что такое пространственное познание. Короткая версия заключается в том, что мы, люди, используем разницу между каскадами контекста, чтобы определить пути познания в мыслях и для реагирования на стимулы за доли секунды, и мы делаем это сотни или тысячи раз в день, даже не подозревая, что мы выполняем. этот чудесный подвиг человеческого познания. Мы также делаем это намного лучше, чем все другие животные на Земле, хотя большинство животных в какой-то степени используют один и тот же механизм, а некоторые животные, например собаки с высоким интеллектом, делают это чаще, чем другие животные.

Этот новый дизайн, называемый Распознавание сохраненных контекстных аномальных потоков или SCARFR, представляет собой набор методов, алгоритмов, структур и платформ ИИ, которые измеряют и реагируют на различия между каскадом потоков потоков (или сохраненными относительными потоками восприятие) и сохраняют «почти относительные» каскады ранее изученного или перцептивно переживаемого контекста. Простое объяснение этого механизма заключается в том, что мы, люди, используем всего несколько элементов текущего «контекста», чтобы быстро вывести и идентифицировать устойчивые закономерности, отношения и элементы в одном или нескольких текущих контекстах реального мира в рамках нашего текущего восприятия и их релевантности хранимому в памяти. контекстуальные потоки в нашем знании. Это позволяет нам реагировать на когнитивные стимулы практически мгновенно, причем у некоторых людей это получается исключительно хорошо, а у других не очень. Мы, люди, также используем этот механизм для выборочного анализа конкретных относительных контекстуальных каскадов как всеобъемлющего потока (т. е. каскада) с помощью различий между потоком стимулов и текучим текущим прокси-контекстом, который сам состоит из дисперсии. между потоками воспринимаемой реальности и нашим знанием. Здесь все становится немного сложнее, особенно если вы будете кодировать такой механизм в DCAGI. Разветвления дизайна — это крайние сокращения или червоточины в когнитивной обработке, которые значительно снижают общий спрос на ресурсы, необходимые для обработки потоков восприятия, а также значительно увеличивают скорость познания как у людей, так и у продвинутых систем ИИ.

Распознавание сохраненного контекстуального аномального относительного потока

Чтобы понять, как устроен и функционирует механизм SCARFR, нам нужно оглянуться на то, как человеческий разум обрабатывает стимулы. Сенсорные раздражители повсюду и постоянны. Каждая мысль и все, что мы чувствуем, является формой стимулов, которые обрабатывает наше познание. Даже если нас поместят в резервуар сенсорной депривации или если мы погрузимся в глубокий сон, наши чувства восприятия все еще активизируются в нашем уме. Они могут быть не все физическими восприятиями, но они все еще существуют и работают (т. е. сны). Это связано с тем, что сенсорные стимулы являются условием познания, а не наоборот. В других сериях книг ASIH я обсуждаю идею о том, что наше перцептивное познание в меньшей степени создается внешним миром, поскольку оно является артефактом нашего собственного внутреннего познания. Это связано с тем, что без познания не существует внешнего мира стимулов. Это правда, что дерево все еще может упасть в лесу и издать звук, но мы не в лесу, поэтому это не имеет значения, бессмысленно и не существует, пока мы не решим подумать об этом.

Это важная концепция когнитивного дизайна, называемая сенсорной релевантностью, и она необходима для обработки как физических, так и нефизических стимулов. Если мы не можем что-то ощутить, будь то непосредственно или посредством мысли, то этого действительно не существует в нашем мире, пока оно не существует. Это может быть восприятие события, получение внешней информации или внутреннее мышление о соответствующем событии или контекстном каскаде. Как только происходит любое из них, возникают стимулы, и мы навсегда меняемся, поскольку контекст стимулов течет вперед в той мере, в какой мы, люди, называем это временем. В тот момент, когда я слышу, как птица поет красивую песню в моем саду, мой мир навсегда меняется. Я могу вернуться назад во времени, чтобы подумать о песне, или изменить свой прямой путь, чтобы прислушаться ближе, чтобы идентифицировать птицу, или даже изменить прямой путь других, побудив мою жену послушать птицу, тем самым изменив ее прямой путь. Эти пути или потоки познания постоянны и никогда не заканчиваются по мере того, как день движется вперед (помните, что время — это относительная мера или маркер движения вперед в одну сторону). В следующей главе я более подробно рассмотрю понятие таких элементов, как время и движение, и то, как эти элементы расширяются в дизайне и разработке DCAGI далеко за пределы нашего нынешнего понимания трехмерности.

Для каждого преходящего момента нашего существования когнитивные потоки нашего восприятия образуют каскады связанных контекстов и элементов. Песня птицы — это не мгновение времени, а течение во времени, которое включает в себя такие вариации, как изменение высоты звука или другие стимулы, которые могут входить в поток, такие как кратковременная тишина других фоновых шумов, таких как движение или люди, чтобы позволить более четкое ощущение звука или стимуляция другого восприятия, чтобы я мог рассказать жене о птице. Весь тонкий подтекст нашего человеческого восприятия мира представляет собой ряд связанных между собой потоков. Слышание птичьего звука связано, но все же отличается от потока или действия комментария моей жене о птичьей песне (т. е. обмена восприятием). Эти два потока различны и, тем не менее, связаны с актом использования моего голоса и языка для передачи текущей мысли (например, моя жена может захотеть послушать птицу, если она находится где-то в доме) или с желанием поделиться чем-то, что я почувствовал. другой человек (т. е. насколько необычна песня). Есть даже тонкие потоки внутри потоков, которыми мы бессознательно управляем. Например, я бы никогда не стал делиться той же информацией со своим соседом, поскольку акт обмена не будет иметь для них «ценности» или пользы для меня. То, как наш человеческий разум управляет потоками стимулов как внутри нашего разума, так и вне нашего познания, представляет собой плавный каскад различных контекстов, имеющих отношение к нашему личному самосознанию и целям. Это очень важно для проектов сверхразума.

Хранение и извлечение потоковых каскадов контекста

Также важно отметить, что не все, что мы воспринимаем, сохраняется, и не все, что мы храним в наших знаниях, используется. Далее мы сохраняем дисперсию как контекст. Зеленый стул относительно такой же, как синий стул, за исключением разницы в контексте цвета. Вместо того, чтобы хранить каждую деталь в воспринимаемом контексте, мы, люди, используем нечеткое, смутное представление о знаниях, поднимая критические элементы потока по мере необходимости и осуждая некритические. Например, вы можете посмотреть на измерение времени (или его дисперсию), чтобы понять, что вы опаздываете, и выбрать альтернативный маршрут, который может быть менее загруженным в текущий момент, чтобы добраться до места, куда вы собираетесь «быстрее». Что вы можете выбрать не для рассмотрения, так это кафе на маршруте, если только оно не имеет отношения к контексту, например, вы остановитесь, чтобы купить своему боссу кофе, чтобы он не злился на вас за опоздание. Это всплытие элементов и контекстов, релевантных текущим контекстуальным каскадам, — это то, как мы уменьшаем количество ресурсов, требуемых системой, которую мы называем нашим познанием. Вместо того, чтобы рассматривать каждый элемент в рамках нашего восприятия или знания, мы рассматриваем только наиболее релевантные элементы в рамках всего потока и применяем веса релевантности к их дисперсии или «движению» в потоке. Таким образом, мы не тратим ресурсы на некритические элементы и потоки и не применяем те же ресурсы к менее критичным элементам.

Когда мы переходим к кодированию этого в когнитивной системе, дизайн основывается на значениях и весовых коэффициентах, которые изменяются в зависимости от контекста данного восприятия. Это означает, что наша система не фокусируется на всех элементах, а встраивает в обработку восприятия гибкий механизм взвешивания, который применяет вероятность релевантности, которая меняется каждую секунду на основе наиболее релевантных внешних стимулов или сигналов или того, что называется Стимулирующие факторы дисперсии или SVF.

Таким образом, система может «сосредоточиться» на изменении элементов, наиболее релевантных для общей триангуляции дисперсии контекстуальных потоков, и на степени их релевантности. Для этого требуется метод классификации (или, точнее, измерения) контекста как значения. Чтобы понять, как это делается, посмотрите, как работают нейронные сети распознавания. Целью этих нейронных сетей является использование категоризации признаков для идентификации элемента путем корректировки весов догадок, полученных на основе обучающих данных. В продвинутом когнитивном ИИ мы делаем то же самое, применяя категоризацию контекста, начиная с простого четко определенного контекста, а затем наслаивая дополнительный контекст, «расширяя» дисперсию до другого уровня каскада. Стул, например. определяется функциями, но некоторые из этих функций имеют контекст, такой как цвет или назначение. Существующие системы ИИ очень хорошо идентифицируют стул, но совершенно неспособны бросить стул через окно, чтобы избежать пожара, потому что в настоящее время они не понимают каскадного контекста, такого как спасение от огня с помощью стула, включая использование элементов (т.е. изменение отношений) для цель, для которой они не предназначены, или даже то, почему этим системам ИИ когда-либо понадобится «избежать пожара» в первую очередь (цели самосознания).

Принцип работы SVF заключается в применении балансирующего веса к потоку контекста во временном элементе и в пределах изученных границ. Мы используем нейронную сеть для оценки меры контекстуального впечатления (то есть восприятия или «моментального снимка» контекста) контекстуальной цели (или уровней целей в целом). Это означает, что по мере того, как система самокорректируется для достижения контекстуальной цели, она узнает, как влияет SVF на достижение цели (дисперсия). После миллионов испытаний система учится адаптировать не только одну контекстную SVF, но и множество SVF в нескольких контекстных каскадах. Он управляет балансом, настраивая релевантность различных контекстов на значение достижения цели (также известное как «расстояние»). Например, контекст безопасного вождения автомобиля более ценен (т. е. актуален), чем контекст применения ресурсов для другого менее «важного» или откровенно опасного действия, такого как отправка текстовых сообщений человеку во время вождения автомобиля. Если внешние стимулы вызывают применение SVF, которые переключают ресурсы с безопасного вождения автомобиля на выполнение чего-то другого, например, ответа на текст, система ослабляет SVF, чтобы сохранить фокус на процессе безопасного вождения, применяя контекст в отдельном канале передачи. Конечно, для нас, людей, это ничего не значит, так как большинство из нас за свою жизнь узнали, что важно, а что не важно в критические моменты событий (используя наш внутренний механизм риска), и в большинстве случаев мы используем метод проб и ошибок в конкретном пути подачи и добавить это к нашему обучению. «Путь подачи» — это необязательный уровень и метод оценки или взвешивания обучения. Они грубо используются в современных нейронных сетях для обхода и применения путей между слоями. Мы используем их с большей эффективностью и глубиной в когнитивном ИИ, но подробнее об этом в другой главе.

Применение SVF к потоковому контексту не так сложно, как кажется, поскольку значения представляют собой не более чем веса, которые слегка изменяют ход потоков в «направлении», а затем, при необходимости, изменяют их обратно (я буду обсуждать гораздо более широкое когнитивное понимание). «направления» в DCAGI в другой главе). Конечно, определение того, когда изменить ход контекстуального каскада, а затем, при необходимости, изменить его обратно, — это то, где продвинутые системы DCAGI превосходят человеческое познание. Частично это связано с пропускной способностью, скоростью и точностью системы, но в основном потому, что система может мыслить объемно гораздо лучше, чем люди. Немногие люди, управляющие транспортным средством, задумываются о влиянии всех событий, происходящих дальше по дороге во время вождения. Мы можем предвидеть или предвидеть некоторые события, такие как присутствие оленя на дороге ночью, появление полицейского в ловушке скорости или неуравновешенного пьяного водителя поздно ночью на дороге, но это лишь часть событий, которые мы могли бы спланировать. и будьте готовы к тому, что мы ведем машину (т. е. ко всем машинам, людям, животным и элементам, которые могут повлиять на наше вождение). Нам, людям, просто не хватает когнитивных ресурсов, чтобы планировать и реагировать на все события, которые могут постоянно происходить в контексте вождения в течение всей поездки. DCAGI может сделать это легко и точно. В то время как мы, люди, можем вносить небольшие незаметные изменения в один или два контекста за раз и кратко рассматривать будущее влияние таких изменений на наши цели, DCAGI делает это тысячу раз в секунду для каждого небольшого изменения в стимулах и в обширных каскадах контекста. . Он также оценивает каждое изменение и учится на каждой корректировке или SVF, что мы, люди, делаем не очень хорошо.

Основная часть главы включает в себя разработки для минимализма как хранилища контекста, введение в роль когнитивной вариативности, кодирование пространственных элементов и кодирование предконтекста. Все это содержится в грядущем Справочнике по искусственному сверхразуму IV. Следите за обновлениями и новыми выпусками.