Répondre 1:

La question avec ses détails est en fait: «Les différences entre le cerveau et le réseau simulé sont-elles si importantes que la simulation n'a aucune chance de reproduire toutes les capacités du cerveau? »

Prenons une réponse de Paul King sur les réseaux de neurones, qui mérite discussion. Un réseau de neurones a des entrées-sorties évaluées par un superviseur, et entre les deux a des "couches cachées" analysant les informations par étapes successives de traitement corrigeant les précédentes (deep learning). Cela ressemble de très près au cerveau humain, qui reçoit de multiples entrées sensorielles et les manipule jusqu'à la sortie consciente. La question est donc légitime: combien de couches cachées a le cerveau humain?

Paul King réfute la comparaison sur plusieurs arguments: 1) Le cerveau n'est pas organisé en couches mais en centres interconnectés.2) Les connexions neuronales sont unidirectionnelles; pas de rétroaction.3) Le cerveau n'apprend pas des réponses précises fournies.4) Les neurones utilisent des impulsions nerveuses qui ne correspondent pas aux algorithmes numériques.5) Paul pense que plusieurs couches d'apprentissage en profondeur ne valent pas mieux que certaines, car trop d'informations sont perdu sur le chemin.

En fait, les neurones sont organisés en couches de traitement successives (au sein de différents centres nerveux interconnectés) mais les réseaux artificiels actuels sont trop grossiers pour être simulés correctement. Il leur faut beaucoup de niveaux pour simuler certains des neurones, pour plusieurs raisons: 1) Les neurones ont leur propre contrôle de rétroaction: leur tir est épuisé. Une partie des impulsions nerveuses est la propagation de rétroaction.2) Les neurones modifient leur physiologie en fonction de leur activité (cellules gliales également). Ils sont déjà auto-apprenants.3) Le contrôle de rétroaction s'exerce à travers différentes connexions et il existe des neurones inhibiteurs.4) Les neurones se déclenchent spontanément. Cette activité intrinsèque produit une «sortie» en l'absence d '«entrée». Le traitement n'est pas seulement un processus passif. 5) Les latences entre les activations neuronales, en ajoutant et en retardant le contrôle de rétroaction, assurent l'indépendance à chaque étape du traitement. D'autres informations connexes peuvent entre-temps empêcher le contrôle de rétroaction d'agir.

Toutes ces caractéristiques des neurones sont que leur système est à la fois plus dynamique et plus stable que les réseaux artificiels. L'ajout de niveaux dans la façon dont ils sont conçus en réseau artificiel ne réduit que la marge d'erreur sur un traitement conceptuel, alors qu'un groupe de neurones se soucie peu de se tromper, vit dans l'illusion de toujours faire un excellent travail, pourrait-on dire , et c'est le groupe de neurones superviseurs, ci-dessus, qui évalue et renvoie les corrections de manière invisible pour les neurones supervisés. L'indépendance des niveaux de traitement est marquée pour les neurones, ce qui explique comment nous vivons notre conscience, le stade le plus élevé: fusionné, indépendant, mais connecté à une multitude de concepts présentés.

Les concepteurs de réseaux artificiels ont cette amélioration à faire: accroître l'indépendance de leurs étapes de traitement tout en les coordonnant. Intégrez la latence plutôt que d'utiliser leur vitesse électronique. Rien n'empêche théoriquement qu'ils peuvent réussir, et donc, pour répondre à votre question, les réseaux artificiels sont potentiellement capables de simuler le contenu de la conscience humaine et de les expérimenter. Ce qui sera vécu sera un tas de transistors plutôt qu'un ensemble de cellules biologiques. Cela fera des mariages piquants ...

Dernière note: oui, le cerveau apprend aussi des réponses apportées: celles de ses parents. Ainsi que ceux donnés par l'environnement, notés de manière binaire: punition / récompense.

Vous avez dans cet article la clé de l'intelligence artificielle ;-)


Répondre 2:

Comme, la solution biologique pour notre locomotion est le muscle mais la solution technologique est la roue; nous pouvons obtenir une solution différente pour la conscience simulée, les émotions et la conscience de soi que notre cerveau.

Plus de recherche des deux côtés est nécessaire pour fournir la bonne réponse à cette question. Actuellement, le réseau neuronal simulé est loin de fermer notre cerveau, mais les meilleurs cerveaux y travaillent.

L'universalité, les faibles besoins énergétiques et la faible vitesse du cerveau animal par rapport aux réseaux de neurones artificiels sont dus aux énormes différences entre les neurones biologiques et les neurones artificiels autres que leur nombre et leur composition dans leur réseau respectif.

Il existe de nombreux points, où les chercheurs du réseau de neurones artificiels peuvent améliorer leur algorithme en examinant la façon dont le cerveau montre son intelligence:

  • Le cerveau humain a quatre composants principaux: le cerveau, le cervelet, le système limbique et la tige du cerveau, où aucun de nos réseaux neuronaux artificiels établis n'a une telle architecture. L'architecture d'AlphaGo a une composition d'apprentissage par renforcement et d'apprentissage en profondeur. Les chercheurs en apprentissage automatique travaillent sur l'apprentissage non supervisé. Le cerveau peut transférer son intelligence à un autre cerveau par le biais d'un langage. Les chercheurs en apprentissage automatique travaillent sur l'apprentissage par transfert.Le cerveau peut se reposer et consolider sa propre mémoire grâce au sommeil. Les chercheurs en apprentissage automatique travaillent à l'élagage d'un réseau neuronal artificiel formé pour les dispositifs à faible mémoire.Le cerveau peut générer des histoires et des rêves à partir de sa propre mémoire. Des chercheurs en apprentissage automatique travaillent sur des réseaux génératifs.

Le succès de la recherche sur l'apprentissage automatique peut fournir des indices sur le fonctionnement de notre cerveau. Mais ce sera difficile car très peu de neuroscientifiques s'intéressent à l'algorithme. Ainsi, nous pouvons obtenir une intelligence générale artificielle bien avant la compréhension de notre cerveau.


Répondre 3:

Au fil du temps, je prédis que la réponse à cette question changera également.

La réponse actuelle à cette question est oui.

Actuellement, les réseaux neuronaux simulés sont assez bons pour des tâches spécialisées telles que la reconnaissance d'objets, le traitement du langage, la navigation autonome et même la génération de musique. Nos modèles sont basés sur l'apprentissage métrique, les statistiques bayésiennes et l'optimisation convexe ainsi que notre compréhension des neurones et de la façon dont ils fonctionnent ensemble. Ces modèles sont une approximation très grossière de ce qui se passe réellement dans nos têtes! Bien sûr, peut-être qu'un jour nos simulations informatiques pourront parfaitement modéliser la cognition humaine sous tous ses aspects (qui sait!).