机器学习碰撞认知神经科学
GPT-3与人的认知
- GPT-3 wikipedia 一种自动回归语言模型 GPT-3(Generative Pre-trained Transformer 3)
- GPT-3与人脑思维方式的区别:蜘蛛有几只眼睛?树叶有几只眼睛?问人或者问GPT-3。GPT-3基于概率上的链接,并不知道什么是眼睛,不能够理解。人类是基于对物的理解。
- 知识图谱与深度学习的结合:可以更像大脑的运作方式。但仍然是有限制的,在推理上与人类相比存在差距。自闭症:缺失对他人的心理的模型建立,缺乏感同身受,造成社交困难。更加复杂的推理。
- 进步的方向:更加复杂,通用AI,更加开放的环境。需要构造一套新的因果关系推理系统。深度学习:建立在学习关系上;人类:因果关系推理。
System1&System2
- Yoshua Bengio|Form System 1 Deep Learning to System 2 Deep Learning | NeurlPS 2019 (YouTube) Yoshua Bengio,2018图灵奖得主,花书(Deep Learning)作者。System 1(目前的深度学习):直观知识、快速的、无意识的、非语言的、习惯性的;System2(未来的深度学习):慢的、有逻辑的、作为结果产生的、有意识的、有语言能力的、算法的、有计划的、有理由的。
- 对人类来说,System1:本能;System2:理解
大脑如何处理视觉信息
- 大脑分区,不同的区处理的东西不一样。先将真实世界在大脑中还原成本地的元素,之后依靠不同的分区一点点处理。
- 单细胞记录
两种遗忘&神经元连接的修建
- 遗忘:部分是真的被遗忘;记忆存在于突触连接。
记忆的提取&神经元数目
- 遗忘:东西还在,找不到合适的方法来提取记忆。
- 人与人的神经元数量不同,但神经元数量不决定IQ,而是神经元之间的连接状况。
神经元、突触与细胞
人工智能与通用智能
- 人类的神经元数量是有限的,而深度学习有无限的算力、无限的存储的能力。
- 很多动物的神经元不多,但仍然具有通用智能,生物智能具有一套与神经元数量无关的规则。
Baby Learning的生理基础与大脑的噪声模式
- 人工智能需要摆脱有监督学习(人类大部分的学习都是无监督学习)。
- 神经元之间的连接随着年龄的增长,部分连接会逐渐消失。
- 大脑的噪声消耗了百分之95的能量,大脑的噪声表示不同的神经元在试图进行联系。大脑形成一个网路。常连接。
认知的两套模型:规则+推理
- 机器学习:参数模型+非参数模型
大脑中的跨感觉影响与常识的存在
- 常理与人的泛化能力
记忆提取的野火模型
- “野火模型”(激活扩散模型):从一点把火点起来,它就会往四周燃烧,一个线索的出现就会把相邻的东西给激活。
- 名字通常是孤立存储的,但场景或其他信息却可能有更为广泛的联系。语义记忆在不同的维度上是如何存储?该选择哪些维度?更多的和我们的经验有关系,这种存储更多的是为了便于我们去生存、社交等,选择其中重要的因素作为存储维度。
- 什么重要?什么不重要?智能的目的就是对变化环境的适应。
学习不是孤立的过程
- 先产生假设->验证(推理的过程),学习后形成经验
精确测量每个神经元
大脑可以复制吗?
梦的解析
神经元的复杂度
- 目前的DNN没有神经元胞体的成分,没有局部计算,只是改变网络之间的连接强度。神经元不应该这么简单。人的神经元远比DNN的神经元复杂。
- 图神经网络:能够做更好的知识表示、学习和推理,它有信息的传递,同时在内部还有单层/多层的网络。图神经网络比较接近拥有神经元胞体内部处理机制。