给神经网络“痛苦”

Question

我编写了一个非定向神经网络。有点像大脑，所有神经元都在同一时间更新，并且没有明确的层。

现在我想知道，疼痛是如何起作用的？我如何构建一个神经网络，以便“痛苦”信号能让它做任何事情来摆脱所说的痛苦。

Answer 1

它并没有真正起作用。你所描述的网络过于简单，没有像痛苦这样的概念，它会试图摆脱它。在较低的水平上它只是另一个输入，但显然这不会使网络“不喜欢”它。

为了获得这样的信号，您可以训练网络在接收到该特定信号时执行某些操作。随着它变得更精致，这个信号开始看起来像一个真正的痛苦信号，但它只不过是对网络的特定训练。

高等动物的疼痛信号有“做任何事情以摆脱它”的反应，因为与您描述的网络相比，高等动物具有相当高级的认知能力。另一方面，蠕虫可能会以非常具体的方式回应“痛苦”输入 - 以某种方式抽搐。这种方式很难实现，并且说蠕虫试图做任何事情来摆脱信号都是错误的;它更像是连接到按钮的电机，每次按下按钮都会旋转。

让人工神经网络做有用事情的现实机制统称为“神经网络训练”，是一个庞大而复杂的研究领域。你可以谷歌这个短语来获得各种想法。

然而，你应该意识到神经网络不是解决难题的灵丹妙药;他们不会通过魔法自动完成任务。有效地使用它们需要大量的实验来进行训练算法调整和网络参数调整。

Answer 2

我对AI理论知之甚少（如果有的话），除了我们仍然在寻找一种方法来给AI提供理论和思考所需的模型，并像真人一样思考。 （我们仍在寻找关键 - 也许是痛苦。）

我的大部分成年生活一直专注于计算机编程，学习和理解头脑。

我在这里写作是因为我觉得PAIN可能是缺失的环节。 （此外stackoverflow也是如此。）我知道创建一个实际上可以实现更高思维的模型是一个巨大的飞跃，但我只是有这个惊人的aha型时刻并且不得不分享它。 ：）

在我对佛教的研究中，我了解到一位研究麻风病例的科学家。麻风病人变形的原因是因为当他们接触到有害的力量时他们不会感到疼痛。正是在这里，科学和佛教推理在一个基本事实中相互碰撞。

痛苦是让我们活着，定义界限，塑造我们如何做出选择和世界观的原因。

在AI模型中，原则可能是定义一系列力量，这些力量一直在发挥作用。这个想法是为了让思想保持活力。

有生命的观念的概念是我们人类似乎也在发挥作用的东西。当某人“杀死”你的想法时，通过证明它是错误的，起初，这个想法的“死亡”就会受到阻碍。事实上，有时需要很多时间才能强制改变想法。我们都知道顽固的人......有人说，一个想法的“死亡”，是一个人自我的“死亡”。自我总是试图建立自己。

所以你看，为了给自己一个自我，你必须给它带来痛苦，然后它必须努力建立“安全”的思想，以便它可以增长自己的想法，最终形成人类的精神病和“意识”。 / p>

Answer 3

人工神经网络不会识别出“疼痛”这样的东西，但实际上可能会被训练以避免某些状态。在Hopfield网络中，网络的最终状态是在最接近起始状态的能量最小值处获得的。此上下文中的起始状态是网络处于“痛苦”状态。如果你训练网络在“疼痛”消失的状态下将其局部能量最小化，它应该自我修改直到达到该状态。训练Hopfield网络的一种简单方法是为神经元之间的相互作用分配权重。该权重根据Hebb的规则决定，该规则由下式给出：Wij =（1 / n）* [i] * [j]。

Wij是神经元i和神经元j之间连接的权重，n是矩阵中神经元的总数，[i]和[j]分别是神经元i和j的状态，可以有值为1或-1。一旦你完成了一个“疼痛”不存在的状态的权重矩阵，网络应该在大部分时间内转向该状态，而不考虑初始状态。

Answer 4

将神经网络视为多维平面。训练神经网络基本上是在飞机上放置高点和低点。飞机支撑着“重量”并在它们周围形成凹陷。平面中的凹陷是期望的输出，并且高地是不期望的输出。神经网络的想法是将凹陷放在重要的区域。疼痛看起来像一座巨大的山峰。因此，表示疼痛的输入神经元将非常有可能产生不希望的输出。

但痛苦并不是让生物按照它的方式行事的唯一因素。对树的痛苦不会引起太多反应。在动物中，疼痛会引起生理反应，例如肾上腺素激增。这导致意识的高度状态和能量消费的大幅上升。要模拟疼痛的行为，您必须提供这些机制的模型，以便疼痛的刺激提供适当的输出。在NN中，我想它需要是一个递归神经网络，以便疼痛的持续时间与输入成比例，这样你建模的生物可以比痛苦更长时间地避免疼痛刺激持续时间。这将是一个治疗期。

NN往往更像树。通过用能量成本对能量状态建模，该生物将使用最小的能量来存活，但是如果通过这样做则使用大量能量，它将其移动到期望的状态，比保持在不期望的疼痛状态中的成本更快。回到超平面，这看起来像是从痛苦的高地到更好的“安全”抑郁的速度。矢量的幅度到最近的抑郁症是NN的动机水平以避免疼痛。假设能量和意识反应被建模为递归神经网络，通过总是使疼痛输入导致错误答案，训练应该通过向疼痛输入添加沉重的负重和偏差来自然地做到这一点。

Answer 5

对于如何在神经网络中表达疼痛的问题，我可能会得到部分答案。作为参考，我使用的基础网络是HTM算法。它本质上是一系列互连的层，每个层都预测它们的下一个输入，使用hebbian逻辑奖励正确的预测。

理论上，在门控的层之间可能存在一些连接，并且该门只能通过在另一层中充分激活来打开。该另一层将被操纵以仅学习识别疼痛触发的上下文中的新模式。因此，在存在疼痛预期的刺激的情况下，门控通道将被打开，从而创建用于识别未来疼痛的模拟注意系统。虽然这本身并不痛苦，但它与恐惧相似。