大脑建模

时间:2009-05-16 22:24:33

标签: artificial-intelligence neural-network large-scale biological-neural-network neuroscience

只是想知道,因为我们每台PC达到1 teraflop,但我们仍然无法模拟昆虫的大脑。 有没有人看到过自我学习,自我发展的神经网络的体面实施?

8 个答案:

答案 0 :(得分:9)

我看到了一个有趣的实验,将大鼠大脑的物理神经布局映射到数字神经网络,加权模拟了使用MRI和其他方法获取的每个组件的神经元化学。很有趣。 (新科学家或焦点,2期前?)

脑海中浮现出

IBM Blue Brain http://news.bbc.co.uk/1/hi/sci/tech/8012496.stm

问题在于你正确指出的计算能力。但是对于神经网络的一系列刺激,计算范围往往是指数的,因为刺激遇到更深的嵌套节点。任何复杂的加权算法都意味着在每个节点上花费的时间可能会变得昂贵。领域特定的神经图往往更快,因为它们是专门的。哺乳动物的大脑有许多通用的路径,使得教它们变得更难,并且计算机可以在给定的空间/时间内模拟真实的哺乳动物大脑。

真正的大脑也有大量的静态交谈(有些人认为这是创造力或原创思想的源泉)。大脑也不会学习使用“直接”刺激/奖励......他们利用过去的非相关事物经验来创造自己的学习。重建神经元是计算空间中的一件事,创造准确的学习是另一回事。千万不要介意多巴胺(昆虫中的章鱼胺)和其他神经化学物质。

想象一下数字大脑LSD或抗抑郁药。作为一个真正的模拟。真棒。这将是一个我怀疑的复杂模拟。

答案 1 :(得分:7)

我认为你有点假设我们关于神经网络如何工作的想法是一个大规模的大脑的良好模型;我不确定这是一个很好的假设。地狱,不是很多年前我们不认为神经胶质细胞对精神功能很重要,长期以来大脑成熟后就没有神经发生的想法。

另一方面,神经网络确实可以很好地处理一些看似复杂的函数。

所以,这里有一个小问题:你认为人类大脑的计算代表了多少teraflops或petaflops?

答案 2 :(得分:5)

Jeff Hawkins会说神经网络是大脑的不良近似值。他的“On Intelligence”是一本很棒的读物。

答案 3 :(得分:2)

是的:OpenCog正在研究它。

答案 4 :(得分:2)

  

只是想知道,我们每台PC达到1 teraflop,我们仍然无法模拟昆虫的大脑。有没有人看到自我学习的自我发展神经网络的体面实施?

我们已经可以塑造大脑了。这几天的问题是,速度有多快,多么准确。

最初,人们一直在努力寻找具有最少物理特性的神经元的最抽象表示。

这导致了康奈尔大学perceptron的发明,这确实是一个非常简单的模型。事实上,它可能过于简单,因为着名的麻省理工学院人工智能教授马文·明斯基写了一篇论文,错误地得出结论,这种模型不可能学习XOR(基本逻辑)可以通过我们今天拥有的每台计算机模拟的门。不幸的是,他的论文使神经网络研究陷入黑暗时代至少10年。

虽然可能没有许多人想象的那么令人印象深刻,但是已经存在的学习网络可以进行视觉和语言学习和识别。

即使我们拥有更快的CPU,它仍然与神经元不同。我们大脑中的神经元至少是并行加法器单元。因此,想象一下1000亿个模拟人类神经元,每秒增加一次,将其输出发送到100万亿个连接,其“时钟”约为20hz。这里进行的计算量远远超过了我们的处理能力千万亿次,特别是当我们的cpu基本上是串行而不是并行时。

答案 5 :(得分:1)

2007年,他们以实际速度的一半模拟相当于半个小鼠大脑10秒:http://news.bbc.co.uk/1/hi/technology/6600965.stm

答案 6 :(得分:1)

这是结构。即使我们今天的计算机具有与人类大脑相同或更高的性能(当我们到达那里时有不同的预测,但仍有几年时间),我们仍然需要对其进行编程。虽然我们今天了解了很多大脑,但仍有许多我们不知道的事情。这些不仅仅是细节,还有一些根本无法理解的领域。

只关注Tera- / Peta-FLOPS就像只用数码相机观看百万像素一样:当涉及到很多因素时,它只关注一个值(并且在大脑中有一些比在相机)。我也相信很多估计只需要模拟大脑需要多少FLOPS - 但这完全是一个不同的讨论。

答案 7 :(得分:0)

有一种名为C. Elegance的蠕虫,它的解剖结构完全为我们所知。每个细胞都被绘制出来,每个神经元都得到很好的研究。这种蠕虫在出生时就具有一种有趣的特性,即它只能在它诞生的那些温度区域之后或者生长。 Here is link to the paper.本文利用神经元模型实现了属性。并且有一些学生使用这种神经元模型构建了机器人,该机器人仅跟随具有不同光线的区域中的暗区域。这项工作也可以使用其他方法完成,但这种方法具有更强的抗噪性,正如我在上面给出的链接所证明的那样。