Квантово познание: когнитивна архитектура за човек-AI и изчисления в паметта, част 1

Тази статия се фокусира върху човешкия изкуствен интелект (AI): „машини, които мислят, които учат и които създават“. Хвърлям светлина върху някои проблеми, които са довели до небалансиран напредък в AI (повече напредък в изкуствения и по-малък напредък в интелекта) и представям квантовото познание като жизнеспособна когнитивна архитектура за човешкия AI и нововъзникващия хардуер.

През последните години, с бързото развитие на технологиите за изкуствен интелект, все повече хора започват да обръщат внимание на връзката между изкуствения интелект и паметта. Връзката между двамата е неразривна.

Изкуственият интелект може да симулира процеса на човешка памет, позволявайки на машините да запомнят информация и да я съхраняват и извличат като хората. В този смисъл технологията за изкуствен интелект значително разшири възможностите на човешката памет. Например, изкуственият интелект може да ни помогне с разпознаването на реч и изображения, като по този начин ни помага да помним и разбираме информацията по-ефективно.

От друга страна, способността на човешката памет също може да осигури важно вдъхновение за развитието на изкуствения интелект. Способността на човешката памет може да ни помогне да управляваме и анализираме по-добре данни и да откриваме асоциации и модели между данните. Тези способности също могат да бъдат трансформирани в алгоритми и програми, за да помогнат на компютрите да обработват и използват по-добре данни. Следователно човешката памет е от решаващо значение за развитието на изкуствения интелект.

Накратко, връзката между изкуствения интелект и паметта се подсилва взаимно. Те взаимно се допълват и съвместно насърчават технологичния и социалния прогрес. Нека се изправим пред развитието на изкуствения интелект и памет положително, с оптимистично отношение и вярваме, че те могат да донесат по-добро бъдеще. Вижда се, че трябва да подобрим паметта си и Cistanche deserticola може значително да ни помогне да подобрим паметта си, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от многото активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте 10 начина за подобряване на паметта

Повечето от когнитивните архитектури, т.е. моделите на човешкото разсъждение в изследванията на изкуствения интелект (AI), не се опитват непременно да моделират човешкия процес на разсъждение. Те приемат, че хората са рационални агенти, тоест максимизатори на полезността, които винаги следват булевата логика, което предполага, че събитията винаги могат да се комбинират (например чрез логическа връзка) в произволен ред. Те се опитват да намерят еквивалент на аритметична единица (ALU) в човешкия мозък и разбъркват данните, за да ги направят независими и идентично разпределени (IID). Следващият раздел показва повече подробности.

ПРОБЛЕМИ С КЛАСИЧЕСКАТА ВЕРОЯТНОСТ В РАЗЪЗОДИТЕ

Класическата теория на вероятностите и широко приетите аксиоми на Колмогоров следват булевата логика. Това означава, че логиката на събитията е комутативна и че събитията винаги са съвместими. Това означава, че A и B са същите като B и A и едновременните измервания на A и B, или B и A няма да причинят смущения.

Тази логика работи добре за съвместими събития. Например, първо измерване на височината и след това теглото ви, първо измерване на теглото ви и след това височината ви или едновременното измерване на височината и теглото ви дават един и същ резултат.

Но реалността е, че събитията могат да бъдат несъвместими, тоест оценката зависи от реда и може да възникне намеса. Например, помислете за въпрос А: „Ще отидете ли във Флорида?“ и въпрос Б: „Чухте ли, че към Флорида идва буря?“ Първо искане за отговор на въпрос А и след това въпрос Б, или първо искане на отговор на въпрос Б и след това въпрос А, или задаване на въпроси А и Б едновременно и след това искане на отговор може да доведе до различни отговори.

Освен това булевата връзка може да се възприема като по-представителна от една от нейните съставни части и да промени човешките разсъждения. Ето един опростен пример.

Да приемем, че Боб е идентифициран като заподозрян в използване на уязвимост от нулевия ден. Освен това приемете, че използването на такава уязвимост често е наблюдавано от членове на известна хакерска група, наречена H. Тогава кой от следните сценарии изглежда по-вероятен?

1. Боб е опитен хакер.

2. Боб е опитен хакер и член на група H.

Интуитивно казано, сценарий 2 може да се възприеме като по-вероятен. Но с булевата логика и класическата теория на вероятностите, вероятността две събития да се случат заедно не може да бъде по-голяма от вероятността за едно събитие. Възприемаме сценарий 2 като по-вероятен от сценарий 1 поради грешка на връзката, когнитивно пристрастие, идентифицирано от Tversky и Kahneman1, което обяснява, че хората обикновено са по-склонни да вярват на подробна история с изрични подробности, отколкото на кратка компактна. Фишинг нападателите са се възползвали значително от това пристрастие, като първо са предоставили на своите цели изрично и подробно описание на събитие, което изисква незабавно внимание, и след това са ги помолили да кликнат върху връзка.

НЕОСЪЗНАТО УЧЕНЕ

Goyal и Bengio2 твърдят, че за да постигнем човешки AI, трябва да преминем от система 1/имплицитна/несъзнателна обработка към система 2/явна/съзнателна обработка. Работата на Система 1 е подобна на тази, когато шофираме в познат квартал, където можем да бъдем бързи и в безсъзнание. Работата на система 2 е подобна на тази, когато шофираме в непознат квартал и трябва да бъдем бавни и съзнателни и може да се нуждаем и от консултация.

Предложението на Гоял и Бенджио изисква "последователна съзнателна обработка" и разглеждане на "вниманието като последователно избиране какво изчисление да се извърши върху какви количества". Въпреки това, както беше обсъдено накратко, класическата вероятност има големи ограничения с последователната обработка. Предполага се, че всички събития са съвместими и не отчита ефекта на поръчката.

Например, за да се избегне пренастройване (обръщане на твърде много внимание на конкретния набор от данни, върху който се обучава), общността за машинно обучение разбърква данните, за да ги направи IID. Но реалността е, че данните не пристигат при нас като IID.2

„Природата не разбърква данните и ние не трябва. Когато разбъркваме данните, ние унищожаваме полезна информация за онези промени в разпределението, които са присъщи на данните, които събираме, и съдържат информация за причинно-следствената структура.“

КВАНТОВА ВЕРОЯТНОСТ ЗА РАЗБИРАНЕ И ИЗВОДИ

Препоръчвам квантовото познание3 като жизнеспособна алтернатива за когнитивни архитектури, които използват класически разсъждения и изводи. Квантовото познание е различно от квантовия ум. Той не следва предположението, че в мозъка се случва нещо подобно на квантово, а черпи вдъхновение от математическата структура на квантовата теория и нейните динамични принципи. Например, той използва квантова вероятност - моделиране на познанието, използвайки теорията на вероятностите от квантовата механика, без никаква физика.

Следващият раздел показва примерна характеристика на квантовата вероятност, която я прави подходяща за софтуер и хардуер човек-AI.

УЛАВЯНЕ НА НЕСЪВМЕСТИМОСТИ

Квантовата вероятност, за разлика от класическата вероятност, предполага, че всички въпроси са съвместими и може да улови несъвместимите. Квантовата вероятност използва векторно пространство и подпространство, подобно на използването на класическото вероятностно пространство на извадка и събитие (т.е. подмножество на извадково пространство), съответно. Vectorspace съдържа всички възможни резултати за въпроси. Вектор, представляващ резултат от въпрос, обхваща едномерно подпространство, наречено лъч, а наборът от вярвания, които човек има относно въпроса, е представен от вектор с единица дължина, наречен вектор на състоянието. Квантовата вероятност също използва процес на картографиране, наречен проектиране, и вероятността, приписана на събитие, е равна на квадрата на дължината на проекцията. За да изчисли връзката на резултатите от въпросите, квантовата вероятност използва последователна проекция. Това позволява разграничаване между поръчките, т.е. проект A и след това проект B има различен резултат от проект B и след това проект A.

Преразглеждане на опростения пример

Тук преразглеждаме нашия опростен пример, за да илюстрираме как квантовата вероятност, използвайки векторно пространство, може да илюстрира грешката на конюнкцията в човешкото мислене. На Фигура 1 сините стрелки представляват „Боб е опитен хакер“ от B и неговото отрицание с ~/B. По подобен начин оранжевите стрелки представляват „да бъдеш член на група H“ с H и нейното отрицание с ~/ H. S, векторът на състоянието, представлява нашето състояние на вярване относно характеристиката на Боб и е представено от черната стрелка. На фигура 1 пътеките на проекцията са показани със зелени и червени пунктирани линии.

Вероятностите се изчисляват като дължината на квадрат на проекцията на вектора на състоянието върху съответната ос и се показват чрез дължини на зелен и червен квадрат. Проекцията върху лъча B е показана със зелена пунктирана линия, а вероятността за (B) е равна на квадрата на дължината на тази лента, показана със зелената квадратна дължина. За вероятността за (B и H) трябва да следваме две стъпки, както е показано от двете червени пунктирани линии. Първо проектираме вектора на състоянието върху H лъча. Второ, проектираме тази предишна проекция върху B лъча. Тогава вероятността за (B и H) е дължината на квадрат на последната проекция, показана от дължината на червения квадрат.

На Фигура 1 последователната вероятност за (B и H) е по-голяма от вероятността за едно събитие, т.е. вероятността (B), съответстваща на това, че дължината на червения квадрат е по-голяма от дължината на зеления квадрат. Това се дължи на грешката на връзката, която доведе до възприемането на сценарий 2 като по-вероятен от сценарий 1. Можем да свържем несъвместимостта на (B и H), водеща до тяхната намеса, с евристиката на представителността (ментален пряк път); връзката изглежда по-представителна от една от нейните съставни части и да бъдеш член на H може да бъде по-лесно да си представиш или да извлечеш от Боб като включваща категория. За математическо обяснение на този пример вижте допълнителните материали, налични на 10.1109/MC.2023.3242056.

Способността на квантовата вероятност да улавя несъвместимости може също да играе важна роля в разработването на причинно-следствени структури за човешка AII, особено когато имаме работа с несъвместими събития чрез събиране на сложни ситуации с огромно количество данни от различни източници. В такива ситуации се нуждаем от причинно-следствени структурни модели, за да разкрием основните механизми на данните срещу елементарна причинно-следствена индукция, тоест моделиране на единична причинно-следствена връзка, използвайки класическата вероятност. В такива сложни ситуации квантовата вероятност може да предостави начин за формализиране на идеята за структурно локално причинно-следствено разсъждение чрез работа с несъвместими събития, залепване на примерни пространства и формиране на векторно пространство.

Например, приемете, че трябва да направим предсказуема преценка, тоест да намерим условната вероятност за ефект при дадена причина, или P (ефект|причина), в сложен проблем с масивни количества данни, където редът на пристигането на данните има значение. Квантовата вероятност ни позволява да разделим проблема на по-малки проблеми, като отговаряме на запитвания като:

P (следствие|причина1, без алтернативна причина),P (следствие|причина1, причина2),P (следствие|причина2, причина1) и т.н.

КВАНТОВА ВЕРОЯТНОСТ ЗА ИЗЧИСЛЕНИЕ С ПАМЕТ

Квантовата вероятност използва векторно пространство, подобно на векторните символни архитектури на изчислителната рамка (VSA), известни също като хиперизмерни изчисления, които са централни за нововъзникващия хардуер, например изчисленията в паметта (IMC). В конвенционалната фон Нойман архитектура паметта и процесорът са отделни и изчислението изисква данните да се преместват напред-назад. Но с IMC архитектурата, използваща „векторно-матрично умножение“4, паметта и процесорът са слети и изчисленията се извършват там, където данните се съхраняват с минимално движение на данни. Това прави IMC, за разлика от конвенционалната фон Нойманова архитектура, подобна на човешкия мозък, където паметта и изчисленията са съвместно разположени. Намирането на еквивалента на ALU в човешкия мозък е нереалистично очакване.

Квантовата вероятност и IMC могат да се считат за обещаващи изчислителни архитектури за човешка ИИ, тъй като и двете използват VSA. Така че е разумно квантовата вероятност да се разглежда като когнитивна архитектура за IMC.

Ето един пример. Работната памет в човешкия мозък е механизъм за временно съхранение на информация, свързана с текущата задача. Той е от решаващо значение за когнитивните способности като внимание, разсъждение и учене; по този начин повечето когнитивни архитектури го прилагат под някаква форма. С квантовото познание можем да използваме високомерни вектори, за да представим функцията на работната памет и да се справим със съответните данни в текущо изчисление. Векторът на състоянието на квантовата вероятност може да се разглежда като състояние на работна памет, което представлява човешките вярвания относно моделите на характеристиките и служи като кеш за текущия световен модел, състоянието на системата и/или текущите цели. Квантовата вероятност изгражда силна математическа основа за IMC и организира " операции върху хиперизмерни модели, които могат да се използват за изчисления." Разглеждайки моделите като вектори, ние можем да се „докоснем до огромното познание за вектори, матрици, линейна алгебра и други неща. Това наистина е традиция в изследването на изкуствените невронни мрежи, но все още предстои да бъдат изследвани богати области на високоизмерно представяне.“ Агентите, които винаги го максимизират, използвайки структура, която винаги следва Booleanlogic, са фундаментални за съществуващите компютърни архитектури с ИИ. Но аз твърдя, че трябва да се поучим от теорията на относителността на Айнщайн, теоремата за непълнотата на Гьодел и теорията за ограничената рационалност на Саймън, тъй като всички те хвърлят светлина върху колапса на абсолютите.

В тази статия представих някои изчислителни ограничения на съществуващите AI системи. Обясних, че за разлика от аксиомите на класическата вероятност, логиката на събитията не е непременно булева. Ако две събития A и B са несъвместими, тогава обучението; по този начин повечето когнитивни архитектури го прилагат под някаква форма. С квантовото познание можем да използваме високомерни вектори, за да представим функцията на работната памет и да се справим със съответните данни в текущо изчисление. Векторът на състоянието на квантовата вероятност може да се разглежда като състояние на работна памет, което представлява човешките вярвания относно моделите на характеристиките и служи като кеш за текущия модел на света, състоянието на системата и/или текущите цели.

Квантовата вероятност изгражда силна математическа основа за IMC и организира „операциите върху хиперизмерни модели, които могат да се използват за изчисления“. Като разглеждаме моделите като вектори, можем

"докоснете се до огромното количество знания за вектори, матрици, линейна алгебра и други неща. Това наистина е традиция в изследването на изкуствените невронни мрежи, но все пак остават да бъдат изследвани богати области на високомерно представяне."

Агентите, които винаги го максимизират, използвайки структура, която винаги следва булевата логика, са фундаментални за съществуващия ИИ; връзката на събития A и B не може да бъде дефинирана, защото те не комутират, в рязък контраст с булевата логика, където събитията винаги комутират .

Предложих препоръки относно квантовата вероятност и обясних как да се разглеждат квантовите състояния като мерки върху небулевата структура на проекционните оператори. За да сравня квантовите състояния и класическите вероятностни състояния, обясних как проекцията може да се използва за описание на експерименти, подобни на класическата вероятност. Обясних как причинно-следствените структурни модели (срещу елементарната причинно-следствена индукция) могат да помогнат при улавянето на последователна съзнателна обработка. Също така обясних как използването на векторно пространство от квантовата вероятност го прави подходяща когнитивна архитектура за IMC архитектура.

Постигането на човешки ИИ и разработването на „машини, които мислят, че учат и които създават“6 изискват изчислителни модели, които могат да действат по същия начин. Но човешкото мислене, учене и създаване често са силно зависими от контекста и реда и това изглежда объркващо за класическите модели за вероятност и максимизиране на полезността.

БЛАГОДАРНОСТ

Този материал се основава на работа, подкрепена от Националната научна фондация по награда 2041788. Кратко математическо обяснение на опростения изпит и повторната му проверка може да се намери в допълнителните материали, налични на 10.1109/MC.2023.3242056.

ПРЕПРАТКИ

1. А. Тверски и Д. Канеман, „Разширено срещу интуитивно разсъждение: преценка за грешката на връзката и невероятността“, Psychol. Rev., vol. 90, бр. 4, стр. 293–315, октомври 1983 г., doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal и Y. Bengio, „Индуктивни отклонения за задълбочено обучение на познание на по-високо ниво“, Proc. Рой. Soc. А, том. 478, бр. 2266, октомври 2022 г., чл. не. 20210068, doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer и P. Bruza, Quantum Models of Cognition and Decision. Cambridge, UK: Cambridge Univ.Press, 2014.

4. S. Spetalnick и A. Raychowdhury, "Практически анализ на пространството за проектиране на изчисление в памет с SRAM", IEEE Trans. Вериги Syst. I, рег. Доклади, кн. 69, бр. 4, стр. 1466–1479, април 2022 г., doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Хиперизмерно изчисление: Въведение в изчислението в разпределено представяне с високоразмерни случайни вектори", Cogn. Изчисл., кн. 1, стр. 139–159, юни 2009 г., doi: 10.1007/s12559-009-9009-8.

6. Х. Саймън и А. Нюел, "Евристично решаване на проблеми: Следващият напредък в изследването на операциите", Oper. Res., vol. 6, бр. 1, стр. 1–10, ян./февр. 1958. [Онлайн]. Наличен:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com