編者按：Jeff Hawkins是美國發(fā)明家、計算機科學家與神經(jīng)科學家，他主導研發(fā)了Palm與Treo，是Palm公司、Numenta公司及Handspring公司的創(chuàng)辦者。在本文中，Jeff從生物組成成分、功能組成成分及智能機器的多樣化三個方面為我們分享了他對機器智能的獨到見解。

1)  智能的生物組成成分

2)  智能的功能組成成分

3)  智能機器的多樣化

智能的生物組成成分

Neocortex(新（大腦）皮層)的重要性

Neocortex位于海馬體（大腦中被認為是感情和記憶中心的部分）和大腦剩余部分之間，占據(jù)整個大腦容積的75%，能夠幫助人們更好地認知外部世界。

結(jié)構的層級化表征

1)  不同物種和模式的大腦區(qū)域具有顯著相似性（因而，大腦的所有區(qū)域執(zhí)行相同的動能）

2)  不同物種之間大腦區(qū)域?qū)蛹壔尸F(xiàn)出不同的特征（因而，層級圖并不是至關重要的，它只是代表一個設計參數(shù)）

    大腦的每一個區(qū)域都同時具備以下能力：

1）識別感官序列（例如，口頭語言，音樂，視覺動作）（輸入）

2）識別感官-運動序列（例如，肢體運動，眼球運動）（輸入）

3）生成動作序列（輸出）

   每一個區(qū)域執(zhí)行的功能與整個層級結(jié)構執(zhí)行的功能完全相同。

推理：序列記憶是每一個大腦區(qū)域的一個重要功能。

錐體神經(jīng)元

每一個錐體神經(jīng)元均能夠識別成百上千種獨立模式。

在基底末梢樹突識別出的模式將對細胞去極化，但是不會產(chǎn)生動作電位。

     假設：去極化是一種預測，一個去極化細胞很快將被激活，同時將對附近的細胞產(chǎn)生抑制作用。

代表高階序列A-B-C-D vs. X-B-C-Y

在真實數(shù)據(jù)中，這些序列組成是非常復雜的。

頂端突觸預測序列

通過突觸進行學習（這是一種非常高效的學習途徑）

（注：單個突觸具有很強的隨機性）

 

Dendrite樹突

Axon軸突

Synapse permanence突觸的永久性

Synapse weight突觸權重

基于層級實時記憶（Hierarchical Temporal Memory）的序列記憶

——連續(xù)性學習

——無批次訓練

——隨著模式變化進行調(diào)整

——細胞死亡的魯棒性

智能的功能組成成分

 Hawkins關于智能的功能組成成分的列表

（該列表具有主觀性）

1）具備學習與回憶序列能力的神經(jīng)元網(wǎng)絡

    ——連續(xù)性學習，無批次訓練

    ——同時做出多種預測

    ——魯棒性

    層級實時記憶：活躍的樹突，突觸形成，無錐形

2）大腦各個區(qū)域?qū)⑿蛄杏洃浻糜?/span>：

    ——感覺推理

    ——感官-動作推理

    ——動作生成

   （以上三種用途是智能機器，甚至人類智能應當具備的基本條件）

3）大腦區(qū)域的層級化

    ——區(qū)域的數(shù)量

    ——區(qū)域的大小

    ——大腦區(qū)域連通圖

4）具身

    ——傳感器

    ——嵌入式行為

    ——情感/動機

    ——情景記憶/空間記憶

 智能機器的多樣化

Jeff認為，有一天我們將能夠開發(fā)出一臺具備超級數(shù)學家或物理學家才能的機器，需要構造出具有人類大腦區(qū)域?qū)蛹壧卣鞯臋C器，這樣的機器將具備數(shù)學家的行為模式、能夠執(zhí)行數(shù)學家的功能，但是，要實現(xiàn)機器超智能，我們在研究的道路上仍然任重道遠。

via Jeff Hawkins

文章視頻鏈接

本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。