نظر المجال التقني إلى مناهج مختلفة وأكثر تنوعًا للحوسبة. من أجل الاستمرار في زيادة القوة الحسابية لأنظمتنا ، لا يمكننا الاعتماد فقط على سرعات الساعة الدافعة أعلى وأعلى ، ولا يمكننا الاستمرار في جعل الترانزستورات أصغر بشكل متزايد. للمضي قدمًا حقًا ، يجب التفكير في نموذج جديد ، وعند التطلع إلى المستقبل ، تكثر المقارنات بين أجهزة الكمبيوتر والدماغ البشري. بعد كل شيء ، الأمر كله يتعلق بالقدرة الحاسوبية ، وهذا مجال لا تزال فيه أدمغتنا أفضل من أجهزة الكمبيوتر. لذلك ، من الواضح أن الخطوة التالية للأمام هي محاولة صنع جهاز كمبيوتر يعمل بشكل مشابه لأدمغتنا.
كما توقعنا في عام 2016 ، يعمل الذكاء الاصطناعي (AI) على تعزيز الثورة التكنولوجية الحالية في مجال الرعاية الصحية البشرية. يبدو أيضًا أن الشبكات العصبية قد تكون هي الجبهة التالية في تقدم تكنولوجيا الحوسبة. مع زيادة فهمنا للشبكة العصبية البشرية والطريقة التي تتعامل بها أدمغتنا مع المعلومات ، تزداد قدرتنا على فهم إنتاجية المعلومات الهائلة بالترادف. وقد أدى ذلك إلى ازدهار شعبية أدوات الحوسبة العصبية.
يهدف هذا الدليل إلى أن يكون موجزًا ولكن شاملًا حول الشبكات العصبية. إذا تركت لديك أسئلة بعد القراءة ، فيرجى إخبارنا في التعليقات: قد نتناول أسئلتك في تحديث أو مقالة مستقبلية.
لذلك ، بدون مزيد من اللغط ...
ما هي الشبكة العصبية؟
الشبكة العصبية ، والمعروفة أيضًا باسم النظام العصبي ، هي نظام من الأجهزة و / أو البرامج المصممة لمحاكاة بعض جوانب الدماغ البشري. هناك العديد من أنواع الشبكات العصبية الاصطناعية ، أو الشبكات العصبية الاصطناعية ، لذا سنغطي ذلك بعد قليل. في الوقت الحالي ، دعنا نفكر في الأجهزة.
تجري مقارنة أجهزة الكمبيوتر بالدماغ على نطاق واسع وعميق. ذلك لأن كل من العقول وأجهزة الكمبيوتر متشابهة على المستويين الدلالي والبنيوي. كلاهما عبارة عن شبكات متشابكة معقدة من طبقات متعددة ، مسؤولة عن معالجة المعلومات ذات الحجم الكبير. كلاهما له ذاكرة عاملة يمكن أن يتعثر المخزن المؤقت أو يفيض. كلاهما لهما "مخزن بارد" منظم في تسلسل هرمي دلالي تقريبي عبر سطح الدماغ ، على غرار كيفية تخزين البيانات في أماكن مختلفة عبر قرص صلب. كلاهما يتكون من شبكة من العقد ، والتي يتم التعبير عن أهميتها بشكل فردي من خلال "أوزان" اتصالاتها. تتواصل عُقدهم باستخدام سلسلة من التموجات الكهربائية التي تحتوي على بيانات مضمنة في التسلسل.
هذا التشبيه ينهار عندما تقارن الدماغ بوحدة المعالجة المركزية ، على أية حال ، بسبب عادة الدماغ الدائمة المتمثلة في "موازاة كل الأشياء". وحدات المعالجة المركزية مدينة بالفضل لخط أنابيب البيانات ، بطريقة ليست بها مناطق الدماغ. سيكون التشبيه الأقرب هو مقارنة الدماغ ، كمجموع لشبكته العصبية ، بـ FPGA. تم تصميم FPGAs ليتم تخصيصها من قبل المستخدم بعد التصنيع. تعني اللدونة العصبية أنه حتى بعد أن تصبح أجهزة الدماغ "ناضجة تمامًا" ، لا يزال بإمكان برامجه المشبكية والكهربائية تلقي التحديثات. مع تغير البيئة ، يتكيف الدماغ.
العين ليست كاميرا ، إلا أنها بالمعنى المهم ؛ يتم ترتيب بنية شبكية العين في خريطة منظمة للحقل البصري الذي يستمر طوال الطريق على طول العصب البصري إلى القشرة البصرية. يمكننا تشخيص مكان حدوث إصابة في العصب البصري ، بناءً على جزء المجال البصري الذي يعاني من مشاكل. كل خلية عصبية في طبقات المعالجة لشبكية العين تقارير المنبع. يمكنك مقارنة شبكية العين - جهاز التقاط العين - بشبكة المستشعرات الموجودة على كاميرا CCD ، مثل تلك التي يستخدمها هابل لالتقاط صوره. المرايا و CCDs وشبكية العين كلها تلتقط فقط تيار الفوتون ثنائي الأبعاد الذي تستقبله. يسمى دفق الفوتون ثنائي الأبعاد أيضًا بالفيديو.
وبالمثل ، فإن الدماغ ليس جهاز كمبيوتر ، باستثناء أنه نوع من الكمبيوتر. لدينا حتى ساعة داخلية تنظم إيقاعات إطلاق النار العديدة في الدماغ في الوقت المناسب ، وتدفعها إلى تركيبة منظمة وطبقات لا تختلف عن الأغنية.
باختصار ، عادةً ما تُفصّل الشبكات العصبية ثلاثة مكونات أساسية: الشبكة العصبية هي نظام يتكون من الخلايا العصبية أو العقد ، بالإضافة إلى وصلاتها وأوزانها . يجب أن تمتلك أيضًا نوعًا من وظيفة الانتشار . بعض الشبكات العصبية قادرة على مراقبة نتائجها ، وتغيير نهجها في المهمة.
لماذا تقليد الدماغ؟
باختصار ، نريد محاكاة الدماغ لأن الأدمغة جيدة حقًا فيما تفعله. إنها سريعة وخفيفة ومنخفضة الطاقة للغاية. يُعتقد أن الدماغ البشري لديه سعة نقل معلومات بيتاسكال - أكبر بكثير من أي جهاز كمبيوتر واحد قمنا ببنائه على الإطلاق. (الحواسيب العملاقة الموزعة لا تحسب) والدماغ يعمل على حوالي عشرين واط. هذا المزيج الفائز يرجع جزئيًا إلى هيكله المادي ، وجزئيًا بسبب الطريقة الفريدة التي تنتقل بها المعلومات عبر الجهاز العصبي. تعمل الأدمغة بشكل متوازي ومتسلسل وثنائي وتناظري ، كل ذلك في نفس الوقت.
عندما تنطلق الخلايا العصبية ، تنتقل هذه النبضات عبر محاور في سلسلة. لكن الخلايا العصبية مرتبة في أعمدة قشرية ، والأعمدة القشرية مرتبة في مناطق الدماغ. بهذه الطريقة ، يمكن لمناطق الدماغ الكاملة للعديد من الخلايا أن تعمل في نفس المهمة ، بالتوازي.
تتواصل الخلايا العصبية مع بعضها البعض عن طريق تلقي وتفسير ثم نشر موجة صغيرة من الكهرباء على طول المحور العصبي. إنها طاقة منخفضة للغاية ، لأن هذا الطنين الصغير من إزالة الاستقطاب عبر الغشاء يتم ببساطة عن طريق التعاون مع التدرج الكهروكيميائي خارج الخلية. الخلايا العصبية القشرية ، على وجه الخصوص ، لها بنية متفرعة بعمق. إنهم يتصلون بطريقة "متعدد إلى واحد" بجيرانهم الموجودين بجوارهم جسديًا ، والخلايا العصبية "المنبع" التي تسبقهم في تدفق المعلومات. كما أنهم يتصلون بطريقة "واحد لأكثر" عند التواصل مع زملائهم في المراحل النهائية. لإدارة كل هذه الأسطح ، يقومون بتحليل "وزن" الوصلات بترتيب الأهمية من خلال بناء نقاط الاشتباك العصبي.
تقوم الخلايا العصبية أيضًا بمعالجة المعلومات بالمعنى التناظري: تقوم الخلايا العصبية بامتصاص تناظري عن طريق حساب كل وميضات المدخلات المتداخلة في الوقت الفعلي من التشعبات. إنه تحويل فورييه الفسيولوجي. لكن الخلايا العصبية أيضًا ثنائية بقوة عندما يتعلق الأمر بكيفية نقل رسائلها. تتكون إشارة العصبون من تموجات كهربائية منظمة في المجال الزمني ، ولا تختلف النتوءات في السعة. فالخلايا العصبية إما تتصاعد أو لا تتصاعد. تتكون المسامير من انطلق صغير للسفر. قطارات سبايك عبارة عن تسلسلات محددة زمنيًا من الموجات الكهربائية تحتوي على أجزاء من البيانات. إنه يشبه جهاز استقبال شفرة مورس تقريبًا.
الأجهزة مقابل الشبكات العصبية البرمجية
إن الاقتراب من وظيفة الدماغ كخاصية ناشئة لبنيتها الفيزيائية يقودنا إلى تفسير الأجهزة "للشبكة العصبية". كانت TrueNorth من IBM ، التي تم إنتاجها في عام 2014 ، عبارة عن شريحة CMOS متعددة الأشكال العصبية تستضيف شبكة عصبية تلافيفية. كان لدى TrueNorth نظام برمجي خاص بها ، بما في ذلك لغة برمجة مخصصة ، ومكتبات ، و IDE كامل. وبالمثل ، فإن نظام Loihi البيئي الخاص بشركة Intel عبارة عن شبكة عصبية للأجهزة ذات إطار عمل برمجي مرتبط. Loihi عبارة عن شريحة ذات شكل عصبي ، و Lava هي مسار وصول البرامج إلى صلاحيات Loihi.
تحاكي العمارة الفيزيائية لـ Loihi التنظيم المادي للدماغ. بينما يتم تصنيعها باستخدام مواد شبه موصلة تقليدية وسيتم تصنيعها في المستقبل على عقدة معالجة Intel 4 ، يتم تنظيم Loihi بشكل مختلف تمامًا عن السيليكون الذي اعتدنا عليه جميعًا. يحتوي Loihi على ما يصل إلى مليون خلية عصبية: كيانات فردية في الشبكة ، لكل منها 128 كيلوبايت من الذاكرة المرفقة. مجموعة المعلومات هذه هي نظير الشريحة لنقاط الاشتباك العصبي. إنه يعكس حالة اتصال العصبون في أي وقت. يشرف عليها نوى x86 المجاورة ، والتي تفرض ساعة خارجية لتصحيح إيقاعات إطلاق الخلايا العصبية. تجبر النوى المشرفة أيضًا الخلايا العصبية بشكل دوري على فحص ذاكرتها مقابل بقية المجموعة ، أو إعادة حساب قوة اتصالاتها.
إنتل Loihi 2
تتطابق هذه البنية مع الجوانب الهرمية والمتوازية لتنظيم الدماغ. بالإضافة إلى ذلك ، قام Loihi 2 بمراجعة نهجها في إطلاق النار. أطلق Loihi 1 خلاياها العصبية في نظام ثنائي: واحد أو صفر ، ولا شيء بينهما. يقوم Loihi 2 بترميز ارتفاعاته كأعداد صحيحة ، مما يسمح لهم بحمل البيانات الوصفية. وهذا يعني أيضًا أنه يمكنهم ممارسة بعض التأثير على الخلايا العصبية في اتجاه مجرى النهر. يمكن أن تحاكي المسامير ذات القيم الصحيحة كتالوج الإشارات الكهروكيميائية المختلفة التي يمكن للخلايا العصبية إرسالها أو استقبالها.
يمكن للمطورين التفاعل مع Loihi و Lava باستخدام Python. (بدأ هذا يبدو وكأنه مغامرة استوائية.) سيكون نظام Loihi متاحًا للباحثين في النهاية ، لكن تطبيقات المستهلك ذات أولوية منخفضة.
الأنواع الرئيسية للشبكات العصبية
تتفوق الشبكات العصبية ، بطبقاتها وفائضها ، في التعامل مع المهام المتوازية للغاية. كما أنها تساعد في المهام التي تتطلب من المستخدم استيعاب كمية هائلة من البيانات من أجل تحديد الأنماط بداخلها - وهذا ما يسمى غالبًا "الشرب من خرطوم الإطفاء". للحصول على فوائد البيانات الضخمة ، يجب أن نكون قادرين على معالجتها بسرعة مفيدة. تتفوق الشبكات العصبية أيضًا في معالجة البيانات باستخدام البيانات الوصفية أو العديد من الأبعاد.
هناك العديد من مشاريع الشبكات العصبية الفردية المختلفة ، لكنها تقع جميعها ضمن مجموعات قليلة مختلفة من الوظائف. تم تصميم كل خوارزمية لنوع مختلف من المشاكل ، وجميعهم يشاركون في أنواع مختلفة بمهارة من التعلم الآلي. هنا ، سوف نناقش أربعة أنواع فرعية رئيسية من الشبكات العصبية: التلافيف ، المتكرر ، الخصوم التوليفي ، والارتفاع.
التلافيف العصبية نتس : شبكات العصبية التلافيف (CNNs) هي أنظمة "تغذية إلى الأمام"، وهو ما يعني أن يقتصر تدفق المعلومات إلى اتجاه واحد من خلال الشبكة. تم ذكر هذا النوع من الشبكات العصبية في تقارير وسائل الإعلام عن أنظمة الذكاء الاصطناعي / الشبكات العصبية التي يمكنها إجراء عمليات ، لكن لا يمكنها شرح كيفية وصولهم إلى إجاباتهم. هذا لأن الشبكات العصبية التلافيفية ليست مبنية ببساطة لإظهار عملها. وهي تتكون من طبقة إدخال ، وطبقة مخفية واحدة أو أكثر ، وطبقة ناتجة أو عقدة.
غالبًا ما تستخدم شبكات CNN لمعالجة الصور. نظرًا لأنهم يتقدمون إلى الأمام ، رياضيًا ، فإن شبكات CNN تقوم بعمل رائع على البيانات التي تأتي في تنسيق الشبكة. تكون قوية عند تطبيقها على مصفوفات ثنائية الأبعاد من البيانات ، مثل الصور والمصفوفات الأخرى. تحت غطاء محرك السيارة ، فهم يطبقون معادلة رياضية طويلة توجه الخوارزمية في كيفية إجراء العمليات ليس فقط على رقمين أو مصطلحات أو معادلات ، ولكن على مجموعة كاملة من البيانات ، مثل رفع مستوى الصورة.
تستلزم التغذية إلى الأمام أيضًا قدرًا معينًا من الحساب الميت. تتمثل إحدى الطرق التي يظهر بها هذا في الطريقة التي يمكن بها لشبكة CNN إجراء التعرف على الصور ثم استخدام فهمها المكتشف حديثًا لإنتاج صور مشوهة ثلاثية الأبعاد مستمدة من مجموعة بيانات التدريب الخاصة بها. في عام 2016 ، أصدر معهد ماساتشوستس للتكنولوجيا ذكاءً اصطناعيًا يمكنه تسخير هذا السلوك الجامح "لإخافة" الصور ، مما ينتج عنه سيل من الوقود المرعب في الوقت المناسب لعيد الهالوين.
المتكررة العصبية نتس : وعلى النقيض من نهج التغذية إلى الأمام، وشبكات العصبية المتكررة تفعل شيء يسمى العودة نشر. الانتشار العكسي هو عملية نقل المعلومات من مستويات أعمق إلى مستويات ضحلة في الشبكة العصبية. هذا النوع من الخوارزمية قادر على تحسين الذات.
تؤدي الشبكات العصبية المتكررة التكاثر الخلفي عن طريق إجراء اتصالات مع الخلايا العصبية الأخرى في النظام - على نطاق يصل إلى ويشمل وجود كل خلية عصبية متصلة بكل خلية عصبية أخرى. يمكن أن يؤدي هذا التكرار إلى نتائج دقيقة للغاية ، ولكن هناك حدًا أقصى للعوائد المتناقصة. إنه لا يختلف عن مضاد التعرج لأخذ العينات الفائق (SSAA). نظرًا لأن الخوارزمية تقوم بتمرير المزيد والمزيد من البيانات التي تتم معالجتها بالفعل ، فهناك القليل منها الذي يمكنها القيام به. يمكن أن يؤدي الانتقال من 2xAA إلى 4xAA إلى نتائج ملحوظة بوضوح ، ولكن من الصعب معرفة الفرق بين 8x و 16xAA بدون عين مُمارسه.
يمكن تدريب هذا النوع من الشبكات العصبية باستخدام النسب المتدرج ، وهي طريقة تحليل تصنع مشهدًا ثلاثي الأبعاد من الاحتمالات. يمكن تمثيل النتائج المرغوبة أو غير المرغوب فيها على أنها "تضاريس" في المناظر الطبيعية ، في الأماكن التي تتوافق مع إحصاءاتها. كما قلنا من قبل ، فإن الانحدار المتدرج ليس أفضل طريقة للتدريب على الشبكة العصبية ، ولكنه أداة قوية. يمكن للشبكات العصبية المتكررة أن تعطي الانحدار المتدرج دفعة من خلال الحفاظ على بعض الذاكرة لما كان عليه المشهد الطبيعي المتغير.
شبكات عصبية شائكة: كما رأينا أعلاه ، يأتي التصميم العصبي في كل من الأشكال المادية والرقمية. بدلاً من تدفق البيانات الثنائية التي تعمل باستمرار من خلال وحدة معالجة مركزية واحدة ، يمكن أن تكون الشبكات العصبية المتصاعدة عبارة عن برامج أو أجهزة أو كليهما. وهي مصنوعة من نوى لامركزية ، مادية أو منطقية ، تطلق بإيقاع يسمى "قطار سبايك" لنقل إشاراتها. تتحد مصفوفات النوى هذه ببنية شبكة مشتركة ، وكل خلية عصبية هي عقدة داخل تلك الشبكة.
لقد علمتنا محاولات نمذجة الطريقة التي تدير بها الخلايا العصبية العديد من قنوات الإدخال / الإخراج الخاصة بها أن هناك معلومات مشفرة في العديد من القنوات المختلفة. هناك بيانات تتعلق بما إذا كانت الخلية العصبية تطلق النبضات ، وأيضًا في تسلسل النبضات. من المهم أيضًا أي من زملائها المتصلين بالشبكة كان يطلق النار في نفس الوقت.
إحدى الأدوات المهمة في الحوسبة العصبية هي نموذج "الدمج والنار المتسرب". يتم نمذجة الاتصال بين الخلايا العصبية من خلال مجموعة من المعادلات التفاضلية التي تصف I / O المختلفة لكل خلية عصبية. (المعادلات التفاضلية هي أدوات ممتازة لمقارنة الأسعار. في بعض السياقات ، يمكنك استخدام diffEQs لنمذجة مجموعة عشوائية من المقارنات ذات الأبعاد n .)
كل خلية عصبية في شبكة شائكة لها وزن. يمثل الوزن متوسطًا متدحرجًا لنشاط العصبون الأخير. المزيد من التنشيط يدفع القيمة أعلى. لكن الوزن "متسرب" بمعنى وجود ثقب في دلو. مع مرور الوقت ، هناك وظيفة اضمحلال تقلل ببطء من وزن شبكة كل خلية عصبية. هذا يفسر فكرة أنه من الناحية البيولوجية ، ليست كل الخلايا العصبية نشطة في جميع الأوقات. يمكنك تباينه مع إكليل من الاتصالات المشبعة بشكل دائم في شبكة عصبية متكررة.
الشباك المسننة ليست جيدة في النسب المتدرجة ، ولا مشاكل التحسين من هذا النوع. ومع ذلك ، قد تكون مناسبة بشكل فريد لنمذجة الوظائف البيولوجية. نظرًا لأن الشبكات المسننة أصبحت أكثر تعقيدًا ، فقد تصبح قادرة على تشفير المزيد من المعلومات ضمن سلسلة من الارتفاعات. سيمكن هذا من تمرير حسابي أقرب بكثير للوظائف المتنوعة للجهاز العصبي. لقد قمنا بالفعل بمحاكاة الأنظمة العصبية للديدان المستديرة من C. elegans وذباب الفاكهة Drosophilia ، ويحاول الباحثون محاكاة عمود قشري بشري في الوقت الفعلي.
هناك اتجاه آخر محتمل لزيادة سرعة أبحاث الشبكة العصبية وهو المستويات الإضافية من التجريد. يعمل الباحثون على إنشاء شبكة متصاعدة حيث تتكون كل خلية عصبية فردية من شبكة عصبية.
الشبكات العصبية التوليدية (GANs) : أحد أنواع الشبكات العصبية التي تزداد شعبيتها هو الشبكة العصبية التوليدية الخصومة أو GAN. تعد شبكات GAN تطورًا آخر للذكاء الاصطناعي ، وغالبًا ما تستخدم لتغيير أو إنشاء الصور. الجزء "الخصامي" يعني أن هذه الشبكات العصبية مبنية للتنافس مع نفسها.
تمامًا كما كان لدى سيربيروس ثلاثة رؤوس ، فداخل GAN غالبًا ما توجد شبكتان عصبيتان منفصلتان لهما نواياهما الخاصة ، واحدة مولدة والأخرى تمييزية. ينتج النموذج التوليدي نتيجة ، غالبًا صورة. ثم يحاول الجانب التوليدي "خداع" النموذج التمييزي ، ليرى مدى قربه من المخرجات المرغوبة. إذا لم ينخدع الجانب التمييزي ، فسيتم تجاهل النتيجة. يتم حفظ نتائج هذه التجربة ، سواء نجاح الجانب التوليدي أو المحتوى الذي قدمته ؛ في بعض الأحيان يتم الإشراف على التعلم ، وفي بعض الأحيان لا يتم ذلك. ولكن في كلتا الحالتين ، بعد كل جولة حكم ، تعود GAN إلى لوحة الرسم وتحاول مرة أخرى. هذه هي الطريقة التي يتجه بها الزوج نحو النجاح.
إن شبكات GAN قادرة على إنتاج صور فريدة وواقعية لأشخاص غير موجودين في العالم الحقيقي. للقيام بذلك ، يقومون بالبحث في العديد من صور البشر الحقيقيين ، لجمع البيانات حول كيفية اختلافنا عن بعضنا البعض ، وحول الطرق التي نشبه بها بعضنا البعض. في الواقع ، هذا هو النمط الظاهري للقوة الغاشمة. بعد ذلك ، بمجرد أن يتم تعليم GAN بشكل كافٍ ، يمكن أن يبدأ جانبها التوليدي في محاولة إنتاج عملها الأصلي الخاص. أحد الأمثلة على ذلك هو StyleGAN من Nvidia ، والذي يمكن أن ينتج صورًا للواقعية المذهلة والمخادعة. حتى أن هناك مشروعًا مشتقًا يتحدى المشاهدين لتحديد ما إذا كانت صورة StyleGAN معينة لشخص ما حقيقية أم مزيفة.الشخص الموجود في هذه الصورة غير موجود. هذه صورة مزيفة تم إنشاؤها بواسطة StyleGAN ، الشبكة العصبية التوليدية للخصم من Nvidia.
يمكن أن تكون نتائج عمل GAN واقعية للغاية ، في الواقع ، في عام 2019 ، وضعت ولاية كاليفورنيا (موطن كل من 2257 نموذجًا وهوليوود) قانونًا يحظر استخدام التكنولوجيا مثل شبكات GAN لإنشاء مواد إباحية مزيفة لشخص بدونهم. موافقة. كما حظرت الدولة توزيع مقاطع فيديو تم التلاعب بها لمرشحين سياسيين في غضون شهرين من الانتخابات. تحاول DARPA مواكبة سباق التسلح A / V هذا من خلال إنشاء قسم كامل لدراسة كل من GANs ، وطرق التغلب عليها.
في حين أن كل هذا يبدو مرهقًا للغاية ، إلا أن هناك استخدامات لشبكات GAN لا تتضمن تجريف الإنترنت لصور الملفات الشخصية العامة. تطبيق واحد هو فيزياء الجسيمات. يطلب الفيزيائيون يقينًا رائعًا في قياساتهم قبل أن يكونوا مستعدين للقول إنهم اكتشفوا جسيمًا جديدًا أو شرحوا ظاهرة.
مكان آخر تتفوق فيه شبكات GAN هو نظرية الألعاب. عند تقديمها بقائمة من القواعد والأولويات ، يمكن لشبكات GAN تقييم الاختيارات المحتملة للمشاركين ، واستخدام انتشار الاحتمال هذا للتنبؤ بنهاية اللعبة. هذا النوع من الشبكات العصبية قيد الدراسة أيضًا لاستخدامه في تحسين الصور الفلكية والتنبؤ بعدسات الجاذبية.
شهد صيف 2021 إطلاق CodexAI ، وهي شبكة عصبية توليد قادرة على تحسين برمجياتها الخاصة. يمكن للنموذج ترجمة اللغة الطبيعية إلى رمز. يمكنه أيضًا إنشاء مقتطفات من التعليمات البرمجية الذكية بعد تغذيتها بكامل Github.
بينما يمكن اعتبار CodexAI شبكة عصبية كاملة بناءً على مزاياها الخاصة ، إلا أنه يبدو أيضًا أنه يمكن أن يكون بسهولة جزءًا من نظام هرمي أكبر بكثير. يشبه سلوك CodexAI أول شرارات متعثرة لخلية عصبية وحيدة لأنها تنشئ أولى نقاط الاشتباك العصبي. كما يظهر حدود التكنولوجيا. يمكن للشبكات العصبية أن تتعلم كيف تصحح افتراضاتها ، لكن مدى انتشار الذكاء الاصطناعي لا يزال يتجاوز قبضته. يعد دمج العديد من النماذج المتنوعة هو مسار المستقبل.
أين تسقط الشبكات العصبية؟
تعتبر الشبكات العصبية رائعة في تلبية الطلبات المحددة والمقيدة جيدًا ، ولكنها قد تكون أكثر من اللازم. تكمن القوة العظيمة لأجهزة الكمبيوتر في السرعة التي يمكنها بها إجراء عمليات متكررة. تتيح هذه التكرارات السريعة أيضًا الإفراط في تدريب الشبكة العصبية. عندما يحدث ذلك ، فإن حساباته الميتة تنحرف تمامًا. يمكن أن ينتج عن الذكاء الاصطناعي المدربين بشكل مفرط بعض الصور الغريبة بشكل ملحوظ ، مما يجعلها غير مفيدة جدًا للأغراض التنبؤية مثل التنبؤ بالطقس.
في النهاية ، على الرغم من ذلك ، فإن نقاط الضعف المتنوعة هذه هي مخاوف ثانوية مقارنة بمشكلة النمو. لكي تصبح الشبكة العصبية أكثر قوة ، يجب أن تكبر ، وهنا تكمن المشكلة. لا يمكن للشبكات العصبية أن تتوسع إلى ما لا نهاية. إن كفاءة تحجيمها في الواقع أسوأ من مركز البيانات العادي ، بسبب الشيء ذاته الذي يجعل الشبكات العصبية قادرة للغاية. يتطلب المفهوم المركزي للشبكة العصبية ذات الطبقات ، وعمقها متعدد الطبقات وفائضها ، قدرًا متزايدًا من القوة. حتى الآن كنا نستخدم القوة الغاشمة لتحقيق غاياتنا ، والتي تعمل - إلى حد ما.
هذه المشكلة المتعلقة بتوسيع الطاقة هي سبب استخدام Intel لاستهلاك Loihi المنخفض للطاقة كنقطة بيع أساسية. في نهاية المطاف ، ستضع التحديات المشتركة لاستخدام الطاقة والتبديد الحراري حدًا صارمًا لقدرتنا على ربط المزيد من هذه الرقائق لصنع أنظمة ذكاء اصطناعي أكبر وأكثر تعقيدًا.
افكار اخيرة
الفرق بين الشبكة العصبية والذكاء الاصطناعي هو إلى حد كبير مسألة رأي. تعتبر إحدى المدارس أن الشبكة العصبية هي ذكاء اصطناعي بحد ذاته. يعتبر البعض الآخر أن الذكاء الاصطناعي مصنوع من شبكات عصبية تابعة. الاختلاف الوحيد هو مستوى التجريد الذي يختار المتحدث عنده التمييز.
يبدو أن الجميع يتفقون على أمر واحد وهو أن الشبكات العصبية لا يمكنها أن تفعل ما تفعله بدون بيانات. البيانات الضخمة . مع انطلاق الحوسبة المتطورة وعلوم البيانات ، يتم فتح عالم جديد بالكامل من المعلومات لتحليلنا. يتم إنتاج كمية هائلة من البيانات الخام كل يوم. الأمر متروك لنا لإيجاد طرق مبتكرة وذكية لاستخدامه.