• Tercüme

Hepimiz okuldan aritmetikteki acı verici alıştırmaları hatırlıyoruz. 3.752 ve 6.901 gibi sayıları bir kalem ve kağıtla çarpmak en az bir dakikanızı alacaktır. Elbette bugün elimizin altında telefonlarımızla, egzersizimizin sonucunun 25.892.552 olması gerektiğini hızlı bir şekilde doğrulayabiliriz.Modern telefon işlemcileri saniyede 100 milyardan fazla bu tür işlemi gerçekleştirebilir. Ayrıca, bu çipler sadece birkaç watt tüketir, bu da onları 20 watt tüketen ve aynı sonucu elde etmesi çok daha uzun süren yavaş beyinlerimizden çok daha verimli kılar.

Elbette beyin aritmetik yapmak için gelişmedi. Bu nedenle, bunu kötü yapıyor. Ancak çevremizden gelen sürekli bilgi akışını idare etme konusunda mükemmel bir iş çıkarıyor. Ve buna tepki veriyor - bazen bizim fark edebileceğimizden daha hızlı. Ve normal bir bilgisayar ne kadar enerji tüketirse tüketsin, beyin için kolay olan şeylerle - örneğin bir dili anlamak veya merdiven çıkmak gibi - başa çıkmakta zorlanacaktır.

Hesaplama yetenekleri ve enerji verimliliği beyinle karşılaştırılabilecek makineler yaratabilseydik, o zaman her şey çarpıcı biçimde değişirdi. Robotlar fiziksel dünyada hünerle hareket eder ve bizimle doğal dilde iletişim kurardı. Büyük ölçekli sistemler, iş, bilim, tıp veya hükümet hakkında büyük miktarda bilgi toplayacak, yeni modeller keşfedecek, nedensel ilişkiler bulabilecek ve tahminlerde bulunacaktır. Siri ve Cortana gibi akıllı mobil uygulamalar bulutlara daha az güvenebilir. Bu tür bir teknoloji, duyularımızı tamamlayan, bize ilaçlar sağlayan ve organ hasarını veya felci telafi etmek için sinir sinyallerini taklit eden düşük güçlü cihazlar yaratmamızı sağlayabilir.

Ama kendinize böyle cesur hedefler koymak için çok erken değil mi? Beyin anlayışımız, ilkelerine göre çalışan teknolojiler yaratmamıza izin vermeyecek kadar sınırlı mı? Nöral devrelerin en basit özelliklerini bile taklit etmenin birçok ticari uygulamanın performansını önemli ölçüde artırabileceğine inanıyorum. Bilgisayarların, performans düzeyine yaklaşmak için beynin biyolojik ayrıntılarını ne kadar doğru kopyalaması gerektiği açık bir sorudur. Ancak günümüzün beyinden ilham alan sistemleri veya nöromorfik sistemleri, buna bir cevap bulmak için önemli araçlar haline gelecek.

Geleneksel bilgisayarların önemli bir özelliği, verileri ve talimatları depolayan belleğin ve bu bilgileri işleyen mantığın fiziksel olarak ayrılmasıdır. Beyinde böyle bir bölünme yoktur. Verilerin hesaplanması ve depolanması, yaklaşık 100 milyar sinir hücresi (nöron) ve 100 trilyondan fazla bağlantıdan (sinaps) oluşan geniş bir ağda, eşzamanlı ve yerel olarak gerçekleşir. Çoğunlukla, beyin bu bağlantılar ve her bir nöronun diğer nöronlardan gelen girdilere nasıl tepki verdiği tarafından belirlenir.

İnsan beyninin istisnai yeteneklerinden bahsederken, genellikle uzun bir evrim sürecinin - neokorteks (yeni korteks) son edinimini kastediyoruz. Bu ince ve son derece katlanmış katman, beynin dış kaplamasını oluşturur ve duyulardan gelen bilgileri işleme, motor becerileri kontrol etme, hafıza ile çalışma ve öğrenme gibi çok farklı görevleri yerine getirir. Oldukça homojen bir yapı için böylesine geniş bir olasılık yelpazesi mevcuttur: altı yatay katman ve 500 mikron genişliğinde bir milyon dikey sütun, onlardan büyüyen antenler - dendritler ve aksonlar boyunca elektriksel darbelerde kodlanmış bilgileri bütünleştiren ve dağıtan nöronlardan oluşur.

İnsan vücudundaki tüm hücreler gibi, bir nöron da dış yüzey ile iç organlar arasında yaklaşık 70 mV'luk bir elektrik potansiyeline sahiptir. Bu membran voltajı, nöron ilişkili diğer nöronlardan bir sinyal aldığında değişir. Membran voltajı kritik bir değere yükselirse, 40 mV düzeyinde bir darbe veya birkaç milisaniye süren bir voltaj dalgalanması oluşturur. Bu dürtü, bir nöronun aksonu boyunca, bir nöronun aksonunu diğerinin dendritine bağlayan karmaşık bir biyokimyasal yapı olan sinapsa ulaşana kadar hareket eder. Dürtü belirli kısıtlamaları karşılarsa, sinaps, sinyali alan nöronun dallanan dendritlerinden aşağı inen başka bir darbeye dönüştürür ve membran voltajını pozitif veya negatif yönde değiştirir.

Bağlantı, beynin kritik bir özelliğidir. İnsan neokorteksinde özellikle önemli bir hücre tipi olan piramidal nöron, yaklaşık 30.000 sinaps, yani diğer nöronlardan 30.000 giriş kanalı içerir. Ve beyin sürekli adapte oluyor. Nöron ve sinapsın özellikleri - ve hatta ağın kendisinin yapısı - esas olarak duyulardan gelen girdilerin ve çevreden gelen geri bildirimlerin etkisi altında sürekli değişmektedir.

Modern genel amaçlı bilgisayarlar analog değil, dijitaldir; beyni sınıflandırmak kolay değildir. Nöronlar, elektronik devrelerde kapasitörler gibi bir elektrik yükü depolar. Bu açıkça analog bir süreçtir. Ancak beyin, bilgi birimleri olarak patlamaları kullanır ve bu temelde ikili bir şemadır: herhangi bir zamanda, herhangi bir yerde, bir patlama ya oradadır ya da değildir. Elektronik terimlerle, beyin, ikili patlamalar kullanarak yerel analog hesaplama ve bilgi aktarımı ile karışık bir sinyal sistemidir. Patlama sadece 0 veya 1 değerlerine sahip olduğu için bu temel bilgiyi kaybetmeden uzun bir mesafe kat edebilir. Ayrıca ağdaki bir sonraki nörona ulaşmak için çoğalır.

Beyin ve bilgisayar arasındaki bir diğer önemli fark, beynin, çalışmasını senkronize etmek için merkezi bir saat üreteci olmadan bilgi işleme ile başa çıkmasıdır. Senkronize olayları - beyin dalgalarını - gözlemlesek de, sinir ağlarının çalışmasının bir sonucu olarak kendilerini organize ederler. İlginç bir şekilde, modern bilgisayar sistemleri, hesaplamaları paralel olarak gerçekleştirerek hızlandırmak için beyinde bulunan eşzamansızlığı benimsemeye başlıyor. Ancak bu iki sistemin paralelleştirilmesinin derecesi ve amacı son derece farklıdır.

Beyni hesaplama için bir model olarak kullanma fikrinin derin kökleri vardır. İlk denemeler, ağırlıklı girdi verilerinin toplamı eşiği aşarsa bir değer, yoksa başka bir değer veren basit bir eşik nöronuna dayanıyordu. 1940'larda Warren McCulloch ve Walter Pitts tarafından tasarlanan bu yaklaşımın biyolojik gerçekçiliği çok sınırlıdır. Ancak bu, ateşleme nöronu kavramını hesaplamanın bir parçası olarak uygulamaya yönelik ilk adımdı.

1957'de Frank Rosenblatt, eşik nöronunun başka bir versiyonunu, algılayıcıyı önerdi. Birbirine bağlı düğümlerden oluşan bir ağ (yapay nöronlar) katmanlardan oluşur. Ağın yüzeyindeki görünür katmanlar, dış dünya ile girdi ve çıktı olarak etkileşime girerken, içindeki gizli katmanlar tüm hesaplamaları yapar.

Rosenblatt ayrıca beynin temel bir özelliğinin kullanılmasını önerdi: sınırlama. Tüm girdileri toplamak yerine, algılayıcıdaki nöronlar da olumsuz katkıda bulunabilir. Bu özellik, sinir ağlarının, iki ikili girişten yalnızca birinin doğru olması durumunda çıkışın doğru olduğu mantıktaki XOR problemlerini çözmek için tek bir gizli katman kullanmasına izin verir. Bu basit örnek, biyolojik gerçekçilik eklemenin yeni hesaplama gücü ekleyebileceğini göstermektedir. Fakat çalışması için beynin hangi işlevleri gereklidir ve evrimin yararsız izleri nelerdir? Kimse bilmiyor.

Biyolojik gerçekçilik yaratmaya çalışmadan etkileyici hesaplama sonuçlarına ulaşılabileceğini biliyoruz. Derin öğrenme araştırmacıları, büyük miktarda veriyi analiz etmek ve karmaşık görüntülerden belirli özellikleri çıkarmak için bilgisayarları kullanma konusunda büyük adımlar attı. Yarattıkları sinir ağları her zamankinden daha fazla girdiye ve gizli katmana sahip olsa da, hala son derece basit nöron modellerine dayanıyorlar. Geniş yetenekleri biyolojik gerçekçiliği değil, içerdikleri ağların ölçeğini ve onları eğitmek için kullanılan bilgisayarların gücünü yansıtır. Ancak derin öğrenme ağları, biyolojik bir beynin hesaplama hızından, enerji verimliliğinden ve öğrenme yeteneklerinden hala çok uzakta.

Beyin ve modern bilgisayarlar arasındaki büyük boşluk, büyük ölçekli beyin simülasyonları tarafından en iyi şekilde vurgulanır. Son yıllarda bu tür birkaç girişimde bulunuldu, ancak hepsi iki faktör tarafından ciddi şekilde sınırlandırıldı: simülasyonun enerjisi ve süresi. Örneğin, birkaç yıl önce Marcus Dysman ve meslektaşları tarafından Japonya'daki K süper bilgisayarında 83.000 işlemci kullanılarak gerçekleştirilen bir simülasyonu düşünün. 1.73 milyar nöron simülasyonu, son derece basitleştirilmiş modeller kullanmalarına ve herhangi bir eğitim yapmamalarına rağmen, eşdeğer bir beyin bölgesinden 10 milyar kat daha fazla enerji tüketti. Ve bu tür simülasyonlar tipik olarak biyolojik bir beynin gerçek zamanından 1000 kat daha yavaş çalıştı.

Neden bu kadar yavaşlar? Beyni geleneksel bilgisayarlarda simüle etmek, hücrelerin ve ağların dinamiklerini tanımlayan milyarlarca birbirine bağlı diferansiyel denklemin hesaplanmasını gerektirir: hücre zarı boyunca yükün hareketi gibi benzer süreçler. Kesinlik için enerjiyi takas eden ve bellek ile hesaplamayı ayıran Boole mantığını kullanan bilgisayarlar, beyni modellemede son derece yetersizdir.

Bu simülasyonlar, laboratuvarda elde edilen verileri deneyebileceğimiz ve daha sonra sonuçları gözlemlerle karşılaştırabileceğimiz simülasyonlara aktararak beynin bilişi için bir araç haline gelebilir. Ancak farklı bir yöne gitmeyi ve yeni bilgi işlem sistemleri oluşturmak için sinirbilim derslerini kullanmayı umuyorsak, bilgisayarları tasarlama ve inşa etme şeklimizi yeniden düşünmemiz gerekir.

Silikondaki nöronlar.

Beynin çalışmasını elektronik olarak kopyalamak, göründüğünden daha yapılabilir olabilir. Bir sinapsta elektrik potansiyeli yaratmak için yaklaşık 10 fJ (10-15 jul) harcandığı ortaya çıktı. CPU'da kullanılanlardan çok daha büyük ve daha fazla güç kullanan bir metal oksit yarı iletken (MOS) transistörünün kapısı, şarj etmek için yalnızca 0,5 fJ gerektirir. Sinaptik iletimin 20 transistörü şarj etmeye eşdeğer olduğu ortaya çıktı. Üstelik cihaz düzeyinde biyolojik ve elektronik devreler o kadar da farklı değil. Prensip olarak, transistörlerden sinaps ve nöron gibi yapılar oluşturmak ve bunları birbirine bağlayarak bu kadar büyük miktarda enerjiyi emmeyen yapay bir beyin yaratmak mümkündür.

Nöronlar gibi davranan transistörler kullanarak bilgisayarlar yapma fikri, 1980'lerde Caltech'ten Profesör Carver Mead ile ortaya çıktı. Mead'in "nöromorfik" bilgisayarlar lehine temel argümanlarından biri, yarı iletken cihazların belirli bir modda çalıştırıldıklarında nöronlarla aynı fiziksel yasaları izleyebileceği ve analog davranışın büyük enerji verimliliği ile hesaplamalar için kullanılabileceğiydi.

Mead'in grubu ayrıca, patlamaların yalnızca ağdaki adresleri ve meydana gelme zamanları ile kodlandığı bir nörokomünikasyon platformu icat etti. Bu çalışma, zamanı yapay sinir ağlarının gerekli bir özelliği haline getiren ilk çalışma olduğu için çığır açtı. Zaman beyin için önemli bir faktördür. Sinyallerin yayılması için zamana ihtiyacı vardır, zarların tepki vermesi için zamana ihtiyacı vardır ve postsinaptik potansiyellerin şeklini belirleyen zamandır.

İsviçre Yüksek Teknik Okulu'ndan Giacomo Indiveri grubu ve Stanford'dan Kwabena Boahen gibi bugün birçok aktif araştırma grubu, Mead'in ayak izlerini takip etti ve biyolojik kortikal ağların unsurlarını başarıyla uyguladı. İşin püf noktası, transistörleri eşiklerinin altında düşük voltajlı akımlarla çalıştırarak, az güç tüketirken sinir sisteminin davranışını taklit eden analog devreler yaratmaktır.

Bu yönde daha fazla araştırma, beyin-bilgisayar arayüzü gibi sistemlerde uygulama bulabilir. Ancak bu sistemler ile ağın gerçek boyutu, bağlanabilirlik ve hayvan beyninin öğrenme yeteneği arasında büyük bir boşluk var.

2005 civarında, üç grup araştırmacı bağımsız olarak Mead'in orijinal yaklaşımından önemli ölçüde farklı olan nöromorfik sistemler geliştirmeye başladı. Milyonlarca nöron içeren büyük ölçekli sistemler yaratmak istediler.

Geleneksel bilgisayarlara en yakın şey, Manchester Üniversitesi'nden Steve Furber liderliğindeki SpiNNaker projesidir. Grup, 200 MHz'de çalışan 18 ARM işlemciden oluşan kendi dijital çipini geliştirdi - kabaca modern CPU'ların hızının onda biri. ARM çekirdekleri klasik bilgisayarların dünyasından gelse de, tıpkı beyin gibi, bilgileri eşzamansız olarak iletmek için tasarlanmış özel yönlendiriciler aracılığıyla gönderilen patlamaları simüle ederler. Avrupa Birliği'nin İnsan Beyni Projesi kapsamında yer alan ve 2016 yılında tamamlanan mevcut uygulama 500.000 ARM çekirdeği içeriyor. Nöron modelinin karmaşıklığına bağlı olarak, her çekirdek 1000 nörona kadar simüle etme yeteneğine sahiptir.

Darmendra Mod ve meslektaşları tarafından Almadena'daki IBM Araştırma Laboratuvarı'nda geliştirilen TrueNorth çipi, mikroişlemcilerin hesaplama birimleri olarak kullanımını ortadan kaldırıyor ve aslında hesaplama ve belleğin iç içe geçtiği nöromorfik bir sistem. TrueNorth hala dijital bir sistemdir, ancak belirli bir nöron modelini uygulayan özel olarak tasarlanmış nöro-devrelere dayanmaktadır. Çip, 5,4 milyar transistör içerir ve Samsung'un 28nm CMOS (Tamamlayıcı Metal Oksit Yarı İletken) teknolojisi üzerine inşa edilmiştir. Transistörler, tek bir çip üzerinde 1 milyon sinir devresi ve 256 milyon basit (bir bit) sinaps öykünür.

Bir sonraki proje olan BrainScaleS'in geleneksel bilgisayarlardan oldukça uzaklaştığını ve biyolojik beyne daha yakın olduğunu söyleyebilirim. Bu projede Avrupa İnsan Beyni Girişimi için Heidelberg Üniversitesi'ndeki meslektaşlarımla birlikte çalıştım. BrainScaleS, karışık sinyal işleme uygular. Dijital bilgi alışverişi ile analog cihazlar olarak işlev gören silikon transistörler olan nöronları ve sinapsları birleştirir. Tam boyutlu sistem 8 inçlik silikon levhalardan oluşur ve 4 milyon nöron ve 1 milyar sinaps öykünür.

Sistem, biyolojik nöronların dokuz farklı ateşleme modunu yeniden üretebilir ve sinirbilimcilerle yakın işbirliği içinde geliştirildi. Mead'in analog yaklaşımından farklı olarak BrainScaleS, hızlandırılmış modda çalışır ve gerçek zamandan 10.000 kat daha hızlı öykünür. Bu, özellikle öğrenme ve gelişme hakkında bilgi edinmek için yararlıdır.

Öğrenmenin nöromorfik sistemlerin kritik bir bileşeni olması muhtemeldir. Artık sıradan bilgisayarlarda çalışan sinir ağlarının yanı sıra beynin görüntüsünde yapılan çipler, daha güçlü bilgisayarlar yardımıyla yan tarafta eğitiliyor. Ancak nöromorfik sistemleri gerçek uygulamalarda kullanmak istiyorsak - örneğin, bizimle yan yana çalışmak zorunda kalacak robotlarda, anında öğrenebilmeleri ve uyum sağlayabilmeleri gerekecek.

BrainScaleS sistemimizin ikinci neslinde, bir çip üzerinde "Esneklik İşleyicileri" oluşturarak öğrenme kabiliyetini hayata geçirdik. Çok çeşitli nöron ve sinaps parametrelerini değiştirmek için kullanılırlar. Bu yetenek, bir cihazdan diğerine geçerken boyut ve elektriksel özelliklerdeki farklılıkları telafi etmek için parametrelerde ince ayar yapmamızı sağlar, tıpkı beynin kendisinin değişikliklere uyum sağlaması gibi.

Tanımladığım üç büyük ölçekli sistem birbirini tamamlıyor. SpiNNaker esnek bir şekilde yapılandırılabilir ve farklı nöromodelleri test etmek için kullanılabilir, TrueNorth yüksek entegrasyon yoğunluğuna sahiptir, BrainScaleS sürekli öğrenme ve geliştirme için tasarlanmıştır. Bu tür sistemlerin etkinliğini değerlendirmek için doğru yol arayışı halen devam etmektedir. Ancak erken sonuçlar umut verici. IBM'in TrueNorth grubu kısa süre önce sistemlerindeki sinaptik iletimin 26 pJ tükettiğini hesapladı. Bu, biyolojik bir sistemde gereken enerjinin 1.000 katı olmasına rağmen, genel amaçlı bilgisayarlarda simülasyonları aktarmak için kullanılan enerjiden neredeyse 100.000 kat daha azdır.

Bu tür sistemlerin neler yapabileceğini ve bunları gerçek dünya problemlerini çözmek için nasıl uygulayacağımızı anlamanın henüz ilk aşamalarındayız. Aynı zamanda, güç tüketimini düşürürken gelişmiş öğrenme yetenekleriyle birden fazla nöromorfik çipi büyük ağlarda birleştirmenin yollarını bulmalıyız. Sorunlardan biri bağlantıdır: beyin üç boyutludur ve devrelerimiz iki boyutludur. Devrelerin üç boyutlu entegrasyonu konusu şu anda aktif olarak incelenmektedir ve bu tür teknolojiler bize yardımcı olabilir.

CMOS tabanlı olmayan cihazlar - memristörler veya PCRAM (faz değişim belleği) - başka bir yardım olabilir. Günümüzde yapay sinapsların gelen sinyallere tepkisini belirleyen ağırlıklar, bir ağ oluşturmak için gereken silikon kaynaklarının çoğunu tüketen geleneksel dijital bellekte depolanıyor. Ancak diğer bellek türleri, bu hücrelerin boyutunu mikrometreden nanometreye düşürmemize yardımcı olabilir. Ve modern sistemlerin asıl zorluğu, farklı cihazlar arasındaki farkları korumak olacaktır. BrainScaleS'de geliştirilen kalibrasyon ilkeleri bunun için yardımcı olabilir.

Pratik ve kullanışlı nöromorfik sistemlere doğru yolculuğumuza yeni başladık. Ama çaba buna değer. Başarılı olursak, yalnızca güçlü bilgi işlem sistemleri oluşturmayacağız; hatta kendi beynimizin nasıl çalıştığı hakkında yeni bilgiler edinebiliriz.

Düşünce gücüyle kontrol edilen, kasların yardımı olmadan bilgisayarlarla doğrudan iletişim kuran ve uzun vadede - felçli bir kişi için yapay bir vücut ve bilişsel işlevlerin eğitimi - düşünme, hafıza ve dikkat. Bütün bunlar bilim kurgu alanının dışında. Kurchatov Enstitüsü'nde nörobilişsel teknolojiler bölümünün başkanı olan biyolojik bilimler adayı Sergey Shishkin, nörobilimlerin zamanının çoktan geldiğini söylüyor. Sirius Eğitim Merkezi'nde yapılan beyin araştırmalarının en son sonuçları hakkında konuştu. "Lenta.ru" konuşmasının ana tezlerini sunuyor.

Terra Incognita'da ilk adımlar

Fiziksel araştırmaların sonuçları bizi çevreleyen her şeyin temelini oluşturur. Neye bakarsak bakalım - binalar, giysiler, bilgisayarlar, akıllı telefonlar - bunların hepsi bir şekilde fizik yasalarına dayanan teknolojilerle bağlantılı. Ancak beyin biliminin hayatımıza katkısı kıyaslanamayacak kadar azdır.

Niye ya? Yakın zamana kadar, sinirbilim çok yavaş gelişti. 19. yüzyılın ortalarında, beynin sinir hücrelerinden - nöronlardan oluştuğunu anlamaya başladılar, ancak daha sonra onları görmek ve izole etmek son derece zordu. Modern araştırmacılar, nöronları daha derinlemesine incelemenin ve çalışmalarını gözlemlemenin yollarını buldular - örneğin, hücre aktive edildiğinde parlayan floresan boyalar enjekte ediyorlar.

Yeni yöntemler, nükleer manyetik rezonans teknolojisini kullanarak insan beyninin çalışmasını ameliyat olmadan gözlemlemeyi mümkün kılıyor. Beynin yapısını daha iyi anlamaya ve bu bilgiye dayalı yeni teknolojiler oluşturmaya başlıyoruz. En etkileyici olanlardan biri beyin-bilgisayar arayüzüdür.

Beyin-bilgisayar arayüzü

Bu teknoloji, düşünce gücüyle bir bilgisayarı kontrol etmenizi sağlar, daha doğrusu "kaslar ve periferik sinirler yardımı olmadan beyinden bilgisayara komutları iletme teknolojisi" olarak adlandırılır (bilimsel literatürde benimsenen tanım budur) . Beyin-bilgisayar arayüzlerinin temel amacı, öncelikle kasları veya kontrol sistemleri çalışmayan engelli insanlara yardımcı olmaktır. Bu, çeşitli nedenlerden kaynaklanabilir - örneğin, bir kişinin omuriliği kesildiğinde bir araba kazası.

Sağlıklı bir insanın bilgisayarla ek bir iletişim kanalına ihtiyacı var mı? Bazı bilim adamları, böyle bir arayüzün bilgisayar ekipmanı ile çalışmayı büyük ölçüde hızlandırabileceğine inanıyor, çünkü bir kişi kendi elleriyle "yavaşlatılmayacaktır": - doğrudan bir bilgisayara bilgi gönderecektir. Daha gerçekçi bir varsayım da var: Bu arayüzlerin yardımıyla beynin bilişsel işlevlerini - düşünme, hafıza, dikkat - eğitebilirsiniz ... Ana karakterin "Çim Biçme Makinesi" filmini nasıl hatırlamazsınız? sanal gerçekliğin yardımıyla beynini "pompaladı", böylece aslında bir süpermen oldu.

Bu arzuların temelinde beynin yeteneklerini genişletme hayali vardır. Bu anlaşılabilir bir durumdur: sahip olduğumuz fırsatlardan neredeyse her zaman mutsuz oluruz. Beynin yeteneklerini genişletme hayali, bilim adamlarına görünüşte fantastik, ancak giderek daha gerçek bir çalışma yönünü anlatıyor: beyin ve bilgisayarı mümkün olduğunca yakın bir şekilde bağlamaya çalışmak. Sonuçta, bilgisayar programlarının büyük bir dezavantajı var - içlerinde neredeyse her şey katı kurallar üzerine kuruludur ve seçenekleri neredeyse anında hesaplayamasa da bir kişinin sezgisi çalışır. Yani beynin ve bilgisayarın güçlü yanlarının bu tür bir kombinasyonu çok faydalı olacaktır.

pratik görevler

Ancak her şeyden önce, sinirbilimleri oldukça pratik görevlerle karşı karşıyadır. Örneğin, amyotrofik lateral skleroz adı verilen bir hastalığı olan insanlara yardım edin. Böyle bir teşhisi olan az sayıda hasta vardır, ancak bu çok ciddi bir hastalıktır. Hasta oldukça normal düşünebilir ve dış dünyadan gelen bilgileri algılayabilir, ancak hareket edemez ve hatta bir şey söyleyemez. Ne yazık ki, bu hastalık tedavi edilemez kaldığı sürece ve hastalar hayatlarının sonuna kadar başkalarıyla iletişim kuramazlar.

Bir beyin-bilgisayar arayüzü oluşturmaya yönelik ilk girişimler 1960'larda yapıldı, ancak bu teknolojiye ciddi ilgi ancak Alman bilim adamı Niels Birbaumer ve meslektaşlarının 1990'ların sonlarında "düşünce iletim cihazı" olarak adlandırılan bir şeyi geliştirmesinden sonra ortaya çıktı. felçli hastalarda kullanımını öğretmeye başladı.

Bazı hastalar bu cihaz sayesinde yakınları ve araştırmacılarla iletişim kurabildi. İçlerinden biri, harfleri nasıl yazdığını anlattığı bir "düşünce iletim cihazı" yardımıyla büyük bir mektup yazdı. Hastanın altı ay boyunca yazdığı bu metin bilimsel dergilerden birinde yayınlandı.

Birbaumer sistemi ile çalışmak basit olarak adlandırılamaz. Hasta önce ekranda gösterilen alfabenin yarısından birini seçerek beyinden gelen elektriksel potansiyelleri olumlu veya olumsuz yönde değiştirmelidir. Böylece, zihinsel olarak "evet" veya "hayır" der. Elektrik potansiyeli doğrudan kafa derisinin yüzeyine kaydedilir, bilgisayara beslenir ve bilgisayar alfabenin yarısından hangisinin seçilmesi gerektiğini belirler. Daha sonra kişi alfabede daha derine iner ve belirli bir harf seçer. Uygunsuz ve zaman alıcıdır, ancak yöntem beyine elektrot implantasyonu gerektirmez.

Elektrotların doğrudan beyne yerleştirildiği invaziv yöntemler daha başarılıdır. Bu yönün gelişmesi için itici güç, Irak'taki savaş tarafından verildi. Daha sonra birçok askeri adam sakat kaldı ve Amerikalı bilim adamları, beyin-bilgisayar arayüzünü kullanarak bu tür insanların mekanik protezleri nasıl kontrol edebileceklerini bulmaya çalıştılar. İlk deneyler maymunlar üzerinde yapıldı ve ardından elektrotlar felçli insanlara yerleştirildi. Sonuç olarak kişi protez kontrol tekniğine hakim olma sürecine aktif olarak katılabilmiştir.

2012 yılında, Pittsburgh merkezli Andrew Schwartz ekibi felçli bir kadını mekanik bir kolu kontrol etmesi için o kadar hassas bir şekilde eğitti ki, kolla çeşitli nesneleri tutabildi ve hatta popüler bir televizyon programının sunucusuyla el sıkışabildi. Doğru, tüm hareketler kusursuz yapılmadı, ancak elbette sistem geliştiriliyor.

Bunu yapmayı nasıl başardın? Nöronlarda kodlanmış sinyalleri kullanarak anında istenen hareket yönünü belirlemenizi sağlayan bir yaklaşım geliştirildi. Bunu yapmak için, beynin motor korteksine küçük elektrotlar yerleştirmeniz gerekir - bunlar bir bilgisayara iletilen nöronlardan gelen sinyalleri kaldırır.

Soru hemen ortaya çıkıyor: Bir kişi mekanik bir kolu hareket ettirirse, bir kişinin tüm hareketlerini yeniden üretecek bir avatar - mekanik bir çift yapmak mümkün müdür? Böyle bir mekanik gövde, bir beyin-bilgisayar arayüzü aracılığıyla kontrol edilecektir. Bu konuda pek çok fantezi var, bazen bilim adamları bazı gerçek planlar bile veriyor. Şimdiye kadar, ciddi uzmanlar bunu kurgu olarak görüyor, ancak uzak gelecekte bu mümkün.

Bakış kontrolü

"Kurchatov Enstitüsü" bilişsel teknolojiler laboratuvarında artık sadece "beyin - bilgisayar" arayüzleri üzerinde değil, aynı zamanda "göz - beyin - bilgisayar" üzerinde de çalışıyorlar. Açıkçası, bu gerçekten bir beyin-bilgisayar arayüzü değil, çünkü göz kaslarını kullanıyor. Göz kasları çalışmaya devam eden motor bozukluğu olan engelli insanlar olduğu için bakışın yönünü kaydederek kontrol de çok önemlidir. Bir kişinin bir bakışta metin yazabileceği hazır sistemler vardır.

Ancak, yazma görevinin dışında sorunlar ortaya çıkar. Örneğin, bir kişi sadece düşündüğü ve bakışlarını durdurduğu için bir kontrol düğmesine baktığında arayüze komut vermemesini öğretmek zordur.

Bu sorunu çözmek için Kurchatov Enstitüsü, birleşik bir teknoloji oluşturmaya karar verdi. Deneylere katılanlar, yalnızca kısa bakış gecikmelerinin yardımıyla hareket eden bir bilgisayar oyunu oynuyorlar. Bu süre zarfında, araştırmacılar beyinlerinden gelen elektrik sinyallerini kafa derisinin yüzeyine kaydederler.

Deneye katılan bir katılımcı, bir hareket yapmak için bakışlarını tuttuğunda, beyninin sinyallerinde, bakış aynı şekilde tutulduğunda var olmayan özel işaretlerin ortaya çıktığı ortaya çıktı. Bu gözlemlere dayalı olarak "göz - beyin - bilgisayar" arayüzü oluşturulmuştur. Kullanıcısının yalnızca bilgisayar ekranındaki bir düğmeye veya bağlantıya bakması, üzerine tıklamak istemesi gerekir - sistem bu isteği tanır ve tıklama kendiliğinden gerçekleşir.

Gelecekte, riskli ve çok pahalı operasyonlar kullanmadan beyni bir bilgisayara bağlamayı sağlayacak yeni yöntemler ortaya çıkacak. Artık bu teknolojilerin ortaya çıkışına tanık oluyoruz ve yakında bunları deneyebileceğiz.

Ünlü Ray Kurzweil'in çalışmalarının ana fikri, sonunda insan yaşamının tüm alanlarına hakim olacak yapay zekadır. Kurzweil, yeni kitabı The Evolution of the Mind'da insan beynini tersine mühendislik yapmanın sonsuz potansiyelini ortaya çıkarıyor.

Aynı makalede Turing, çözülemeyen problemlerle ilgili beklenmedik bir keşiften daha bahsetti. Çözülemeyen problemler, tek bir çözümle (var olduğu gösterilebilen) iyi tanımlanmış, ancak (gösterilebileceği gibi) herhangi bir Turing makinesi tarafından (yani, hiçbir makine tarafından) çözülemeyen problemlerdir. Bu tür sorunların varlığı fikri, 20. yüzyılın başlarında oluşanla temelde çelişmektedir. formüle edilebilecek tüm problemlerin çözülebilir olduğu dogması. Turing, çözülemeyen problemlerin sayısının, çözülebilen problemlerin sayısından az olmadığını gösterdi. 1931'de Kurt Gödel, "eksiklik teoremi"ni formüle ettiğinde aynı sonuca vardı. Ne garip bir durum: Bir problemi formüle edebiliyoruz, onun benzersiz bir çözümü olduğunu kanıtlayabiliriz ama aynı zamanda bu çözümü asla bulamayacağımızı da biliyoruz.

Turing, bilgisayar makinelerinin çok basit bir mekanizma üzerinde çalıştığını gösterdi. Turing makinesi (ve dolayısıyla herhangi bir bilgisayar), daha önceki sonuçlarına dayanarak ilerideki işlevini belirleyebildiğinden, kararlar verme ve her karmaşıklıkta hiyerarşik bilgi yapıları oluşturma yeteneğine sahiptir.

1939'da Turing, Almanlar tarafından Enigma kodlama makinesinde yazılan mesajların şifresinin çözülmesine yardımcı olan Bombe elektronik hesap makinesini yaptı. 1943'te, bir grup mühendis, Turing'in katkılarıyla, bazen tarihteki ilk bilgisayar olarak anılan Colossus'u tamamladı. Bu, müttefiklerin Enigma'nın daha karmaşık bir sürümü tarafından oluşturulan mesajların şifresini çözmesine izin verdi. Bombe ve Colossus makineleri tek bir görev için tasarlandı ve yeniden programlanamadı. Ama işlevlerini mükemmel bir şekilde yerine getirdiler. Kısmen onlar sayesinde, Müttefiklerin savaş boyunca Almanların taktiklerini öngörebildiklerine ve Büyük Britanya Kraliyet Hava Kuvvetleri'nin Britanya Savaşı'nda Luftwaffe kuvvetlerinin üç katını yenebildiğine inanılıyor. .

John von Neumann, bilgi teorisinin en önemli dört fikrinden üçüncüsünü yansıtan modern mimarinin bilgisayarını bu temelde yarattı. O zamandan bu yana yaklaşık yetmiş yıl boyunca, "von Neumann makinesi" olarak adlandırılan bu makinenin çekirdeği, hem çamaşır makinenizdeki mikro denetleyicide hem de en büyük süper bilgisayarda büyük ölçüde değişmeden kaldı. 30 Haziran 1945'te yayınlanan "EDVAC Raporunun İlk Taslağı" başlıklı bir makalede von Neumann, o zamandan beri bilgisayar biliminin gelişimine rehberlik eden ana fikirleri özetledi. Von Neumann makinesi, aritmetik ve mantıksal işlemlerin gerçekleştirildiği merkezi bir işlemciye, programları ve verileri depolayan bir bellek modülüne, yığın belleğe, bir program sayacına ve giriş/çıkış kanallarına sahiptir. Makale, projenin bir parçası olarak dahili kullanım için tasarlanmış olsa da, bilgisayarların yaratıcıları için İncil oldu. Bu, bazen rutin bir rutin raporun dünyayı nasıl değiştirebileceğidir.

Turing makinesi pratik amaçlar için tasarlanmamıştır. Turing'in teoremlerinin problem çözmenin verimliliği ile hiçbir ilgisi yoktu, bunun yerine teorik olarak bir bilgisayar tarafından çözülebilecek bir dizi problemi tanımladı. Buna karşılık, von Neumann'ın amacı gerçek bir bilgisayar konsepti yaratmaktı. Onun modeli, tek bitlik Turing sistemini çok bitli (genellikle sekiz bitin katları) bir sistemle değiştirdi. Turing makinesinin sıralı bir bellek bandı vardır, bu nedenle programların, yazmak ve ara sonuçları almak için bandı ileri geri hareket ettirmesi çok uzun zaman alır. Buna karşılık, von Neumann sisteminde, belleğe isteğe bağlı bir şekilde erişilir, bu da istediğiniz herhangi bir veriyi hemen almanızı sağlar.

Von Neumann'ın temel fikirlerinden biri, bilgisayarın yaratılmasından on yıl önce geliştirdiği, depolanmış bir program kavramıdır. Konseptin özü, programın verilerle aynı rastgele erişimli bellek biriminde (ve hatta çoğu zaman aynı bellek bloğunda) saklanmasıdır. Bu, farklı sorunları çözmek için bilgisayarınızı yeniden programlamanıza ve özyineleme olasılığı sağlayan kendi kendini değiştiren kod (kayıt sürücüleri olması durumunda) oluşturmanıza olanak tanır. O zamana kadar, Colossus dahil neredeyse tüm bilgisayarlar belirli görevler için yaratıldı. Kayıtlı program kavramı, bilgisayarın, Turing'in makine hesaplamanın çok yönlülüğü kavramına karşılık gelen, gerçekten çok yönlü bir makine haline gelmesine izin verdi.

Von Neumann makinesinin bir diğer önemli özelliği, her komutun, bir aritmetik veya mantıksal işlemi belirleyen bir işletim kodu ve bilgisayarın belleğindeki işlenenin adresini içermesidir.

Von Neumann'ın bilgisayar mimarisi konsepti, Presper J. Eckert ve John Mauchly ile birlikte çalıştığı EDVAC projesine yansıdı. EDVAC bilgisayarı, tümü von Neumann'ın makalesinden ve Eckert ve Mauchly'nin katkılarıyla etkilenen Manchester Small Experimental Machine, ENIAC, EDSAC ve BINAC gibi diğer depolanmış program bilgisayarlarının zaten mevcut olduğu 1951 yılına kadar çalışmaya başlamadı. . Von Neumann, depolanmış program ilkesini kullanan ENIAC'ın en son sürümü de dahil olmak üzere bu makinelerin bazılarında yer aldı.

Von Neumann mimarisi bilgisayarının birkaç öncülü vardı, ancak bunların hiçbiri - beklenmedik bir istisna dışında - gerçek bir von Neumann makinesi olarak adlandırılamaz. 1944'te Howard Aiken, bir dereceye kadar yeniden programlanabilen Mark I'i piyasaya sürdü, ancak depolanmış bir program kullanmıyordu. Makine, delikli karttaki talimatları okudu ve hemen takip etti. Arabada da koşullu atlamalar olmadı.

1941'de Alman bilim adamı Konrad Zuse (1910–1995) Z-3 bilgisayarını yarattı. Ayrıca programı banttan okudu (bu durumda, bantta kodlanmış) ve ayrıca koşullu atlamalar yapmadı. İlginç bir şekilde Zuse, bu bilgisayarı bir uçak kanadının çarpıntısını incelemek için kullanan Alman Uçak Enstitüsü'nden finansal destek aldı. Bununla birlikte, Zuse'nin rölelerin radyo tüpleriyle değiştirilmesini finanse etme önerisi, bilgisayar teknolojisinin gelişimini "askeri önemi olmayan" olarak değerlendiren Nazi hükümeti tarafından desteklenmedi. Bana öyle geliyor ki, bir dereceye kadar savaşın sonucunu etkiledi.

Aslında, von Neumann'ın parlak bir selefi vardı ve o yüz yıl önce yaşadı! İngiliz matematikçi ve mucit Charles Babbage (1791-1871), 1837'de, jakarlı dokuma makinelerinin delikli kartlarına basılmış kayıtlı bir program kullanarak, von Neumann bilgisayarıyla aynı ilkelere dayanan analitik motorunu tanımladı. Rastgele erişim makinesi, her biri 50 ondalık basamaklı 1000 kelimeye sahipti (yaklaşık 21 kilobayta eşdeğer). Her komut, tıpkı modern bilgisayar dillerinde olduğu gibi, bir işlem kodu ve bir işlenen numarası içeriyordu. Sistem koşullu atlamalar ve döngüler kullanmadı, bu yüzden gerçek bir von Neumann makinesiydi. Tamamen mekanik, Babbage'ın kendisinin hem tasarım hem de organizasyon yeteneklerini aşmış görünüyor. Makinenin parçalarını yarattı, ama asla çalıştırmadı.

Von Neumann da dahil olmak üzere 20. yüzyıl bilgisayar öncülerinin Babbage'ın çalışmalarını bilip bilmedikleri kesin olarak bilinmiyor.

Ancak, Babbage'ın makinesinin yaratılması, programlamanın gelişiminin başlangıcı oldu. İngiliz yazar Ada Byron (1815-1852), şair Lord Byron'ın tek meşru çocuğu olan Kontes Lovelace, dünyanın ilk programcısı oldu. Babbage'ın analitik motoru için programlar yazdı ve onları kafasında ayıkladı (çünkü bilgisayar hiç çalışmadı). Şimdi programcılar bu alıştırma tablosunu kontrol olarak adlandırıyor. İtalyan matematikçi Luigi Menabrea'nın analitik makineyle ilgili bir makalesini tercüme etti, önemli yorumlar ekledi ve "analitik makinenin cebirsel desenleri jakarlı bir dokuma tezgahının çiçekleri ve yaprakları ördüğü gibi ördüğünü" belirtti. Belki de yapay zeka yaratma olasılığından ilk bahseden oydu, ancak analitik motorun "kendisinin bir şey icat edemeyeceği" sonucuna vardı.

Babbage'nin fikirleri, yaşadığı ve çalıştığı dönem göz önüne alındığında şaşırtıcı görünüyor. Ancak, XX yüzyılın ortalarında. bu fikirler pratikte unutuldu (ve ancak daha sonra yeniden keşfedildi). Bilgisayarın temel ilkelerini modern biçiminde icat eden ve formüle eden von Neumann'dı ve von Neumann makinesinin bir bilgisayar makinesinin ana modeli olarak kabul edilmeye devam etmesi boşuna değil. Ancak, von Neumann makinesinin sürekli olarak bireysel modüller arasında ve bu modüller içinde veri alışverişi yaptığını, bu nedenle Shannon'ın teoremleri ve dijital bilgilerin güvenilir iletimi ve depolanması için önerdiği yöntemler olmadan oluşturulamayacağını unutmayalım.

Bütün bunlar bizi, Ada Byron'ın bilgisayarın yaratıcı düşünememe konusundaki bulgularının üstesinden gelen ve daha sonra bilgisayarı bir beyne dönüştürmek için uygulanabilecek beyin tarafından kullanılan temel algoritmaları bulmamıza izin veren dördüncü önemli fikre getiriyor. Alan Turing, bu sorunu, yapay zekanın insan zekasına yakınlığını belirlemek için şu anda yaygın olarak bilinen Turing testini tanımlayan 1950 tarihli "Bilgisayar Makineleri ve Zihin" makalesinde formüle etti.

1956'da von Neumann, Yale Üniversitesi'ndeki prestijli Silliman Okumaları için bir dizi ders hazırlamaya başladı. Bilim adamı zaten kanser hastasıydı ve derslerini okuyamadı, hatta derslerin oluşturulduğu el yazmasını bile bitiremedi. Yine de bu tamamlanmamış çalışma, kişisel olarak insanlık tarihinin en zor ve önemli projesi olarak algıladığım şeyin parlak bir öngörüsü. Bilim adamının ölümünden sonra, 1958'de el yazması "Bilgisayar ve Beyin" başlığı altında yayınlandı. Öyle oldu ki, geçen yüzyılın en parlak matematikçilerinden birinin ve bilgisayar teknolojisinin kurucularından birinin son eseri, düşüncenin analizine ayrılmıştı. Bu, bir matematikçi ve bilgisayar bilimcisi perspektifinden insan beyninin ilk ciddi çalışmasıydı. Von Neumann'dan önce, bilgisayar teknolojisi ve sinirbilim, aralarında hiçbir köprü bulunmayan iki ayrı adaydı.

Von Neumann, hikayeye bilgisayarlar ve insan beyni arasındaki benzerlikleri ve farklılıkları tanımlayarak başlıyor. Bu çalışmanın yaratıldığı dönem göz önüne alındığında, şaşırtıcı derecede doğru görünüyor. Bilim adamı, nöronun çıkış sinyalinin dijital olduğunu not eder - akson ya uyarılır ya da hareketsiz kalır. O zamanlar, çıkış sinyalinin işlenmesinin analog bir şekilde yapılabileceği açık olmaktan çok uzaktı. Nörona giden dendritlerdeki ve nöronun gövdesindeki sinyal işleme benzerdir ve von Neumann bu durumu bir eşik değeri olan giriş sinyallerinin ağırlıklı bir toplamını kullanarak tanımlamıştır.

Bu nöronal işlev modeli, bağlantıcılığın gelişmesine ve bu ilkenin hem donanım hem de bilgisayar programları oluşturmak için kullanılmasına yol açtı. (Önceki bölümde anlattığım gibi, bu tür ilk sistem, IBM 704 için program, 1957'de Cornell Üniversitesi'nden Frank Rosenblatt tarafından von Neumann'ın derslerinin el yazması hazırlandıktan hemen sonra yaratıldı.) Artık daha karmaşık modellerimiz var. nöronların giriş sinyallerinin kombinasyonlarını tanımlar, ancak nörotransmiterlerin konsantrasyonunu değiştirerek analog sinyal işlemenin genel fikri hala doğrudur.

Bilgisayar hesaplamanın evrenselliği kavramına dayanarak, von Neumann, von Neumann makinesini kullanarak, beynin ve bilgisayarın mimarisi ve yapısal birimlerindeki görünüşte radikal farklılıklara rağmen, dünyada meydana gelen süreçleri simüle edebileceğimiz sonucuna vardı. beyin. Bununla birlikte, beyin bir von Neumann makinesi olmadığı ve depolanmış bir programı olmadığı için (kafamızda çok basit bir Turing makinesini simüle edebilmemize rağmen) aksi varsayım doğru değildir. Beynin işleyişine yönelik algoritmalar veya yöntemler, yapısı tarafından belirlenir. Von Neumann haklı olarak, nöronların giriş sinyallerine dayalı olarak uygun kalıpları öğrenebileceği sonucuna vardı. Ancak, von Neumann zamanında, öğrenmenin nöronlar arasında temaslar oluşturup kopararak da gerçekleştiği bilinmiyordu.

Von Neumann ayrıca nöronlar tarafından bilgi işleme hızının çok düşük olduğuna dikkat çekti - saniyede yüzlerce hesaplama mertebesinde, ancak beyin bunu aynı anda birçok nöronda bilgiyi işleyerek telafi ediyor. Bu, bir başka bariz ama çok önemli keşiftir. Von Neumann, beyindeki 10 10 nöronun hepsinin (bu tahmin de oldukça doğrudur: günümüz kavramlarına göre beyin 10 10 ila 10 11 nöron içerir) sinyalleri aynı anda işlediğini savundu. Ayrıca, tüm temaslar (her nöron için ortalama olarak 10 3 ila 104 arası) aynı anda hesaplanır.

Nörobilimin o zamanki ilkel gelişim düzeyi göz önüne alındığında, von Neumann'ın nöronal fonksiyona ilişkin değerlendirmeleri ve tanımlamaları şaşırtıcı derecede doğrudur. Ancak, çalışmasının bir yönüne, yani beyindeki hafıza miktarı fikrine katılmıyorum. Beynin yaşam için her sinyali hatırladığına inanıyordu. Von Neumann, bir insanın ortalama ömrünü 60 yıl, yani yaklaşık 2 x 109 saniye olarak tahmin etti. Her nöron bir saniyede yaklaşık 14 sinyal alırsa (ki bu aslında gerçek değerden üç büyüklük mertebesi daha düşüktür) ve beyinde toplam 10 10 nöron varsa, beynin hafıza kapasitesinin yaklaşık 10 20 bit olduğu ortaya çıkar. . Yukarıda yazdığım gibi, düşüncelerimizin ve deneyimlerimizin yalnızca küçük bir bölümünü hatırlıyoruz, ancak bu anılar bile düşük düzeyde karmaşıklığa sahip bit düzeyinde bilgi olarak (videodaki gibi) değil, daha yüksek düzeyde bir görüntü dizisi olarak saklanıyor. Emir.

Von Neumann beynin işlevindeki her bir mekanizmayı tanımlarken, aynı anda modern bir bilgisayarın, beyin ve bilgisayar arasındaki bariz farklılığa rağmen aynı işlevi nasıl gerçekleştirebileceğini gösteriyor. Beyin hareketinin analog mekanizmaları dijital mekanizmalar kullanılarak modellenebilir, çünkü dijital hesaplamalar analog değerleri herhangi bir doğruluk derecesinde simüle edebilir (ve beyindeki analog bilgiyi iletme doğruluğu oldukça düşüktür). Bilgisayarların seri hesaplama hızındaki muazzam üstünlüğü göz önüne alındığında (bu üstünlük von Neumann'ın günlerinden beri daha da arttı) göz önüne alındığında, beyin işlevinde büyük paralelliği simüle etmek de mümkündür. Ek olarak, paralel çalışan von Neumann makinelerini kullanan bilgisayarlarda paralel sinyal işleme gerçekleştirebiliriz - modern süper bilgisayarlar bu şekilde çalışır.

İnsanların bu kadar düşük bir nöron hızında hızlı karar verme yeteneği göz önüne alındığında, von Neumann beyin fonksiyonlarının uzun ardışık algoritmalar kullanamayacağı sonucuna vardı. Üçüncü kaleci topu aldığında ve ikinci kale yerine birinci kaleye atmaya karar verdiğinde, bu kararı saniyenin çok küçük bir bölümünde verir - bu süre zarfında, her bir nöronun birkaç atış döngüsünü tamamlaması için zar zor zaman vardır. Von Neumann, beynin olağanüstü yeteneğinin, 100 milyar nöronun tümünün aynı anda bilgiyi işleyebilmesinden kaynaklandığı mantıksal sonucuna varıyor. Yukarıda belirttiğim gibi, görsel korteks, üç veya dört nöronal ateşleme döngüsü kadar kısa bir sürede karmaşık sonuçlar çıkarır.

Beynin öğrenmemizi sağlayan büyük esnekliğidir. Bununla birlikte, bilgisayar çok daha esnektir - yazılımı değiştirerek yöntemleri tamamen değiştirilebilir. Böylece, bir bilgisayar bir beyni simüle edebilir, ancak bunun tersi doğru değildir.

Von Neumann, büyük ölçüde paralel beyin aktivitesinin yeteneklerini günün birkaç bilgisayarıyla karşılaştırdığında, beynin çok daha fazla hafıza ve hıza sahip olduğu açık görünüyordu. Bugün, en muhafazakar tahminlere göre, insan beyninin işlevlerini simüle etmek için gerekli olan işlevsel gereksinimleri karşılayan (saniyede yaklaşık 1016 işlem) ilk süper bilgisayar zaten inşa edilmiştir. (Bence bu kapasitedeki bilgisayarlar 2020'lerin başında yaklaşık 1000$'a mal olacak.) Hafıza konusunda daha da ileri gittik. Von Neumann'ın çalışması bilgisayar çağının en başında ortaya çıktı, ancak bilim adamı bir noktada insan beynini taklit edebilecek bilgisayarlar ve bilgisayar programları yaratabileceğimizden emindi; bu yüzden derslerini hazırladı.

Von Neumann, ilerlemenin hızlanacağına ve bunun gelecekte insanların yaşamları üzerindeki önemli etkisine derinden inanmıştı. Von Neumann'ın ölümünden bir yıl sonra, 1957'de meslektaşı matematikçi Stan Yulam, von Neumann'ın 1950'lerin başlarında şunları söylediğini aktardı: bugün bildiğimiz insan faaliyetinin dışında artık devam edemez. " Bu, insanlığın teknolojik ilerlemesini tanımlamak için "tekillik" kelimesinin bilinen ilk kullanımıdır.

Von Neumann'ın en önemli kavrayışı, bilgisayar ve beyin arasındaki benzerlikleri bulmaktı. İnsan zekasının bir kısmının duygusal zeka olduğunu unutmayın. Eğer von Neumann'ın tahmini doğruysa ve canlı bir insanın zekasını (duygusal ve diğer) tatmin edici bir şekilde yeniden üreten biyolojik olmayan bir sistemin bilince sahip olduğu yönündeki ifademe katılıyorsanız (bir sonraki bölüme bakınız), bir bilgisayar ( ile birlikte doğru yazılım) ve bilinçli açık bir benzerlik olduğunu düşünür. Peki, von Neumann haklı mıydı?

Modern bilgisayarların çoğu tamamen dijital makinelerdir, insan beyni ise hem dijital hem de analog teknikleri kullanır. Bununla birlikte, analog teknikler, herhangi bir doğruluk derecesi ile dijital olarak kolayca yeniden üretilebilir. Amerikalı bilgisayar bilimcisi Carver Mead (1934 doğumlu), analog beyin yöntemlerinin doğrudan silikonda yeniden üretilebileceğini gösterdi ve bunu nöromorfik çipler olarak adlandırılan formda uyguladı. Mead, bu yaklaşımın analog tekniklerin dijital simülasyonundan binlerce kat daha verimli olabileceğini gösterdi. Eğer gelir gereksiz yeni korteks algoritmalarını kodlama konusunda Mead'in fikrini kullanmak mantıklı olabilir. Dharmendra Modhi liderliğindeki bir IBM araştırma ekibi, nöronları ve bağlantılarını, yeni bağlantı kurma yetenekleri de dahil olmak üzere taklit eden çipler kullanıyor. SyNAPSE adı verilen çiplerden biri, 256 nöronu ve yaklaşık çeyrek milyon sinaptik bağlantıyı doğrudan modüle ediyor. Projenin amacı, sadece bir kilovat enerji kullanan 10 milyar nöron ve 100 trilyon temastan (insan beynine eşdeğer) oluşan bir neokorteksi simüle etmektir.

Elli yıldan daha uzun bir süre önce von Neumann, beyindeki süreçlerin aşırı yavaş olduğunu, ancak büyük paralelliklerde farklılık gösterdiğini fark etti. Modern dijital devreler, beyindeki elektrokimyasal anahtarlardan en az 10 milyon kat daha hızlı çalışır. Aksine, serebral korteksin 300 milyon tanıma modülünün tümü aynı anda hareket eder ve aynı anda nöronlar arasında katrilyonlarca temas etkinleştirilebilir. Sonuç olarak, insan beynini yeterince taklit edebilen bilgisayarlar yaratmak için uygun miktarda bellek ve hesaplama performansı gereklidir. Beynin mimarisini doğrudan kopyalamaya gerek yoktur - bu çok etkisiz ve esnek olmayan bir yöntemdir.

İlgili bilgisayarlar ne olmalıdır? Birçok araştırma projesi, neokortekste meydana gelen hiyerarşik öğrenmeyi ve örüntü tanımayı modellemeye odaklanmıştır. Ben kendim hiyerarşik gizli Markov modellerini kullanarak benzer çalışmalar yapıyorum. Tahminlerime göre, biyolojik neokorteksin bir tanıma modülünde bir tanıma döngüsünü simüle etmek yaklaşık 3000 hesaplama gerektirir. Çoğu simülasyon, önemli ölçüde daha az hesaplamaya dayanmaktadır. Beynin saniyede yaklaşık 10 2 (100) tanıma döngüsü gerçekleştirdiğini varsayarsak, bir tanıma modülü için saniyede toplam 3 x 105 (300 bin) hesaplama elde ederiz. Bu sayıyı toplam tanıma modülü sayısı ile çarparsak (3 x 108 (tahminime göre 300 milyon)), saniyede 10 14 (100 trilyon) hesaplama elde ederiz. "The Singularity Is Near" kitabında kabaca aynı anlamı veriyorum. İşlevsel bir beyin simülasyonunun saniyede 10 14 ila 10 16 hesaplama hızı gerektirdiğini tahmin ediyorum. Hans Moravek'in beyindeki görsel sinyallerin ilk işlenmesi için verilerin ekstrapolasyonuna dayanan tahminlerine göre, bu değer saniyede 10 14 hesaplamadır ve bu da benim hesaplamalarımla örtüşür.

Standart modern makineler saniyede 10 10 hesaplamaya kadar hızlarda çalışabilir, ancak bulut kaynaklarının yardımıyla performansları önemli ölçüde artırılabilir. En hızlı süper bilgisayar, Japon bilgisayarı "K", saniyede 10 16 hesaplama hızına ulaştı. Neokorteks algoritmalarının muazzam fazlalığı göz önüne alındığında, SvNAPSE teknolojisinde olduğu gibi nöromorfik çipler kullanılarak iyi sonuçlar elde edilebilir.

Bellek gereksinimleri açısından, 300 milyon tanıma modülünden birine sahip her bir pin için yaklaşık 30 bite (kabaca 4 bayt) ihtiyacımız var. Her tanıma modülüne ortalama sekiz sinyal sığarsa, tanıma modülü başına 32 bayt alırız. Her giriş sinyalinin ağırlığının bir bayt olduğunu düşünürsek, 40 bayt elde ederiz. Aşağı akış pinleri için 32 bayt ekleyin - ve 72 bayt elde ederiz. Yukarı ve aşağı yönlü çatalların varlığının, birçok tanıma modülünün ortak bir yüksek düzeyde dallanmış iletişim sistemi kullandığını hesaba katsak bile, sinyal sayısının sekizden çok daha fazla olmasına yol açtığına dikkat edin. Örneğin, "p" harfinin tanınmasına yüzlerce tanıma modülü katılabilir. Bu, binlerce sonraki seviye tanıma modülünün "p" harfini içeren kelimeleri ve cümleleri tanımaya dahil olduğu anlamına gelir. Bununla birlikte, "p"yi tanımaktan sorumlu olan her modül, kelime ve deyimlerin tüm tanıma düzeylerini "p" ile besleyen bu bağlantı ağacını tekrarlamaz, tüm bu modüllerin ortak bir bağlantı ağacı vardır.

Yukarıdakiler aşağı akış sinyalleri için de geçerlidir: elma kelimesini tanımaktan sorumlu modül, "e"yi tanımaktan sorumlu olan aşağıdaki bin modüle, "a", "p", "p" ise "e" görüntüsünün beklendiğini bildirecektir. zaten tanınıyor "Ve" l ". Bu bağlantı ağacı, daha düşük seviyeli modülleri bir "e" kalıbının beklendiği konusunda bilgilendirmek isteyen her kelime veya ifade tanıma modülü için tekrarlanmaz. Bu ağaç yaygındır. Bu nedenle, her bir tanıma modülü için sekiz yukarı ve sekiz aşağı akım sinyalinin tahmini ortalaması oldukça makuldür. Ama bu değeri artırsak bile nihai sonucu çok fazla değiştirmeyecektir.

Böylece, 3 x 108 (300 milyon) tanıma modülü ve her biri için 72 bayt bellek dikkate alındığında, toplam bellek miktarının yaklaşık 2 x 10 10 (20 milyar) bayt olması gerektiğini anlıyoruz. Ve bu çok mütevazı bir değer. Böyle bir belleğe sıradan modern bilgisayarlar sahiptir.

Tüm bu hesaplamaları, parametrelerin kaba bir tahmini için yaptık. Dijital devrelerin biyolojik korteksteki nöron ağlarından yaklaşık 10 milyon kat daha hızlı olduğu göz önüne alındığında, insan beyninde çok büyük paralelliği yeniden üretmemize gerek yok - çok ılımlı paralel işleme (beyindeki trilyonuncu paralelliğe kıyasla) yeterli olacaktır. Bu nedenle, gerekli hesaplama parametreleri oldukça ulaşılabilirdir. Beyindeki nöronların yeniden bağlantı kurma yeteneği (dendritlerin sürekli olarak yeni sinapslar oluşturduğunu unutmayın) uygun yazılımlar kullanılarak simüle edilebilir, çünkü bilgisayar programları biyolojik sistemlerden çok daha plastiktir ve gördüğümüz gibi etkileyicidir, ancak sınırlar.

Değişmez sonuçlar elde etmek için gerekli olan beynin fazlalığı, kesinlikle bir bilgisayar versiyonunda yeniden üretilebilir. Bu tür kendi kendini organize eden hiyerarşik öğrenme sistemlerinin optimizasyonunun matematiksel ilkeleri oldukça açıktır. Beynin organizasyonu optimal olmaktan uzaktır. Ancak optimal olması gerekmez - kendi sınırlamalarını telafi eden araçlar yaratma yeteneği sağlayacak kadar iyi olması gerekir.

Neokorteksin bir başka sınırlaması, içinde çelişen verileri ortadan kaldıran veya en azından değerlendiren bir mekanizmanın olmamasıdır; Bu, insan akıl yürütmesinin çok yaygın mantıksızlığını kısmen açıklar. Bu sorunu çözmek için çok zayıf bir yeteneğimiz var. kritik düşünce, ama insanlar bunu olması gerekenden çok daha az kullanıyor. Bilgisayarlı bir novada, daha sonra revizyon için çelişen verileri tanımlayan bir süreç öngörülebilir.

Beynin bütün bir bölümünü inşa etmenin, tek bir nöron inşa etmekten daha kolay olduğunu belirtmek önemlidir. Daha önce de belirtildiği gibi, hiyerarşinin daha yüksek bir düzeyinde, modeller genellikle basitleştirilir (burada bir bilgisayarla analojiyi görebilirsiniz). Bir transistörün nasıl çalıştığını anlamak için yarı iletken malzemelerin fiziğini ayrıntılı olarak anlamanız gerekir ve bir gerçek transistörün işlevleri karmaşık denklemlerle tanımlanır. İki sayıyı çarpan bir dijital devre yüzlerce transistör içerir, ancak böyle bir devrenin bir modelini oluşturmak için bir veya iki formül yeterlidir. Milyarlarca transistörden oluşan bir bilgisayarın tamamı, bir dizi talimat kullanılarak ve birkaç formül kullanılarak birkaç sayfa metin üzerinde bir kaydı tanımlayan modellenebilir. İşletim sistemleri, dil derleyicileri veya derleyiciler için programlar oldukça karmaşıktır, ancak özel bir programı modellemek (örneğin, gizli hiyerarşik Markov modellerine dayanan bir dil tanıma programı) da birkaç sayfa formüle iner. Ve bu tür programların hiçbir yerinde yarı iletkenlerin fiziksel özelliklerinin ve hatta bilgisayar mimarisinin ayrıntılı bir tanımını bulamayacaksınız.

Benzer bir ilke beyin modellemesi için de geçerlidir. Belirli değişmez görsel görüntüleri (örneğin yüzleri) algılayan, ses frekanslarını filtreleyen (giriş sinyalini belirli bir frekans aralığıyla sınırlayan) veya iki olayın zamansal yakınlığını tahmin eden belirli bir neokortikal tanıma modülü, çok daha az sayıda spesifik ayrıntı kullanılarak tanımlanabilir. gerçek olanlardan daha nörotransmitterlerin, iyon kanallarının ve sinir uyarılarının iletilmesinde yer alan nöronların diğer elemanlarının işlevlerini kontrol eden fiziksel ve kimyasal etkileşimler. Bir sonraki karmaşıklık düzeyine geçmeden önce tüm bu ayrıntıların dikkatlice düşünülmesi gerekirken, beynin çalışma ilkeleri modellenirken pek çok şey basitleştirilebilir.

<<< Назад

İleri >>>

1. Beyin analogdur ve bilgisayarlar dijitaldir.

Nöronlar ikilidir ve istenilen seviyeye ulaşırlarsa aksiyon potansiyeli ortaya çıkar. Dijital sistem "Bir ve Sıfır" ile bu basit ilişki, sinir ağının ve cihazlarının çalışmasını doğrudan etkileyen gerçekten sürekli doğrusal olmayan süreçler hakkında tamamen yanlış bir fikir verir.

Diyelim ki, veri aktarmanın ana yollarından biri, nöronların ateşlenmeye başlama hızıdır. Böylece nöron ağları, senkronize veya düzensiz olarak aktive edilebilir (her şey görecelidir). Bu bağlantı, nöron akışı tarafından alınan sinyallerin gücünü etkileyebilir. Ve en sonunda, nöronların her birinin içinde, iyonik zincirlerden oluşan, oldukça az sayıda ve düzenli olarak değişen zar potansiyellerinden oluşan yarı-entegratörlerin dolaşımı başlar.

2. İlişkisel hafıza - beynin hafızası.

Bilgisayarda bilgi talebi belirli bir adreste gerçekleşir (byte adresleme). Beyin, veri aramak için farklı bir yöntem kullanır - adrese göre değil, bileşenlerine göre, hatta temsili kısımlarına göre. Ve nihayetinde, beyin, onlardan tam bağlamı yeniden üretmek için yalnızca birkaç anahtar kelimenin bulunduğu bir tür "Google sistemine" sahiptir. Tabii ki, saklanan ve saklanması gereken tüm bilgilerin indekslenmesiyle benzer bir şey bilgisayarlarda yeniden üretilebilir. Bu şekilde, ilgili bilgiler üzerinde arama yapılacaktır.

3. Kısa süreli bellek ve RAM aynı şey değildir.

Pek çok psikolog, RAM ve kısa süreli bellek arasında gerçekten bariz benzerlikler saptamış olmasına rağmen, daha ayrıntılı analizler, çok sayıda önemli farklılık gösterdi.

RAM ve kısa süreli bellek "güç" gerektirse de, kısa süreli bellek yalnızca geçici olmayan belleğe "referanslar" içerebilirken, operasyonel bellek, bir sabit diskte bulunana bileşim olarak benzer bilgiler içerir.

RAM'den farklı olarak, kısa süreli belleğin boyutu sınırlı değildir.

4. Beyindeki işleme ve hafıza aynı bileşenler tarafından gerçekleştirilir.

Bilgisayar, işlemcileri bağlayarak bellekteki bilgileri işleyebilir ve ardından işlenen verileri tekrar belleğe yazabilir. Beynimizde böyle bir bölünme olamaz. Nöronlar hem verileri işler hem de ana bellek olan sinapsları (iki nöron arasındaki temas noktası) dönüştürür. Ve sonuç olarak, bir kişiyi hafızadan yeniden yaratmak, bu anıları biraz değiştirir.

5. Tüm organlar beyne tabidir.

Bu daha az önemli değil. Aslında beynimiz tüm organlarımızı kontrol etme yeteneğini kullanabilir. Birçok deney gösteriyor ki, iç mekana, diyelim ki odalara baktığımızda, görsel hafızamız çok küçük olduğu için beynimiz hafızayı boşaltıyor ve bu sayede nesnelerin tam yerini değil, durumu yeniden üretebiliyoruz.

Ayrıca beyin, bugün var olan herhangi bir bilgisayardan kesinlikle çok daha büyüktür.