Már rendelkezünk gépekkel, amelyek alkalmasak kognitív képességeket magas szinten szimulálni. A gyakorlatilag korlátlan mennyiségű adatként...
Már rendelkezünk gépekkel, amelyek alkalmasak kognitív képességeket magas szinten szimulálni. A gyakorlatilag korlátlan mennyiségű adatként rendelkezésre álló ismeretek között az összefüggések felismerésére alkalmas generatív elven működő mesterséges intelligencia már a Turing-teszten is megfelelően képes demonstrálni az emberihez hasonló kognitívitást hordozó interakciókat.
Mindezt a gép úgy éri el, hogy a környezet által prezentált adatstruktúrákon matematikai eljárások sokszoros lefuttatásának segítségével, az eljárások kiértékelése során a memóriájában létrehozza az adathalmazokban felismert összefüggéseknek az adatok által reprezentált absztrakt mintázatát, majd ezen a létrejövő absztrakt reprezentáción további inputként alkalmazott adat mintázatokkal hasonlóság jellegű lekérdezéseket hajt végre, amely eljárásnak a generált eredménye egy olyan output adathalmaz, amelynek a specifikus mintázata az inputnak a rendszeren belüli összefüggéseket tartalmazó adat reprezentáción létrejövő transzformációja, és amely végeredményben a kognitívitást képviselő tartalom hordozója.
A működés lényege, hogy a rendszerben a specifikus struktúrában elrendezett és egymással kapcsolatban álló adat elemek különböző állapotokat vehetnek fel és közvetíthetnek a kapcsolódó elemek felé, attól függően, hogy az adott elemhez hozzá kapcsolódott más elemek milyen állapotokat képviselnek és közvetítenek, amely állapotok a specifikus matematikai eljárásokkal feldolgozott saját állapotot módosítják, mintegy modulálják az elem által adott pillanatban hordozott állapotát, amit az elem mint output értéket tovább közvetít a vele input kapcsolatban álló más elemek, illetve végső szinten a külvilág felé.
A legfejlettebb, generative pretrained transformernek nevezett mesterséges intelligencia, mint számítástechnikai mechanizmus műveleteinek matematikai funkciói az adatokat reprezentáló nagyméretű vektoroknak sokdimenziós mátrixokba rendezett struktúráinak komplex manipulációin alapszik, amelynek eredménye a bemeneti adat struktúrának a rendszer kialakuló belső állapotán transzformációval képzett kimeneti adatoknak egy valószínűségekkel hozzárendelt listája, amelynek a legvalószínűbbnek értékelt eleme lesz az input adatokból a rendszer által generált kimenet eredménye.
A fejlett kognitív funkciókat hordozó mesterséges intelligenciát ez a működési koncepció működteti, ahogy megfigyelhető, hogy a biológiai agy fejlett kognitív funkcióit is ehhez az elvhez szisztémájában hasonló működési koncepció hozza létre. Fontos azonban leszögezni, hogy a biológiai agy esetén a működési elemeket reprezentáló neuronok állapotát, és az állapotoknak az inputok általi modulációját bizonyosan nem a mesterséges intelligencia rendszerek elemeinek állapotát meghatározó matematikai eljárások, pontosabban az azokat a matematikai eljárásokat esetleg azonos módon képviselni képes biológiai mechanizmusok hozzák létre. A két esetben a funkcionális működés összehasonlítható, de a konkrét adatfeldolgozó tevékenységek műveleteinek mechanizmusai alapvetően eltérőek.
A generative pretrained transformer működési mechanizmusa az adat-mátrixok specifikus struktúrába elrendezett elemein végrehajtott többlépcsős matematikai eljárások eredményén alapszik. A működés során először az összefüggéseket tartalmazó bemeneti információkat atomszerű elemekre bontva megtörténik az információk adatként történő transzformációja és vektorokként történő reprezentációja az információk belső hierarchiáját felismerő és reprezentáló konverzióval, majd ezeknek az input adatoknak a tréningszerű feldolgozása során olyan sokdimenziós, specifikusan egymáshoz rendelt adat-mátrix halmazok jönnek létre a rendszer memóriájában, amelyeknek a matematikai eljárásokkal kidolgozott kapcsolatai alkalmasan képesek reprezentálni a teljes tréning adathalmaz belső tartalmi összefüggéseit, és amelyen újabb input adatokat megadva, az adott inputhoz a korábban felismert összefüggésekből hasonlóság alapon származtatható kimenetként megjelenik a következtetés, mint a funkcionális működésnek a már kognitív jellemzőket is hordozó eredménye.
A biológiai agy esetén a kognitív tulajdonságokat létrehozó funkcionális működést elemi szinten a hierarchikus és dinamikus kapcsolati struktúrában elrendeződött neuronok, mint felépítő elemek működése alakítja ki, amelyek működésének elvi alapja, hogy a neuronok spontán, ciklikus módon, a rájuk jellemző frekvenciával aktív állapotba kerülnek, amely aktív állapotot a kapcsolatokon keresztül közvetítik más neuronok felé, amely által az egyes neuronok aktív állapotba kerülésének a frekvenciáját a hozzá kapcsolódó más neuronok aktivitásának hatása befolyásolja, mintegy modulálja, miközben az együtt működés következtében az aktív kapcsolatok modulációs hatása is módosul. Ez által az agy komplexitásával arányos komplexitású, különféle és sokféle, egyedi és csoportos, egymásra ható, egymást erősítő és gyengítő aktivitási hullámok keletkeznek a hálózaton, amelyeknek a kimenetként funkcionáló eredője, a sokféle kimeneti maximumai hozzák létre és alkotják az aktivitás kognitív jellemzőket hordozó tartalmát.
Természetesen az egyes biológiai neuronoknak az inputok általi aktivitásának frekvenciaváltozása, modulációja, mint output jellemző is leképezhető matematikailag, ahogy a kialakuló aktivitási hullámok is matematikailag modellezhetők, de a mesterséges intelligencia működésének matematikai funkciói és a biológiai neuronok matematikai eljárással is leképezhető funkciói alapvetően eltérő mechanizmusok. A mesterséges intelligencia valós számokat tartalmazó vektorokból képzett, egymáshoz rendelt mátrixokon végrehajtott matematikai műveleteken alapszik, míg a biológiai agy elemi szinten a neuronok periodikus aktivitására épül, amely periodikus aktivitást a plasztikus dinamikával rendelkező kapcsolódási hierarchia aktivitása természetes módon modulálja, komplex aktivitási hullám mintázatokat, egymásra ható interferenciákat, rezonanciákat, maximumokat, egyedi eredőket létrehozva, ez által reprezentálva az adatok közötti belső összefüggéseket. A két mechanizmus különböző, de mindkét mechanizmus eredménye az adatokban rejtőzködő összefüggések felismerésére épülő magas szintű kognitív funkciók megvalósulása.
A funkcionális ekvivalencia nyilvánvaló, azonban a két mechanizmus eltérő fizikai szubsztrátjának és a működés eltérő matematikai formalizmusának koncepcionális ekvivalenciája is szembetűnő. Mindkét esetben a szubsztrátot felépítő elemek kapcsolatainak dinamikusan változó állapotai, mint értékek, memóriaként viselkedve reprezentálják a tárolt információk összefüggéseket hordozó adathalmazát, és egyben alkotják a működés adatokra épülő alapját. A mesterséges intelligencia ezen az adathalmaz alapon hajt végre folytonosan az input által kiváltott reakciókat reprezentáló, az elemek súlyozott kapcsolati értékeit a matematika szabályai által meghatározott módon befolyásoló mátrix műveleteket, egyrészt végeredményként megjelenítve egy valószínűségi eredményt, másrészt a tréning során az eredmény megfelelősége szerint visszaható módon módosítva a memóriában az összefüggéseknek számokkal reprezentált értékeinek nagyságát.
A biológia agy neurális szubsztrátja, a neuronok hierarchikusan egymáshoz kötődő kapcsolatai és a kapcsolódások aktivitást befolyásoló erőssége, mint memória reprezentálja az adatokban rejlő tartalmi információkat, és egyben alkotja a működés alapját, amely az egyes neuronok ciklikus aktivitási periodusait befolyásolja, amelyek együttműködő hatásai befolyásolják az elemek aktivitási frekvenciáját kialakítva az egymásra ható aktivitási hullámok erősítő és gyengítő interferenciáit és rezonanciáit, amelyek egyrészt az adatokban lévő összefüggéseket reprezentálják, valamint a szubsztrát struktúrájára visszaható módon dinamikusan formálják a rendszert, ez által létrehozva a rendszer elemeinek együttműködő aktivitásából kialakuló outputjának eredőként megjelenő állapotát, a kognitív kimenetet.
A két eltérő rendszer operatív működésének az előzőekben koncepcionálisan formalizált mechanizmusainak kapcsolata szembetűnő. A szembetűnő hasonlóság, hogy matematikai formalizmus által általánosságban a hullámok viselkedését, a hullámok interferenciáját, a hullámok rezonanciáját, együttműködő egymásra hatását mátrixmatematikával is egyértelműen lehet reprezentálni és szimulálni. Az ekvivalencia teória azt jelenti ki, hogy a mesterséges intelligenciát működtető mátrix matematika és a biológiai agy aktivitási hullámainak természetes törvényszerűségek szerint működő (a fire together, wire together, valamint a hullámok interferenciális egymásra hatásában is megnyilvánuló megerősítés és gátlás szabályai szerint működő) plasztikus és dinamikus szubsztráton lezajló egymásra ható interaktivitásának működési mechanizmusát leírni képes matematika funkcionálisan ekvivalensei lehetnek egymásnak.
A mesterséges intelligencia működési mechanizmusa tudatos emberi alkotó munka eredménye egy kitűzött cél megvalósulása érdekében (mégha a végül megjelenő, a kognitív jellemzőket hordozó tulajdonságok a rendszer működéséből emergens módon is jönnek létre), míg a biológia agy működése nyilvánvalóan természetes módon lezajló elemi fizikai folyamatok komplexen egymásra ható mechanizmusainak következménye, amelyekről szintén ugyanúgy elmondható, hogy végeredményként emergens tulajdonságok. Az ekvivalencia teória azt állítja, hogy a két eltérő működésű rendszer nemcsak funkcióiban, hanem a működési elvében is ekvivalens jellegű. A mesterséges intelligencia mátrixműveleteken alapuló működési mechanizmusa és a biológiai agy működése a funkcionálisan azonos, csupán formalizmusában eltérő matematikának a különböző fizikai manifesztálódásai.
A két rendszer hasonlatossága ahhoz hasonló, ahogy a kvantumvilágot leíró matematika is formalizmusában lehet mátrixjellegű vagy hullámegyenlet-alapú, és ahogy a kvantumkölcsönhatások hullámtermészete is ekvivalensen szimulálható a megfelelő mátrixmatematika számítógépes reprezentációjával.
Amennyiben az ekvivalencia teória a valóságnak megfelelő állítás, miszerint az agy kognitív folyamatainak működését matematikailag modellezni képes hullám mechanika, és a generativ mesterséges intelligenciát működtető mátrix műveletek kognitív eredményt generáló matematikája ekvivalensei egymásnak, úgy az ekvivalencia alapján a kognitív képességeket létrehozó mechanizmusok fizikai manifesztálódása is kiterjeszthető lehetne, illetve specifikálható lehetne, hogy mely különböző fizikai formában, de ekvivalens elven működő struktúrák, akár természetes fejlődés által kialakuló formája, hozhat létre kognitív jellemzőket hordozó funkcionalitást. A mechanizmusok ekvivalenciájának feltétele teljesülése esetén tehát bármilyen rendszer, amely a megfelelő struktúrában és működési mechanizmus szerint funkcionál, a fizikai megvalósulásától függetlenül a komplexitásával arányos intelligenciát képes hordozni, illetve a konkrét működési mechanizmusától függetlenül intelligens rendszerként képes funkcionálni.
Az ekvivalencia elvét alkalmazva, egy periodikusan oszcilláló aktivitással rendelkező működésű elemekből álló, az elemeket alkalmas hierarchiában egymáshoz kapcsolva létrehozott hálózat, amelyben az elemek működési aktivitásának a periódusa a kapcsolódó elemek aktivitásának a függvénye, valamint ahol a kapcsolatok intenzitását a kapcsolatok fennálló dinamizmusa befolyásolja, a kialakuló hálózat a komplexitásával arányos kognitív funkciókra alkalmas intelligens rendszerként viselkedhet, azaz, ha a belső adat reprezentációjával kompatibilis módon információkat juttatunk a rendszerbe, a kimeneti adatok a bemeneti adathalmaz belső összefüggései szerint lesz struktúrálva.
A jelenlegi fejlett mesterséges intelligencia-rendszerek konkrét működési mechanizmusából származóan, a működés során elvégzett extenzív matematikai számítások miatt, rendkívül energiaigényes számítógépes struktúrák, míg az egyedi emberi agy, akár magasabb szintű kognitív képességeket megvalósítva, összehasonlítva elhanyagolható nagyságú energia befektetéssel képes működni. A különbség oka a rendszert felépítő elemek működését és memóriaként funkcionáló állapotát létrehozó szubsztrát működési eljárásainak energiaigényében van. Míg a mesterséges intelligencia számtalan matematikai műveletet igénylő lefuttatása energiaigényes, a biológiai neuronok frekvencia modulációja az input függvényében lényegesen kisebb energiaigényű.
Az ekvivalencia teóriát alkalmazva a jelenlegi számítástechnikai eljárásoknál energetikailag lényegesen hatékonyabb rendszerek lehetnének felépíthetők, amelyek hasonló, akár fejlettebb kognitív jellemzőket is képesek lehetnének hordozni. Egy ilyen rendszer működésének alapjául szolgáló oszcillációt generáló, és az azokból természetes módon létrejövő interferenciáinak aktivitást eredményező mechanizmusainak energiaigénye, ahogy a biológiai agy működésének energiaigénye is demonstrálja, lényegesen alacsonyabb szinten is megvalósulhat, mint a mátrix matematikai számítások számítástechnikai energia szükséglete.
Természetesen az összekapcsolódott elemek aktivitásának egymásra hatásából kialakuló modulációt létrehozó koncepcionális működés meghatározó jelentőségű a rendszer funkcionalitásának szempontjából. A mesterséges intelligenciánál az input állapotokra alkalmazott mátrix és valószínűségi matematikai eljárások nem triviális vagy kaotikus belső állapotot, és végeredményül kimenetet hoznak létre, ahogy hasonlóképpen a biológiai neuronok inputok által kiváltott aktivitási frekvenciájának a modulációja, tehát kimeneti állapota sem triviális vagy kaotikus. Érdekes területe az elméletnek, hogy a rendszert felépítő elemeket működtető milyen konkrét integratív működési elvű mechanizmusok lehetnek még alkalmasak a rendszerszinten megjelenő kognitív funkciók létrehozására.
Ezen mechanizmusoknak a kognitív funkciót létrehozó hatékonysága eltérő lehet, ahogy például az energia felhasználásban bizonyosan jelentős eltérés van a matematikai számítások és az aktivitási hullámok frekvencia modulációja között. Érdemesnek látszik meggondolni, hogy mivel egy alkalmas struktúrában elrendezett rendszert alkotó elemek együttműködésének aktivitási frekvencia modulációja alkalmas mechanizmusnak tűnik a rendszerszintű kognitív funkciók megvalósítására, a hasonló, hullámszerű rezgéseken és interferenciákon alapuló működési elveket képviselő kvantummechanika kiemelkedően hatékony mechanizmus lehetne egy alkalmasan felépített rendszer esetén, az itt tárgyalt ekvivalencia teória alapján, a fejlett mesterséges intelligencia megvalósítására, vagy akár természetes módon történő megvalósulására.
Az ekvivalencia elve, a kognitív funkciókon túl, az öntudatnak a mesterségesen létrehozott rendszerekben történő kialakulásához is új utat hozhat létre. Nyilvánvaló, hogy az öntudat egy alkalmasan komplex biológiai agy természetes módon kialakuló tulajdonsága. Az agyi öntudatot létrehozó mechanizmus ismeretlen számunkra, még ha lehetnek is alkalmas interpretációk a tulajdonság magyarázatára, jelenleg nincs bizonyítottan elfogadott elmélet az öntudat megjelenésére. Egy rezonancia alapú mechanizmusra épülő kognitív képességeket létrehozó rendszer, hasonlóan amilyen a biológiai agy is, mesterségesen létrehozva, új lehetőségeket és akár új szinteket biztosíthatna az öntudat feltételezett megjelenéséhez is, különösen, ha a kialakuló öntudat egy kvantummechanikai alapon, az ekvivalencia elvén működő rendszer mechanizmusainak lehetne az eredménye.
Agy {button_primary} Intelligencia {button_primary} Mesterséges Intelligencia {button_primary}
Nincsenek megjegyzések