Хабр Курсы для всех
РЕКЛАМА
Практикум, Хекслет, SkyPro, авторские курсы — собрали всех и попросили скидки. Осталось выбрать!
Хабр доступен 24/7 благодаря поддержке друзей
Комментарии 93
я полагаю Ваши рассуждения основываются на собственном опыте и представлении восприятия мира?
В значительной степени. Кое что все же по прочитанному. Например начальная стадия классификации с пустого классификатора — оказалась очень сложным шагом
Не могу не оставить это здесь:
Код может спрашивать тот, у кого он есть. Те кто только болтают — все равно не оценят.
Это вы обо мне или о Торвальдсе?
Если серьезно, то ваш ответ подразумевает, что вы не готовы к критике, а должны! Ведь все могут рассказать миру какие они умные, но доказать это (хоть как-то) могут лишь единицы… а жаль.
Если серьезно, то ваш ответ подразумевает, что вы не готовы к критике, а должны! Ведь все могут рассказать миру какие они умные, но доказать это (хоть как-то) могут лишь единицы… а жаль.
Критика предполагает конкретные вопросы или замечания. Дай мне код это не критика. Если сейчас кода нет, это не значит, что нет модели и полезных идей. Поэтому я и написал, что к данной ситуации цитата неприменима. И всего-то
Если сейчас инопланетян не видно, то это не значит, что их не существует.
Если сейчас люди не бессмертны, то это не значит, что когда-нибудь они не будут.
Если сейчас не ИИ, то это не значит, что его не будет.
Логика ясна, вот результат… ну когда-нибудь.
Во всяком случае запомните меня, когда у вас все получится, запихните мне в глотку этот комментарий.
Если сейчас люди не бессмертны, то это не значит, что когда-нибудь они не будут.
Если сейчас не ИИ, то это не значит, что его не будет.
Логика ясна, вот результат… ну когда-нибудь.
Во всяком случае запомните меня, когда у вас все получится, запихните мне в глотку этот комментарий.
Как же мне надоели эти странные подходы к проектированию ИИ…
В 1903 году Павлов Иван Петрович, тот который на собаках опыты ставил, на Международном медицинском конгрессе в Мадриде прочёл доклад, в котором в точности описал механизм действия мозга живого существа. В последствии описанный механизм использовал Тьюринг для описания самаорганизующихся алгоритмов и Джон фон Нейман для своей архитектуры.
Несмотря на всё это, спустя 110 лет в мире полным полно людей, пытающихся найти механизм действия мозга живого существа.
В 1903 году Павлов Иван Петрович, тот который на собаках опыты ставил, на Международном медицинском конгрессе в Мадриде прочёл доклад, в котором в точности описал механизм действия мозга живого существа. В последствии описанный механизм использовал Тьюринг для описания самаорганизующихся алгоритмов и Джон фон Нейман для своей архитектуры.
Несмотря на всё это, спустя 110 лет в мире полным полно людей, пытающихся найти механизм действия мозга живого существа.
Еще 2500 лет назад, в Индии, описывали достаточно точно механизм действия ума. Разница между умом и мозгом примерно такая же, как между музыкой и скрипкой. Но до сих пор пока не нашлось никого, кто реализовал бы модель ума, способную к пониманию.
А так, если что, учебник по физиологии высшей нервной деятельности у меня настольный. Зачитан за несколько лет до дыр, поскольку содержит замечательную экспериментальную базу.
А так, если что, учебник по физиологии высшей нервной деятельности у меня настольный. Зачитан за несколько лет до дыр, поскольку содержит замечательную экспериментальную базу.
Есть мнение, что интеллект это всё таки скрипичная музыка, и я не его сторонник только по той причине что звучание смычкового, струнного инструмента, может быть математически описано воспроизведено алгоритмом…
Так или иначе семантическим сетям быть, эта тема педалится уже давно и всё идёт к тому что гугл поставит в этом вопросе жирную точку.
У них и колоссальная вычислительная мощь, и главное предводитель тяготеющий к темам ИИ и гиперсментическая сеть это самое близкое до чего им сейчас можно дотянуться.
Так или иначе семантическим сетям быть, эта тема педалится уже давно и всё идёт к тому что гугл поставит в этом вопросе жирную точку.
У них и колоссальная вычислительная мощь, и главное предводитель тяготеющий к темам ИИ и гиперсментическая сеть это самое близкое до чего им сейчас можно дотянуться.
Если честно, то меня печалит тот путь, которым идут гугл и остальные.
Такое впечатление, что они стараются описать все случаи, с которыми они в принципе могут столкнуться, а для этого им, конечно, нужны супер-датацентры.
Тот же Рей Курцвайл, который нонче и двигает ИИ гугла, в своей последней книге очень старательно описывает не то, how to create a mind, а скорее почему мы должны считать интелелктом систему, построенную на описанных принципах. У меня не сложилось впечатления, что он сам однозначно верит в едиственную правильность описанных методов.
У большинства людей, к сожалению, нет четкого понятия что такое информация, знание и как они должны представляться и обрабатываться чтобы получить в итоге когнитивную деятельность. Мало того, ведь в начале 20 века, когда сотрудники Bell Laboratories издали свои идеи о представлении информации, которые и легли в основу современной теории информации, они сами говорили, что эта теория предназначена для решения специфического круга задач: им надо было как-то решить, сколько телефонных разговоров можно запихнуть в один провод, и, следовательно, вполне коммерческая задача — сколько проводов тянуть от одного города к другому. И там же они говорили, что эта теория не предназначена для, например, описания искусственного интеллекта.
К сожалению, эта теория слишком долго была единственной господствующей и теперь люди не видят смысла выдумывать новую теорию, даже когда наглядно видят недостатки текущей.
Такое впечатление, что они стараются описать все случаи, с которыми они в принципе могут столкнуться, а для этого им, конечно, нужны супер-датацентры.
Тот же Рей Курцвайл, который нонче и двигает ИИ гугла, в своей последней книге очень старательно описывает не то, how to create a mind, а скорее почему мы должны считать интелелктом систему, построенную на описанных принципах. У меня не сложилось впечатления, что он сам однозначно верит в едиственную правильность описанных методов.
У большинства людей, к сожалению, нет четкого понятия что такое информация, знание и как они должны представляться и обрабатываться чтобы получить в итоге когнитивную деятельность. Мало того, ведь в начале 20 века, когда сотрудники Bell Laboratories издали свои идеи о представлении информации, которые и легли в основу современной теории информации, они сами говорили, что эта теория предназначена для решения специфического круга задач: им надо было как-то решить, сколько телефонных разговоров можно запихнуть в один провод, и, следовательно, вполне коммерческая задача — сколько проводов тянуть от одного города к другому. И там же они говорили, что эта теория не предназначена для, например, описания искусственного интеллекта.
К сожалению, эта теория слишком долго была единственной господствующей и теперь люди не видят смысла выдумывать новую теорию, даже когда наглядно видят недостатки текущей.
Теорий и подходов есть много разных. Рэй предполагает что если к модели скрипки, добавить модель музыканта, то в итоге получится музыка. И тут кроме веры, прагматичный расчёт на то, семантическая цель заведомо достижимая цель, у неё есть масса утилитарных применений, и создать ИИ на её основе будет проще ибо можно напрямую алгоритмизировать различные гипотезы, отлаживать эти алгоритмы и таки создать ИИ попутно прикончив туеву хучу философских вопросов…
Сам я придерживаюсь иного направления, но такой подход считаю перспективным и последовательным, даже если ИИ не будет достигнут, люди получат гешефт от семантической сети. Да в последние годы, дело реверсинженеринга мозга сильно продвинулось, и вероятно цель так же скоро будет достигнута, но даже если она будет достигнута и мы таки получим ИИ это никак не будет ответом на вопрос что же такое интеллект и как он устроен…
Сам я придерживаюсь иного направления, но такой подход считаю перспективным и последовательным, даже если ИИ не будет достигнут, люди получат гешефт от семантической сети. Да в последние годы, дело реверсинженеринга мозга сильно продвинулось, и вероятно цель так же скоро будет достигнута, но даже если она будет достигнута и мы таки получим ИИ это никак не будет ответом на вопрос что же такое интеллект и как он устроен…
Семантическая сеть это сеть обозначений. Так или иначе потребуется механизм распознавания обозначаемого, для того, чтобы ИИ на основе семантической сети мог понимать, что из этой сети актуально в данный момент, каков контекст ситуации. Где я, в каком окружении, чем управляю, какие цели, какие метрики, какие допустимые пределы отклонений, какова требуемая вариативность для поиска экстремалей и т.д.
То есть, основа интеллекта это активность в исследованиях и самостоятельный вывод подходящих целей (прогнозирование и планирование). Подходящих — значит имеющих известную ценность и достижимых конкретным поведением, а значит имеющих цену в измерении затрачиваемых ценностей.
Это тактика. Стратегически же ценности тоже выводятся, хотя и предопределяются в значительной степени людьми. Это нравственный аспект, ведь нередко люди вполне рационально ставят ценность человеческой жизни, не говоря уже о ценности здоровья или благополучия ниже каких либо других ценностей, вроде лояльности, послушности, охваченности идеалом все более растущей массы людей.
Проблемы естественного интеллекта остаются и в рамках искусственных его моделей.
То есть, основа интеллекта это активность в исследованиях и самостоятельный вывод подходящих целей (прогнозирование и планирование). Подходящих — значит имеющих известную ценность и достижимых конкретным поведением, а значит имеющих цену в измерении затрачиваемых ценностей.
Это тактика. Стратегически же ценности тоже выводятся, хотя и предопределяются в значительной степени людьми. Это нравственный аспект, ведь нередко люди вполне рационально ставят ценность человеческой жизни, не говоря уже о ценности здоровья или благополучия ниже каких либо других ценностей, вроде лояльности, послушности, охваченности идеалом все более растущей массы людей.
Проблемы естественного интеллекта остаются и в рамках искусственных его моделей.
Думаю, что цели — более основополагающие.
Например, предлагаю вариант: Цель жизни — воспитать детей так, чтобы они сумели воспитать своих детей.
Например, предлагаю вариант: Цель жизни — воспитать детей так, чтобы они сумели воспитать своих детей.
Уточните, Вы полагаете цели выше ценностей или я Вас не так понял?
Жизнь это ценность.
Жизнь это ценность.
Любая морская звезда подтвердит Вам, что жизнь — это цель.
Ценности подлежат сравнению (и являются свойствами сравниваемых явлений). Я отнес бы ценности к критериям.
Цели абстрактнее ценностей, и, соответственно, выше, если шкала абстрактности направлена вверх, а не вниз, как у Кеннета Уилбера в уровнях AQAL.
А про цену — вроде, Бернард Шоу доказал Английской Королеве, что «все женщины продажны» :-)
Ценности подлежат сравнению (и являются свойствами сравниваемых явлений). Я отнес бы ценности к критериям.
Цели абстрактнее ценностей, и, соответственно, выше, если шкала абстрактности направлена вверх, а не вниз, как у Кеннета Уилбера в уровнях AQAL.
А про цену — вроде, Бернард Шоу доказал Английской Королеве, что «все женщины продажны» :-)
Ну, что же, я не соглашусь с Вами. Ценности я ставлю на два порядка выше целей, поскольку цель достигается, а ценность является мерой оценки полезности целей.
Причем, не вижу возможности для дискуссии по этому вопросу, мое мнение твердо и принципиально, компромисса по этому вопросу я не ищу. Просто мы с Вами не сможем договориться.
Причем, не вижу возможности для дискуссии по этому вопросу, мое мнение твердо и принципиально, компромисса по этому вопросу я не ищу. Просто мы с Вами не сможем договориться.
воспитать детей так, чтобы они сумели воспитать своих детей
для данной цели достижение принципиально недостижимо, пока существует популяция людей. Предыдущие поколения кумулятивно работают на следующие.
При этом категории ценностей (частично выделенные Маслоу) в целом стабильны.
для данной цели достижение принципиально недостижимо, пока существует популяция людей. Предыдущие поколения кумулятивно работают на следующие.
При этом категории ценностей (частично выделенные Маслоу) в целом стабильны.
1) Новорожденные приходит с гораздо более богатой базой, чем Вы описываете. В частности он легко с первых дней выделяет лица. И именно это помогает ему развиваться дальше. (согласно научным исследованиям поведения детей).
2) Почему, то что Вы описываете имеет отношение к реальному мозгу? В частности одномерность датчиков вызывает сомнения…
3) Возможно Вам будет интересно посмотреть последние статьи Tom Mitchel'а на тему never ending learning…
2) Почему, то что Вы описываете имеет отношение к реальному мозгу? В частности одномерность датчиков вызывает сомнения…
3) Возможно Вам будет интересно посмотреть последние статьи Tom Mitchel'а на тему never ending learning…
Несомненно, есть понятие импринта, когда определенные зоны мозга формируются для запечатления вполне конкретных образов, как только они будут обнаружены
Одномерность датчиков совпадает с последовательной работой ума в процессе узнавания и обобщения. Любая параллельность легко сводится к последовательному потоку и поэтому несущественна. Любая многомерность практически исследуется последовательным движением внимания, направляемым в процессе понимания (классификации ситуации по признакам и представлениям).
Более того, я понимаю, что все в конечном итоге сводится к безмерной модели множеств. Но пока не понимаю, как это реализовать.
Все многомерные модели вполне укладываются в безмерные представления множеств, когда что-либо либо узнается по набору признаков, которые не расположены в каком-либо пространстве и не требуют сопоставления.
За ссылочку на Тома Митчела — спасибо, из-за незнания английского упускаю множество интересного.
Одномерность датчиков совпадает с последовательной работой ума в процессе узнавания и обобщения. Любая параллельность легко сводится к последовательному потоку и поэтому несущественна. Любая многомерность практически исследуется последовательным движением внимания, направляемым в процессе понимания (классификации ситуации по признакам и представлениям).
Более того, я понимаю, что все в конечном итоге сводится к безмерной модели множеств. Но пока не понимаю, как это реализовать.
Все многомерные модели вполне укладываются в безмерные представления множеств, когда что-либо либо узнается по набору признаков, которые не расположены в каком-либо пространстве и не требуют сопоставления.
За ссылочку на Тома Митчела — спасибо, из-за незнания английского упускаю множество интересного.
«не понимаю, как это реализовать»
Так а чего вы хотели добиться-то в статье? Это детали реализации или призыв что-то делать? Смысл?
Так а чего вы хотели добиться-то в статье? Это детали реализации или призыв что-то делать? Смысл?
О, я хорошо понимаю, как реализовать алгоритм для одномерного фазового пространства. Не представляю я лишь переход к безмерным множествам признаков в контексте. У меня связанность относительных расстояний исходных признаков тащится в контекст, а там она излишняя. Но если ее просто потерять, то теряется опора внимания. Драйверу не найти нужного направления для привязки.
Это вроде проблемы того, что я помню, что где-то лежат ключи, но не знаю точно где они. Есть кандидаты в подходящие места, но я не могу сориентироваться, где эти кандидаты. Их относительные расположения так же неизвестны.
Похоже на задачу найти ключи в незнакомой обстановке, где их могли спрятать в любое место.
Нужен тупой перебор.
Это разрыв непрерывного знания ситуации и постоянной проверки предсказаний. В это придется упереться при недостатке мощностей для отслеживания всех необходимых признаков.
Это вроде проблемы того, что я помню, что где-то лежат ключи, но не знаю точно где они. Есть кандидаты в подходящие места, но я не могу сориентироваться, где эти кандидаты. Их относительные расположения так же неизвестны.
Похоже на задачу найти ключи в незнакомой обстановке, где их могли спрятать в любое место.
Нужен тупой перебор.
Это разрыв непрерывного знания ситуации и постоянной проверки предсказаний. В это придется упереться при недостатке мощностей для отслеживания всех необходимых признаков.
Вы хотите робота или чат-бота а-ля watson?
Если чат-бота, то к чему фишка про ключи? Это у робота будут такие проблемы с реальностью. Но чат-бот с этим дела не имеет. Во внутреннем мышлении таких проблем не возникает. «Вертится на языке» — из другой оперы. Поэтому каким боком тут это, я не пойму.
Вообще, вы выражаетесь очень сложными словами. Насколько мне известно, это проблема понимания вами вашей же концепции. Вам бы все устаканить, да упростить по максимуму.
«я хорошо понимаю, как реализовать алгоритм для одномерного фазового пространства» — так реализуйте. Даю гарантию, вам будет легче потом навязать остальное на существующее.
Если чат-бота, то к чему фишка про ключи? Это у робота будут такие проблемы с реальностью. Но чат-бот с этим дела не имеет. Во внутреннем мышлении таких проблем не возникает. «Вертится на языке» — из другой оперы. Поэтому каким боком тут это, я не пойму.
Вообще, вы выражаетесь очень сложными словами. Насколько мне известно, это проблема понимания вами вашей же концепции. Вам бы все устаканить, да упростить по максимуму.
«я хорошо понимаю, как реализовать алгоритм для одномерного фазового пространства» — так реализуйте. Даю гарантию, вам будет легче потом навязать остальное на существующее.
А по первому пункту, можно попросить пруфлик?
Дело в том, что если импиринг у новорожденных если и имеет место быть, то механизмы у него совсем иные, ибо у новорожденных человеческих детёнышей есть некоторые проблемы как физического так и управленческого характера. Зрительная кора продолжает развиваться уже после рождения.
Дело в том, что если импиринг у новорожденных если и имеет место быть, то механизмы у него совсем иные, ибо у новорожденных человеческих детёнышей есть некоторые проблемы как физического так и управленческого характера. Зрительная кора продолжает развиваться уже после рождения.
Очень хочется пожелать вам не останавливаться на достигнутом!
Должен признаться, что основная суть ваших идей довольно плотно пересекается с моими мыслями по поводу AGI.
Попробуйте думать о представлении и обработке информации в терминах описаний и контент-адресуемой памяти, мне кажется это может вас подтолкнуть к другим интересным идеям!
Должен признаться, что основная суть ваших идей довольно плотно пересекается с моими мыслями по поводу AGI.
Попробуйте думать о представлении и обработке информации в терминах описаний и контент-адресуемой памяти, мне кажется это может вас подтолкнуть к другим интересным идеям!
Спасибо за пожелание. Я думаю скорее в терминах обозначения и обозначаемого, хотя догадываюсь О содержании идей контент-адресуемой памяти. Собственно, если говорить технически, я использую две таблицы признаков. Таблица обозначаемого, в которой признаки переходят от одного значения к другому, формируя символы алфавита для фазового пространства, и таблица обозначений, опирающаяся на символы алфавита.
В первой таблице символ это то, что можно легко прочитать драйвером. По адресу такому значение такое. Если точнее это переход. Если ключевое значение источника есть символ 5665445 то у нас из 7345737 попыток со смещением 0.248613322 символ 3654457 встречался 54346 раз и не встречался 3442 раз. Запрашиваем драйвер значение символа по этому смещению и если подтверждаем, то у нас 279 конкретных кандидатов в представления наиболее высокого порядка, а если опровергаем, то 114 других конкретных представлений. Чтобы сократить число кандидатов в контексте, у нас уже готов следующий индекс и ожидаемое значение для проверки.
В первой таблице символ это то, что можно легко прочитать драйвером. По адресу такому значение такое. Если точнее это переход. Если ключевое значение источника есть символ 5665445 то у нас из 7345737 попыток со смещением 0.248613322 символ 3654457 встречался 54346 раз и не встречался 3442 раз. Запрашиваем драйвер значение символа по этому смещению и если подтверждаем, то у нас 279 конкретных кандидатов в представления наиболее высокого порядка, а если опровергаем, то 114 других конкретных представлений. Чтобы сократить число кандидатов в контексте, у нас уже готов следующий индекс и ожидаемое значение для проверки.
>> Какой бы сложной ни была сфера восприятия, она разворачивается в одномерное множество,…
И тут вы начинаете противоречить себе :-) Восприятие, действительно, сферично — циклично. Подробнее — habrahabr.ru/qa/40257/
Вы рассмотрели материальную часть (для IQ менее100). И, при этом, игнорируете часть абстрактную.
Наивысшей абстрактностью может обладать понятие «идея», для определения которого достаточно понятия «идея». Если заинтересует такой подход, могу дать ссылки на мои посты, или обсудим более детально :-)
И тут вы начинаете противоречить себе :-) Восприятие, действительно, сферично — циклично. Подробнее — habrahabr.ru/qa/40257/
Вы рассмотрели материальную часть (для IQ менее100). И, при этом, игнорируете часть абстрактную.
Наивысшей абстрактностью может обладать понятие «идея», для определения которого достаточно понятия «идея». Если заинтересует такой подход, могу дать ссылки на мои посты, или обсудим более детально :-)
Я на другой комментарий ответил по этому вопросу. Со сферой восприятия работает драйвер. Его задача — дать отражение этой многомерной сферы в одномерное фазовое пространство.
Как это сделать, например, для трехмерных полярных координат?
В центре находится орган зрения. Направление и расстояние имеют определенную точность, зависимую от углового разрешения. Чем ближе объект, тем больше точек на нем можно различить.
Простейшая метафора сворачивания трехмерного пространства в одномерное, это намотка клубка из нити постоянно увеличивающейся толщины.
Конкретный алгоритм намотки такой нити рассчитывается из таких вводных.
1. Градации дистанции-направления. Их немного.
1а. Интимная дистанция — это дистанция порядка десятка сантиметров. В этой зоне нет необходимости детально исследовать объект. Он либо уже исследован и мы помним о нем (так, человек не разглядывает свой нос, вычеркивая его из восприятия), либо это внезапно и нужно быстро отстраниться для оценки опасности объекта. По сути это очень широкоугольная область размером от крупного до среднего, и от среднего до мелкого. Значима так же скорость движения объекта. Либо ей можно пренебречь, либо нельзя.
1б. Близкофокусная дистанция — это дистанция наиболее тщательного изучения. Это область минимального (порядка 5-8 угловых секунд) углового разрешения в очень узком направлении порядка 3-5 градусов. Очень важный элемент — аккомодация. То есть изучаемая область может быть как на расстоянии 20-70 см, так и на расстоянии 20-70 метров, и даже 200-700 метров. Но число градаций будет одно и то же.
1в. Среднефокусная дистанция — это дистанция основной разметки. Это область делится на три градации
1в' область «впереди» — порядка 90 градусов по горизонтали (45 градусов влево вправо от текущего направления взгляда), порядка 10 градусов вверх и 30 градусов вниз. В этом направлении разрешающая способность порядка 1.5-2.5 градуса. Это направление не требующее движения камеры (глаз)
1в'' область «периферии» — 90 градусов слева и справа от области «впереди», около 40 градусов вверх и около 60 градусов вниз. То есть это область от -135 до 135 градусов по горизонтали и от 50 градусов вверх до 90 градусов вниз по вертикали. В этом направлении разрешающая способность по горизонтали порядка 15 градусов, по вертикали вверх около 10 градусов, вниз около 15 градусов. Это направления, не требующие движения корпуса (головы, тела)
1в''' область требующая движения корпуса, имеющая минимум градаций: сзади, сверху и снизу.
1г Дальнефокусная дистанция. Она практически делится на шесть градаций: впереди, сзади, слева, справа, сверху и снизу.
2. Градации движения
2а. Движение внутри зоны дистанции направления
2б. Движение между зонами направления в одной дистанции
2в. Приближение или удаление.
3. Градации размера объекта с общими характеристиками движения
3а. Целиком в одной зоне направления одной дистанции
3б. Охватывает две зоны направления одной дистанции
3в. Охватывает больше двух зон одной дистанции
3г. Охватывает две зоны дистанции
3д. Охватывает больше двух зон дистанции
Классификатор же восстанавливает пространственное представление ситуации в динамике, по относительному положению представлений о видимых формах и связанности их движения, распознавая содержание ситуации наиболее общими представлениями и предсказывая, где и что искать в следующие моменты.
Как это сделать, например, для трехмерных полярных координат?
В центре находится орган зрения. Направление и расстояние имеют определенную точность, зависимую от углового разрешения. Чем ближе объект, тем больше точек на нем можно различить.
Простейшая метафора сворачивания трехмерного пространства в одномерное, это намотка клубка из нити постоянно увеличивающейся толщины.
Конкретный алгоритм намотки такой нити рассчитывается из таких вводных.
1. Градации дистанции-направления. Их немного.
1а. Интимная дистанция — это дистанция порядка десятка сантиметров. В этой зоне нет необходимости детально исследовать объект. Он либо уже исследован и мы помним о нем (так, человек не разглядывает свой нос, вычеркивая его из восприятия), либо это внезапно и нужно быстро отстраниться для оценки опасности объекта. По сути это очень широкоугольная область размером от крупного до среднего, и от среднего до мелкого. Значима так же скорость движения объекта. Либо ей можно пренебречь, либо нельзя.
1б. Близкофокусная дистанция — это дистанция наиболее тщательного изучения. Это область минимального (порядка 5-8 угловых секунд) углового разрешения в очень узком направлении порядка 3-5 градусов. Очень важный элемент — аккомодация. То есть изучаемая область может быть как на расстоянии 20-70 см, так и на расстоянии 20-70 метров, и даже 200-700 метров. Но число градаций будет одно и то же.
1в. Среднефокусная дистанция — это дистанция основной разметки. Это область делится на три градации
1в' область «впереди» — порядка 90 градусов по горизонтали (45 градусов влево вправо от текущего направления взгляда), порядка 10 градусов вверх и 30 градусов вниз. В этом направлении разрешающая способность порядка 1.5-2.5 градуса. Это направление не требующее движения камеры (глаз)
1в'' область «периферии» — 90 градусов слева и справа от области «впереди», около 40 градусов вверх и около 60 градусов вниз. То есть это область от -135 до 135 градусов по горизонтали и от 50 градусов вверх до 90 градусов вниз по вертикали. В этом направлении разрешающая способность по горизонтали порядка 15 градусов, по вертикали вверх около 10 градусов, вниз около 15 градусов. Это направления, не требующие движения корпуса (головы, тела)
1в''' область требующая движения корпуса, имеющая минимум градаций: сзади, сверху и снизу.
1г Дальнефокусная дистанция. Она практически делится на шесть градаций: впереди, сзади, слева, справа, сверху и снизу.
2. Градации движения
2а. Движение внутри зоны дистанции направления
2б. Движение между зонами направления в одной дистанции
2в. Приближение или удаление.
3. Градации размера объекта с общими характеристиками движения
3а. Целиком в одной зоне направления одной дистанции
3б. Охватывает две зоны направления одной дистанции
3в. Охватывает больше двух зон одной дистанции
3г. Охватывает две зоны дистанции
3д. Охватывает больше двух зон дистанции
Классификатор же восстанавливает пространственное представление ситуации в динамике, по относительному положению представлений о видимых формах и связанности их движения, распознавая содержание ситуации наиболее общими представлениями и предсказывая, где и что искать в следующие моменты.
Вы о сфере видимого, я о сферической модели мировоззрения
введение — на
integral-community.ru/forum/viewtopic.php?f=8&t=12&start=10
и
www.philosophystorm.org/palex/2893
О построении системы знания — могу предложить статью, на которой я застрял:
Сборник: Искуственный интеллект: междисциплинарный подход. Под ред. Д.И.Дубровского и В.А.Лекторского — М.: ИИнтеЛЛ, 2006. — 448 с.
А.С. Нариньяни. Статья «Между знанием и незнанием — наивная топография 2.» стр. 49 — 74
конспект — integral-community.ru/forum/viewtopic.php?f=17&t=49
введение — на
integral-community.ru/forum/viewtopic.php?f=8&t=12&start=10
и
www.philosophystorm.org/palex/2893
О построении системы знания — могу предложить статью, на которой я застрял:
Сборник: Искуственный интеллект: междисциплинарный подход. Под ред. Д.И.Дубровского и В.А.Лекторского — М.: ИИнтеЛЛ, 2006. — 448 с.
А.С. Нариньяни. Статья «Между знанием и незнанием — наивная топография 2.» стр. 49 — 74
конспект — integral-community.ru/forum/viewtopic.php?f=17&t=49
Спасибо, я почитал Ваши заметки.
Я придерживаюсь диалектической модели мировоззрения.
За статьи спасибо — почитаю обязательно.
Я придерживаюсь диалектической модели мировоззрения.
За статьи спасибо — почитаю обязательно.
Диалектику — зависимость истинности от времени — с удовольствием одобряю.
Но при этом существует еще одна универсальная модель, выраженная Беббиджем и фон Нейманом, следы которой можно найти в религиях (в т.ч… индийских и Авраамических).
Существует Бог Логики (Логос, Ян, Перун) — процессор
Существует Богиня Памяти (Исида, Инь, Смерть) — память
Существуют Богини Свидетельства (Янус, Ника, Фемида) — общая шина
Извиняюсь за навязчивость, но считаю, что до ИИ мы сами должны понять, как все устроено:
philosophystorm.org/palex/3912 — Самораскрытие Абсолюта (из пустоты к цивилизации ИИ)
pl2-rainbow.livejournal.com/3147.html — предложения по компьютерной игре «Ноосфера»
Но при этом существует еще одна универсальная модель, выраженная Беббиджем и фон Нейманом, следы которой можно найти в религиях (в т.ч… индийских и Авраамических).
Существует Бог Логики (Логос, Ян, Перун) — процессор
Существует Богиня Памяти (Исида, Инь, Смерть) — память
Существуют Богини Свидетельства (Янус, Ника, Фемида) — общая шина
Извиняюсь за навязчивость, но считаю, что до ИИ мы сами должны понять, как все устроено:
philosophystorm.org/palex/3912 — Самораскрытие Абсолюта (из пустоты к цивилизации ИИ)
pl2-rainbow.livejournal.com/3147.html — предложения по компьютерной игре «Ноосфера»
Я уже выяснил как все устроено в точности и в деталях ;)
Не прибегая к первопричинам, выходящим за пределы взаимозависимого возникновения. То есть, нет нужды ни в чем самосущем.
Не прибегая к первопричинам, выходящим за пределы взаимозависимого возникновения. То есть, нет нужды ни в чем самосущем.
Идея не нова, и в принципе скорее правильная чем не правильная, однако дьявол в деталях реализации…
В требованиях к алгоритму нет ни малейшего упоминания выходов, этакая классификация ради классификации и что с неё толку?
Не, толк от семантических сетей всё таки есть, но ИИ тут пока и не пахнет.
ИИ мало того что должен взаимодействовать с внешней средой, этот он ещё сам себя должен классифицировать и не охренеть :-)
В требованиях к алгоритму нет ни малейшего упоминания выходов, этакая классификация ради классификации и что с неё толку?
Не, толк от семантических сетей всё таки есть, но ИИ тут пока и не пахнет.
ИИ мало того что должен взаимодействовать с внешней средой, этот он ещё сам себя должен классифицировать и не охренеть :-)
Ну, целиком себя классифицировать не обязательно (если ИИ не специалист по ИИ). Человек обходится знанием о спине, что она есть, и ее нужно беречь. А внутренности при НУ вообще не дают о себе знать.
Можно сосредоточиться на предметной области, а про себя знать: «Я сомневаюсь, значит я существую!» :-)
Можно сосредоточиться на предметной области, а про себя знать: «Я сомневаюсь, значит я существую!» :-)
Я немного о другом, скажем так: решение задачи классификации само по себе не есть интеллект, как и нейросеть в чистом виде (да-да и живая тоже). Это лишь компонент, использовать который можно по разному. Но ИИ подразумевает обратные связи, как минимум через среду, а фактически… но не будем вдаваться в технические детали… Важно только то что без контура обратной связи не о каком мышлении и самосознании не может быть и речи, это тупо перцептрон получается :-)
У вас же, замах на ИИ но нет не только обратных связей, но и выходов вообще!
У вас же, замах на ИИ но нет не только обратных связей, но и выходов вообще!
По размещению, предложенному в habrahabr.ru/post/176391/,
Выход (Межсетевой уровень),
Результат (Преобразующий уровень),
Познание (Транспортный уровень)
находятся в аналитическом сегменте (Check цикла -Act-Plan-Do-Check-). Естественно, это подлежит уточнению сообществом экспертов.
Выход (Межсетевой уровень),
Результат (Преобразующий уровень),
Познание (Транспортный уровень)
находятся в аналитическом сегменте (Check цикла -Act-Plan-Do-Check-). Естественно, это подлежит уточнению сообществом экспертов.
У меня просто гениальный, простите за громкое слово, подход к обратным связям и выходам :)
Когда Вы запрашиваете у драйвера относительный индекс, Вы формируете внешнее поведение системы. Ведь драйвер не хранит ничего в памяти, он есть прямой интерфейс к конкретной сфере восприятия. И абстрактный индекс 0,5537645543776467 вполне может означать, что драйвер посмотрит и вернет значение, каково изменение относительно текущего значения усредненного цвета области относительно текущего размера на 4% больше, относительно текущего направления взгляда на 2% ближе, 0.4 градуса ниже и 2.32 градуса правее.
Когда Вы запрашиваете у драйвера относительный индекс, Вы формируете внешнее поведение системы. Ведь драйвер не хранит ничего в памяти, он есть прямой интерфейс к конкретной сфере восприятия. И абстрактный индекс 0,5537645543776467 вполне может означать, что драйвер посмотрит и вернет значение, каково изменение относительно текущего значения усредненного цвета области относительно текущего размера на 4% больше, относительно текущего направления взгляда на 2% ближе, 0.4 градуса ниже и 2.32 градуса правее.
Люблю воздушные замки.
В моем случае это вполне реальные замки. Просто объем исследований — годы и не так уж важно, с какой части начинать знакомить с идеей. Я для входа взял что-то, что требует минимума начальных терминов. После этого можно будет рассмотреть и более общие принципы, и более конкретные детали.
Сначала нужно дать понять, что скрывается за контекстом, за драйвером, за обозначением, за обозначаемым, за их структурой и динамикой.
Я вот вижу, что 54% читателей интересует больше метафизика и философия вопроса. Может быть я проведу для них параллели с санскритскими терминами и древнебуддийскими представлениями о уме и абхидхарме (классификации психических феноменов)
Другим участникам более интересны собственно алгоритмы и техническая реализация.
Я не питаю надежд, что одной статьей можно дать исчерпывающие объяснения. С 1990 года я опубликовал с сотню заметок и вел дискуссии на нескольких ресурсах. Самую обширную на мембране в начале 2000х. Позднее на образце и аиорге. Понемногу публиковал заметки на digitid.livejournal.com. С тех пор и философская составляющая значительно вызрела, и метафизика прояснилась, и конкретные алгоритмы сформулировались и исследования вышли из фазы бумага/эксель/скрипт на уровень потребности в довольно производительном коде в облаках и объемных источниках для проверки гипотез классификации.
Плюс уже можно многие теоремы сформулировать и доказать, а для этого моего интеллекта в одиночку уже недостаточно. Образования не хватает. Системности и методичности. Поэтому начинаю собирать команду исследователей, а для этого знакомлю широкую общественность с идеями.
Сначала нужно дать понять, что скрывается за контекстом, за драйвером, за обозначением, за обозначаемым, за их структурой и динамикой.
Я вот вижу, что 54% читателей интересует больше метафизика и философия вопроса. Может быть я проведу для них параллели с санскритскими терминами и древнебуддийскими представлениями о уме и абхидхарме (классификации психических феноменов)
Другим участникам более интересны собственно алгоритмы и техническая реализация.
Я не питаю надежд, что одной статьей можно дать исчерпывающие объяснения. С 1990 года я опубликовал с сотню заметок и вел дискуссии на нескольких ресурсах. Самую обширную на мембране в начале 2000х. Позднее на образце и аиорге. Понемногу публиковал заметки на digitid.livejournal.com. С тех пор и философская составляющая значительно вызрела, и метафизика прояснилась, и конкретные алгоритмы сформулировались и исследования вышли из фазы бумага/эксель/скрипт на уровень потребности в довольно производительном коде в облаках и объемных источниках для проверки гипотез классификации.
Плюс уже можно многие теоремы сформулировать и доказать, а для этого моего интеллекта в одиночку уже недостаточно. Образования не хватает. Системности и методичности. Поэтому начинаю собирать команду исследователей, а для этого знакомлю широкую общественность с идеями.
Я не специалист, и ни сколько не против вашей затеи, даже за. Но я бы за вами не пошел банально из-за сугубо личных (моих) представлений о форме выражения ясности мыслей (я там выше написал на эту тему). Не к вам претензии, но к сумбурности концепции. По сути я из статьи не понял ничего из того, чем вы обладаете. Хочется именно костяка. Вы же присыпали общеизвестных вещей и зовете, насколько я понял, команду добровольцев собирать нечто, которое и было бы неплохо тут осветить. Т.е. люди должны видеть и знать, на что им идти. Тем не менее, интересно, что у вас получится.
Вообще, читать лучше про уже работающий интеллект).
з.ы. кажущаяся скрытая ненависть (если кому-то таковая чудится) — лишь уровень имхового скептицизма, не более.
Вообще, читать лучше про уже работающий интеллект).
з.ы. кажущаяся скрытая ненависть (если кому-то таковая чудится) — лишь уровень имхового скептицизма, не более.
Да, с ясностью выражения — проблемы. Но над этим плотно работаю. Будут и иллюстрации и схемы и более последовательные презентации идей. Просто я знаю, сто есть люди уже из этого сумбура многое схватывающие, их и ищу в первую очередь.
«люди уже из этого сумбура многое схватывающие» — вам повезло таких встретить) я с такими дела не имел, увы.
Желаю удачи в достижениях! Не обязательно быть правым по общепринятым методам, чтобы чего-то добиться.
Желаю удачи в достижениях! Не обязательно быть правым по общепринятым методам, чтобы чего-то добиться.
Просто я знаю, сто есть люди уже из этого сумбура многое схватывающие, их и ищу в первую очередь.
Чем более совпадают контексты высших порядков, тем проще понять объектам друг друга.
Ваши идеи оптимальны! :)
Вот доказательство теорем (и проверка существующих доказательств) — наилучшее применение для ИИ.
Почему-то отсутствуют общедоступные пакеты, позволяющие это делать…
Почему-то отсутствуют общедоступные пакеты, позволяющие это делать…
«Суперпризнак это отношение представления к суперпризнаку» — в этой фразе случаем нет рекурсии?
«Мое отношение к ИИ»:«Супергениально!» — что это вообще такое? Вы как-то слили отношение к ИИ и отношение к вашей статье. Определитесь!
А где здесь, собственно, ИИ? Описание возможности кластеризации в виде дерева. Не новое.
Возможности — потому что не указано, как определяется близость между признаками и т.д. выше по дереву. Как у такого интеллекта родится представление о квадратном и круглом объекте?
Возможности — потому что не указано, как определяется близость между признаками и т.д. выше по дереву. Как у такого интеллекта родится представление о квадратном и круглом объекте?
Видимо не поняли мой вопрос.
Самое интересное — как определять близость, т.е. схожесть объектов. Зашить изначально — тогда обычная задача машинного обучения, которая будет решать только определенные задачи.
Тут, есть некоторое «лукавство», как я понял:
И каким образом можно сказать, что признак повторился? Как можно сказать, что этот новый признак — квадрат — появился снова? Если он похож на те другие квадраты, то мы уже знаем, что он похож, т.е. уже имеем представления о схожести этих объектов и поэтому уже нет смысла выводить представление. Близость — это та субъективная штука, которая непонятно как самопроизвольно в мозгу и появляется.
В мире нет вообще одинаковых объектов. Если вас спросят, различаются ли два объекта, можете смело всегда говорить «да». Они различаются, как минимум, координатами. А вот, если спрашивают «насколько отличаются», вот здесь и сложность. Точные науки занимаются как раз измерениями — числами, говорящими «насколько отличаются». Уникальность снежинок — это для гуманитариев. Т.е. на единственно идентичности интеллект не построишь.
В цифровом мире два объекта могут быть идентичными. Вы думаете, что сможет такой интеллект на идентично повторяющихся признаках делать сложные выводы?
Самое интересное — как определять близость, т.е. схожесть объектов. Зашить изначально — тогда обычная задача машинного обучения, которая будет решать только определенные задачи.
Тут, есть некоторое «лукавство», как я понял:
Представление основано на повторяемости признаков.
И каким образом можно сказать, что признак повторился? Как можно сказать, что этот новый признак — квадрат — появился снова? Если он похож на те другие квадраты, то мы уже знаем, что он похож, т.е. уже имеем представления о схожести этих объектов и поэтому уже нет смысла выводить представление. Близость — это та субъективная штука, которая непонятно как самопроизвольно в мозгу и появляется.
В мире нет вообще одинаковых объектов. Если вас спросят, различаются ли два объекта, можете смело всегда говорить «да». Они различаются, как минимум, координатами. А вот, если спрашивают «насколько отличаются», вот здесь и сложность. Точные науки занимаются как раз измерениями — числами, говорящими «насколько отличаются». Уникальность снежинок — это для гуманитариев. Т.е. на единственно идентичности интеллект не построишь.
В цифровом мире два объекта могут быть идентичными. Вы думаете, что сможет такой интеллект на идентично повторяющихся признаках делать сложные выводы?
Человек же это делает. Вы понимаете одновременно, что два предмета — это столы, но это разные столы.
Сначала нужно понять, как это происходит в уме и тогда не нужно ничего изобретать.
Есть набор относительных признаков, инвариантных к направлению, расстоянию и положению предметов в пространстве. Это работа драйвера на 90% и работа классификатора на определение нескольких вариантов, определяющих разные проекции предмета на плоскость зрения.
Если правильно выделить фазовое пространство, классификатор его правильно классифицирует.
Вы не решили философский вопрос подобия и тождественности, поэтому не воспринимаете соответствующую математику.
Подобие связано с тем, что есть множественные индивидуальные экземляры чего-то, распознаваемого как сходные объекты
Тождественность связана с тем, что распознается один индивидуальный экземпляр в разных ситуациях
Здесь не нужна математическая точность. Люди тоже ошибаются, путая близнецов и не узнавая одного и того же человека.
Если перед Вами положить десять песчинок, потом заменить из них пять — Вы вполне можете допустить ошибку.
Задача искусственного интеллекта точно такова же — предположить, что изменилось, по ограниченному набору выявленных признаков сходства/различия.
Именно эту задачу и должен решать проектируемый классификатор
Сначала нужно понять, как это происходит в уме и тогда не нужно ничего изобретать.
Есть набор относительных признаков, инвариантных к направлению, расстоянию и положению предметов в пространстве. Это работа драйвера на 90% и работа классификатора на определение нескольких вариантов, определяющих разные проекции предмета на плоскость зрения.
Если правильно выделить фазовое пространство, классификатор его правильно классифицирует.
Вы не решили философский вопрос подобия и тождественности, поэтому не воспринимаете соответствующую математику.
Подобие связано с тем, что есть множественные индивидуальные экземляры чего-то, распознаваемого как сходные объекты
Тождественность связана с тем, что распознается один индивидуальный экземпляр в разных ситуациях
Здесь не нужна математическая точность. Люди тоже ошибаются, путая близнецов и не узнавая одного и того же человека.
Если перед Вами положить десять песчинок, потом заменить из них пять — Вы вполне можете допустить ошибку.
Задача искусственного интеллекта точно такова же — предположить, что изменилось, по ограниченному набору выявленных признаков сходства/различия.
Именно эту задачу и должен решать проектируемый классификатор
Задача искусственного интеллекта точно такова же — предположить, что изменилось, по ограниченному набору выявленных признаков сходства/различия.
Только вопрос, как?
Здесь не нужна математическая точность. Люди тоже ошибаются, путая близнецов и не узнавая одного и того же человека.
Для машины, пока не будет критериев близости, одинаково различны два близнеца, и Мерлин Монро с Морганом Фрименом. Они просто различны. Вот, был бы фокус, который мог бы сказать, что эти двое совсем чуть чуть отличаются — можно было бы классифицировать.
Есть набор относительных признаков, инвариантных к направлению, расстоянию и положению предметов в пространстве.
Это уже не ИИ. Это вы уже зашиваете как вы определяете близость. Например, можно по количеству признаков совпавших ко всем, так как будто они имеют одинаковое значение. Но тогда, чтобы зрительные образы уметь как-то сравнивать, появляется:
Если правильно выделить фазовое пространство, классификатор его правильно классифицирует.
Вот это «если правильно выделить». Для этого «правильно» придется писать руками почти весь зрительный интеллект, а представленному алгоритму только указать пальцем на ответ остается.
Т.е. ваш алгоритм сам по себе не сможет быть классификатором зрительных образов. Ему придется помогать и бОльшую часть задачи решить руками (проекции, сведение к единому размеру и т.д.). Мало того, он с количеством признаков будет тоже как-то так плоховато разбираться, придется ему еще чем-то помочь.
Я не смогу объяснить Вам, если Вы не будете читать.
Еще раз. Человек определяет сходство, различие и тождественность по объему подтвержденных признаков.
Например, лицо конкретного человека это менее 70 признаков для самых разных ситуаций. Зрительная область нервной системы весьма специфична, но управление зрительным вниманием универсально.
Вся хитрость в вероятностном обобщении. Сначала градаций очень мало, но чем больше различаемых представлений, тем больше различий, но нужно понимать, что различия только детализируют контекст. Когда человек видит лицо, нму не обязательно его идентифицировать. Вы не различаете всех незнакомых людей между собой индивидуально, а используете несколько различающих категорий, и те, по необходимости.
Описанный алгоритм решает задачу именно так, контекст содержит представления наибольшего порядка, для определения ситуации минимумом признаков. Наиболее значимое в контексте определено наиболее детально.
Еще раз. Человек определяет сходство, различие и тождественность по объему подтвержденных признаков.
Например, лицо конкретного человека это менее 70 признаков для самых разных ситуаций. Зрительная область нервной системы весьма специфична, но управление зрительным вниманием универсально.
Вся хитрость в вероятностном обобщении. Сначала градаций очень мало, но чем больше различаемых представлений, тем больше различий, но нужно понимать, что различия только детализируют контекст. Когда человек видит лицо, нму не обязательно его идентифицировать. Вы не различаете всех незнакомых людей между собой индивидуально, а используете несколько различающих категорий, и те, по необходимости.
Описанный алгоритм решает задачу именно так, контекст содержит представления наибольшего порядка, для определения ситуации минимумом признаков. Наиболее значимое в контексте определено наиболее детально.
Смотрите, во первых, не дерево, а сеть.
Во-вторых близость не определяется, а используется разделение на
— обозначаемое, где однозначное определение исходного алфавита и точное соответствие
— и обозначения, где используется множественное вероятностное определение по множеству переходов от признака к признаку
На уровне обозначаемого у нас конкретные символы. Проще говоря для драйвера зрения — это конкретное изменение параметров перехода из одной области конкретного размера в другую область относительного размера в отношении первой, с изменением тона цвета, яркости, контраста и изменения фрактальной плотности.
Это легко измеряется на подтверждение ли опровержение. Можно использовать конкретные градации, когда подтверждено, когда опровергнуто и когда неопределено.
Это все настройки драйверов, реализация которых не существенна для классификатора.
Классификатор оперирует конкретными представлениями о наиболее вероятных переходах от символа к символу.
На примере текста «МАМА МЫЛА РАМУ» мы имеем следующие переходы в драйвере
Р[0] = М->А из 4х М 2 подтверждения, два опровержения
Р[1] = М-->М из 4х М одно подтверждение, два опровержения, одно неопределено (нет символа следующего за У)
Р[2] = М--->А из 4х М два подтверждения, одно опровержение, одно не определено
…
Р[14] = А->М из 4х А два подтверждения, два опровержения
Р[15] = А-->А из 4х А два подтверждения, два опровержения
Одновременно строится сеть классификации
Н[0][0] = Р[0] -> Р[14] из 2х МА одно подтверждение и одно опровержение
H[0]01] = Р[1] -> Р[0] из 2х М.А одно подтверждение и одно опровержение
Одновременно строятся представления порядка H[1][i] и далее, объединяющие переходы более низких уровней.
Задача классификатора построить минимизированные определения наиболее высокого порядка H[max][i] рекурсивно опускающихся до минимального набора переходов Р[i0]->P[j0],… Р[in]->P[jn]
Все полученные контексты (наборы представлений наиболее компактно определяющих ситуацию) также определяются как представления уровня H[max+1][k] и дальше используются в определении новых представлений более высоких уровней.
Стек контекстов должен бы избавиться от метрики и быть неупорядоченным множеством признаков, но, пока непонятно, как это сделать алгоритмически, не создав проблемы комбинаторного взрыва при обратном вычислении контекста. Поэтому пока контексты однозначно определяются на исходные наборы признаков и на драйверы возлагается нагрузка по отображению многомерного динамического пространства измерений в статическое фазовое пространство символов.
Во-вторых близость не определяется, а используется разделение на
— обозначаемое, где однозначное определение исходного алфавита и точное соответствие
— и обозначения, где используется множественное вероятностное определение по множеству переходов от признака к признаку
На уровне обозначаемого у нас конкретные символы. Проще говоря для драйвера зрения — это конкретное изменение параметров перехода из одной области конкретного размера в другую область относительного размера в отношении первой, с изменением тона цвета, яркости, контраста и изменения фрактальной плотности.
Это легко измеряется на подтверждение ли опровержение. Можно использовать конкретные градации, когда подтверждено, когда опровергнуто и когда неопределено.
Это все настройки драйверов, реализация которых не существенна для классификатора.
Классификатор оперирует конкретными представлениями о наиболее вероятных переходах от символа к символу.
На примере текста «МАМА МЫЛА РАМУ» мы имеем следующие переходы в драйвере
Р[0] = М->А из 4х М 2 подтверждения, два опровержения
Р[1] = М-->М из 4х М одно подтверждение, два опровержения, одно неопределено (нет символа следующего за У)
Р[2] = М--->А из 4х М два подтверждения, одно опровержение, одно не определено
…
Р[14] = А->М из 4х А два подтверждения, два опровержения
Р[15] = А-->А из 4х А два подтверждения, два опровержения
Одновременно строится сеть классификации
Н[0][0] = Р[0] -> Р[14] из 2х МА одно подтверждение и одно опровержение
H[0]01] = Р[1] -> Р[0] из 2х М.А одно подтверждение и одно опровержение
Одновременно строятся представления порядка H[1][i] и далее, объединяющие переходы более низких уровней.
Задача классификатора построить минимизированные определения наиболее высокого порядка H[max][i] рекурсивно опускающихся до минимального набора переходов Р[i0]->P[j0],… Р[in]->P[jn]
Все полученные контексты (наборы представлений наиболее компактно определяющих ситуацию) также определяются как представления уровня H[max+1][k] и дальше используются в определении новых представлений более высоких уровней.
Стек контекстов должен бы избавиться от метрики и быть неупорядоченным множеством признаков, но, пока непонятно, как это сделать алгоритмически, не создав проблемы комбинаторного взрыва при обратном вычислении контекста. Поэтому пока контексты однозначно определяются на исходные наборы признаков и на драйверы возлагается нагрузка по отображению многомерного динамического пространства измерений в статическое фазовое пространство символов.
Ок. Значит причинно-следственные связи.
Но что это такое? Кроме того, что причина не опережает следствие, сказать просто так об этом ничего нельзя.
Вы считаете, что вероятность появления символа на первом уровне зависит от предыдущих символов независимо. Второе, из описания, я так понял, вы полагаетесь на шаг. Это слишком сильные допущения. Интуиция подсказывает, что зависимости могут быть сложнее. Например, распознавание образов, где есть подобие, а не четкое соответствие размерам, такой интеллект вряд ли чему-то научится.
С пониманием текста должно быть где-то то же самое. Т.к. смысл написанного — это не текст, а те же нечеткие представления (нетекстовые). Для какой-то классификации/кластеризации текстов может быть подойдет. Марковские цепи иногда используют.
Но что это такое? Кроме того, что причина не опережает следствие, сказать просто так об этом ничего нельзя.
Вы считаете, что вероятность появления символа на первом уровне зависит от предыдущих символов независимо. Второе, из описания, я так понял, вы полагаетесь на шаг. Это слишком сильные допущения. Интуиция подсказывает, что зависимости могут быть сложнее. Например, распознавание образов, где есть подобие, а не четкое соответствие размерам, такой интеллект вряд ли чему-то научится.
С пониманием текста должно быть где-то то же самое. Т.к. смысл написанного — это не текст, а те же нечеткие представления (нетекстовые). Для какой-то классификации/кластеризации текстов может быть подойдет. Марковские цепи иногда используют.
Каждый символ это ключ. От каждого символа есть верлятность обнаружить на некотором расстоянии доугой символ. Не важно, вперед или назад. Самые устойчивые переходы объединяются. И так все выше и выше, представление 5 порядка проверяется 32 исходными признаками перехода от символа к символу.
По 5-7 признакам это представление подтверждается, по 2-3 опровергается. Пять подтверждений определяют одно. Представление пятого порядка из 32.
При этом представления могут быть как локальными, так и сильно разреженными.
По 5-7 признакам это представление подтверждается, по 2-3 опровергается. Пять подтверждений определяют одно. Представление пятого порядка из 32.
При этом представления могут быть как локальными, так и сильно разреженными.
угу. Назад зачем?
Ну да ладно. Под «шагом» я подразумевал строго заданное расстояние. Это и есть субъективный домысел. Т.е. допущение. А значит и ограничение модели.
Ну да ладно. Под «шагом» я подразумевал строго заданное расстояние. Это и есть субъективный домысел. Т.е. допущение. А значит и ограничение модели.
Потому что у перехода два ключа. Один вперед, другой назад. И предыдущий символ может определять представление в теакой же степени, как и следующий.
Безмерные множества тоже могут быть полезнее, метафизически, сначала появляются признаки, а только потом мера расстояний между ними. Для уменьшения количества вычислений применяется хак. Обязательная метрика вводится только для ускорения контроля адекватности контекста. Когда метрика есть, для проверки представления «это кухня?» нужно проверить менее двухсот прямо адресуемых признаков.
Безмерные множества тоже могут быть полезнее, метафизически, сначала появляются признаки, а только потом мера расстояний между ними. Для уменьшения количества вычислений применяется хак. Обязательная метрика вводится только для ускорения контроля адекватности контекста. Когда метрика есть, для проверки представления «это кухня?» нужно проверить менее двухсот прямо адресуемых признаков.
sparse distributed representations должны помочь.
проблема комбинаторного взрыва обычно нивелируется введением параметра важности, который вполне может зависеть от ситуации. Обычно получается, что абсолютное большинство состояний не важны настолько, чтобы их хранить отдельно.
проблема комбинаторного взрыва обычно нивелируется введением параметра важности, который вполне может зависеть от ситуации. Обычно получается, что абсолютное большинство состояний не важны настолько, чтобы их хранить отдельно.
Интересно мнение автора по-поводу будущего социального поиска по фейсбуку. Что он думает на этот счет? Пересекается ли эта идея с его видением ИИ (сколько-нибудь отдаленным)?
Я, откровенно говоря, не думал о социальном поиске по фейсбуку и его будущем. Расскажите, что Вы имеете в виду, пожалуйста?
Не знаю, доступно ли я выражаюсь, но суть в следующем.
Допустим, вы спрашиваете у компьютера «Где сейчас 17 часов?» Находясь при этом в Москве. У вас тем временем полдень.
Акцент здесь не в том, чтобы компьютер просто нашел строчку со временем и сказал вам город напротив нее, а в интерпретации пошагового метода достижения компьютером конечной точки, согласно имеющимся в нем данным и на основании поступившего извне условия. Иными словами, компьютер должен понять (это необязательно соотносить с одушевленным пониманием), что ему нужно придти в̶ ̶б̶и̶б̶л̶и̶о̶т̶е̶к̶у̶ ̶и̶ ̶з̶а̶п̶р̶о̶с̶и̶т̶ь к таблице UTC, а там уже дело за малым. Понять что стоит между условием и результатом.
Запрос конвертируется в категории:
Места\момент\время
? \сейчас\17:00
Соберем данные «под рукой» (вдруг это и есть результат) для точки отсчета под каждую из категорий.
Москва\сейчас\12:00
Обнаруживаем противоречие. (Если в памяти нет информации хотя бы о существовании таблицы UTC, то и человеку будет трудно с этой задачей — это уже вопрос ее добычи)
Касательно знаний об UTC: в конкретном случае должен присутствовать опыт, по которому его (UTC-категория, называйте как угодно) определение комплексом исходных категорий стало бы очевидным (или хотя бы допустимым) следствием.
Предположим оптимистичный вариант выхода на эту плоскость.
Подключаем логику, вычисляем разницу (не обязательно числовую, главное — качественную). Ищем компенсацию через нашу UTC-категорию. Находим тот же Сеул, подставляем.
Удостоверяемся в устранении неурядицы. Радуемся результату.
У фейсбука пока с этим попроще, оно им сейчас не сильно надо в такой ипостаси, но если поднажмут в этом направлении — будет что-то похожее, я думаю.
Допустим, вы спрашиваете у компьютера «Где сейчас 17 часов?» Находясь при этом в Москве. У вас тем временем полдень.
Акцент здесь не в том, чтобы компьютер просто нашел строчку со временем и сказал вам город напротив нее, а в интерпретации пошагового метода достижения компьютером конечной точки, согласно имеющимся в нем данным и на основании поступившего извне условия. Иными словами, компьютер должен понять (это необязательно соотносить с одушевленным пониманием), что ему нужно придти в̶ ̶б̶и̶б̶л̶и̶о̶т̶е̶к̶у̶ ̶и̶ ̶з̶а̶п̶р̶о̶с̶и̶т̶ь к таблице UTC, а там уже дело за малым. Понять что стоит между условием и результатом.
Запрос конвертируется в категории:
Места\момент\время
? \сейчас\17:00
Соберем данные «под рукой» (вдруг это и есть результат) для точки отсчета под каждую из категорий.
Москва\сейчас\12:00
Обнаруживаем противоречие. (Если в памяти нет информации хотя бы о существовании таблицы UTC, то и человеку будет трудно с этой задачей — это уже вопрос ее добычи)
Касательно знаний об UTC: в конкретном случае должен присутствовать опыт, по которому его (UTC-категория, называйте как угодно) определение комплексом исходных категорий стало бы очевидным (или хотя бы допустимым) следствием.
Предположим оптимистичный вариант выхода на эту плоскость.
Подключаем логику, вычисляем разницу (не обязательно числовую, главное — качественную). Ищем компенсацию через нашу UTC-категорию. Находим тот же Сеул, подставляем.
Удостоверяемся в устранении неурядицы. Радуемся результату.
У фейсбука пока с этим попроще, оно им сейчас не сильно надо в такой ипостаси, но если поднажмут в этом направлении — будет что-то похожее, я думаю.
Для меня это хак. Я не симулирую понимание, я его реализую.
То есть категории места, времни, объектов, субъектов у меры автоматически выводятся классификатором.
И если в контексте мы общаемся с Васей в Москве и с Петей во Владивостоке, для них местное время разное и все эти категории должны быть выведены, а не спланированы.
На digitid.livejournal.com у меня есть ранние заметки с перечислением категорий, необходимых для возможности общения ИИ с человеком. Но я не стал модель под них ломать. Выяснилось, что не ограничивая порядок представлний достигается та же цель, только представления о субъектах складываются не в определенном уровне порядка, а размазываются довольно широко, и объединяются в контексты представлений, которые легко именовать.
Процесс именования и разыменования так же можно сделать через хак, чтобы прямо наблюдать в сети понятные человеку представления и их связи. И скорее всего в символьном драйвере этот хак стоит применить, чтобы значительно облегчить процесс обучения системы общению на естественных языках. Вот только с таким хаком классификатор не построит редставлений, подходящих для перевода с языка на язык. Поэтому хак не исключает исследований естественного обучения системы общению, через сопоставление внутреннего языка вешнему на основе формирования сферы языковых представлний-имен.
То есть категории места, времни, объектов, субъектов у меры автоматически выводятся классификатором.
И если в контексте мы общаемся с Васей в Москве и с Петей во Владивостоке, для них местное время разное и все эти категории должны быть выведены, а не спланированы.
На digitid.livejournal.com у меня есть ранние заметки с перечислением категорий, необходимых для возможности общения ИИ с человеком. Но я не стал модель под них ломать. Выяснилось, что не ограничивая порядок представлний достигается та же цель, только представления о субъектах складываются не в определенном уровне порядка, а размазываются довольно широко, и объединяются в контексты представлений, которые легко именовать.
Процесс именования и разыменования так же можно сделать через хак, чтобы прямо наблюдать в сети понятные человеку представления и их связи. И скорее всего в символьном драйвере этот хак стоит применить, чтобы значительно облегчить процесс обучения системы общению на естественных языках. Вот только с таким хаком классификатор не построит редставлений, подходящих для перевода с языка на язык. Поэтому хак не исключает исследований естественного обучения системы общению, через сопоставление внутреннего языка вешнему на основе формирования сферы языковых представлний-имен.
Здравствуйте.
Можете более подробно рассказать каким образом этот классификатор будетчем-то управлять принимать решения.
Например создаём модель ИИ таракана, он теперь может точно определить что является едой, что является опасными предметами, где он вообще находится, задача — неким образом найти в пространстве еду. Как именно будет работать эта модель ИИ, чтобы принять решение о направлении перемещения?
Можете более подробно рассказать каким образом этот классификатор будет
Например создаём модель ИИ таракана, он теперь может точно определить что является едой, что является опасными предметами, где он вообще находится, задача — неким образом найти в пространстве еду. Как именно будет работать эта модель ИИ, чтобы принять решение о направлении перемещения?
Могу, но подробно это большой объем, а вкратце потребует разъяснений.
Принцип очень прост, ум таракана классифицирует восприятие довольно небольшим числом категорий. Для распознавания категорий ему нужно бегать, его восприятие очень простое.
Тем не менее, число представлений измеряется тысячами.
Я попробую детально рассмотреть их позже, с телефона писать большой текст затруднительно
Принцип очень прост, ум таракана классифицирует восприятие довольно небольшим числом категорий. Для распознавания категорий ему нужно бегать, его восприятие очень простое.
Тем не менее, число представлений измеряется тысячами.
Я попробую детально рассмотреть их позже, с телефона писать большой текст затруднительно
Третий термин это субпредставление. Субпредставление это отношение признака к представлению. Для всех представлений его признаки — это субпредставления.
Субпредставление = признак/представление то есть представление = признак/Субпредставление, если принять признак=Субпредставление — то представление равно 1
Определение Субпредставления слишком размыто, либо я его не понял
Не так поняли
Представление состоит из признаков. Признаки определяют представления. Если ввести еще два уровня ниже признака и выше представления, то для верхнего представления представление будет суперпризанком, а для нижнего признака признак будет субпредставлением.
Проще говоря, признак это одновременно представление на основе других признаков и наоборот, представление это признак для другого представления
Представление состоит из признаков. Признаки определяют представления. Если ввести еще два уровня ниже признака и выше представления, то для верхнего представления представление будет суперпризанком, а для нижнего признака признак будет субпредставлением.
Проще говоря, признак это одновременно представление на основе других признаков и наоборот, представление это признак для другого представления
Не мог пропустить такую тему. Сам страдаю подобными исследованиями. Мое мнение выглядит следующим образом: во первых — любые попытки сформулировать философию интеллекта заканчиваются 100% пониманием мысли исключительно самим автором; во вторых я считаю, что для создания механики интеллекта нужно четко разделять понятия. К примеру в моем понимании интеллект — это способность принимать решения. Интеллект тесно мвязан с памятью, а вместе они есть блок интеллектуальной механики. Далее есть элементы интеллекта (как нибудь вкатаю статейку на эту тему как вижу ее я).
давай, ждем статейку.
Мне вот непонятно, когда люди говорят и проблеме «принятия решений».
По-моему, такой проблемы вообще нет, потому что есть всего три случая:
1. у нас есть достаточно информации, чтобы однозначно выбрать один из вариантов развития ситуации, который нас наиболее устраивает — проблема выбора не стоит
2. у нас нет информации, чтобы принять взвешенное решение — в этом случае мы спокойно можем принимать любое из доступных решений, все равно мы не можем предугадать, которое из них окажется лучше. Опять же, проблема выбора снимается тривиально.
3. у нас есть какая-то информация, которая один вариант делает более предпочтительным, чем другие, но мы не уверены в этом — выбираем тот вариант, который мы считаем наиболее продуктивным.
Все.
Таким образом, проблема принятия решений не стоит, вопрос лишь в том, есть ли у нас достаточно информации для принятия уверенного решения?
Мне вот непонятно, когда люди говорят и проблеме «принятия решений».
По-моему, такой проблемы вообще нет, потому что есть всего три случая:
1. у нас есть достаточно информации, чтобы однозначно выбрать один из вариантов развития ситуации, который нас наиболее устраивает — проблема выбора не стоит
2. у нас нет информации, чтобы принять взвешенное решение — в этом случае мы спокойно можем принимать любое из доступных решений, все равно мы не можем предугадать, которое из них окажется лучше. Опять же, проблема выбора снимается тривиально.
3. у нас есть какая-то информация, которая один вариант делает более предпочтительным, чем другие, но мы не уверены в этом — выбираем тот вариант, который мы считаем наиболее продуктивным.
Все.
Таким образом, проблема принятия решений не стоит, вопрос лишь в том, есть ли у нас достаточно информации для принятия уверенного решения?
Соглашусь с тем проблема принятия решений надумана.
Реальная проблема это понимание ситуации и тенденций ее изменения. Распознавание действующих сил и наличествующих ценностей.
Реальная проблема это понимание ситуации и тенденций ее изменения. Распознавание действующих сил и наличествующих ценностей.
Любые попытки смоделировать сильный ИИ без «выхода» т.е. моторного воздействия обречены на провал. Никакие классификаторы не будут классифицировать в вакууме. Биологический интеллект реализуется через поведение. Вы же взяли один кусочек из цельной картины — предсказание следующего значения сенсорных входов с учетом контекста и дообучение в случае расхождения реальности с предсказанием. Пока вы философствуете, этот конкретный подход уже реализован и коммерциализирован — см. Numenta. А чего вы хотите добиться путем публикации своих идей?
Не спешите выводами. Понять предлагаемую идею действительно непросто, пока мне удается доносить ее только дискуссионно, чаще всего тет-а-тет. Учусь делать это на широкую аудиторию.
Я уже написал выше, разовью мысль подробнее.
Запрос к драйверу индекса определяет внешнее поведение системы. Не нужно отдельно определять моторную систему. Поведение системы определено направлением внимания. Внимание направлено на некоторое представление и выяснение актуальности этого представления для текущей ситуации есть последовательность запросов к драйверам для восприятия символов измеряемых сфер восприятия.
Например, для того, чтобы посмотреть в область на пару градусов правее, достаточно считать соседние пиксели в картинке с камеры. А для того, чтобы посмотреть на 90 градусов правее и на 1750 процентов вдаль, необходимо повернуть корпус и сфокусировать оптическую систему, либо приблизиться на расстояние, достаточное для фокусировки.
Нумента — молодцы, но они все равно не понимают механизма понимания. Я хочу донести до людей адекватный механизм работы понимания. Пока не встречал, чтобы кто-то делал это на технически внятном уровне.
Я за годы исследований не встретил никого, кто может адекватно сказать, как работает понимание, за счет чего оно возникает, из чего состоит.
Могу держать пари, на 1000 долларов, что Вы не найдете никого, кто сможет внятно объяснить эти вопросы, кроме меня. Я понимаю, что это серьезные амбиции, но я потратил достаточно времени на обсуждения и исследования, чтобы убедиться в своей правоте.
Как бы это ни звучало.
Я уже написал выше, разовью мысль подробнее.
Запрос к драйверу индекса определяет внешнее поведение системы. Не нужно отдельно определять моторную систему. Поведение системы определено направлением внимания. Внимание направлено на некоторое представление и выяснение актуальности этого представления для текущей ситуации есть последовательность запросов к драйверам для восприятия символов измеряемых сфер восприятия.
Например, для того, чтобы посмотреть в область на пару градусов правее, достаточно считать соседние пиксели в картинке с камеры. А для того, чтобы посмотреть на 90 градусов правее и на 1750 процентов вдаль, необходимо повернуть корпус и сфокусировать оптическую систему, либо приблизиться на расстояние, достаточное для фокусировки.
Нумента — молодцы, но они все равно не понимают механизма понимания. Я хочу донести до людей адекватный механизм работы понимания. Пока не встречал, чтобы кто-то делал это на технически внятном уровне.
Я за годы исследований не встретил никого, кто может адекватно сказать, как работает понимание, за счет чего оно возникает, из чего состоит.
Могу держать пари, на 1000 долларов, что Вы не найдете никого, кто сможет внятно объяснить эти вопросы, кроме меня. Я понимаю, что это серьезные амбиции, но я потратил достаточно времени на обсуждения и исследования, чтобы убедиться в своей правоте.
Как бы это ни звучало.
как вам такой вариант:
понимание в мозгу возникает тогда, когда пришедшая информация в процессе обработки мозгом не приводит к противоречивым выводам.
понимание в мозгу возникает тогда, когда пришедшая информация в процессе обработки мозгом не приводит к противоречивым выводам.
Спасибо всем, кто обратил внимание на статью.
Я сделал для себя три важных вывода.
1. На хабре статьи лучше не писать без выверки и хороших иллюстраций
2. Разделять философию и технические детали реализации трудно, но необходимо. Когда получится восстановить карму для новых публикаций подготовлю две раздельные статьи
3. Ну, и, пока кармы мало, буду стараться отвечать на вопросы тех, кто заинтересовался идеей рямо в комментариях
Постараюсь больше не портить себе карму в будущем.
Я сделал для себя три важных вывода.
1. На хабре статьи лучше не писать без выверки и хороших иллюстраций
2. Разделять философию и технические детали реализации трудно, но необходимо. Когда получится восстановить карму для новых публикаций подготовлю две раздельные статьи
3. Ну, и, пока кармы мало, буду стараться отвечать на вопросы тех, кто заинтересовался идеей рямо в комментариях
Постараюсь больше не портить себе карму в будущем.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Как работает интеллект (единый алгоритм различения и обобщения)