Спасибо за развёрнутый комментарий. Я так глубоко не копаю, объём задач такой что едва хватает времени находить работоспособные пути и двигаться дальше. Но наверняка многим эта информация будет весьма полезной.
В в Linux ИМХО вообще много странного. Одних команд просмотра состояния сети наверно штук 10.
Просто если гуглить «ubuntu установка deb пакетов» — то в топе висит статья Установка deb пакетов в Ubuntu и там как раз советуется способ:
sudo apt-get install gdebi
При этом там же сказанно что способ с dpkg сулит проблемами с зависимостями.
Собственно gdebi это просто один из способов. Каждый выбирает себе сам.
Ну звук работающего двигателя да ещё и с редуктором — не думаю что он тихий. А соленоид вообще никаких звуков не издаёт. Ну да ладно.
Есть ещё целое семейство индикаторов — блинкеры. Раньше стояли на всяких вокзалах на табло и автобусах. Это то что сделал автор. Сейчас из светодиоды заменили.
Как по мне лучше бы сделать стержень с 2 катушками — по краям. Подал ток на одну — стержень втянулся в одну строну. Подал на другую — в другую. Надёжность и простота на порядок выше чем у двигателей с кучей шестерней.
Или просто 2 соленоида — конструктивно один открывал, другой закрывал бы сегмент.
Не конечно не работал. Мне всё это приснилось. А в реальном мире у всех домохозяек стоит *nix. А красноглазики возятся со своим Windows и смотрят на всех с высока.
И да у меня встречный вопрос — а вы статью тоже хотя бы по диагонали просматривали или сразу в обвинения пошли?
Если нет — то там в статье написано. Если настроить и не трогать машину, то она работает годами. Собственно у нас есть сервера которые более 5 лет не выключались и не перезагружались. Ну и обновления под строгим учётом и перепроверкой работоспособности нужных модулей.
Какая мышка? Вы статью вообще вообще хотя бы наискосок смотрели? Какой гуй? Я работаю с сервреом только по SSH — и считаю это очень удобным.
По поводу RAID — ну ка расскажите какая там консоль когда ставишь систему с 0 на голые диски. С разбитием секторов и прочего.Конечно гуем это не назвать, но это и не так консоль про которую мы все знаем.
Если вы такого не делали то расскажу — там идёт ряд настоечных консолеподобных окон где делаются все действия. Надо было создать несколько разделов а потом объединить их в RAID. И делалось это весьма нетривиальным способом. И как раз на последних этапах ничего не работало.
И да RAID можно делать и на установленной системе. Например когда диски добавляешь к уже рабочей системе. Тогда да — мы пользуемся стандартными улитами для создания RAID из привычной консоли.
Дополню решение «багов». У нас сервер поддерживает загрузку больших файлов. Но ClamAV вылетал с ошибкой без пояснения при попытке проверить такой файл.
Оказалось есть такая настройка в clamd.conf:
StreamMaxLength
которая по дефолту ровнялась 25 мегабайтам.
Собственно такой размер явно прослеживается от максимального размера прикреплённого файла для email (хотя этот параметр очень разный в зависимости от сервера). И т.к. ClamAV ориентирован на mail сервера.
Установка параметра в 1024M — помогла проверять файлы до гигабайта. 800 метров на тестовой средней машине проверялось где то за полторы секунды. Хороший результат.
Ну я написал вроде в статье почему.
С официальной репы качалась только версия 0.102.1. Меня в принципе она бы устроила. Но эта версия устарела настолько что не качала базы данных. При попытке скачать их так и писалось — мол ваша версия очень древняя и не может скачать базы данных.
Я пытался сделать так что бы по команде apt-get качалась не офф-версия, а последняя — но для этого мне надо было бы перенастроить сервер с офф-репозитория на экспериментальный (с новым версиями). Собственно я не захотел идти на этот шаг — потому как велик риск угробить сервер.
Я выбрал путь просто скачать и установить dep пакет с последней версией. Но она оказалась без демонов. Собственно про это всё я писал в статье. Плюс потом демон API упорно не слушал порт. Как это починить я как раз и написал.
А что по поводу баз данных. Я уже думаю как решить этот вопрос. Ведь базы данных это просто 4 файла (я так думаю). И получается что просто надо найти где ещё эти файлы лежат в сети (а это open source, где то же ещё лежать должны), и скачать их напрямую. Даже демон clamav-freshclam не нужен будет. Для закачки этих файлов я могу и своего написать.
root@ubuntu:~# service clamav-freshclam stop
root@ubuntu:~# freshclam
ClamAV update process started at Thu Mar 17 09:45:09 2022
daily database available for update (local version: 26472, remote version: 26484)
Current database is 12 versions behind.
Downloading database patch # 26473…
Time: 0.2s, ETA: 0.0s [========================>] 16B/16B
WARNING: downloadPatch: Can't download daily-26473.cdiff from database.clamav.net/daily-26473.cdiff
WARNING: Incremental update failed, trying to download daily.cvd
Time: 0.1s, ETA: 0.0s [========================>] 16B/16B
ERROR: Can't create freshclam.dat in /var/lib/clamav
Hint: The database directory must be writable for UID 111 or GID 117
WARNING: Can't download daily.cvd from database.clamav.net/daily.cvd
WARNING: FreshClam received error code 403 from the ClamAV Content Delivery Network (CDN).
This could mean several things:
1. You are running an out-of-date version of ClamAV / FreshClam.
Ensure you are the most updated version by visiting www.clamav.net/downloads
2. Your network is explicitly denied by the FreshClam CDN.
In order to rectify this please check that you are:
a. Running an up-to-date version of FreshClam
b. Running FreshClam no more than once an hour
c. If you have checked (a) and (b), please open a ticket at github.com/Cisco-Talos/clamav/issues
and we will investigate why your network is blocked.
WARNING: You are on cool-down until after: 2022-03-18 09:45:10
ERROR: Database update process failed: Forbidden; Blocked by CDN
ERROR: Update failed.
Как то давным-давно разговаривал с владельцем немаленького завода. И ему надо было идти на операцию. И он сказал что очень рад что его будет оперировать молодой специалист, а не старый. Не помню что он против старых имел ввиду, что то вроде — они сто раз делали одно и тоже и на 101 раз могут с пренебрежением отнестись к делу.
Меня тогда поразила его логика.
Никакой морали в этом нет, просто факт из жизни.
Операция прошла хорошо.
Искусственная нейронная сеть за сколько найдет кота?
Современные сети по распознаванию картинок узко специализированные. Сеть которая распознаёт китайские лица, не сможет распознавать котиков. Конечно можно изнасиловать сеть и сделать что бы она распознавала и то и другое — но думаю что качество такого распознавания упадёт ниже плинтуса.
Человеческий мозг может распознавать сотни тысяч образов в одной «мясной» сети. Без потери качества распознавания. Т.е какой-нибудь котик похожий на китайца, не распознается китайским лицом.
Разумеется проблема только в скорости распознавания. Но мозг не машина что бы работать на гигагерцах и потреблять мегаватты.
Мозг в миллионы раз медленней.
Ну если считать приведённый вами параметр в 5мс, то это только в 500 тысяч раз медленее чем гигагерц. Но мозг медленность отдельного нейрона — компенсирует одновременной работой миллиардов нейронов и триллионов их связей.
Опять же малая частота переключений способствует малому энергопотреблению.
Мозг медленней в числодробилках. Но он и не для этого создавался природой. Он быстрый в других задачах. Нелинейной логиге. Обработка образов. Разных — а не однотипных. Не в миллионе одинаковых котов, а в миллионе разных объектов.
И на процессоре нейронные сети не считают сложные, есть видеокарты
Видеокарты те же процессоры, только простенькие и объеденены в кластеры — управляющие ножки процессоров соединены, только шина данных разная. Сделано для того что бы делать одинаковые операции над большим объёмом данных за единицу времени.
Грубо говоря видеокарта тот же процессор но с большим количеством потоков. и с невозможностью работы каждого процессора индивидуально. Только группами.
Сколько там таких процессоров для современных видюх? 4000 тысячи на карту? Но это не отменяет того факта что нейроны нам надо эмулировать — от этой эмуляции дикий провал в производительности по сравнению с нативной реализацией нейронов.
Опять же ограничения что не каждый процессор индивидуален как нейрон. Это будет накладывать опять оверхед на реализацию нейронной сети на видеокарте.
Да, только выбор структуры сети непонятно как делать.
Да, я уверен что открытие архитектуры мозга впереди. Как поймём общие принципы — и построим грамотную архитектуру, возможно и не надо будет сумасшедшие вычислительные мощности, что бы прям каждый нейрон мозга эмулировать.
Это было справедливо лет 20 назад. Сейчас по распознаванию информации нейронные сети опережают
Современые нейронные сети достаточно примитивны. Я сам их писал например для распознавания капч. Если грубо то работают они так. На вход подаётся картинка. Разбивается на блоки, допустим до чисел. Далее числа поступают на входной слой сети.
Кстати картинку которую вы привели это как раз и есть персептрон (хот там и написано это).
Далее информация проходит от слоя к слою. В принципе для простых вещей достаточно одного-двух слоёв. Данные между слоями проходят в зависимости от того пропустит нейрон их дальше или нет. А вот эта способность зависит от того как мы обучаем сетку. Процесс обучения — подаём на вход например цифру 9. Потом смотри выход. Например у нас 10 выходов. И мы настраиваем веса нейронов в слое что бы в результате сигнал пришёл на 9 выход. Так прогоняем кучу картинок для всех цифр. И настаиваем сеть.
До недавнего времени такая схема использовалась практически для всех нейросетей по распознаванию картинок, в тех или иных вариациях.
Но относительно недавно учёные рассмотрели под микроскопом часть мозга куда входит нервы от глаз. Посмотрели как устроены там нейроны — и придумали свёрточные сети. Это был прорыв.
Но опять же почему я называю все эти сети примитивными. Потому ка кони работаю как конечные автоматы. Подал сигнал на вход. Получил сигнал на выходе. А вот в мозге после «мясной» свёрточной сети — которая раскладывает видеопоток на образы, данные поступают более глубокие части обработки. Где и происходит вся магия.
К чему я это. Допустим наша сетка обучена распознавать котиков. Сколько там надо для этого ресурсов? Процессоров, памяти. Но эта сетка абсолютно не способна распознавать например деревья. Получается надо уже 2 сети. И так по всем образам? Не многовато ли надо ресурсов? Мозг же определяет всё одновременно.
И ещё ест один феномен. Что бы обучить сеть надо скормить гигабайты дадасетов. Т.е. гигабайты картинок — что бы установить веса для нейронов.
Человеческому взрослому же мозгу достаточно показать например 1 «чужого»-монстра из кинофильма. И человек абсолютно на всех картинках определит этого чужого.
А в искусственных нейронных сетях структуру можно менять на ходу,
Вся проблема искусственных нейросетей то что они эмулируют нейроны. Т.е. написана программа которая делает виртуальный нейрон и его поведение. Я думаю не будет спора в то насколько такая эмуляция неэффективна? Ведь для того что бы например сделать 1 такт работы такого виртуального нейрона — в реальности это куча инструкций процессора, куча чтений из памяти и запись в память. Куча операций АЛУ. И всё это ПОСЛЕДОВАТЕЛЬНО.
А вот в мозге это происходит почти мгновенно. Данные в аксоне передаются электрическим полем. Таймауты в основном только на приём данных уже непосредственно в нейроне. Но тут опять же надо смотреть что за тайм ауты. Ведь данные между нейронами передаются в частотной кодировке.
И при этом все нейроны работают одновременно.
И да как работают современные нейросети непонятны только обывателям — кто их пишет им всё понятно.
Про как работает логика знаю. Я как бы ещё и электронщик. Ещё во времена учёбы на картах Карно большие блоки логики разрабатывал.
Но вот нейрон несколько сложнее. Каждый нейрон обладает собственным поведением — обусловленным текущим строением его ДНК. Поэтому нейрон можно отнести к некоторому логическому центру.
А вот логические элементы я бы не относил. Они достаточно примитивны. Количество входов не меняется (нейрон же может отрастить лишнюю тысячу или убрать). И способ переключения тоже. Но с помощью их можно уже строить логические центры. Тот же АЛУ.
Я это всё пишу только для того что бы показать — логических центров в мозге гораздо больше чем в современных процессорах. И получается, что причины почему до сих пор не создан сильный ИИ — только в мощностях. Подрастут мощностя и ИИ появятся.
А там и человеки не нужны будут. И ИМХО это уже не далёкое будущее.
Опять же про последние исследование читал — что даже дендриты, т.е. входы не просто входы, а обладают своей логикой работы.
Зачем вообще в природе сложилась система, называемая самосознанием.
В процессе эволюции мозг научился строить проекцию реальности. Т.е. то что мы видим — это не совсем то что мы видим. Это то что мозг строит внутри себя. Это было необходимо что бы мозг мог взаимодействовать с реальностью.
Изначально то и зрения и слуха не было. Только пару импульсов от щупальцев. Поэтому как то мир вокруг себя надо было проецировать.
А раз есть проекция то и в ней должна быть и модель самого носителя мозга.
При этом появляются такие возможности (преимущества для эволюции, преимущества что бы выжить и передать эти возможности следующему поколению) что мы можем в голове представить например пропасть. Себя. Как мы шагаем в пропасть и разбиваемся на камнях. И мозг понимает что так делать не надо.
Собственно почему мозг мог построить такую картину. Потому что видел её например как кто то другой это сделал. Ну или на собственном опыте. Уже шагнул в пропасть но не разбился.
А от проекции мира и проекции себя в этом мире до сознания один шаг.
Все нейроны одновременно включаются только в приступе эпилепсии.
Когда я говорил одновременно я конечно не имел ввиду что они все одновременно выдатут импульс. Это не имеет смысла.
Я имел ввиду что они одновременно находятся в работе. А что такое работа для нейрона? Это отслеживании приходящих импульсов с дендритов. И нейрон это делает постоянно. Каждую микросекунду. Если уже привязывать аналоговый нейрон к таймаутам которые имеют место быть в цифровой тактируемой системе.
И получаем что все нейроны в мозге одновременно работают. Ждут импульсы. И да если на всех дендритах всех нейронах будут импульсы достаточные для активации — все нейроны одновременно сработают.
Если уже сравнивать то это больше похоже на ПЛИС.
Процессор жёстко привязан к тактовому генератору. И жёстко привязан к алгоритму — последовательное выполнение команд.
В мозге нету такой привязки. Мозг как бы одновременно выполняет все команды из программы.
Короче я пытаюсь скрестить ужа с ежом — сравнивать параллельную и последовательную архитектуру.
Можно с обратной стороны зайти, сколько нейронов нужно для имитации АЛУ на нескольких транзисторах?
Ну АЛУ не из нескольких транзисторов состоит. Но не в этом дело.
Классический АЛУ наверно можно сделать и на 1 нейроне. Сумматор там и подобное. Входов нейрон может иметь тысячи. Правда 1 битный будет. Ведь 1 выход только.
Другое дело что классический АЛУ не требовался эволюцией. Говорю так потому как если бы требовалось — все мы бы сейчас имели в голове по АЛУ.
А вот всякие ПИД регуляторы — прям везде. другие нелинейные алгоритмы.
Я точно не помню — но читал что учёные исследователи клетку то ли ещё кого, в общем путь будет клетка. Она решала сложнейший алгоритмическую задачу по поиску еды. Было удивительно как в таком малом организме эволюцией был найден механизм решения очень сложной математической задачи. Там решение этой задачи на современных компьютерах должно было занять много ресурсов, а тут одна клетка.
Upd. Перечитал коммент и понял что мне могут возразить — мол в процессоре все транзисторы тоже работаю постоянно. Ожидают сигнала.
Однако — большая часть транзисторов не выполняет, как бы сказать, логическую операцию что ли. Собственно ни один транзистор этого не делает.
Все транзисторы реализуют как бы виртуальный АЛУ (тут я не говорю про кеши, шины данных и прочее). Который как раз и выполняет логическую операцию.
В мозге же каждый нейрон выполняет логическую операцию.
Просто если гуглить «ubuntu установка deb пакетов» — то в топе висит статья Установка deb пакетов в Ubuntu и там как раз советуется способ:
При этом там же сказанно что способ с dpkg сулит проблемами с зависимостями.
Собственно gdebi это просто один из способов. Каждый выбирает себе сам.
Есть ещё целое семейство индикаторов — блинкеры. Раньше стояли на всяких вокзалах на табло и автобусах. Это то что сделал автор. Сейчас из светодиоды заменили.
Или просто 2 соленоида — конструктивно один открывал, другой закрывал бы сегмент.
И да у меня встречный вопрос — а вы статью тоже хотя бы по диагонали просматривали или сразу в обвинения пошли?
Если нет — то там в статье написано. Если настроить и не трогать машину, то она работает годами. Собственно у нас есть сервера которые более 5 лет не выключались и не перезагружались. Ну и обновления под строгим учётом и перепроверкой работоспособности нужных модулей.
По поводу RAID — ну ка расскажите какая там консоль когда ставишь систему с 0 на голые диски. С разбитием секторов и прочего.Конечно гуем это не назвать, но это и не так консоль про которую мы все знаем.
Если вы такого не делали то расскажу — там идёт ряд настоечных консолеподобных окон где делаются все действия. Надо было создать несколько разделов а потом объединить их в RAID. И делалось это весьма нетривиальным способом. И как раз на последних этапах ничего не работало.
И да RAID можно делать и на установленной системе. Например когда диски добавляешь к уже рабочей системе. Тогда да — мы пользуемся стандартными улитами для создания RAID из привычной консоли.
Оказалось есть такая настройка в clamd.conf:
которая по дефолту ровнялась 25 мегабайтам.
Собственно такой размер явно прослеживается от максимального размера прикреплённого файла для email (хотя этот параметр очень разный в зависимости от сервера). И т.к. ClamAV ориентирован на mail сервера.
Установка параметра в 1024M — помогла проверять файлы до гигабайта. 800 метров на тестовой средней машине проверялось где то за полторы секунды. Хороший результат.
DNSDatabaseInfo current.cvd.clamav.net
DatabaseMirror database.clamav.net
Т.е. достаточно найти зеркала баз данных.
С официальной репы качалась только версия 0.102.1. Меня в принципе она бы устроила. Но эта версия устарела настолько что не качала базы данных. При попытке скачать их так и писалось — мол ваша версия очень древняя и не может скачать базы данных.
Я пытался сделать так что бы по команде apt-get качалась не офф-версия, а последняя — но для этого мне надо было бы перенастроить сервер с офф-репозитория на экспериментальный (с новым версиями). Собственно я не захотел идти на этот шаг — потому как велик риск угробить сервер.
Я выбрал путь просто скачать и установить dep пакет с последней версией. Но она оказалась без демонов. Собственно про это всё я писал в статье. Плюс потом демон API упорно не слушал порт. Как это починить я как раз и написал.
А что по поводу баз данных. Я уже думаю как решить этот вопрос. Ведь базы данных это просто 4 файла (я так думаю). И получается что просто надо найти где ещё эти файлы лежат в сети (а это open source, где то же ещё лежать должны), и скачать их напрямую. Даже демон clamav-freshclam не нужен будет. Для закачки этих файлов я могу и своего написать.
Мда… Вовремя я статью написал…
Меня тогда поразила его логика.
Никакой морали в этом нет, просто факт из жизни.
Операция прошла хорошо.
Современные сети по распознаванию картинок узко специализированные. Сеть которая распознаёт китайские лица, не сможет распознавать котиков. Конечно можно изнасиловать сеть и сделать что бы она распознавала и то и другое — но думаю что качество такого распознавания упадёт ниже плинтуса.
Человеческий мозг может распознавать сотни тысяч образов в одной «мясной» сети. Без потери качества распознавания. Т.е какой-нибудь котик похожий на китайца, не распознается китайским лицом.
Разумеется проблема только в скорости распознавания. Но мозг не машина что бы работать на гигагерцах и потреблять мегаватты.
Ну если считать приведённый вами параметр в 5мс, то это только в 500 тысяч раз медленее чем гигагерц. Но мозг медленность отдельного нейрона — компенсирует одновременной работой миллиардов нейронов и триллионов их связей.
Опять же малая частота переключений способствует малому энергопотреблению.
Мозг медленней в числодробилках. Но он и не для этого создавался природой. Он быстрый в других задачах. Нелинейной логиге. Обработка образов. Разных — а не однотипных. Не в миллионе одинаковых котов, а в миллионе разных объектов.
Видеокарты те же процессоры, только простенькие и объеденены в кластеры — управляющие ножки процессоров соединены, только шина данных разная. Сделано для того что бы делать одинаковые операции над большим объёмом данных за единицу времени.
Грубо говоря видеокарта тот же процессор но с большим количеством потоков. и с невозможностью работы каждого процессора индивидуально. Только группами.
Сколько там таких процессоров для современных видюх? 4000 тысячи на карту? Но это не отменяет того факта что нейроны нам надо эмулировать — от этой эмуляции дикий провал в производительности по сравнению с нативной реализацией нейронов.
Опять же ограничения что не каждый процессор индивидуален как нейрон. Это будет накладывать опять оверхед на реализацию нейронной сети на видеокарте.
Да, я уверен что открытие архитектуры мозга впереди. Как поймём общие принципы — и построим грамотную архитектуру, возможно и не надо будет сумасшедшие вычислительные мощности, что бы прям каждый нейрон мозга эмулировать.
Современые нейронные сети достаточно примитивны. Я сам их писал например для распознавания капч. Если грубо то работают они так. На вход подаётся картинка. Разбивается на блоки, допустим до чисел. Далее числа поступают на входной слой сети.
Кстати картинку которую вы привели это как раз и есть персептрон (хот там и написано это).
Далее информация проходит от слоя к слою. В принципе для простых вещей достаточно одного-двух слоёв. Данные между слоями проходят в зависимости от того пропустит нейрон их дальше или нет. А вот эта способность зависит от того как мы обучаем сетку. Процесс обучения — подаём на вход например цифру 9. Потом смотри выход. Например у нас 10 выходов. И мы настраиваем веса нейронов в слое что бы в результате сигнал пришёл на 9 выход. Так прогоняем кучу картинок для всех цифр. И настаиваем сеть.
До недавнего времени такая схема использовалась практически для всех нейросетей по распознаванию картинок, в тех или иных вариациях.
Но относительно недавно учёные рассмотрели под микроскопом часть мозга куда входит нервы от глаз. Посмотрели как устроены там нейроны — и придумали свёрточные сети. Это был прорыв.
Но опять же почему я называю все эти сети примитивными. Потому ка кони работаю как конечные автоматы. Подал сигнал на вход. Получил сигнал на выходе. А вот в мозге после «мясной» свёрточной сети — которая раскладывает видеопоток на образы, данные поступают более глубокие части обработки. Где и происходит вся магия.
К чему я это. Допустим наша сетка обучена распознавать котиков. Сколько там надо для этого ресурсов? Процессоров, памяти. Но эта сетка абсолютно не способна распознавать например деревья. Получается надо уже 2 сети. И так по всем образам? Не многовато ли надо ресурсов? Мозг же определяет всё одновременно.
И ещё ест один феномен. Что бы обучить сеть надо скормить гигабайты дадасетов. Т.е. гигабайты картинок — что бы установить веса для нейронов.
Человеческому взрослому же мозгу достаточно показать например 1 «чужого»-монстра из кинофильма. И человек абсолютно на всех картинках определит этого чужого.
Вся проблема искусственных нейросетей то что они эмулируют нейроны. Т.е. написана программа которая делает виртуальный нейрон и его поведение. Я думаю не будет спора в то насколько такая эмуляция неэффективна? Ведь для того что бы например сделать 1 такт работы такого виртуального нейрона — в реальности это куча инструкций процессора, куча чтений из памяти и запись в память. Куча операций АЛУ. И всё это ПОСЛЕДОВАТЕЛЬНО.
А вот в мозге это происходит почти мгновенно. Данные в аксоне передаются электрическим полем. Таймауты в основном только на приём данных уже непосредственно в нейроне. Но тут опять же надо смотреть что за тайм ауты. Ведь данные между нейронами передаются в частотной кодировке.
И при этом все нейроны работают одновременно.
И да как работают современные нейросети непонятны только обывателям — кто их пишет им всё понятно.
Но вот нейрон несколько сложнее. Каждый нейрон обладает собственным поведением — обусловленным текущим строением его ДНК. Поэтому нейрон можно отнести к некоторому логическому центру.
А вот логические элементы я бы не относил. Они достаточно примитивны. Количество входов не меняется (нейрон же может отрастить лишнюю тысячу или убрать). И способ переключения тоже. Но с помощью их можно уже строить логические центры. Тот же АЛУ.
Я это всё пишу только для того что бы показать — логических центров в мозге гораздо больше чем в современных процессорах. И получается, что причины почему до сих пор не создан сильный ИИ — только в мощностях. Подрастут мощностя и ИИ появятся.
А там и человеки не нужны будут. И ИМХО это уже не далёкое будущее.
Опять же про последние исследование читал — что даже дендриты, т.е. входы не просто входы, а обладают своей логикой работы.
В процессе эволюции мозг научился строить проекцию реальности. Т.е. то что мы видим — это не совсем то что мы видим. Это то что мозг строит внутри себя. Это было необходимо что бы мозг мог взаимодействовать с реальностью.
Изначально то и зрения и слуха не было. Только пару импульсов от щупальцев. Поэтому как то мир вокруг себя надо было проецировать.
А раз есть проекция то и в ней должна быть и модель самого носителя мозга.
При этом появляются такие возможности (преимущества для эволюции, преимущества что бы выжить и передать эти возможности следующему поколению) что мы можем в голове представить например пропасть. Себя. Как мы шагаем в пропасть и разбиваемся на камнях. И мозг понимает что так делать не надо.
Собственно почему мозг мог построить такую картину. Потому что видел её например как кто то другой это сделал. Ну или на собственном опыте. Уже шагнул в пропасть но не разбился.
А от проекции мира и проекции себя в этом мире до сознания один шаг.
Когда я говорил одновременно я конечно не имел ввиду что они все одновременно выдатут импульс. Это не имеет смысла.
Я имел ввиду что они одновременно находятся в работе. А что такое работа для нейрона? Это отслеживании приходящих импульсов с дендритов. И нейрон это делает постоянно. Каждую микросекунду. Если уже привязывать аналоговый нейрон к таймаутам которые имеют место быть в цифровой тактируемой системе.
И получаем что все нейроны в мозге одновременно работают. Ждут импульсы. И да если на всех дендритах всех нейронах будут импульсы достаточные для активации — все нейроны одновременно сработают.
Если уже сравнивать то это больше похоже на ПЛИС.
Процессор жёстко привязан к тактовому генератору. И жёстко привязан к алгоритму — последовательное выполнение команд.
В мозге нету такой привязки. Мозг как бы одновременно выполняет все команды из программы.
Короче я пытаюсь скрестить ужа с ежом — сравнивать параллельную и последовательную архитектуру.
Ну АЛУ не из нескольких транзисторов состоит. Но не в этом дело.
Классический АЛУ наверно можно сделать и на 1 нейроне. Сумматор там и подобное. Входов нейрон может иметь тысячи. Правда 1 битный будет. Ведь 1 выход только.
Другое дело что классический АЛУ не требовался эволюцией. Говорю так потому как если бы требовалось — все мы бы сейчас имели в голове по АЛУ.
А вот всякие ПИД регуляторы — прям везде. другие нелинейные алгоритмы.
Я точно не помню — но читал что учёные исследователи клетку то ли ещё кого, в общем путь будет клетка. Она решала сложнейший алгоритмическую задачу по поиску еды. Было удивительно как в таком малом организме эволюцией был найден механизм решения очень сложной математической задачи. Там решение этой задачи на современных компьютерах должно было занять много ресурсов, а тут одна клетка.
Upd. Перечитал коммент и понял что мне могут возразить — мол в процессоре все транзисторы тоже работаю постоянно. Ожидают сигнала.
Однако — большая часть транзисторов не выполняет, как бы сказать, логическую операцию что ли. Собственно ни один транзистор этого не делает.
Все транзисторы реализуют как бы виртуальный АЛУ (тут я не говорю про кеши, шины данных и прочее). Который как раз и выполняет логическую операцию.
В мозге же каждый нейрон выполняет логическую операцию.