強人工智能基本問題：全局控制與自組織

版本：0.1

 

前文介紹過，大腦是很是複雜的，研究強人工智能須要參考大腦的結構和算法，來理解並創造智能。人腦算法、結構的祕密都隱藏在DNA和人存在的世界中。從如今的哲學和科學的認知來看，可認爲人腦是自組織的，沒有明確的全局目標函數。而自組織是大腦很是重要的一個特色。自組織最大的好處是人工介入少，這是對智力生產力的解放，表明了下一代生產力。

 

當前的人工神經網絡算法以全局控制爲主流。雖然有一部分自組織的算法，可是其應用範圍很是小。所謂全局控制，即須要比人工神經網絡更高級的觀察者來控制神經網絡，好比設定神經網絡的目標，選擇其算法，設定參數等。而自組織系統則最小化對系統的初始設定，把其他部分交給神經網絡系統本身去調整。

 

在全局控制的神經網絡系統中，全局控制的部分包括：

1）神經網絡算法和數據結構。如今已經出現了不少神經網絡算法，它們有各自的優點和其擅長解決的問題。在解決實際問題中須要根據經驗，或各類方案都試驗一下，來看看哪一種算法給出的結果更好，並決定所使用的算法。通常在算法決定後，數據結構也隨之決定了。

2）神經網絡規模。在一般的機器學習算法中，都在設計模型的過程當中決定每一個模型的規模。規模太大運算複雜度過高，規模過小則沒法得出足夠精確的結果。

3）神經網絡的初始值。因爲大部分神經網絡要解決的問題是多極值的，若是初始值附近的極值不是最優解，可能最終神經網絡很難達到最優解。因此正確的初始值對獲得更優解是很重要的。

4）目標函數。即肯定神經網絡的目標或叫作指望值，由此根據每次的輸出來調整神經網絡的權重。這在有監督學習中是很重要的。在大部分無監督學習中，其實也是有目標函數的，只是目標函數的設定不須要人工干預。

 

自組織系統不是爲了自組織而自組織，而是由於自組織系統有更大的靈活性，可以自適應輸入輸出。自組織的範圍越大，系統的發展空間會越大。但自組織的範圍越大，同時也帶會帶來更多的不肯定性，從而使系統沒法進入一個穩定發展的狀態。好比咱們的宇宙基於一些基本的物理常數，產生了穩定的基本粒子，因此成爲了一個穩定的系統。若是這些物理常數有一些微小的改動，可能宇宙就不能穩定的產生星系和智能了。在咱們還不夠了解智能的階段下，須要經過在全局控制的系統中，經過不斷提升其自組織性的方法，來嘗試創造穩定的自組織系統，並創造出有智能的自組織系統。

 

相對於全局控制的系統，自組織的系統可以下考慮各個部分。

1）神經網絡算法和數據結構。算法是一切的核心，即便是自組織的系統，也要有固定的神經網絡算法來完成自組織的過程。但自組織的算法和當前機器學習的算法有很大的不一樣。從算法做用的範圍來看，當前的機器學習算法的主要功能是調整節點之間的權重，而自組織算法除了調整節點間的權重，也要調整結構。結構上的調整包括節點的增刪、以及節點羣之間的鏈接強度。從算法解決的問題來看，傳統算法要解決的問題是節點之間的鏈接強度，而自組織系統算法所要解決的問題也比普通算法要多。自組織的算法是元算法，從微觀上要實現系統的穩定，宏觀上要能產生有計算能力的結構。要解決的是如何規劃層次，處理知識衝突和發現並遷移類似模式的問題。這些問題能夠一個一個解決，從而堆疊出一個相對智能的系統，也能夠經過一個可以解決大部分問題的核心算法來解決。人腦中究竟有多少個核心算法，也須要進一步研究。

神經網絡的算法和其神經元的目標函數相關，基本上目標函數決定了可以使用的算法有哪些。不一樣的算法只是效率上的區別。後文僅討論目標函數，具體算法是頗有挑戰的，待實現時再研究。

除了神經元的算法，還有整個神經網絡的算法。神經網絡的算法決定了自組織神經網絡是否能產生有意義、高效的輸出。當肯定了神經元算法後，神經網絡的目標就是將單個神經元所計算出的有意義的結果累積起來，進一步產生更高級的意義，從而產生智能。另外，在輸出時，也能有效的將高級的意義映射到較低層次的輸出，從而實現通信。

2）神經網絡規模。自組織的系統的規模應該是由資源規模決定的。自組織系統可以優化資源的分配，減小計算複雜度。優化資源分配是自組織系統的最重要的功能。資源優化好了，至關於處理能力的提高。因此在自組織系統中，規模的問題實際上是優化資源的問題。

3）神經網絡的初始值。若是一個神經網絡是從0開始生長的，初始值就不是難題了。全部的輸入輸出在初期就聯繫在了一塊兒。隨着神經網絡規模的增加，對外界輸入輸出處理的能力也隨之增加。這樣得出的解決方案可能仍不是最優解，但在整個神經網絡生長過程當中都是持續有效的。這裏要注意的是，在神經網絡還很小的時候，就鏈接了外界的輸入輸出了，並開始和外界進行交互。這是可以產生持續有效網絡的關鍵。

4）目標函數。自組織系統是否須要目標函數是一個有爭議的部分。這個問題也來源於人是否有目標函數的問題。人類已經思考人生意義等哲學問題很長時間了，科學家也嘗試着從生物角度來回答人類的生存目標等問題。至今仍然沒有能廣泛認同的答案。

一樣，自組織系統有可能看上去沒有目標，但實際上背後仍是有目標函數在起做用。自組織系統的目標函數須要從神經元、系統兩個層次分別來研究，最後將這兩個層次的目標函數統一塊兒來。

神經元層次的目標函數多是從輸入中計算並輸出有意義的信號，這樣一層一層累積起來最終得出有意義的知識或結果。由於神經元的計算能力有限，因此很難直接解決問題。這裏的目標函數所能實現意義指的是結果的數學意義，好比微分、求極值或分離出異常值等。神經元層次的目標函數不宜過多，若是有過多的目標函數，則自組織系統須要根據狀況選擇出合適的目標函數。神經元層次要考慮的是系統的通用性，因此最好狀況是能找到一種最基本的目標函數，而後經過組合多個神經元細胞，將全部其它目標函數都表達出來。這和計算機基本計算單元的設計是相似的，但計算機的基本單元的設計是從數學角度思考的，而不是從目標函數角度思考的。

系統層次的目標能夠是能量最小、衝突最少或者是更高級的目標，如生存等。系統層次的目標函數也表明一個系統有全局控制的能力，是否這就表示了一個系統不是自組織的了呢？也不徹底是。一個系統是不是自組織的，其實沒有明確的界限。自組織系統也並必定比全局控制的系統要高效。強人工智能系統中系統層次的目標函數應該不是系統可以感知的高級目標，不然和自組織產生的目標之間沒有區別，也會繞過，或被自組織系統的目標所替換。