大脑和智能理论的探索
Palm使用的手写识别系统Graffiti灵感来自Hawkins曾学习的一种与大脑有关的数学——1987年夏天,一家名为Nestor的公司展示了一种能识别手写文字的神经网络,要价100万美元,“他们在神经网络规则上大作文章,将它吹嘘成一项重大突破,但我觉得手写识别问题可以通过另一种更简单、传统的方法解决。两天后,我设计出一种速度更快,体积更小,使用更灵活的手写识别器。”
生物神经网络
终于“挣到点钱”的Hawkins将自己的研究方向全面转向神经科学,2002年他建立了非盈利的科学研究机构Redwood Center for Theoretical Neuroscience,2005年建立了Numenta继续他的研究。此前一年,他出版了《On Intelligence》,向大众介绍大脑和智能理论。书中他提出了“记忆-预测”框架(Memory-prediction framework)——大脑的新皮质、海马体和丘脑联合匹配感官输入,存储记忆模式,并将这个过程如何用于预测。进而根据这一生物学框架发展出了HTM(Hierarchical Temporal Memory)机器学习模型。Hawkins将其称为“生物神经网络”(Biological Neural Network),与之对应的,他将Deep Learning为代表的神经网络称为“简单神经网络”(Simple Neural Network)。
图2 Graffiti手势
“大脑以稀疏分布表示(sparse distributed representations,SDR)表征信息,我相信未来所有智能机器都将基于SDR。而现有机器学习技术却无法将SDR加入其中,因为SDR是构建其他一切的基础。生物神经也远比‘简单神经网络’复杂得多。而作为生物神经网络的一种,HTM已能从数据流中学习结构,做出预测和发现异常,还能从未标记的数据中连续学习。”Hawkins这样解释“生物神经网络”的独特之处,他还觉得目前人工智能对认知功能被分割了——分为语音,视觉,自然语言等领域,而人脑是具有综合性的认知系统。目前的图像识别需要上千万张照片的收集归类,才能让机器“认出”猫,但人脑善于捕捉和认知流动的信息,也不需要大数据的支持。
非常好我支持^.^
(0) 0%
不好我反对
(0) 0%