Jeff Hawkins:智能的千脑理论 | Lex Fridman 播客 #25

Jeff Hawkins: Thousand Brains Theory of Intelligence | Lex Fridman Podcast #25

频道:Lex Fridman · 时长:2:09:42 · 发布:2019-07-01 · 播放:328868

在 YouTube 观看

简介

Lex Fridman 采访 Numenta 创始人、《On Intelligence》作者 Jeff Hawkins,讨论千脑理论以及对新皮层的逆向工程。他们还涉及分层时间记忆和受大脑启发的 AI 架构。

HN 为什么推荐

HN 上的人把其他人引到这里,听 Hawkins 用自己的话解释他的理论,包括参考系以及旧脑与新脑。

强烈推荐 Lex Fridman 的采访,听 Jeff 现场解释 — HN, 2021

机器学习与深度学习 · 科技先驱与访谈 · 神经科学与大脑

中文字幕节选

以下是与Jeff Hawkins的对话,他是红木 理论神经科学中心的创始人,该中心成立于2002年,Numenta成立于2005年。在2004年出版的 《论智能》一书中,以及之前和之后的研究中,他和他的团队 致力于逆向工程新皮层,并提出了受人类大脑启发的 人工智能架构、方法和理念。这些理念 包括2004年的分层时间记忆(HTM),以及新作 2017、18和19年的千脑智能理论。Jeff的理念 激励了许多寻求超越当前机器学习方法进展的人, 但也因缺乏支持这些模型的大量实证 证据而受到批评。在寻求超越人工智能领域 微小渐进式进步时,这始终是一个挑战。Jeff是一个才华横溢的头脑,他开发并从你的科学中 整合的许多理念值得理解和 思考。当前定义的深度学习存在局限性,人工智能的 进步笼罩在神秘之中。我希望像这样的对话 能帮助激发新理念的灵感。这是人工智能 播客,如果你喜欢,请在YouTube、iTunes上订阅,或直接在 Twitter上联系我,账号是lux friedman,拼写为fri d。现在,以下是我与Jeff Hawkins的对话。你更感兴趣的是理解人类大脑,还是创建 具有许多相同品质但不一定需要 你真正理解我们心智底层运作的人工系统?所以有一个 明确的答案:我的主要兴趣是理解人类大脑, 毫无疑问。但我也坚信,除非我们理解人类大脑 如何工作,否则我们无法创建完全智能的机器。 所以我不认为这些是分开的问题。我认为存在局限性,如果你不理解 大脑工作的原理,机器智能能做什么 是有限的。所以我实际上相信,研究大脑实际上是 通往机器智能的最快途径。在此基础上,让我问一个 不可能的问题:你如何不定义,但至少思考什么是 智能?所以我并没有试图先回答那个问题。我们说,让我们只谈论 大脑如何工作,让我们弄清楚大脑某些部分——主要是 新皮层,但也有一些其他部分——那些与智能最相关的部分——是如何工作的, 让我们发现它们工作的原理,因为 智能不仅仅是一种机制,也不仅仅是一些能力, 就像,好吧,我们甚至不知道从哪里开始。所以现在我们已经 在这方面取得了很大进展,在我们对 新皮层如何工作取得很大进展之后——我们可以谈论这个——我现在非常清楚 制造智能机器需要什么。我今天可以告诉你,你知道,一些 我认为创建智能机器所必需的东西。所以 我们会达到那里,我们会谈到新皮层以及整个 事物如何工作的一些理论。你说,随着我们对新皮层 以及我们自己的心智了解得越来越多,我们将能够开始更具体地定义 什么是智能。在我们不知道之前,真正谈论这个并不有用。 如果它没用呢?看,你知道,人工智能有着悠久的历史,对吧,而且 采取了不同的方法,谁知道呢,也许它们都有用,对吧。 所以你知道,老式的AI、专家系统、当前的卷积神经 网络,它们都有其效用,它们在世界中都有价值。但我会 认为几乎每个人都同意,它们中没有一个真正像人类那样

HN 上的讨论

强烈推荐 Lex Fridman 的采访,听 Jeff 现场解释:[VIDEO] 虽然 Numenta 没有 DeepMind 及其同行那样惊人的成果,但我认为他们在生物可行智能领域做了非常出色的工作。 — gamegoblin, 2021-02
我不会说三位一体脑理论是一个“神话”。它只是不准确,但也不是完全的谎言。大脑确实有不同的部分在不同的时间进化,并具有不同的功能。较旧的部分已经进化出特定的功能,而哺乳动物中发现的新皮层具有统一的结构,能够学习和适应不同的任务。人类大脑的 75% 是新皮层。Jeff Hawkings 在这次采访中很好地解释了“旧部分”和“新部分”之间的区别:[VIDEO] — Geee, 2021-03
除了自动驾驶软件,有没有人尝试过用物体标记作为将物理引入场景的一种方式?例如,人和自行车具有相同的运动向量,增加了人骑自行车的可能性。自行车和人的尺寸和重量范围可以用来绘制轨迹。直线行驶的自行车和树木都为场景中的重力向量提供了一些线索。等等。看起来相机运动可能已经通过光流/摄影测量技术解决了,但你可能可以利用它来帮助缩放场景,并基于几何可能性开始过滤你的标记。分层参考框架的想法(Jeff Hawkins 在这里简要概述了 [VIDEO])对我来说非常有吸引力,用于将场景置于上下文中以获得理解。特别是如果你从这些参考框架构建一个图,并将针对每个框架根(顶点)处物体类型调整的模型放置其中。你也可以利用这一点来帮助每个模型学习。因此,如果自行车模型向“人”模型投射一条“骑行”边,那么可能不会有太多学习。例如,[人]-(骑)->[自行车] 很可能已经遇到过。然而,如果 [自行车] 向坐在座位上的… — jcims, 2020-06
如果你去 [VIDEO] 并点击视频下方的三个点,会有一个 YouTube 生成的版本。我不知道有没有办法把这些东西变成易于阅读的格式?点击全选并粘贴到文本编辑器里勉强可行,但可以更好。 — tim333, 2019-07

相关视频