Nhận thức lượng tử: Kiến trúc nhận thức cho máy tính trong bộ nhớ và AI của con người Phần 1

Bài viết này tập trung vào trí tuệ nhân tạo của con người (AI): "những cỗ máy suy nghĩ, học hỏi và sáng tạo". Tôi làm sáng tỏ một số vấn đề dẫn đến sự tiến bộ không cân bằng trong AI (tiến bộ nhiều hơn về trí tuệ nhân tạo và kém tiến bộ hơn) và giới thiệu nhận thức lượng tử như một kiến ​​trúc nhận thức khả thi cho AI của con người và phần cứng mới nổi.

Trong những năm gần đây, với sự phát triển nhanh chóng của công nghệ trí tuệ nhân tạo, ngày càng nhiều người bắt đầu chú ý đến mối quan hệ giữa trí tuệ nhân tạo và trí nhớ. Mối quan hệ giữa hai người là không thể tách rời.

Trí tuệ nhân tạo có thể mô phỏng quá trình ghi nhớ của con người, cho phép máy móc ghi nhớ thông tin, lưu trữ và truy xuất giống như con người. Theo nghĩa này, công nghệ trí tuệ nhân tạo đã mở rộng đáng kể khả năng ghi nhớ của con người. Ví dụ, trí tuệ nhân tạo có thể hỗ trợ chúng ta nhận dạng giọng nói và hình ảnh, từ đó giúp chúng ta ghi nhớ và hiểu thông tin hiệu quả hơn.

Mặt khác, khả năng ghi nhớ của con người cũng có thể mang lại nguồn cảm hứng quan trọng cho sự phát triển của trí tuệ nhân tạo. Khả năng ghi nhớ của con người có thể giúp chúng ta quản lý và phân tích dữ liệu tốt hơn cũng như khám phá các mối liên hệ và kiểu mẫu giữa dữ liệu. Những khả năng này cũng có thể được chuyển đổi thành các thuật toán và chương trình để giúp máy tính xử lý và sử dụng dữ liệu tốt hơn. Vì vậy, khả năng ghi nhớ của con người rất quan trọng đối với sự phát triển của trí tuệ nhân tạo.

Nói tóm lại, mối quan hệ giữa trí tuệ nhân tạo và trí nhớ được củng cố lẫn nhau. Chúng bổ sung cho nhau và cùng nhau thúc đẩy tiến bộ công nghệ và xã hội. Chúng ta hãy đối mặt với sự phát triển của trí tuệ nhân tạo và trí nhớ một cách tích cực, với thái độ lạc quan và tin rằng chúng có thể mang lại một tương lai tốt đẹp hơn. Có thể thấy rằng chúng ta cần phải cải thiện trí nhớ và Cistanche Deserticola có thể giúp chúng ta cải thiện trí nhớ một cách đáng kể vì Cistanche Deserticola là một dược liệu cổ truyền của Trung Quốc có nhiều tác dụng độc đáo, một trong số đó là cải thiện trí nhớ. Hiệu quả của thịt băm đến từ nhiều hoạt chất có trong nó, bao gồm axit, polysaccharides, flavonoid, v.v. Những thành phần này có thể tăng cường sức khỏe não bộ theo nhiều cách khác nhau.

Bấm biết 10 cách cải thiện trí nhớ

Hầu hết các kiến ​​trúc nhận thức, tức là các mô hình lý luận của con người trong nghiên cứu trí tuệ nhân tạo (AI), không nhất thiết phải cố gắng mô hình hóa quá trình lý luận của con người. Chúng cho rằng con người là những tác nhân hợp lý, tức là những người tối đa hóa tiện ích, luôn tuân theo logic Boolean, ngụ ý rằng các sự kiện luôn có thể được kết hợp lại (ví dụ: thông qua kết hợp logic) theo bất kỳ thứ tự nào. Họ cố gắng định vị một đơn vị tương đương với đơn vị logic số học (ALU) trong não người và xáo trộn dữ liệu để làm cho nó trở nên độc lập và được phân phối giống hệt nhau (IID). Phần sau đây hiển thị thêm chi tiết.

CÁC VẤN ĐỀ VỀ SUY LUẬN XÁC SUẤT CỔ ĐIỂN

Lý thuyết xác suất cổ điển và các tiên đề Kolmogorov được chấp nhận rộng rãi tuân theo logic Boolean. Điều này hàm ý rằng logic của các sự kiện có tính giao hoán và các sự kiện luôn tương thích với nhau. Nghĩa là, A và B giống như B và A, và các phép đo đồng thời của A và B, hoặc B và A sẽ không gây nhiễu.

Logic này hoạt động tốt cho các sự kiện tương thích. Ví dụ, trước tiên đo chiều cao rồi đo cân nặng, đo cân nặng trước rồi đo chiều cao, hoặc đo đồng thời chiều cao và cân nặng, tất cả đều mang lại kết quả như nhau.

Nhưng thực tế là các sự kiện có thể không tương thích, nghĩa là việc đánh giá phụ thuộc vào thứ tự và sự can thiệp có thể xảy ra. Ví dụ, hãy xem xét câu hỏiA: "Bạn có định đi Florida không?" và câu hỏi B: "Bạn có nghe nói sắp có bão đến Florida không?" Đầu tiên yêu cầu câu trả lời cho câu hỏi A rồi đến câu hỏi B, hoặc trước tiên yêu cầu câu trả lời cho câu hỏi B rồi đến câu hỏi A, hoặc đặt câu hỏi A và B cùng lúc rồi yêu cầu câu trả lời có thể dẫn đến các câu trả lời khác nhau.

Ngoài ra, một kết hợp Boolean có thể được coi là mang tính đại diện hơn một trong các thành phần của nó và thay đổi lý luận của con người. Đây là một ví dụ đơn giản.

Giả sử Bob đã được xác định là nghi phạm khai thác lỗ hổng zero-day. Ngoài ra, giả sử rằng việc khai thác một lỗ hổng như vậy thường được các thành viên của một nhóm hack nổi tiếng tên là H. quan sát thấy, thì kịch bản nào sau đây có vẻ dễ xảy ra hơn?

1. Bob là một hacker lành nghề.

2. Bob là một hacker lành nghề và là thành viên của nhóm H.

Nói một cách trực quan, kịch bản 2 có thể được coi là có khả năng xảy ra cao hơn. Nhưng với logic Boolean và lý thuyết xác suất cổ điển, xác suất để hai sự kiện xảy ra cùng nhau không thể lớn hơn xác suất của một sự kiện đơn lẻ. Chúng tôi nhận thấy kịch bản 2 có nhiều khả năng xảy ra hơn kịch bản 1 vì sai lầm kết hợp, thành kiến ​​nhận thức được Tversky và Kahneman1 xác định, giải thích rằng con người thường có xu hướng tin vào một câu chuyện chi tiết với những chi tiết rõ ràng hơn là một câu chuyện ngắn gọn. Những kẻ tấn công lừa đảo đã được hưởng lợi rất nhiều từ sự thiên vị này bằng cách trước tiên cung cấp cho mục tiêu của chúng mô tả rõ ràng và chi tiết về một sự kiện cần được chú ý ngay lập tức, sau đó yêu cầu họ nhấp vào liên kết.

HỌC TẬP VÔ TẬN THỨC

Goyal và Bengio2 lập luận rằng để đạt được AI của con người, chúng ta cần chuyển từ hệ thống 1/xử lý ngầm/vô thức sang hệ thống 2/xử lý rõ ràng/có ý thức. Hoạt động của Hệ thống 1 tương tự như khi chúng ta lái xe trong một khu phố quen thuộc, nơi chúng ta có thể nhanh chóng và bất tỉnh. Hoạt động của Hệ thống 2 tương tự như khi chúng ta đang lái xe ở một khu phố xa lạ và cần phải chậm rãi, tỉnh táo và có thể cần được tư vấn.

Đề xuất của Goyal và Bengio yêu cầu "xử lý có ý thức tuần tự" và coi "sự chú ý là việc lựa chọn tuần tự những phép tính nào sẽ thực hiện trên số lượng nào." Tuy nhiên, như đã thảo luận ngắn gọn, xác suất cổ điển có những hạn chế lớn đối với việc xử lý tuần tự. Nó giả định rằng tất cả các sự kiện đều tương thích và không xem xét đến hiệu ứng thứ tự.

Ví dụ: để tránh trang bị quá mức (chú ý quá nhiều đến tập dữ liệu cụ thể mà nó được đào tạo), cộng đồng máy học sẽ xáo trộn dữ liệu để biến chúng thành IID. Nhưng thực tế là dữ liệu không đến với chúng tôi dưới dạng IID.2

"Tự nhiên không xáo trộn dữ liệu và chúng ta cũng không nên làm như vậy. Khi xáo trộn dữ liệu, chúng ta sẽ hủy bỏ thông tin hữu ích về những thay đổi trong phân phối vốn có trong dữ liệu mà chúng ta thu thập và chứa thông tin về cấu trúc nhân quả."

XÁC SUẤT LƯỢNG TỬ CHO LÝ LUẬN VÀ SUY LUẬN

Tôi khuyên dùng nhận thức lượng tử3 như một giải pháp thay thế khả thi cho các kiến ​​trúc nhận thức sử dụng lý luận và suy luận cổ điển. Nhận thức lượng tử khác với tâm trí lượng tử. Nó không tuân theo giả định rằng có cái gì đó giống như lượng tử đang diễn ra trong não mà lấy cảm hứng từ cấu trúc toán học của lý thuyết lượng tử và các nguyên lý động của nó. Ví dụ, nó sử dụng xác suất lượng tử—mô hình hóa nhận thức bằng cách sử dụng lý thuyết xác suất từ ​​cơ học lượng tử mà không cần đến vật lý học.

Phần sau đây cho thấy một tính năng mẫu của xác suất lượng tử giúp nó phù hợp với phần cứng và phần mềm AI của con người.

Nắm bắt được sự không tương thích

Xác suất lượng tử, không giống như xác suất cổ điển, giả định tất cả các câu hỏi đều tương thích và có thể nắm bắt được những điểm không tương thích. Xác suất lượng tử sử dụng không gian vectơ và không gian con tương tự như cách sử dụng không gian mẫu và sự kiện của xác suất cổ điển (tức là một tập hợp con của không gian mẫu). Không gian vectơ chứa tất cả các kết quả có thể xảy ra cho các câu hỏi. Một vectơ biểu thị kết quả câu hỏi trải rộng trong một không gian con 1D, được gọi là tia, và tập hợp niềm tin của một người về câu hỏi được biểu thị bằng một vectơ có độ dài đơn vị, được gọi là vectơ trạng thái. Xác suất lượng tử cũng sử dụng quy trình ánh xạ, được gọi là phép chiếu, và xác suất được gán cho một sự kiện bằng bình phương độ dài của phép chiếu. Để tính toán sự kết hợp của các kết quả câu hỏi, xác suất lượng tử sử dụng phép chiếu tuần tự. Điều này cho phép phân biệt giữa các đơn đặt hàng, nghĩa là dự án A và sau đó dự án Bhas một kết quả khác với dự án B và sau đó là dự án A.

Xem lại ví dụ đơn giản

Ở đây, chúng ta xem lại ví dụ đơn giản hóa của mình để minh họa cách xác suất lượng tử, sử dụng không gian vectơ, có thể minh họa ngụy biện kết hợp trong lý luận của con người như thế nào. Trong Hình 1, mũi tên màu xanh thể hiện câu “Bob là một hacker lành nghề” của B và sự phủ định của nó với ~/B. Tương tự, các mũi tên màu cam biểu thị "là thành viên của nhóm H" với H và sự phủ định của nó với ~/H.S, vectơ trạng thái, biểu thị trạng thái niềm tin của chúng ta về đặc điểm của Bob và được biểu thị bằng mũi tên màu đen. Trong Hình 1, các đường chiếu được thể hiện bằng các đường chấm màu xanh lục và đỏ.

Xác suất được tính bằng bình phương chiều dài của hình chiếu của vectơ trạng thái lên trục tương ứng và được biểu thị bằng chiều dài hình vuông màu lục và màu đỏ. Hình chiếu lên tia B được biểu thị bằng đường chấm màu xanh lá cây, và xác suất của (B) bằng bình phương chiều dài của thanh này, được biểu thị bằng chiều dài bình phương màu xanh lá cây. Đối với xác suất của (B và H), chúng ta cần thực hiện theo hai bước, được minh họa bằng hai đường chấm màu đỏ. Đầu tiên, chúng ta chiếu vectơ trạng thái lên tia H. Thứ hai, chúng ta chiếu hình chiếu trước đó lên tia B. Khi đó, xác suất của (B và H) là chiều dài bình phương của hình chiếu cuối cùng, được biểu thị bằng chiều dài hình vuông màu đỏ.

Trong Hình 1, xác suất tuần tự của (B và H) lớn hơn xác suất của một sự kiện đơn lẻ, tức là xác suất của (B), tương ứng với chiều dài hình vuông màu đỏ dài hơn chiều dài hình vuông màu xanh lá cây. Điều này là do sai lầm kết hợp dẫn đến nhận thức rằng kịch bản 2 có nhiều khả năng xảy ra hơn kịch bản 1. Chúng ta có thể liên hệ sự không tương thích của (B và H), dẫn đến sự can thiệp của chúng, với tính đại diện heuristic (một lối tắt tinh thần); sự kết hợp có vẻ mang tính đại diện hơn một trong các thành phần của nó và việc trở thành thành viên của H có thể dễ hình dung hoặc dễ truy xuất hơn Bob như một phạm trù bao gồm. Để có cách giải thích toán học cho ví dụ này, hãy xem tài liệu bổ sung có sẵn tại 10.1109/MC.2023.3242056.

Khả năng xác suất lượng tử nắm bắt được những điểm không tương thích cũng có thể đóng vai trò quan trọng trong việc phát triển cấu trúc nhân quả cho AI của con người, đặc biệt khi chúng ta xử lý các sự kiện không tương thích bằng cách ghép các tình huống phức tạp với lượng dữ liệu khổng lồ từ nhiều nguồn khác nhau. Trong những tình huống như vậy, chúng ta cần các mô hình cấu trúc nhân quả để khám phá các cơ chế cơ bản của dữ liệu so với quy nạp nhân quả cơ bản, tức là mô hình hóa một mối quan hệ nhân quả duy nhất, sử dụng xác suất cổ điển. Trong những tình huống phức tạp như vậy, xác suất lượng tử có thể cung cấp một cách để chính thức hóa ý tưởng về lý luận nhân quả cục bộ về mặt cấu trúc bằng cách làm việc với các sự kiện không tương thích, dán các không gian mẫu lại với nhau và hình thành một không gian vectơ.

Ví dụ: giả sử chúng ta cần đưa ra phán đoán mang tính dự đoán, tức là tìm xác suất có điều kiện của một kết quả cho trước một nguyên nhân, hoặc P (kết quả|nguyên nhân), trong một bài toán phức tạp với lượng dữ liệu khổng lồ, trong đó thứ tự của dữ liệu đến là quan trọng. Xác suất lượng tử cho phép chúng ta chia vấn đề thành các vấn đề nhỏ hơn bằng cách trả lời các truy vấn như:

P (kết quả|nguyên nhân1, không có nguyên nhân thay thế), P (kết quả|nguyên nhân1, nguyên nhân2), P (kết quả|nguyên nhân2, nguyên nhân1), v.v.

XÁC SUẤT LƯỢNG TỬ CHO MÁY TÍNH BỘ NHỚ

Xác suất lượng tử sử dụng không gian vectơ, tương tự như các kiến ​​trúc biểu tượng vectơ khung điện toán (VSA), còn được gọi là điện toán siêu chiều, là trung tâm của phần cứng mới nổi, chẳng hạn như điện toán trong bộ nhớ (IMC). Trong kiến ​​trúc von Neumann thông thường, bộ nhớ và bộ xử lý tách biệt và việc tính toán yêu cầu dữ liệu phải được di chuyển qua lại. Nhưng với kiến ​​trúc IMC sử dụng "phép nhân ma trận vectơ",4 ​​bộ nhớ và bộ xử lý được hợp nhất và các tính toán được thực hiện ở nơi dữ liệu được lưu trữ với sự di chuyển dữ liệu tối thiểu. Điều đó làm cho IMC, trái ngược với kiến ​​trúc von Neumann thông thường, tương tự như bộ não con người, trong đó bộ nhớ và tính toán được sắp xếp. Việc xác định vị trí tương đương của ALU trong não người là một kỳ vọng không thực tế.

Xác suất lượng tử và IMC có thể được coi là kiến ​​trúc tính toán đầy hứa hẹn cho AI của con người vì cả hai đều sử dụng VSA. Vì vậy, thật hợp lý khi coi xác suất lượng tử là kiến ​​trúc nhận thức cho IMC.

Đây là một ví dụ. Trí nhớ làm việc trong não người là một cơ chế lưu trữ tạm thời các thông tin liên quan đến nhiệm vụ hiện tại. Nó rất quan trọng đối với các khả năng nhận thức như sự chú ý, lý luận và học tập; do đó, hầu hết các kiến ​​trúc nhận thức đều triển khai nó dưới một số hình thức. Với nhận thức lượng tử, chúng ta có thể sử dụng các vectơ nhiều chiều để biểu diễn chức năng của bộ nhớ làm việc và xử lý dữ liệu liên quan trong quá trình tính toán đang diễn ra. Vectơ trạng thái của xác suất lượng tử có thể được coi là trạng thái bộ nhớ làm việc đại diện cho niềm tin của con người về các mẫu đặc trưng và đóng vai trò là bộ đệm cho mô hình thế giới hiện tại, trạng thái của hệ thống và/hoặc các mục tiêu hiện tại. Xác suất lượng tử xây dựng nền tảng toán học vững chắc cho IMC và tổ chức " hoạt động trên các mẫu siêu chiều có thể được sử dụng cho máy tính." Bằng cách xem các mẫu dưới dạng vectơ, chúng ta có thể "khai thác khối lượng kiến ​​thức khổng lồ về vectơ, ma trận, đại số tuyến tính, v.v. Đây thực sự là truyền thống trong nghiên cứu mạng lưới thần kinh nhân tạo, nhưng các lĩnh vực biểu diễn nhiều chiều phong phú vẫn cần được khám phá." Các tác nhân luôn tối đa hóa lợi ích của nó, sử dụng cấu trúc luôn tuân theo Booleanlogic, là nền tảng cho các kiến ​​trúc máy tính AI hiện có. Nhưng tôi lập luận rằng chúng ta cần học hỏi từ thuyết tương đối của Einstein, định lý về tính bất toàn của Gödel và lý thuyết về tính hợp lý có giới hạn của Simon, vì tất cả chúng đều làm sáng tỏ sự sụp đổ của những cái tuyệt đối.

Trong bài viết này, tôi đã trình bày một số hạn chế về mặt tính toán của các hệ thống AI hiện có. Tôi giải thích rằng, không giống như các tiên đề xác suất cổ điển, logic của các sự kiện không nhất thiết phải là Boolean. Nếu hai sự kiện A và B không tương thích với nhau thì việc học tập; do đó, hầu hết các kiến ​​trúc nhận thức đều triển khai nó dưới một số hình thức. Với nhận thức lượng tử, chúng ta có thể sử dụng các vectơ nhiều chiều để biểu diễn chức năng của bộ nhớ làm việc và xử lý dữ liệu liên quan trong quá trình tính toán đang diễn ra. Vectơ trạng thái của xác suất lượng tử có thể được coi là trạng thái bộ nhớ làm việc đại diện cho niềm tin của con người về các mẫu đặc trưng và đóng vai trò là bộ đệm cho mô hình thế giới hiện tại, trạng thái của hệ thống và/hoặc các mục tiêu hiện tại.

Xác suất lượng tử xây dựng nền tảng toán học vững chắc cho IMC và tổ chức "các phép toán trên các mẫu siêu chiều có thể được sử dụng cho tính toán". Bằng cách xem các mẫu dưới dạng vectơ, chúng ta có thể

"khai thác kho kiến ​​thức rộng lớn về vectơ, ma trận, đại số tuyến tính, v.v. Đây thực sự là truyền thống trong nghiên cứu mạng lưới thần kinh nhân tạo, tuy nhiên các lĩnh vực biểu diễn nhiều chiều phong phú vẫn cần được khám phá."

Các tác nhân luôn tối đa hóa lợi ích của nó, sử dụng cấu trúc luôn tuân theo Booleanlogic, là nền tảng cho AI hiện có. Không thể xác định được sự kết hợp của các sự kiện A và B vì chúng không giao hoán, trái ngược hoàn toàn với Booleanlogic, nơi các sự kiện luôn giao hoán .

Tôi đã đưa ra các khuyến nghị về xác suất lượng tử và giải thích cách coi các trạng thái lượng tử là thước đo đối với cấu trúc phi Boolean của các toán tử phép chiếu. Để so sánh các trạng thái lượng tử và trạng thái xác suất cổ điển, tôi đã giải thích cách sử dụng phép chiếu để mô tả các thí nghiệm tương tự như xác suất cổ điển. Tôi đã giải thích cách các mô hình cấu trúc nhân quả (so với quy nạp nhân quả nguyên tố) có thể giúp nắm bắt quá trình xử lý có ý thức tuần tự. Tôi cũng giải thích cách sử dụng không gian vectơ của xác suất lượng tử khiến nó trở thành kiến ​​trúc nhận thức phù hợp cho kiến ​​trúc IMC.

Để đạt được AII của con người và phát triển “những cỗ máy suy nghĩ để học và sáng tạo”6 đòi hỏi các mô hình tính toán có thể hoạt động tương tự. Nhưng tư duy, học tập và sáng tạo của con người thường phụ thuộc nhiều vào bối cảnh và trật tự, và điều đó có vẻ gây bối rối cho các mô hình tối đa hóa xác suất và tiện ích cổ điển.

NHÌN NHẬN

Tài liệu này dựa trên công trình được Quỹ Khoa học Quốc gia hỗ trợ theo Giải thưởng 2041788. Bạn có thể tìm thấy giải thích toán học ngắn gọn về kỳ thi đơn giản hóa và cách xem lại kỳ thi đó trong các tài liệu bổ sung có sẵn tại 10.1109/MC.2023.3242056.

NGƯỜI GIỚI THIỆU

1. A. Tversky và D. Kahneman,"Lý luận mở rộng so với trực quan: Phán quyết về khả năng xảy ra của ngụy biện kết hợp," Psychol. Rev., tập. 90, không. 4, trang 293–315, tháng 10 năm 1983, doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal và Y. Bengio, "Những thành kiến ​​quy nạp cho việc học sâu về nhận thức ở cấp độ cao hơn," Proc. Roy. Sóc. A, tập. 478, không. 2266, tháng 10 năm 2022, Điều. KHÔNG. 20210068,doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer và P. Bruza, Mô hình lượng tử về nhận thức và quyết định.Cambridge, Vương quốc Anh: Cambridge Univ.Press, 2014.

4. S. Spetalnick và A. Raychowdhury,"Phân tích không gian thiết kế thực tế về tính toán trong bộ nhớ vớiSRAM," IEEE Trans. Hệ thống mạch Tôi, Reg. Giấy tờ, tập. 69, không. 4, trang 1466–1479, tháng 4 năm 2022, doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Tính toán siêu chiều: Giới thiệu về tính toán trong biểu diễn phân tán với vectơ ngẫu nhiên nhiều chiều," Cogn. Máy tính, tập. 1, tr.139–159, tháng 6 năm 2009, doi: 10.1007/s12559-009-9009-8.

6. H. Simon và A. Newell, "Giải quyết vấn đề theo kinh nghiệm: Nghiên cứu nâng cao tiếp theo về hoạt động," Oper. Độ phân giải, tập. 6, không. 1, trang 1–10, tháng 1/tháng 2. 1958. [Trực tuyến]. Có sẵn:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com