Рациональность: от ИИ до зомби (другой перевод) - Элиезер Шломо Юдковски Страница 179

Но люди часто не осознают, что их спор о том, где провести границу определения, — это на самом деле спор о том, стоит ли делать вывод о характеристике, разделяемой большинством вещей внутри эмпирического кластера...

Отсюда и выражение «скрытый запрос».

*

161. Нейронные категории.

В «Замаскированных вопросах» я рассказывал о задаче классификации «блэггов» и «рубов». Типичный блэгг — синий, яйцевидный, покрытый шерстью, гибкий, непрозрачный, светится в темноте и содержит ванадий. Типичный руб — красный, кубический, гладкий, твердый, полупрозрачный, не светится и содержит палладий. Для простоты давайте забудем о таких характеристиках, как гибкость/твердость и непрозрачность/полупрозрачность. Это оставляет нам пять измерений в пространстве вещей: цвет, форма, текстура, свечение и содержимое.

Предположим, я хочу создать искусственную нейронную сеть (ИНС), чтобы предсказывать ненаблюдаемые характеристики блэгга по его наблюдаемым характеристикам. И предположим, что я довольно наивен в области ИНС: я читал восторженные научно-популярные книги о том, что нейронные сети являются распределенными, эмерджентными и параллельными — совсем как человеческий мозг!! — но не могу вывести дифференциальные уравнения для градиентного спуска в нерекуррентной многослойной сети с сигмоидными элементами (что на самом деле гораздо проще, чем кажется).

В таком случае я мог бы спроектировать нейросеть, похожую на рисунок 161.1.

Рисунок 161.1. Сеть 1

Сеть 1 предназначена для классификации блэггов и рубов. Но поскольку «блэгг» — понятие незнакомое и искусственное, на рисунке 161.2 я также привел аналогичную Сеть 1b для различения людей и Космических Монстров, с входными данными от Аристотеля («Все люди смертны») и Платоновской академии («Двуногое без перьев с плоскими ногтями»).

Рисунок 161.2. Сеть 1b

Нейронной сети нужно правило обучения. Очевидная идея заключается в том, что когда два узла часто активны одновременно, мы должны усиливать связь между ними — это одно из самых первых правил, когда-либо предложенных для обучения нейронных сетей, известное как правило Хебба.

Таким образом, если вы часто видели вещи, которые были одновременно синими и покрытыми шерстью — тем самым одновременно активируя узел «цвет» в состоянии «+» и узел «текстура» в состоянии «+», — связь между цветом и текстурой крепла бы, так что «+»-цвета активировали бы «+»-текстуры, и наоборот. Если бы вы видели вещи, которые были синими, яйцевидными и содержащими ванадий, это укрепило бы взаимные положительные связи между цветом, формой и содержимым.

Допустим, вы уже видели множество блэггов и рубов, сходящих с конвейера. Но теперь вы видите нечто покрытое шерстью, яйцевидное и — о ужас! — красновато-пурпурное (что мы смоделируем как уровень активации «цвета», равный -2/3). Вы еще не проверили ни свечение, ни содержимое. Что же предсказать, что предсказать?

В результате уровни активации в Сети 1 начинают немного колебаться. Положительная активация перетекает к свечению от формы, отрицательная активация — к содержимому от цвета, отрицательная активация — от содержимого к свечению... Разумеется, все эти сообщения передаются параллельно!! и асинхронно!! — совсем как в человеческом мозге...

Наконец Сеть 1 приходит в стабильное состояние, в котором наблюдается высокая положительная активация для «свечения» и «содержимого». Можно сказать, что сеть «ожидает» (хотя еще и не видела этого), что объект будет светиться в темноте и содержать ванадий.

И надо же, Сеть 1 демонстрирует такое поведение, хотя в ней нет явного узла, который определял бы, является объект блэггом или нет. Это суждение неявно присутствует во всей сети!! Блэгговость — это аттрактор!!, который возникает в результате эмерджентного поведения!!, порожденного распределенным!! правилом обучения.

В реальной жизни подобная архитектура сети — какой бы модной она ни казалась — сталкивается со всевозможными проблемами. Рекуррентные сети не всегда стабилизируются сразу: они могут осциллировать, вести себя хаотично или просто очень долго приходить в устойчивое состояние. А это Плохая Штука, когда вы видите нечто большое, желтое и полосатое, и вам приходится ждать пять минут, пока ваша распределенная нейросеть стабилизируется в аттракторе «тигр». Может, она и асинхронна, и параллельна, но это далеко не режим реального времени.

Есть и другие проблемы — например, двойной учет свидетельств, когда сообщения циркулируют туда-сюда: если вы подозреваете, что объект светится в темноте, ваше подозрение активирует убеждение, что объект содержит ванадий, что, в свою очередь, активирует убеждение, что объект светится в темноте.

К тому же, если попытаться масштабировать архитектуру Сети 1, потребуется O(N2) связей, где N — общее число наблюдаемых признаков.

Какая же архитектура нейросети могла бы быть более реалистичной?

Рисунок 161.3. Сеть 2

В Сети 2 на рисунке 161.3 волна активации сходится к центральному узлу от любых зафиксированных (наблюдаемых) узлов, а затем устремляется обратно ко всем незафиксированным (ненаблюдаемым) узлам. Это значит, что мы можем вычислить ответ за один шаг, а не ждать стабилизации сети — важное требование в биологии, где нейроны работают на частоте всего 20 Гц. И архитектура такой сети масштабируется как O(N), а не O(N2).

Надо признать, что некоторые вещи проще заметить при первой архитектуре сети, чем при второй. В Сети 1 есть прямая связь между каждыми двумя узлами. Так что если красные объекты никогда не светятся в темноте, но красные шерстистые объекты обычно обладают остальными признаками блэгга, вроде яйцевидности и ванадия, Сеть 1 может легко это представить: для этого достаточно очень сильной прямой отрицательной связи от цвета к свечению, но при этом более мощных положительных связей от текстуры ко всем остальным узлам, кроме свечения.

И это не какое-то «особое исключение» из общего правила, что блэгги светятся — помните, в Сети 1 нет элемента, представляющего блэгговость; блэгговость возникает как аттрактор в распределенной сети.

Так что да, эти O(N2) связей действительно приносили некоторую пользу. Но не так уж много. Сеть 1 не полезнее в большинстве реальных задач, где вы редко встретите животное, застрявшее на полпути между кошкой и собакой.

(Существуют также факты, которые не так-то просто представить в Сети 1 или Сети 2. Скажем, цвет морской волны и сферическая форма, встречаясь вместе, всегда указывают на присутствие палладия; но по отдельности каждый из них служит очень сильным свидетельством в пользу ванадия. Это трудно представить в