Относится к сборнику статей телеграм-канала https://t.me/thinking_cycles
Планирование и проведение системных исследований механизмов адаптивности возможны только на основе модели всей системы. Исследовать отдельные механизмы в отрыве от системы грозит появлением нестыковок как в функциональности, так и в формулировках, и в терминологии (что и было показано для рефлексов).
Но строить и поддерживать модель лишь умозрительно – очень сложно и не избавляет от ошибок. Поэтому у системного исследователя механизмов адаптивности должна быть физическая модель, с которой можно взаимодействовать. И тогда становится возможной не только выяснять схемы отдельных механизмов в их рабочем, а не теоретическом состоянии, но и верифицировать взаимодействия таких схем.
Физическая модель может быть вариантом реализации Beast или полностью самостоятельной (особенно, если исследуются такие виды живых существ, у которых психика организована совершенно иначе, чем у млекопитающих).
При этом, в случае использования программной реализации следуют избегать эмуляции отдельных нейронов, а моделировать только принципиальные зависимости. Исследование взаимодействий нейронов всегда локальны, не системны и для них не нужна общая система живого существа.
В случае реализации на дискретных элементах необходимы станут функциональные заменители нейронов – нейристоры и синапсов – межнейронные коммутаторы, которые уже выпускаются промышленно:
1. IBM: IBM активно работает над проектами в области нейроморфных вычислений, включая разработку чипов с нейристорами. Их проект TrueNorth использует специализированные архитектуры для имитации работы нейронов и синапсов.
2. Intel: intel также занимается нейроморфными вычислениями и разработал чип Loihi. Он использует архитектуру, основанную на нейронных моделях, и нацелен на создание более эффективных систем искусственного интеллекта.
3. MemristorTechnology: Эта компания сосредоточена на разработке мемристоров, которые могут выполнять функции, аналогичные нейристорам. Мемристоры способны менять свои свойства в зависимости от предыдущих электрических импульсов, что делает их подходящими для нейронных вычислений.
4. Crossbar: Crossbar разрабатывает и производит устройства на основе мемристоров и других технологий, которые могут использоваться в качестве функциональных заменителей нейронов и синапсов.
5. BrainChip: Эта компания разрабатывает нейроморфные процессоры, которые используются в системах машинного обучения и обработки нейронных сетей. Их решения включают использование нейристоров для эффективной обработки данных.
6. SynSense работает над нейроморфными чипами, которые могут использоваться в распределенных системах, имитирующих нейронные сети, с внедрением межнейронных коммутаторов для связи между элементами.
7. Samsung также проводит исследования в области мемристорной технологии и её применения в создании нейроморфных систем. Их разработки направлены на создание высокопроизводительных и энергоэффективных вычислительных решений.
Многие другие компании так же создают свои версии дискретных элементов для физических моделей.
Но модели на дискретных элементах хотя и наиболее полно способны приблизиться к природным версиям реализации, обладают такими недостатками как огромная сложность и стоимость конструирования, а также ограничения, связанные со способом реализации (например, один и тот же механизм не сможет использоваться одновременно для разных процессов).
Физические модели, формализуя в себе рабочие версии, могут развиваться от самых начальных элементов гомеостаза с произвольными наборами жизненных и функциональных параметров. Это позволяет планировать дальнейшие исследование не методом “научного тыка”, а по логике развития системы. Но в наиболее принципиальном плане любая такая модель годится для прояснения организации любых отдельных механизмов, реализующих эти принципы.
Условием продуктивности такого подходя является хорошее овладение схемотехническими навыками. Но даже, если исследователь – обычный нейробиолог, желающий отработать исследуемый механизм, он может просто положиться на специалистов, ведущих одну из физических моделей, чтобы механизм был встроен и отработан до рабочего состояния реализации адаптивной функции в составе общей системы. Практически всегда это даст не просто верификацию идеи механизма, но в прямом смысле вдохнет в него жизнь.
Для построения же рабочих экземпляров живых существ с искусственным разумом преимущество программной реализации оказывается вне конкуренции – из-за отказа от эмуляции нейронов и специфических преимуществ, позволяющих неограниченно наращивать эффективность функциональных механизмов, что принципиально невозможно при использовании дискретных элементов.