基于动态信息均衡的意识等价人工智能系统设计

基于动态信息均衡Yasuo Kinouchi1[0000-0002-3558-0442]、Kenneth James Mackin 1 [0000-0001-9829-5254]和Pitoyo Hartono 2[0000-0002-2807-6002]1东京信息科学大学，千叶，日本2中京大学，名古屋，日本kinouchi@rsch.tuis.ac.jp抽象。提出了一种具有与意识等价功能的类人AI系统的基本结构和行为。该系统完全用人工神经网络（ANN）构建，并采用优化设计方法。提出的系统使用递归神经网络（RNN），它在动态平衡下执行学习，而不是在以前的系统中的前馈人工神经网络使用RNN的通过假设构成现象意识基础的这一假说也可以全面解释意识的递归加工理论和整体神经元工作空间理论。所提出的结构和行为是简单的，但通过设计是可扩展的，并且可以扩展以再现大脑的更复杂的特征，从而实现具有与人类类似的意识的功能的AI系统。关键词：意识模型，动态平衡，递归神经网络。1介绍为了实现真正的类人AI系统，重要的是该系统不仅要对意识的现象方面进行建模，还要将大脑的宏观模型作为自主自适应信息系统。在这里，我们假设大脑作为一个系统最重要的功能是自主学习和自我适应。在进化过程中，大脑实现了结构和内部过程的高度优化意识是大脑作为一个自主适应系统的基本机制，这是很自然的假设。从这个观点出发，我们认为，通过对类似大脑的自主适应系统应用最佳或极限状态设计，与意识等同的机制将不可避免地变得清晰。为了这项研究的目的，我们有针对性的自主适应系统将只包含最基本的功能，以澄清大脑作为信息处理系统的基本结构和功能。2本文提出了一个具有与意识等价该系统完全用人工神经网络（ANN）构建，并采用优化设计方法，该方法基于最大性能和效率的设计所提出的系统使意识的功能从信息处理的观点来解释。Kinouchi和Mackin [1]先前提出了具有类似意识功能的自主适应系统的概念结构但构成自主自适应的主要过程的人工神经网络在本研究中，基于Scellie和Bengio [2]提出的动态均衡的思想重新设计了人工神经网络。人工神经网络的重新设计使得所提出的类脑自主自适应系统作为大脑的宏观模型更合理重新设计表明，该系统可以用简单的结构和控制方法实现。此外，通过假设构成现象意识基础的“意识感觉”与“系统水平学习的状态”相同，我们可以从信息系统的角度清楚地解释意识。这一假说也可以全面解释意识的递归加工理论（RPT）[3，4]和整体神经元工作空间理论（GNWT）[5]。所提出的结构和行为很简单，但设计上是可扩展的，并且可以扩展以再现大脑的更复杂的特征，从而实现具有与人类类似的意识功能的AI系统。2系统配置和行为Fig. 1. 系统配置示意图A. 构造和特征系统配置如图1所示。配置遵循Kinouchi和Mackin的设计[1]。图1中虚线标记的功能单元，模式识别单元，颜色识别单元，评估单元，动作决策模块等。3已经使用递归神经网络（RNN）构建，并且可以训练。其他单位都有固定的功能。RNN的一般行为可以描述为网络动态平衡的时间变化，或电路的最小能量状态，由互连节点之间的循环刺激引起Scellie和Bengio使用两种不同的动态平衡来控制RNN。(1)自由相位：输入节点与输入模式信号一起被箝位，以实现动态平衡。（2）弱箝位相位：除了箝位输入节点之外，输出节点也被弱箝位到期望的输出，以便将动态平衡移向期望的状态[2]。RNN首先在自由阶段运行，然后是弱箝位阶段，用于网络学习。模式识别是使用自由相位完成的。Hebbian学习用于基于每个节点在自由阶段和弱箝位阶段之间的活动的差异来训练权重对于类脑自主自适应系统，采用这种方法有两个优点。(1)无论当前结构或状态如何，都可以通过在短时间内保持所需状态来（2）使用Hebbian学习训练网络权重使得RNN实现从工程角度来看是可行的，并且是人类大脑的合理模型。B. 基本行为和特征系统行为如图2所示。过程的基本流程遵循Kinouchi和Mackin [1]的设计。系统的基本流程重复以下循环：1）预处理阶段，其中发生对象检测和模式识别; 2）决策阶段，其中系统从几个检测到的对象中选择最期望的对象-动作对;以及3）后处理阶段，其中系统重新配置和协调分散在系统中的主要信息并执行系统级学习。在系统级学习中，同时处理系统级共享信息的广播图二. 系统的动态平衡行为除了已经使用RNN设计的行动决策模块之外，具有学习能力的单元的网络结构也改为RNN。这种变化只会造成4后处理阶段系统行为的差异。通过应用Scellie和Bengio [2]的弱箝位相位，可以通过简单地在短时间内保留更新的状态来训练模式识别和评估单元。更新的状态是系统级共享信息的一部分，包括识别的对象属性集和评估模块的预测误差。同时，保留的信息被发送到情景记忆，动作决策模块在清醒模式下不进行训练，而是在睡眠模式下通过从情景记忆中读出信息进行训练Kinouchi和Mackin已经证明，系统水平上的学习对于自主适应系统是不可分割的，并且用于学习的信息等同于现象意识中的意识感觉[1]。但意识感觉和网络学习之间的对于新提出的方法，自主自适应系统中的RNN通过在短时间内保留必要的信息来学习Lamme最近提出的假设是，在重复处理过程中，我们的大脑中发生了有意识的感觉，从而改变了RNN结构本身[4]，这支持了我们的提议。3自主适应系统A. 意识的模式和功能(1) 意识感觉有意识的感觉对应于基于系统级共享信息的系统级学习，该系统评价值对应于我们的愉快/不愉快或舒适/不舒适的感觉，它指示了整个系统的配置变化的方向。因此，评估单元必须被激活以产生有意识的感觉由此可见，评价特征对于一个系统实现与意识等价的功能是不可避免的(2) 形象功能我们将图像定义为“系统内部产生的信息，系统可以作为对象（处理目标）”，遵循Haikonen的定义[6]。在后处理阶段，在RNN学习过程中，对象图像被写入短期记忆屏幕，即真实图像屏幕和虚拟图像屏幕。在屏幕上描绘的对象信息可以由系统作为对象或下一周期中的处理目标来处理在所提出的系统中，图像处理功能被扩展，使得内部信息可以作为图像写回到虚拟图像屏幕上，使用模式识别单元中的自动编码器来再现信号，使得系统可以在有或没有实际外部刺激的情况下产生有意识的通过这个特征，系统可以回忆存储在情景记忆中的信息以产生有意识的感觉，并且还可以将该信息作为对象进行处理。我们假设虚拟图像屏幕上的图像与我们的心理图像相对应。对虚拟图像的重复处理对应于我们的头脑如何“思考”。5(3) 自我的功能为了从系统本身的观点表达对象与系统之间的关系，不需要关于系统本身的信息，并且仅需要表达该关系的评估值基于这一观点，我们把评价单元的状态看作是一种系统表征的系统处于其环境模型的原点，并且对象位置相对于原点来表示。这种系统-客体的关系产生了“自我”在其环境中看到真实物体的感觉图三. 第一人称视角B. 意识模型意识的功能必须通过整个系统的行为来考虑，而不能仅使用系统的有限观点或部分来正确定义为了使整个系统的能力最大化，它自然需要在每个周期集中管理统一是意识的一个关键特征，它就是为此目的而存在的。我们提出的意识模型与递归处理理论（RPT）和全局神经元工作空间理论（GNWT）[5]一致，这是两个最有潜力的意识模型RPT认为意识与RNN中的活动有关，但最近有一项新的提议表明RNN中的学习与意识密切相关[4]。我们提出的方法可以被解释为使用Scellie和Bengio [2]提出的RNN的系统级实现，实现了RPT中最近的提议。此外，在我们提出的方法中，意识信息必须在整个系统中传播和共享。从这个角度来看，我们的方法是一致的GNWT。另一方面，整合信息理论[7]在意识理论方面是薄弱的，因为它缺乏对自主适应与意识之间联系的考虑。4结论在本文中，我们证明了通过将基于动态平衡的RNN纳入Kinouchi和Mackin的先前提议[1]，可以构建一个具有相当于意识功能的AI系统。6我们已经开始通过软件模拟验证所提出的系统，目前正在扩大模拟和改进所提出的模型的细节，以便将模拟从玩具模型升级为更实用的有意识的AI系统。我们认为有意识的人工智能系统在以下几点上是有利的。1) 一个有意识的系统可以根据自己的目标和评价函数，通过试错来适应动态环境。通过与包括深度学习在内的其他机器学习方法相结合，可以实现高度灵活和自适应的AI系统，可以自行解决问题2) 由于有意识的人工智能系统具有与人脑相似的信息处理特性，因此人工智能系统界面对用户来说将更加人性化和自然。人工智能这个词是60多年前创造的，最初的目标是在计算机上人工复制人类智能。但我们的观点是，智力的核心本质不是人类独有的特征，也不限于人类的大脑。为了澄清智力的真正本质，我们需要将智力重新定义为一种自然现象。换句话说，我们需要把智力看作是一种信息处理形式，解释为一种自然或物理现象。物理现象可以解释为不同的粒子相互作用并接近动态平衡状态，例如处于最低能量状态的系统RNN可以被看作是一个以网络结构表示的交互元素系统。网络行为使得网络旨在实现稳定的最小能量状态。RNN在交互作用和能量函数的设计上有很大的自由度，Scellie和Bengio [2]提出的方法大大降低了设计和训练RNN的我们相信，通过将动态平衡的思想应用于自主自适应系统的信息处理，我们可以应用于探讨了“什么造就了智能”这一关键问题引用1. Kinouchi，Y.，Mackin，K.J.：类人机器人具有类意识功能的自主自适应系统的基本结构。前面机器人AI 5：30。（2018年）。版权所有© 2018 - 20192. Scellie，B.，Bengio，Y.：平衡传播：弥合基于能量的模型和反向传播之间的差距。前 面 Comput. Neurosci. 十 一 点 二 十 四 分 （ 2017 年 ） 。 版 权 所 有 © 2017 - 2019www.fncom.com3. Lamme，V.A.F.：神经科学将如何改变我们对意识的看法认知神经科学，1（3），204 -240（2010）4. Lamme，V.A.F.：意识理论的挑战：看到或知道，缺失的成分以及如何处理泛心论。译R. Soc. B 373：20170344。（2018年）5. Dehaene，S.，Lau，H.，Kouider，S.：什么是意识，机器能拥有它吗？科学358，4866. Haikonen，P.：有意识机器的认知方法。Exeter：Imprint academics（2003）.7. 托诺尼，G.：意识的整合信息理论：一个更新的帐户。意大利阿彻。150，290