Lanier ได้คิดค้นคำศัพท์ 50 เซ็นต์ในความพยายามที่จะสร้างเครือข่ายความคิดเฉพาะที่อธิบายถึงแบบจำลองการคำนวณสำหรับการสร้างโปรแกรมคอมพิวเตอร์ที่มีลักษณะเฉพาะที่สามารถระบุตัวได้
คำว่า:
กลไกสำหรับการโต้ตอบส่วนประกอบที่ใช้การจดจำรูปแบบหรือการรับรู้เทียมในสถานที่ของการร้องขอฟังก์ชั่นหรือการส่งข้อความ
ความคิดส่วนใหญ่มาจากชีววิทยา ดวงตาของคุณเชื่อมต่อกับโลกไม่ใช่ผ่านฟังก์ชั่นเหมือนSee(byte[] coneData)
แต่ผ่านพื้นผิวที่เรียกว่าเรตินา มันไม่ใช่ความแตกต่างเล็กน้อย คอมพิวเตอร์จะต้องสแกนไบต์ทั้งหมดทีละตัวในconeData
ขณะที่สมองของคุณประมวลผลอินพุตทั้งหมดพร้อมกัน
Lanier อ้างว่าอินเทอร์เฟซหลังนั้นทนต่อความผิดพลาดได้มากกว่าซึ่งเป็น (บิตที่เลื่อนเพียงอันเดียวconeData
สามารถทำลายระบบทั้งหมด) เขาอ้างว่ามันช่วยให้การจับคู่รูปแบบและโฮสต์ของความสามารถอื่น ๆ ที่ปกติเป็นเรื่องยากสำหรับคอมพิวเตอร์ซึ่งมันทำ
กลไก "phenotropic" ที่เป็นแก่นสารในระบบคอมพิวเตอร์จะเป็นเครือข่ายประสาทเทียม (ANN) ใช้ "พื้นผิว" เป็นอินพุตแทนที่จะใช้อินเตอร์เฟสที่กำหนดไว้ มีเทคนิคอื่น ๆ เพื่อให้ได้การวัดการจดจำรูปแบบ แต่โครงข่ายประสาทเทียมนั้นเป็นวิธีที่สอดคล้องกับชีววิทยามากที่สุด การทำให้ ANN นั้นง่าย การทำให้มันทำงานที่คุณต้องการให้ทำงานได้อย่างน่าเชื่อถือนั้นเป็นเรื่องยากด้วยเหตุผลหลายประการ:
- อินพุตและเอาต์พุต "พื้นผิว" มีลักษณะเป็นอย่างไร มีความเสถียรหรือมีขนาดแตกต่างกันตามเวลาหรือไม่
- คุณจะทำให้โครงสร้างเครือข่ายถูกต้องได้อย่างไร
- คุณฝึกเครือข่ายอย่างไร
- คุณจะได้รับคุณลักษณะด้านประสิทธิภาพที่เพียงพอได้อย่างไร
หากคุณยินดีที่จะแยกส่วนกับชีววิทยาคุณสามารถแจกจ่ายแบบจำลองทางชีวภาพ (ซึ่งพยายามจำลองการทำงานของเซลล์ประสาทชีวภาพจริง) และสร้างเครือข่ายที่มีลักษณะคล้ายกันมากกับ "เซลล์ประสาท" ที่แท้จริงของระบบคอมพิวเตอร์ดิจิทัล (ตรรกะ ประตู) เครือข่ายเหล่านี้เรียกว่า Adaptive Logic Networks (ALN) วิธีที่พวกเขาทำงานคือการสร้างชุดของฟังก์ชั่นเชิงเส้นที่ประมาณเส้นโค้ง กระบวนการมีลักษณะดังนี้:
... โดยที่แกน X แสดงถึงอินพุตบางส่วนไปยัง ALN และแกน Y หมายถึงเอาต์พุตบางตัว ตอนนี้ลองนึกภาพจำนวนฟังก์ชันเชิงเส้นที่ขยายเพิ่มตามต้องการเพื่อปรับปรุงความแม่นยำและจินตนาการว่ากระบวนการที่เกิดขึ้นในมิติที่ไม่มีกฎเกณฑ์ดำเนินการกับประตูตรรกะแบบ AND และ OR ทั้งหมดและคุณมีความรู้สึกว่า ALN เป็นอย่างไร
ALN มีคุณสมบัติบางอย่างที่น่าสนใจมาก:
- พวกเขาฝึกอบรมได้ค่อนข้างง่าย
- พวกมันสามารถคาดเดาได้มากเช่นการเปลี่ยนแปลงเล็กน้อยของอินพุทไม่ก่อให้เกิดการแกว่งของเอาต์พุต
- พวกมันเร็วฟ้าผ่าเพราะมันถูกสร้างขึ้นในรูปของต้นไม้ตรรกะและทำงานเหมือนกับการค้นหาแบบไบนารี่
- สถาปัตยกรรมภายในของพวกเขาวิวัฒนาการตามธรรมชาติจากชุดฝึกอบรม
ดังนั้นโปรแกรม phenotropic จะออกมาเป็นแบบนี้ มันจะมี "พื้นผิว" สำหรับการป้อนข้อมูลสถาปัตยกรรมและพฤติกรรมที่สามารถคาดการณ์ได้และจะทนต่ออินพุตที่มีเสียงดัง
อ่านเพิ่มเติม
บทนำเกี่ยวกับเครือข่ายลอจิกแบบปรับได้พร้อมแอปพลิเคชันเพื่อตรวจสอบการประเมินความเสี่ยง
"Object Oriented" vs "Message Oriented" โดย Alan Kay
phenotropic program
ไหม.