วันนี้เราจะพยายามค้นหาว่าโครงข่ายประสาทเทียมคืออะไร ทำงานอย่างไร และมีบทบาทอย่างไรในการสร้างปัญญาประดิษฐ์
โครงข่ายประสาทเทียม เราได้ยินวลีนี้เกือบทุกที่ ถึงจุดที่คุณจะพบโครงข่ายประสาทเทียมแม้ในตู้เย็น (นี่ไม่ใช่เรื่องตลก) โครงข่ายประสาทเทียมถูกนำมาใช้กันอย่างแพร่หลายโดยอัลกอริธึมการเรียนรู้ของเครื่อง ซึ่งปัจจุบันสามารถพบได้ไม่เพียงแต่ในคอมพิวเตอร์และสมาร์ทโฟนเท่านั้น แต่ยังพบได้ในอุปกรณ์อิเล็กทรอนิกส์อื่นๆ อีกมากมาย เช่น ในเครื่องใช้ในครัวเรือน และคุณเคยสงสัยหรือไม่ว่าโครงข่ายประสาทเทียมเหล่านี้คืออะไร?
ไม่ต้องกังวล นี่จะไม่ใช่การบรรยายเชิงวิชาการ มีสิ่งพิมพ์จำนวนมากรวมถึงภาษายูเครนซึ่งอธิบายปัญหานี้ในสาขาวิทยาศาสตร์ที่แน่นอนอย่างมืออาชีพและเชื่อถือได้ สิ่งพิมพ์ดังกล่าวมีอายุมากกว่าสิบปี เป็นไปได้อย่างไรที่สิ่งพิมพ์เก่าๆ เหล่านี้ยังคงมีความเกี่ยวข้องอยู่ ความจริงก็คือพื้นฐานของโครงข่ายประสาทเทียมไม่เปลี่ยนแปลง และแนวความคิดเองก็ถูกสร้างขึ้นในช่วงสงครามโลกครั้งที่สอง ซึ่งเป็นแบบจำลองทางคณิตศาสตร์ของเซลล์ประสาทเทียม
เช่นเดียวกับอินเทอร์เน็ต อินเทอร์เน็ตในปัจจุบันก้าวหน้าไปไกลกว่าอีเมลฉบับแรกอย่างไม่มีใครเทียบได้ รากฐานของอินเทอร์เน็ต ซึ่งเป็นโปรโตคอลพื้นฐาน ดำรงอยู่ตั้งแต่เริ่มต้นของการสร้างสรรค์ ทุกแนวคิดที่ซับซ้อนถูกสร้างขึ้นบนรากฐานของโครงสร้างเก่า เช่นเดียวกับสมองของเรา เปลือกสมองที่อายุน้อยที่สุดไม่สามารถทำงานได้หากไม่มีองค์ประกอบวิวัฒนาการที่เก่าแก่ที่สุด นั่นก็คือก้านสมอง ซึ่งอยู่ในหัวของเรามาตั้งแต่สมัยโบราณ ซึ่งเก่าแก่กว่าการดำรงอยู่ของสายพันธุ์ของเราบนโลกใบนี้
ฉันทำให้คุณสับสนนิดหน่อยใช่ไหม? มาทำความเข้าใจรายละเอียดเพิ่มเติมกันดีกว่า
ที่น่าสนใจเช่นกัน: ChatGPT: คำแนะนำง่ายๆ สำหรับการใช้งาน
โครงข่ายประสาทเทียมคืออะไร?
เครือข่ายคือชุดขององค์ประกอบบางอย่าง นี่เป็นแนวทางที่ง่ายที่สุดในวิชาคณิตศาสตร์ ฟิสิกส์ หรือเทคโนโลยี หากเครือข่ายคอมพิวเตอร์คือชุดของคอมพิวเตอร์ที่เชื่อมต่อถึงกัน เครือข่ายประสาทเทียมก็คือชุดของเซลล์ประสาทอย่างเห็นได้ชัด
อย่างไรก็ตาม องค์ประกอบเหล่านี้ไม่สามารถเทียบเคียงได้ในระยะไกลในเรื่องความซับซ้อนกับเซลล์ประสาทของสมองและระบบประสาทของเรา แต่ในระดับนามธรรม คุณลักษณะบางอย่างของเซลล์ประสาทเทียมและเซลล์ประสาททางชีวภาพเป็นเรื่องธรรมดา แต่จำเป็นต้องจำไว้ว่าเซลล์ประสาทเทียมนั้นเป็นแนวคิดที่ง่ายกว่าเซลล์ทางชีววิทยาซึ่งเรายังไม่รู้ทุกอย่าง
อ่าน: 7 สุดยอดการใช้งาน ChatGPT
ประการแรกมีเซลล์ประสาทเทียม
แบบจำลองทางคณิตศาสตร์แรกของเซลล์ประสาทเทียมได้รับการพัฒนาในปี 1943 (ใช่แล้ว นั่นไม่ใช่ข้อผิดพลาด ในช่วงสงครามโลกครั้งที่สอง) โดยนักวิทยาศาสตร์ชาวอเมริกันสองคน Warren McCulloch และ Walter Pitts พวกเขาสามารถทำเช่นนี้ได้บนพื้นฐานของแนวทางแบบสหวิทยาการ โดยผสมผสานความรู้พื้นฐานเกี่ยวกับสรีรวิทยาของสมอง (จำช่วงเวลาที่แบบจำลองนี้ถูกสร้างขึ้น) คณิตศาสตร์ และแนวทางไอทีรุ่นเยาว์ในขณะนั้น (เหนือสิ่งอื่นใด พวกเขาใช้ทฤษฎีความสามารถในการคำนวณของ Alan Turing เหนือสิ่งอื่นใด ). แบบจำลองเซลล์ประสาทประดิษฐ์ McCulloch-Pitts เป็นแบบจำลองที่ง่ายมาก แต่ก็มีอินพุตจำนวนมากโดยที่ข้อมูลอินพุตส่งผ่านน้ำหนัก (พารามิเตอร์) ค่าที่กำหนดพฤติกรรมของเซลล์ประสาท ผลลัพธ์ที่ได้จะถูกส่งไปยังเอาต์พุตเดี่ยว (ดูแผนภาพของเซลล์ประสาท McCulloch-Pitts)
โครงสร้างคล้ายต้นไม้ดังกล่าวมีความเกี่ยวข้องกับเซลล์ประสาทชีวภาพ เพราะเมื่อเรานึกถึงภาพวาดที่แสดงถึงเซลล์ประสาททางชีวภาพ เดนไดรต์จะมีลักษณะคล้ายโครงสร้างต้นไม้ที่มีลักษณะเฉพาะ อย่างไรก็ตาม เราไม่ควรยอมจำนนต่อภาพลวงตาว่าอย่างน้อยเซลล์ประสาทเทียมก็ค่อนข้างใกล้กับเซลล์ประสาทจริง นักวิจัยทั้งสองคนนี้ ซึ่งเป็นผู้เขียนเซลล์ประสาทเทียมตัวแรก สามารถแสดงให้เห็นว่าฟังก์ชันที่คำนวณได้ใดๆ สามารถคำนวณได้โดยใช้เครือข่ายของเซลล์ประสาทที่เชื่อมต่อถึงกัน อย่างไรก็ตาม โปรดจำไว้ว่าแนวคิดแรกๆ เหล่านี้ถูกสร้างขึ้นตามแนวคิดที่มีอยู่เพียง "บนกระดาษ" เท่านั้น และไม่มีการตีความที่แท้จริงในรูปแบบของอุปกรณ์ปฏิบัติการ
อ่าน: เกี่ยวกับคอมพิวเตอร์ควอนตัมง่ายๆ
จากแบบจำลองสู่การใช้งานเชิงนวัตกรรม
McCulloch และ Pitts พัฒนาแบบจำลองทางทฤษฎี แต่การสร้างโครงข่ายประสาทเทียมที่แท้จริงแห่งแรกต้องรอนานกว่าสิบปี ผู้สร้างนี้ถือเป็นผู้บุกเบิกการวิจัยปัญญาประดิษฐ์อีกรายหนึ่งคือ Frank Rosenblatt ซึ่งในปี 1957 ได้สร้างเครือข่าย Mark I Perceptron และคุณเองก็ได้แสดงให้เห็นว่าด้วยโครงสร้างนี้ ทำให้เครื่องจักรได้รับความสามารถที่ก่อนหน้านี้มีเฉพาะในสัตว์และมนุษย์เท่านั้น: มัน สามารถเรียนรู้. อย่างไรก็ตาม ตอนนี้เรารู้แล้วว่าในความเป็นจริงแล้ว มีนักวิทยาศาสตร์คนอื่นๆ ที่มีความคิดที่ว่าเครื่องจักรสามารถเรียนรู้ได้ รวมถึงก่อน Rosenblatt ด้วย
นักวิจัยและผู้บุกเบิกวิทยาการคอมพิวเตอร์หลายคนในทศวรรษ 1950 เกิดแนวคิดว่าจะทำให้เครื่องจักรทำสิ่งที่ไม่สามารถทำได้ด้วยตัวเองได้อย่างไร ตัวอย่างเช่น Arthur Samuel พัฒนาโปรแกรมที่เล่นหมากฮอสกับมนุษย์ Allen Newell และ Herbert Simon ได้สร้างโปรแกรมที่สามารถพิสูจน์ทฤษฎีบททางคณิตศาสตร์ได้อย่างอิสระ แม้กระทั่งก่อนการสร้างโครงข่ายประสาทเทียมแห่งแรกของ Rosenblatt ผู้บุกเบิกการวิจัยอีกสองคนในสาขาปัญญาประดิษฐ์ Marvin Minsky และ Dean Edmonds ในปี 1952 นั่นคือก่อนที่ Perceptron ของ Rosenblatt จะปรากฏตัวขึ้นด้วยซ้ำ ได้สร้างเครื่องจักรชื่อ SNARC (Stochastic Neural) เครื่องคำนวณการเสริมแรงแบบอะนาล็อก) - การเสริมเครื่องคิดเลขแบบอะนาล็อกประสาทสุ่มซึ่งหลาย ๆ คนถือเป็นคอมพิวเตอร์เครือข่ายประสาทสุ่มเครื่องแรก ควรสังเกตว่า SNARC ไม่เกี่ยวข้องกับคอมพิวเตอร์สมัยใหม่
เครื่องจักรอันทรงพลังที่ใช้หลอดอิเล็กทรอนิกส์มากกว่า 3000 หลอดและกลไกอัตโนมัติสำรองจากเครื่องบินทิ้งระเบิด B-24 สามารถจำลองการทำงานของเซลล์ประสาท 40 เซลล์ ซึ่งเพียงพอที่จะจำลองการค้นหาทางคณิตศาสตร์ของหนูเพื่อหาทางออกจากเขาวงกต . แน่นอนว่าไม่มีหนู มันเป็นเพียงกระบวนการอนุมานและหาทางออกที่ดีที่สุด รถคันนี้เป็นส่วนหนึ่งของปริญญาเอกของ Marvin Minsky
โครงการที่น่าสนใจอีกโครงการหนึ่งในด้านโครงข่ายประสาทเทียมคือโครงข่าย ADALINE ซึ่งพัฒนาขึ้นในปี 1960 โดยเบอร์นาร์ด วิธโรว์ ดังนั้นเราสามารถถามคำถามได้: เนื่องจากมากกว่าครึ่งศตวรรษที่ผ่านมานักวิจัยรู้รากฐานทางทฤษฎีของโครงข่ายประสาทเทียมและยังสร้างการใช้งานครั้งแรกของกรอบการคำนวณดังกล่าวทำไมจึงใช้เวลานานเช่นนี้จนถึงศตวรรษที่ 21 ในการ สร้างโซลูชั่นที่แท้จริงโดยใช้โครงข่ายประสาทเทียม? คำตอบคือหนึ่งเดียว: พลังการประมวลผลไม่เพียงพอ แต่ไม่ใช่อุปสรรคเพียงอย่างเดียว
แม้ว่าในช่วงทศวรรษ 1950 และ 1960 ผู้บุกเบิกด้าน AI จำนวนมากรู้สึกทึ่งกับความเป็นไปได้ของโครงข่ายประสาทเทียม และบางคนคาดการณ์ว่าเครื่องจักรที่เทียบเท่ากับสมองมนุษย์นั้นอยู่ห่างออกไปเพียงสิบปีเท่านั้น เรื่องนี้แม้จะตลกที่ได้อ่านในวันนี้ เพราะเรายังไม่ได้เข้าใกล้การสร้างเครื่องจักรที่เทียบเท่ากับสมองมนุษย์ด้วยซ้ำ และเรายังห่างไกลจากการแก้ปัญหานี้ เป็นที่ชัดเจนอย่างรวดเร็วว่าตรรกะของโครงข่ายประสาทเทียมแรกนั้นทั้งน่าหลงใหลและจำกัด การใช้งาน AI ครั้งแรกโดยใช้เซลล์ประสาทเทียมและอัลกอริธึมการเรียนรู้ของเครื่องสามารถแก้ไขงานช่วงแคบๆ ได้
อย่างไรก็ตาม เมื่อพูดถึงพื้นที่ที่กว้างขึ้นและการแก้ปัญหาบางอย่างที่จริงจังจริงๆ เช่น การจดจำรูปแบบและรูปภาพ การแปลพร้อมกัน การรู้จำคำพูดและลายมือ ฯลฯ นั่นคือสิ่งที่คอมพิวเตอร์และ AI สามารถทำได้ในปัจจุบัน ปรากฎว่า การใช้งานโครงข่ายประสาทเทียมครั้งแรกไม่สามารถทำได้ ทำไมจึงเป็นเช่นนี้? คำตอบได้รับจากการวิจัยของ Marvin Minsky (ใช่ คำตอบเดียวกันจาก SNARC) และ Seymour Papert ซึ่งในปี 1969 ได้พิสูจน์ข้อจำกัดของตรรกะของเพอร์เซปตรอน และแสดงให้เห็นว่าการเพิ่มความสามารถของโครงข่ายประสาทเทียมอย่างง่ายเนื่องจากการปรับขนาดเพียงอย่างเดียวไม่ได้ผล มีอุปสรรคอีกอย่างหนึ่ง แต่สำคัญมาก นั่นคือพลังการประมวลผลที่มีอยู่ในเวลานั้นน้อยเกินไปสำหรับโครงข่ายประสาทเทียมที่จะใช้ตามที่ตั้งใจไว้
ที่น่าสนใจเช่นกัน:
- ดังนั้นจะพูดหรือไม่พูด? มัสค์ปฏิเสธไม่คุยกับปูติน แต่มี "แต่"
- ปืนใหญ่สมัยใหม่คืออาวุธชั้นยอดของยูเครน แล้วทำไมอีลอน มัสก์ถึงมาอยู่ที่นี่ได้?
ยุคฟื้นฟูศิลปวิทยาของโครงข่ายประสาทเทียม
ในช่วงทศวรรษ 1970 และ 1980 โครงข่ายประสาทเทียมถูกลืมไปแล้ว จนกระทั่งปลายศตวรรษที่ผ่านมา พลังการประมวลผลที่มีอยู่กลับยิ่งใหญ่มากจนผู้คนเริ่มกลับมาใช้และพัฒนาขีดความสามารถของตนในสาขานี้ ตอนนั้นเองที่ฟังก์ชันและอัลกอริธึมใหม่ปรากฏขึ้น ซึ่งสามารถเอาชนะข้อจำกัดของโครงข่ายประสาทเทียมที่ง่ายที่สุดตัวแรกได้ ตอนนั้นเองที่แนวคิดเกี่ยวกับการเรียนรู้ของเครื่องเชิงลึกของโครงข่ายประสาทเทียมหลายชั้นเกิดขึ้น จริงๆ แล้วเกิดอะไรขึ้นกับชั้นเหล่านี้? ปัจจุบันโครงข่ายประสาทเทียมที่มีประโยชน์เกือบทั้งหมดที่ทำงานในสภาพแวดล้อมของเรานั้นมีหลายชั้น เรามีเลเยอร์อินพุตซึ่งมีหน้าที่รับข้อมูลอินพุตและพารามิเตอร์ (น้ำหนัก) จำนวนพารามิเตอร์เหล่านี้จะแตกต่างกันไปขึ้นอยู่กับความซับซ้อนของปัญหาการคำนวณที่จะแก้ไขโดยเครือข่าย
นอกจากนี้เรายังมีสิ่งที่เรียกว่า "ชั้นที่ซ่อนอยู่" ซึ่งเป็นจุดที่ "ความมหัศจรรย์" ทั้งหมดที่เกี่ยวข้องกับการเรียนรู้ของเครื่องเชิงลึกเกิดขึ้น เป็นเลเยอร์ที่ซ่อนอยู่ซึ่งรับผิดชอบความสามารถของโครงข่ายประสาทเทียมนี้ในการเรียนรู้และดำเนินการคำนวณที่จำเป็น ในที่สุดองค์ประกอบสุดท้ายคือเลเยอร์เอาต์พุตนั่นคือเลเยอร์ของโครงข่ายประสาทเทียมที่ให้ผลลัพธ์ตามที่ต้องการในกรณีนี้: ลายมือที่จดจำ ใบหน้า เสียง รูปภาพที่สร้างขึ้นตามคำอธิบายที่เป็นข้อความ ผลลัพธ์ของการวิเคราะห์เอกซเรย์ของ ภาพการวินิจฉัยและอีกมากมาย
อ่าน: ฉันทดสอบและสัมภาษณ์แชทบอทของ Bing
โครงข่ายประสาทเทียมเรียนรู้ได้อย่างไร?
ดังที่เราทราบแล้วว่าเซลล์ประสาทแต่ละตัวในโครงข่ายประสาทเทียมจะประมวลผลข้อมูลโดยใช้พารามิเตอร์ (น้ำหนัก) ซึ่งกำหนดค่าและการเชื่อมต่อแต่ละรายการ น้ำหนักเหล่านี้เปลี่ยนแปลงในระหว่างกระบวนการเรียนรู้ ซึ่งช่วยให้คุณปรับโครงสร้างของเครือข่ายนี้ในลักษณะที่สร้างผลลัพธ์ที่ต้องการได้ เครือข่ายเรียนรู้ได้อย่างไร? เห็นได้ชัดว่ามันต้องได้รับการฝึกฝนอย่างต่อเนื่อง อย่าแปลกใจกับคำพูดนี้ เรากำลังเรียนรู้เช่นกันและกระบวนการนี้ไม่วุ่นวาย แต่สมมุติว่าเป็นระเบียบ เราเรียกมันว่าการศึกษา ไม่ว่าในกรณีใด โครงข่ายประสาทเทียมก็สามารถฝึกได้ และโดยปกติจะทำโดยใช้ชุดอินพุตที่เลือกอย่างเหมาะสม ซึ่งจะเตรียมเครือข่ายสำหรับงานที่มันจะดำเนินการในอนาคต และทั้งหมดนี้ทำซ้ำทีละขั้นตอนบางครั้งกระบวนการเรียนรู้ก็คล้ายกับกระบวนการฝึกอบรมในระดับหนึ่ง
ตัวอย่างเช่น หากงานของโครงข่ายประสาทเทียมนี้คือการจดจำใบหน้า ก็จะได้รับการฝึกล่วงหน้ากับรูปภาพจำนวนมากที่มีใบหน้า ในกระบวนการเรียนรู้ น้ำหนักและพารามิเตอร์ของเลเยอร์ที่ซ่อนอยู่จะเปลี่ยนไป ผู้เชี่ยวชาญใช้วลี "การลดฟังก์ชันต้นทุนให้เหลือน้อยที่สุด" ที่นี่ ฟังก์ชันต้นทุนคือปริมาณที่บอกเราว่าโครงข่ายประสาทเทียมที่กำหนดทำผิดพลาดมากเพียงใด ยิ่งเราสามารถลดฟังก์ชันต้นทุนอันเป็นผลจากการฝึกอบรมได้มากเท่าใด โครงข่ายประสาทเทียมนี้จะยิ่งทำงานได้ดีขึ้นในโลกแห่งความเป็นจริง คุณลักษณะที่สำคัญที่สุดที่ทำให้โครงข่ายประสาทเทียมแตกต่างจากงานที่โปรแกรมโดยใช้อัลกอริธึมแบบคลาสสิกก็คือ ในกรณีของอัลกอริธึมแบบคลาสสิก โปรแกรมเมอร์จะต้องออกแบบทีละขั้นตอนว่าโปรแกรมจะดำเนินการอย่างไร ในกรณีของโครงข่ายประสาทเทียม โครงข่ายเองสามารถเรียนรู้การทำงานได้อย่างถูกต้องด้วยตนเอง และไม่มีใครรู้แน่ชัดว่าโครงข่ายประสาทเทียมที่ซับซ้อนคำนวณได้อย่างไร
ทุกวันนี้ โครงข่ายประสาทเทียมถูกนำมาใช้กันอย่างแพร่หลาย และบ่อยครั้งที่น่าประหลาดใจ บ่อยครั้งมากที่ไม่เข้าใจว่ากระบวนการคำนวณในเครือข่ายที่กำหนดนั้นทำงานอย่างไร ไม่จำเป็นต้องทำเช่นนี้ โปรแกรมเมอร์ใช้โครงข่ายประสาทเทียมที่เรียนรู้ด้วยเครื่องสำเร็จรูปซึ่งเตรียมไว้สำหรับการป้อนข้อมูลบางประเภท ประมวลผลด้วยวิธีที่พวกเขารู้จักเท่านั้นและให้ผลลัพธ์ที่ต้องการ โปรแกรมเมอร์ไม่จำเป็นต้องรู้ว่ากระบวนการอนุมานทำงานอย่างไรภายในโครงข่ายประสาทเทียม นั่นคือบุคคลยังคงอยู่ห่างจากการคำนวณจำนวนมากวิธีการรับข้อมูลและการประมวลผลโดยโครงข่ายประสาทเทียม เหตุใดความกลัวของมนุษย์เกี่ยวกับแบบจำลองปัญญาประดิษฐ์ เราเพียงกลัวว่าวันหนึ่งโครงข่ายประสาทเทียมจะกำหนดภารกิจบางอย่างให้กับตัวเองและค้นหาวิธีแก้ปัญหาโดยอิสระโดยไม่ได้รับความช่วยเหลือจากบุคคล สิ่งนี้ทำให้มนุษยชาติกังวล ทำให้เกิดความกลัวและไม่ไว้วางใจในการใช้อัลกอริธึมการเรียนรู้ของเครื่อง
แนวทางที่เป็นประโยชน์นี้เป็นเรื่องปกติในปัจจุบัน เช่นเดียวกับเรา: เรารู้วิธีฝึกอบรมใครบางคนในกิจกรรมเฉพาะ และเรารู้ว่ากระบวนการฝึกอบรมจะมีประสิทธิภาพหากทำอย่างถูกต้อง บุคคลจะได้รับทักษะที่ต้องการ แต่เราเข้าใจอย่างชัดเจนหรือไม่ว่ากระบวนการหักเงินเกิดขึ้นในสมองของเขาซึ่งทำให้เกิดผลกระทบนี้ได้อย่างไร? เราไม่มีความคิด
หน้าที่ของนักวิทยาศาสตร์คือศึกษาปัญหาเหล่านี้ให้มากที่สุดเท่าที่จะเป็นไปได้ เพื่อที่พวกเขาจะได้รับบริการและช่วยเหลือเราเมื่อจำเป็น และที่สำคัญที่สุดคืออย่ากลายเป็นภัยคุกคาม ในฐานะมนุษย์ เรากลัวในสิ่งที่เราไม่รู้
ที่น่าสนใจเช่นกัน: