我们能赋予人工智能形成记忆的能力吗?高维计算基础

高维计算是人工智能的未来吗?了解一种可能彻底改变机器视觉的理论。

它主要被描述为一种让人工智能系统保留记忆的方法，而不是计算它感知到的所有东西。这让人工智能向更接近人类的认知又迈进了一步(尽管只是理论上的微小一步)。

例如，目前，当人工智能系统看到一把椅子时，它必须检测它，并计算它的特征，以决定它是否是一把椅子。另一方面，当一个人看着一把椅子时，他以前见过一把椅子，可以根据记忆推断这个物体也是一把椅子。这就是高维计算有望为人工智能做的事情。更具体地说，它为系统提供了某种形式的“记忆”，这样就可以很容易地将相似的东西识别在一起。

超比计算理论不是新的 - 事实上，关于该主题的第一次出版于2009年发布大约在10年前。然而，这是一个有趣的概念，值得了解的是，它在非常高的层次上是如何工作的，是什么使它不同于传统计算，以及为什么它突然成为焦点。

什么是超级尺寸的载体？

前缀“超级”可能使这种概念听起来像一些科幻发明，而是真的术语“超高超远向量”是指通常用于计算过程中的矢量的大小，以及它们可以包含的可能信息。

在传统计算机中，有代表指令的地址，然后表示指令的向量。这种矢量的大小可能是32位的东西，每个比特的位置将赋予一些非常特定的含义。例如，如果向量的操作部分是前三个比特，则可能000表示添加，001表示减去，接下来的几个比特可能是要应用操作的值等。

这种计算方法是二进制的，非常依赖于信息被正确地表示，并在正确的地方实现正确的输出。

Arm指令的一个例子。如果指令集是10,000位而不是32位，那么可以使用统计处理来解释它。图片由手臂．

多维向量可以大得多，甚至可能有10000位长。

然而，这很多位都不会为其代表的信息类型提供更好的分辨率;事实上，在传统计算中，难以向300,000位的向量提供完全含义。相反，含义可以从其他属性推断，例如值的统计分布，图案的相似性，或汉明距离。

因此，整体载体的含义不再完全绑定到每个比特值的位置，但是整体传播它，并被一些其他方式抽象来决定矢量实际代表的内容。

这都是非常摘要的，但研究人员提供的一个很好的例子提供了一个四位示例。

假设我们有四个向量，A，B，C和D，其中：

答：0000.
B：0011
C：0001.
D: 0010

我们可以看到C与A和B更类似于D.也就是说，C具有三个常见位，它具有一个常用位，但它没有与D的公共比特。

在传统计算中，我们可能会说这四个向量在它们所代表的东西上没有共同点。这一事实相似现在是我们可以考虑的财产，其中包括可用于推断其含义的一层信息。这增加了“维度” - 期，期限超比。

因此，高端载体是一个非常大的载体，可以通过读取每个位置的每位的值来解释。

记忆稳健性与人类认知的相似性

我们人类的一件事擅长能够识别模式，并使用这些模式告诉我们有关其他类似事物的信息。从早些时候返回主席榜样，人类一般都明白，只是因为椅子缺少一条腿，这并不意味着它突然不是椅子。然而，在他们的演变中的这个阶段的AI可能会看一把破碎的椅子，并决定它是必须识别和分类的全新对象。

超长尺寸的矢量给出了相同的错误余量：也许一些位是不同的，但是如果两个向量足够类似，则抽象的模式和值（例如位的统计分布）不会显着不同。这使我们对噪音或错误提供了极佳的鲁棒性。

使用超比向量进入这样一个系统的潜在架构，我们可以考虑计算机如何读取向量，然后尝试检索类似的向量以决定它是什么。如果将载体称为X，用作本身的地址，那么读取X时，我们可以立即识别X.

If some slight variation of X is read, let’s call it X’, it’s not the same as X, but the abstracted interpretation of it (let’s say by statistical similarity) will bring us to a region of memory very close to X. In traditional computing, 0000 and 1000 are completely different, so you would not converge on the address if one bit is different, or be anywhere close.

在此逻辑之后，椅子和凳子将具有不同的矢量表示。它们并不完全相同的对象。一个椅子，根据定义，有一个背部。也许这是一个较低的背部或更高的背部，具体取决于样本。它可能是一种不同的颜色。相比之下，凳子没有背部，因此是不同的形状，并且可能更高。即便如此，人类的大脑也知道有一个平坦的部分，你可以坐下，特别是因为凳子通常被某种类型的桌子放置。我们可以推断出来，就像一把椅子一样，我们可以坐在凳子上。

在超高势计算中，椅子和凳子存储在与沙发上的同一个内存区域中，以及您坐在的沙发和其他家具。我们还认识到，椅子与鸟无关;并且，在我们理论超期计算机的内存中，对鸟类的引用不会为我们带来相同的存储区域。

一个更复杂的例子是一把断了腿的椅子。

读者可能知道这显然是椅子;当前的对象识别软件可能会难以辨别此功能。图片由Nonteek．

在传统的对象识别中，这是一项艰巨的任务。利用超比计算，识别某些功能将产生与椅子相似的向量，当它被抽象和处理时，您在理论上 - 最终与不间断的椅子相同的“存储区域”。

高维计算的最新应用

正如我之前提到的那样，超级倾向计算在压力机上得到一些额外的注意。部分原因是，最近，马里兰大学的研究人员发表了一篇名为“用神经形态传感器学习感觉运动控制:迈向多维主动知觉“。本文发表在杂志科学机器人并讨论了在机器人技术中使用超维二进制向量(或HBVs)来处理感觉数据。

这篇论文提出了一个可能的飞跃，即所谓的“感觉运动表征”——基于感觉输入创造反应。在实践中，这可以转化为一个人工智能控制的机器人，它能够学习类似于肌肉记忆的东西。随着马里兰州大学文章在主题上解释，“......纸张标志着感知和行动已经集成了第一次。”

即使是基于这样一个单一的应用，很明显，未来多维计算的应用范围是巨大的。

---

我希望您能从这篇文章中了解到高维计算的基本概念。人工智能和计算机认知领域需要跨越多个领域的专业知识，但揭开一些正在使用的术语和概念肯定有助于使该领域的潜在进展更容易被理解。

你有计算机认知方面的专业知识吗?如果是的话，请在下面的评论中分享你对这个话题的一些看法。

特色图片使用礼貌PixaBay．