Một cuộc điều tra sâu sắc về các cơ chế làm nền tảng cho chức năng dự đoán của mạng lưới thần kinh và khả năng vạch ra con đường mới cho AI. Dự đoán là một lợi thế nhận thức giống như một số lợi thế khác, vốn có liên quan đến khả năng tồn tại và phát triển của chúng ta. Bộ não của chúng ta tràn ngập các tín hiệu thể hiện sự dự đoán. Chúng ta có thể mở rộng khả năng này một cách rõ ràng hơn vào các mạng thần kinh tổng hợp để cải thiện chức năng của AI và nâng cao vị trí của nó trong thế giới của chúng ta không? Kỳ vọng về độ dốc là một nỗ lực táo bạo của Keith L. Downing nhằm lập bản đồ nguồn gốc và giải phẫu của mạng lưới thần kinh tự nhiên và nhân tạo để khám phá cách thức, khi được thiết kế dưới dạng mô-đun dự đoán, các thành phần của chúng có thể làm cơ sở cho sự phát triển mô phỏng của các hệ thống mạng thần kinh tiên tiến. Downing đi sâu vào cấu trúc thần kinh đã biết của não động vật có vú để làm sáng tỏ cấu trúc của mạng lưới dự đoán và xác định chính xác hơn khả năng dự đoán có thể đã phát triển như thế nào từ các mạch thần kinh nguyên thủy hơn. Sau đó, ông khảo sát các mô hình thần kinh tính toán trong quá khứ và hiện tại nhằm tận dụng các cơ chế dự đoán có tính hợp lý về mặt sinh học, xác định các yếu tố, chẳng hạn như độ dốc, mà mạng lưới tự nhiên và nhân tạo chia sẻ. Downing nhận thấy đằng sau những dự đoán có cơ sở vững chắc là độ dốc, nhưng ở một phạm vi khác với phạm vi của học sâu ngày nay. Đi sâu vào mối liên hệ giữa các dự đoán và độ dốc cũng như sự biểu hiện của chúng trong não và mạng lưới thần kinh là một ví dụ thuyết phục về cách Downing làm phong phú thêm sự hiểu biết của chúng ta về các mối quan hệ đó cũng như vai trò của chúng trong việc củng cố các công cụ AI. Tổng hợp nghiên cứu quan trọng về khoa học thần kinh, khoa học nhận thức và chủ nghĩa kết nối, Kỳ vọng về độ dốc cung cấp chiều sâu và chiều rộng độc đáo về quan điểm về các mô hình mạng thần kinh dự đoán, bao gồm cả việc nắm bắt các mạch thần kinh dự đoán cho phép tích hợp các mô hình dự đoán tính toán với các thuật toán tiến hóa.

Abstract:

An insightful investigation into the mechanisms underlying the predictive functions of neural networks—and their ability to chart a new path for AI.Prediction is a cognitive advantage like few others, inherently linked to our ability to survive and thrive. Our brains are awash in signals that embody prediction. Can we extend this capability more explicitly into synthetic neural networks to improve the function of AI and enhance its place in our world? Gradient Expectations is a bold effort by Keith L. Downing to map the origins and anatomy of natural and artificial neural networks to explore how, when designed as predictive modules, their components might serve as the basis for the simulated evolution of advanced neural network systems.Downing delves into the known neural architecture of the mammalian brain to illuminate the structure of predictive networks and determine more precisely how the ability to predict might have evolved from more primitive neural circuits. He then surveys past and present computational neural models that leverage predictive mechanisms with biological plausibility, identifying elements, such as gradients, that natural and artificial networks share. Behind well-founded predictions lie gradients, Downing finds, but of a different scope than those that belong to today's deep learning. Digging into the connections between predictions and gradients, and their manifestation in the brain and neural networks, is one compelling example of how Downing enriches both our understanding of such relationships and their role in strengthening AI tools. Synthesizing critical research in neuroscience, cognitive science, and connectionism, Gradient Expectations offers unique depth and breadth of perspective on predictive neural-network models, including a grasp of predictive neural circuits that enables the integration of computational models of predi