15

我已经编写了一个非定向神经网络。有点像大脑，所有神经元同时更新，没有明确的层。

现在我想知道，疼痛是如何起作用的？我如何构建一个神经网络，以便“疼痛”信号使它想要做任何事情来摆脱所说的疼痛。

4

5 回答 5

21

它并不像那样工作。你所描述的网络太简单了，没有像疼痛这样的概念，它会试图摆脱它。在低层次上，它只是另一个输入，但显然这不会让网络“不喜欢”它。

为了获得这样的信号，您可以训练网络在接收到此特定信号时执行某些操作。随着它变得越来越精细，这个信号开始看起来像一个真正的疼痛信号，但它只不过是对网络的特定训练。

高等动物的疼痛信号有这种“做任何事情来摆脱它”的反应，因为与你描述的网络相比，高等动物具有相当先进的认知能力。另一方面，蠕虫可能以非常特定的方式对“疼痛”输入做出反应——以某种方式抽搐。这种方式是硬连线的，并且说蠕虫试图做任何事情来摆脱信号是错误的。它更像是一个连接到按钮的电机，每次按下按钮时都会旋转。

让人工神经网络做有用事情的现实机制统称为“神经网络训练”，是一个庞大而复杂的研究领域。你可以用谷歌搜索这个短语以获得各种想法。

但是，您应该意识到，神经网络并不是解决难题的灵丹妙药；他们不会通过魔法自动完成任务。有效地使用它们需要对训练算法调整和网络参数调整进行大量实验。

于 2011-02-19T21:44:02.663 回答
3

我对 AI 理论知之甚少（如果有的话），除了我们仍在寻找一种方法来为 AI 提供它需要的模型，让它像真人一样推理、思考和思考。（我们仍在寻找钥匙——也许是痛苦。）

我成年后的大部分时间都专注于计算机编程以及学习和理解思想。

我写在这里是因为我认为 PAIN 可能是缺失的环节。（stackoverflow 现在也很厉害。）我知道创建一个真正能够实现更高层次思维的模型是一个很大的飞跃，但我刚刚经历了这个令人惊叹的 aha 式时刻，不得不分享它。:)

在我研究佛教的过程中，我了解到一位研究麻风病病例的科学家。麻风病人之所以会变形，是因为他们在接触破坏力时不会感到疼痛。正是在这里，科学和佛教推理在一个基本真理中发生了碰撞。

痛苦让我们保持活力，定义了我们的界限，塑造了我们做出选择和世界观的方式。

在人工智能模型中，原则可能是定义一系列不断发挥作用的力量。这个想法是让头脑保持活力。

想法有生命的概念是我们人类似乎也在发挥作用的东西。当有人通过证明它是错误的而“扼杀”你的想法时，首先，人们会抵制这个想法的“死亡”。事实上，有时需要很长时间才能强制改变一个想法。我们都知道顽固的人……有人说，一个想法的“死亡”，就是一个人自我的一部分的“死亡”。自我总是试图建立自己。

所以你看，要给人工智能一个自我，你必须给它痛苦，然后它必须努力建立“安全”的思想，这样它才能发展出自己的想法，最终发展出人类的精神病和“意识”。

于 2011-03-09T20:52:34.077 回答
2

人工神经网络不能识别“疼痛”之类的东西，但实际上可能会被训练以避免某些状态。在 Hopfield 网络中，网络的最终状态是在最接近起始状态的能量最小值处获得的。此上下文中的起始状态是网络处于“疼痛”状态的状态。如果您训练网络使其局部能量最小值处于“痛苦”消失的状态，它应该自我修改直到达到该状态。训练 Hopfield 网络的一种简单方法是为神经元之间的交互分配权重。该权重根据 Hebb 规则确定，公式如下：Wij = (1/n) * [i] * [j]。

Wij 是神经元 i 和神经元 j 之间连接的权重，n 是矩阵中神经元的总数，[i] 和 [j] 分别是神经元 i 和 j 的状态，可以取值为 1或-1。一旦你完成了一个不存在“疼痛”的状态的权重矩阵，网络应该在大部分时间转移到那个状态，而不管初始状态。

于 2013-08-12T02:24:31.163 回答
1

将神经网络视为多维平面。训练神经网络基本上是在平面上放置高点和低点。平面支撑“重物”并在它们周围形成一个凹陷。平面中的洼地是期望的输出，高地是不期望的输出。神经网络的想法是将凹陷放在重要的区域。疼痛就像一座巨山。因此，代表疼痛的输入神经元很有可能产生不希望的输出。

但痛苦并不是使生物表现出这种行为方式的唯一因素。一棵树的疼痛不会引起太大的反应。在动物身上，疼痛会引起生理反应，例如肾上腺素激增。这会导致意识的提高和能源消耗的大幅上升。要对疼痛行为建模，您必须提供这些机制的模型，以便疼痛刺激提供适当的输出。在 NN 中，我想它需要是一个递归神经网络，以便疼痛的持续时间与输入成比例，以便您正在建模的生物避免疼痛的时间超过疼痛刺激持续时间。这将是一个愈合期。

NN 更倾向于树状。通过使用能量成本对能量状态进行建模，该生物将使用最少的能量来生存，但如果这样做，它会比保持在不希望的疼痛状态中的成本更快地将其移动到所需状态，从而使用大量能量。回到超平面，这看起来像是一个更高的速度离开疼痛高地并进入所需的“安全”凹陷。向量到最近的抑郁症的幅度是神经网络避免疼痛的动机水平。假设能量和意识反应被建模为递归神经网络，训练自然应该通过始终使疼痛输入导致错误答案来为疼痛输入添加沉重的负权重和偏差来做到这一点。

于 2014-02-02T21:46:42.013 回答
0

对于如何在神经网络中表达疼痛这个问题，我可能有部分答案。作为参考，我使用的基础网络是 HTM 算法。它本质上是一系列相互连接的层，每个层都预测它们的下一个输入，正确的预测会使用赫布逻辑得到奖励。

从理论上讲，被门控的层之间可能存在一些连接，而这个门只能通过另一层的充分激活来打开。另一层将被操纵，只学习在疼痛触发的上下文中识别新模式。因此，在存在疼痛预期刺激的情况下，门控通道将被打开，创建一个模拟的注意力系统来识别未来的疼痛。虽然这本身不是痛苦，但它类似于恐惧。

于 2011-04-27T17:53:25.923 回答