直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

神经活动中内在思想的逻辑演算

回答

以下是关于您提到的“神经活动中内在思想的逻辑演算”的相关内容：

在神经网络和深度学习的发展历程中，沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮兹（Walter Pitts）曾表明，把二进制输入值加起来，并在和大于一个阈值时输出 1，否则输出 0 的神经元模型，可以模拟基本的或/与/非逻辑函数。这为后续对神经活动中内在思想的研究奠定了基础。

同时，在相关研究中，弗兰克·罗森布拉特（Frank Rosenblatt）构想了感知机，它作为简化的数学模型解释大脑神经元如何工作。感知机取一组二进制输入值，将每个输入值乘以一个连续值权重，并设立一个阈值，如果这些加权输入值的和超过这个阈值，就输出 1，否则输出 0 。

此外，1986 年提出的构想让人们广泛理解了应该如何训练多层神经网络解决复杂学习问题，使得神经网络得以回归和发展。

参考文献：

  • Christopher D.Manning. (2015). Computational Linguistics and Deep Learning Computational Linguistics, 41(4), 701–707.↩
  • F.Rosenblatt. The perceptron, a perceiving and recognizing automaton Project Para. Cornell Aeronautical Laboratory, 1957.↩
  • W.S.McCulloch and W.Pitts. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4):115–133, 1943.↩
  • The organization of behavior: A neuropsychological theory. D.O.Hebb. John Wiley And Sons, Inc., New York, 1949 ↩
  • B.Widrow et al. Adaptive ”Adaline” neuron using chemical ”memistors”. Number Technical Report 1553-2. Stanford Electron. Labs., Stanford, CA, October 1960.↩
  • “New Navy Device Learns By Doing”, New York Times, July 8, 1958.↩
  • Perceptrons. An Introduction to Computational Geometry. MARVIN MINSKY and SEYMOUR PAPERT. M.I.T. Press, Cambridge, Mass., 1969.↩
  • Linnainmaa, S. (1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors. Master’s thesis, Univ. Helsinki.↩
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

深度｜神经网络和深度学习简史（第一部分）：从感知机到BP算法

[title]深度｜神经网络和深度学习简史（第一部分）：从感知机到BP算法[heading1]人工智能冬天的复苏文章特别谈到了Minsky在《感知机》中讨论过的问题。尽管这是过去学者的构想，但是，正是这个1986年提出的构想让人们广泛理解了应该如何训练多层神经网络解决复杂学习问题。而且神经网络也因此回来了！第二部分，我们将会看到几年后，《Learning internal representations by error propagation》探讨过的BP算法和其他一些技巧如何被用来解决一个非常重要的问题:让计算机识别人类书写。（待续）参考文献Christopher D.Manning.(2015).Computational Linguistics and Deep Learning Computational Linguistics,41(4),701–707.↩F.Rosenblatt.The perceptron,a perceiving and recognizing automaton Project Para.Cornell Aeronautical Laboratory,1957.↩W.S.McCulloch and W.Pitts.A logical calculus of the ideas immanent in nervous activity.The bulletin of mathematical biophysics,5(4):115–133,1943.↩The organization of behavior:A neuropsychological theory.D.O.Hebb.John Wiley And Sons,Inc.,New York,1949 ↩B.Widrow et al.Adaptive ”Adaline” neuron using chemical ”memistors”.Number Technical Report 1553-2.Stanford Electron.Labs.,Stanford,CA,October 1960.↩“New Navy Device Learns By Doing”,New York Times,July 8,1958.↩Perceptrons.An Introduction to Computational Geometry.MARVIN MINSKY and SEYMOUR PAPERT.M.I.T.Press,Cambridge,Mass.,1969.↩Linnainmaa,S.(1970).The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors.Master’s thesis,Univ.Helsinki.↩

深度｜神经网络和深度学习简史（第一部分）：从感知机到BP算法

[title]深度｜神经网络和深度学习简史（第一部分）：从感知机到BP算法[heading1]虚假承诺的荒唐显然这里话题是神经网络，那我们前言里为何要扯线性回归呢？呃,事实上线性回归和机器学习一开始的方法构想,弗兰克·罗森布拉特(Frank Rosenblatt)的感知机,有些许相似性。Perceptron心理学家Rosenblatt构想了感知机，它作为简化的数学模型解释大脑神经元如何工作：它取一组二进制输入值（附近的神经元），将每个输入值乘以一个连续值权重（每个附近神经元的突触强度），并设立一个阈值，如果这些加权输入值的和超过这个阈值，就输出1，否则输出0（同理于神经元是否放电）。对于感知机，绝大多数输入值不是一些数据，就是别的感知机的输出值。但有一个额外的细节：这些感知机有一个特殊的，输入值为1的，「偏置」输入，因为我们能补偿加权和，它基本上确保了更多的函数在同样的输入值下是可计算的。这一关于神经元的模型是建立在沃伦·麦卡洛克(Warren McCulloch)和沃尔特·皮兹(Walter Pitts)工作上的。他们曾表明，把二进制输入值加起来，并在和大于一个阈值时输出1，否则输出0的神经元模型，可以模拟基本的或/与/非逻辑函数。这在人工智能的早期时代可不得了——当时的主流思想是,计算机能够做正式的逻辑推理将本质上解决人工智能问题。另一个图表，显示出生物学上的灵感。激活函数就是人们当前说的非线性函数，它作用于输入值的加权和以产生人工神经元的输出值——在罗森布拉特的感知机情况下，这个函数就是输出一个阈值操作

构建外脑 / 智变时代的个人知识管理

[title]构建外脑/智变时代的个人知识管理[heading2]1.大脑之外[heading3]1.2 ExoBrain的概念为了更好的表述这种在大脑之外，利用软件工具还有大语言模型相关的技术，来扩展我们记忆和智力的新机制或者系统，我将其称之为ExoBrain -外脑。后文都用中文外脑来表述ExoBrain。配图01：ExoBrain Concept语言模型是心智界面对话是最简洁的人机界面，ChatGPT的流行让真正的人机对话成为了可能，现在Google的[Bard](https://bard.google.com/?ref=indigox.me)，Anthropic的[Claude](https://claude.ai/?ref=indigox.me)还有inflection的[Pi.ai](https://pi.ai/?ref=indigox.me)都卷入了这场智能入口之争。这些语言模型除了可以用它们储备的全人类的知识库来响应我们的任何问题之外，还能够快速理解复杂的文档，生成想法甚至驱动其它的软件来自动化的完成任务，语言模型就是我们的心灵副驾（Mind Copilot），自然语言输入，自然语言输出。语言代表了人类的智能，当我们思考的时候实际上是在进行内心独白和基于语言的逻辑推理。同样，我们用和LLM之间的对话来实现快速理解，记忆唤起、想法连接和驱动外部软件自动完成工作，LLM就像一个智能引擎一样成为了我们和外脑之间的心智界面。容易唤醒的数字记忆

其他人在问
AIGC如何处理情绪神经质问题
以下是关于 AIGC 处理情绪神经质问题的相关内容： Pink Piko 是一款互动心情跟踪应用，旨在将情绪反思日常化。应用中的角色 Piko Cat 会提出深刻问题，帮助用户了解自身情绪及其触发因素，还能识别日常活动对情绪状态的影响，清楚什么能让人振奋或沮丧。该应用运用人工智能技术，解读心情日志、标签和日记条目，提供清晰、个性化的情感洞察，超越传统的图表和图形，并结合积极心理学原则，通过规律性的反思和练习帮助增强情感韧性。
2024-09-13
神经网络的简单理解
神经网络是一种模仿生物神经网络结构和功能的数学模型或计算模型，用于分析图像、视频、音频和文本等复杂数据类型。 对于不同类型的数据有专门优化的神经网络，如分析图像时常用卷积神经网络，其模仿人脑处理视觉信息的方式。 在 2017 年推出 Transformer 之前，理解文本常用循环神经网络。而 Transformer 完全基于自注意力机制处理序列数据，比 RNN 更适合处理文本的长距离依赖性，在处理每个词时会注意输入序列里所有其他的词，并给予不同的注意力权重以捕获依赖关系和相关性，且具有自注意力机制和位置编码（因语言顺序很重要）。 神经网络由大量人工神经元联结进行计算，大多数情况下能在外界信息基础上改变内部结构，是一种自适应系统，具备学习功能。它是一种非线性统计性数据建模工具，通常通过基于数学统计学类型的学习方法得以优化，也是数学统计学方法的实际应用，能通过统计学方法让人 工神经网络具有类似人的简单决定和判断能力，这种方法比正式的逻辑学推理演算更具优势。 神经网络可用于监督学习、无监督学习、强化学习。
2024-09-06
卷积神经网络
卷积神经网络，也称为卷积网络，使用卷积层来过滤输入以获取有用信息。卷积层具有可学习的参数，能自动调整滤波器以提取对应任务的最有用特征。例如在一般目标识别中侧重对象形状信息，鸟类识别中更倾向于鸟的颜色信息，它会自动适配以找到最佳特征。 通常，多个卷积层依次作用，在每一层后对图像进行过滤，获取越来越多的抽象信息，形成层次特征。 卷积网络还常使用池层，以实现有限的平移和旋转不变性，即便对象出现在异常位置也能检测到，同时能减少内存消耗，从而支持使用更多卷积层。 近期的卷积网络采用初始模块，利用 1×1 卷积核进一步降低内存消耗并加快计算速度，提高训练效率。 例如在自动驾驶汽车场景中，可将驾驶员当前视野的图像输入到卷积神经网络，训练其预测下一个可能行动的奖励。相似状态的图像相似，行动也相似，网络能针对不同情况进行微调。 相关附加材料： 。 图 5 展示了一个交通标志的图像被 4 个 5×5 的卷积核过滤，生成 4 个特征图，再通过最大池化进行二次采样。下一层将 10 个 5×5 的卷积核应用于这些子采样图像，并再次将特征映射集中在一起。最后一层是完全连接的层，用于组合所有生成的特征并用于分类器（本质上是逻辑回归）。图像由提供。
2024-07-20
帮我写一个R语言的神经网络分类问题代码
好的，下面是一个使用R语言进行神经网络分类问题的示例代码。我们将使用著名的鸢尾花数据集（Iris dataset）进行演示。这个数据集包含了150条记录，每条记录有4个特征和一个目标变量（花的种类）。 安装并加载所需的包 首先，我们需要安装并加载所需的包，如`neuralnet`和`nnet`。 ```r install.packages install.packages library library ``` 加载和准备数据 接下来，我们将加载Iris数据集，并将数据标准化，以便神经网络能够更好地处理。 ```r 加载内置的Iris数据集 data 查看数据集的结构 str 标准化函数 normalize < function { return } 对特征进行标准化 iris_norm < as.data.frame iris_norm$Species < iris$Species 将目标变量转换为因子类型 iris_norm$Species < as.factor 将数据集分为训练集和测试集 set.seed index < sample train_data < iris_norm test_data < iris_norm ``` 创建和训练神经网络模型 我们将使用`neuralnet`包创建一个简单的神经网络模型，并进行训练。 ```r 创建公式 formula < as.formula 训练神经网络模型 nn_model < neuralnet 查看模型结果 print ``` 可视化神经网络 我们可以使用内置的绘图功能来可视化神经网络。 ```r 绘制神经网络 plot ``` 进行预测并评估模型 使用测试数据进行预测，并评估模型的性能。 ```r 进行预测 nn_predictions < compute 将预测结果转换为因子类型 nn_predicted < as.factor(ifelse(nn_predictions$net.result > 0.5, "versicolor", ifelse 查看混淆矩阵 confusion_matrix < table print 计算准确率 accuracy < sum print ``` 完整代码 下面是完整的代码段，整合了上述各个步骤： ```r install.packages install.packages library library 加载内置的Iris数据集 data 查看数据集的结构 str 标准化函数 normalize < function { return } 对特征进行标准化 iris_norm < as.data.frame iris_norm$Species < iris$Species 将目标变量转换为因子类型 iris_norm$Species < as.factor 将数据集分为训练集和测试集 set.seed index < sample train_data < iris_norm test_data < iris_norm 创建公式 formula < as.formula 训练神经网络模型 nn_model < neuralnet 查看模型结果 print 绘制神经网络 plot 进行预测 nn_predictions < compute 将预测结果转换为因子类型 nn_predicted < as.factor(ifelse(nn_predictions$net.result > 0.5, "versicolor", ifelse 查看混淆矩阵 confusion_matrix < table print 计算准确率 accuracy < sum print ``` 以上代码演示了如何使用R语言中的`neuralnet`包创建和训练一个简单的神经网络模型，并使用该模型对鸢尾花数据集进行分类预测。通过标准化数据、分割数据集、训练模型、进行预测和评估模型，你可以全面了解如何在R中使用神经网络进行分类任务。
2024-06-03
深度神经网络是什么
深度神经网络（DNN）是一种机器学习模型，属于神经网络的一种。它是一种由多层神经元组成的模型，每一层神经元都可以接收和处理输入数据，并将处理后的数据传递给下一层神经元。DNN 在图像识别、语音识别、自然语言处理等领域取得了显著的成就。 DNN 通过反向传播算法进行训练。在训练过程中，输入数据通过网络的各个层进行传递和处理，最终产生输出结果。然后，通过比较输出结果与期望输出之间的差异，计算出误差信号。误差信号会反向传播到网络的每一层，用于调整神经元之间的连接权重，从而使网络的输出结果更加接近期望输出。这个过程会重复多次，直到网络的输出结果达到满意的精度为止。 DNN 具有很强的学习能力和泛化能力。它可以自动提取输入数据中的特征和模式，并将其表示为高层的抽象特征。这些抽象特征可以用于各种任务，如分类、回归、聚类等。此外，DNN 还具有很强的泛化能力，可以处理各种类型的数据，如图像、语音、文本等。 虽然 DNN 在许多领域都取得了显著的成就，但它也存在一些局限性，如需要大量的计算资源和数据、容易出现过拟合等。此外，DNN 的模型结构和参数需要经过精心设计和调整，以确保其在不同任务和数据集上的有效性和泛化能力。
2024-05-23
AI搜索的底层逻辑是怎样的
AI 搜索的底层逻辑主要是“检索增强生成（RAG）”，具体包括以下步骤： 1. 检索（Retrieve）：使用用户的查询（query）调用搜索引擎 API，获取搜索结果。 2. 增强（Augmented）：设置提示词，将检索结果作为挂载的上下文。 3. 生成（Generation）：大模型回答问题，并标注引用来源。 在检索过程中，还涉及以下原理： 1. 信息筛选与确认：对检索器提供的信息进行评估，筛选出最相关和最可信的内容，并验证信息的来源、时效性和相关性。 2. 消除冗余：识别和去除多个文档或数据源中的重复信息，避免在生成回答时出现重复或矛盾。 3. 关系映射：分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等，构建结构化的知识框架。 4. 上下文构建：将筛选和结构化的信息组织成连贯的上下文环境，包括排序、归类和整合。 5. 语义融合：必要时合并意义相近但表达不同的信息片段，减少语义重复并增强表达力。 6. 预备生成阶段：将整合好的上下文信息编码成适合生成器处理的格式，如转化为适合输入到生成模型的向量形式。 最后，全新的上下文被传递给大语言模型，大语言模型根据提供的信息生成准确和连贯的答案。影响 AI 搜索的关键因素包括挂载的上下文信息密度和基座模型的智能程度。在响应速度方面，Retrieve 要求联网检索信息的速度快，Generation 要求大模型生成内容的速度快，同时为提高准确度可能存在耗时的重排和获取内容详情步骤。
2024-10-16
大模型训练的底层逻辑是什么
大模型训练的底层逻辑主要包括以下方面： 1. 参数数量庞大：大模型拥有从数十亿到数千亿的大量参数，这些参数在学习过程中不断调整，帮助模型更深入地理解和生成数据。 2. 多模态原理：以图片生成为例，如当前较火的 StableDiffusion 所采用的扩散模型，其训练过程是先给海量带有标注文字描述的图片逐渐加满噪点，模型学习每一步图片向量值和文字向量值的数据分布演变规律并沉淀下来。后续输入文字后，模型根据文字转化的向量指导充满噪点的图片减噪点以生成最终图片。 3. 数据依赖：大模型通过处理和理解海量数据来学习，包括文本、图像、音频等。但也存在知识局限性，如无法获取实时性、非公开或离线的数据。 4. 存在问题：大模型技术本质导致输出结果具有不可预测性，存在幻觉问题，会提供虚假、过时或通用信息，且应用时还需考虑数据安全性。
2024-09-20
有做流程图，逻辑图好看的，免费的易操作的工具吗
以下是一些可以绘制流程图、逻辑图且免费易操作的工具： 1. Lucidchart：流行的在线绘图工具，支持多种图表创建，包括逻辑视图、功能视图和部署视图，可通过拖放界面轻松操作。 2. draw.io（现称为 diagrams.net）：免费的在线图表软件，能创建各种类型的图表，包括逻辑视图和部署视图等。 3. PlantUML：文本到 UML 的转换工具，通过编写描述性文本自动生成序列图、用例图、类图等，有助于创建逻辑视图。 4. Gliffy：基于云的绘图工具，提供创建各种架构图的功能，涵盖逻辑视图和部署视图。 5. Archi：免费开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图创建。 需要注意的是，虽然这些工具可以辅助创建架构视图，但并非都是基于 AI 的。AI 在绘图工具中的应用通常涉及智能推荐布局、自动生成图表代码或识别图表中的模式和关系。在选择工具时，应考虑您的具体需求，例如是否需要支持特定的建模语言、是否需要与特定的开发工具集成、偏好在线工具还是桌面应用程序等。内容由 AI 大模型生成，请仔细甄别。
2024-09-19
有什么免费的，普通人好操作的工具帮我制作ppt里的逻辑图吗
以下是一些免费且普通人好操作的可用于制作 PPT 里逻辑图的工具： 1. PlantUML：通过编写描述性文本自动生成序列图、用例图、类图等，辅助创建逻辑视图。 2. Gliffy：基于云的绘图工具，能创建各种架构图，包括逻辑视图和部署视图。 3. Archi：免费开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图创建。 4. Lucidchart：流行的在线绘图工具，支持多种图表创建，如逻辑视图、功能视图和部署视图，可通过拖放界面轻松操作。 5. Visual Paradigm：全面的 UML 工具，提供创建各种架构视图的功能，包括逻辑视图（类图、组件图）、功能视图（用例图）和部署视图（部署图）。 6. ArchiMate：开源建模语言，专门用于企业架构，支持逻辑视图创建，可与 Archi 工具配合使用。 7. Enterprise Architect：强大的建模、设计和生成代码工具，支持创建多种架构视图，包括逻辑、功能和部署视图。 8. Microsoft Visio：广泛使用的图表和矢量图形应用程序，提供丰富模板用于创建逻辑视图、功能视图和部署视图等。 9. draw.io（现称为 diagrams.net）：免费在线图表软件，允许创建各种类型图表，包括软件架构图，支持创建逻辑视图和部署视图等。 在选择工具时，您应考虑具体需求，比如是否需要支持特定建模语言、是否需要与特定开发工具集成、是否偏好在线工具或桌面应用程序等。请注意，虽然这些工具可以辅助创建架构视图，但它们不都是基于 AI 的。AI 在绘图工具中的应用通常涉及到智能推荐布局、自动生成图表代码或识别图表中的模式和关系。
2024-09-19
有什么工具能帮助我制作ppt里的逻辑图吗
以下是一些可以帮助您制作 PPT 里逻辑图的工具： 1. PlantUML：通过编写描述性文本自动生成序列图、用例图、类图等，有助于创建逻辑视图。 2. Gliffy：基于云的绘图工具，提供创建各种架构图的功能，包括逻辑视图和部署视图。 3. Archi：免费的开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图的创建。 4. Rational Rose：IBM 的 UML 工具，支持创建多种视图，包含逻辑视图和部署视图。 此外，还有以下工具： 1. Lucidchart：流行的在线绘图工具，支持多种图表创建，如逻辑视图、功能视图和部署视图，可通过拖放界面轻松操作。 2. Visual Paradigm：全面的 UML 工具，提供创建各种架构视图的功能，包括逻辑视图（类图、组件图）、功能视图（用例图）和部署视图（部署图）。 3. ArchiMate：开源的建模语言，专门用于企业架构，支持逻辑视图的创建，可与 Archi 工具配合使用，该工具提供图形化界面创建 ArchiMate 模型。 4. Enterprise Architect：强大的建模、设计和生成代码的工具，支持创建多种架构视图，包括逻辑、功能和部署视图。 5. Microsoft Visio：广泛使用的图表和矢量图形应用程序，提供丰富模板用于创建逻辑视图、功能视图和部署视图等。 6. draw.io（现称为 diagrams.net）：免费的在线图表软件，允许创建各种类型的图表，包括软件架构图，支持创建逻辑视图和部署视图等。 请注意，虽然这些工具可以辅助创建架构视图，但它们不都是基于 AI 的。AI 在绘图工具中的应用通常涉及到智能推荐布局、自动生成图表代码或识别图表中的模式和关系。在选择工具时，您应该考虑您的具体需求，比如是否需要支持特定的建模语言、是否需要与特定的开发工具集成、是否偏好在线工具或桌面应用程序等。
2024-09-19
AI的算法逻辑是什么
AI 的算法逻辑是一个复杂而广泛的概念。 最初，查尔斯·巴贝奇发明了计算机，其按照一套明确定义的程序即算法来对数字进行运算。现代计算机虽比 19 世纪的原始计算机模型先进得多，但仍遵循相同的受控计算理念。若知道实现某些目标所需的每一个步骤及其顺序，就能编写出程序让计算机按想法做事。 但有些任务无法明确编程，比如根据照片判断一个人的年龄。我们能做是因为见过很多不同年龄的人，但无法明确大脑具体通过哪些步骤完成，所以也无法编写明确程序让计算机完成。这类任务正是人工智能感兴趣的。
2024-09-08