GI = Guckis Intelligenz

[HaWe]

du formalisierst deinen Zustandsraum nicht exakt genug.
Du musst in der Lage sein, deine möglichen Reaktionen als Funktionen deiner Outputs zu beschreiben und sie abhängig zu machen vom möglichen Zustand der aktuellen Inputs.
Solange du das nicht machen kannst, macht das System "irgend etwas nebulöses", aber es ist weder bewiesen, dass es irgend etwas gezielt lernen kann noch dass es verschiedene Zustände gezielt lernen kann.
Auch "Herumfahren" ist ja ein Zustand, der durch spezifische Output-Muster definiert werden kann, und er tritt ein (wird WAHR), wenn das eine oder andere Input-Muster auftritt.

Die Sache mit dem Hunger ist ja ein weiterer Zustand, zusätzlich zu den 4 Sensor-Eingängen; lassen wir den Hunger also erst mal raus.
Zeige erst mal die oben beschriebenen Grund-Fähigkeiten:

für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In4}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

Nimmst du den Hunger als Input mit rein, gibt es 32 Input-Zustände, für die zu zeigen wäre:

für alle (paarweisen) Eingänge a, b ∈ {In1...In5}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In5}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In5}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

[Rumgucker]

Hallo Helmut,

ich hatte im letzten Beitrag noch den Nachtrag geschrieben, dass ich auch dekodieren können muss, wenn der "Umwelt"-Chip entsprechend ausgestaltet ist.

Dein Vorschlag gefällt mir also sehr!

Ich werde also einen "Lehrer" programmieren, der dem GI-Schüler das Dekodieren beibringt.

Das ist viel handfester und leichter nachprüfbar als irgendwelche Cyberräume und Irrgärten mit versteckten Futterstellen. Meinem System sollte es Banane sein. Wenn es bestraft wird, sterben Links ab. Wenn es belohnt wird, erstarken Links. Pures Perceptron. Nur eben in PIC gegossen und mit externem Lehrer-Chip.

Wird also gemacht. Sollte noch dieses WE gelingen. Vielen Dank für die Anregung.

Viele Grüße

Wolfgang

------------

Können wir dann auch Benchmarks "mein GI" gegen "Deine Mustererkennung" machen? DAS wär doch ein Knaller. Dann weiß ich, wo die GI steht. Top oder Flop.

[HaWe]

Pures Perceptron

Der Begriff "Perzeptron" ist fest definiert für eine Neuron-Struktur (kleinste funktionelle Einheit) mit bestimmten Inputs, Gewichten, Schwellenwert (oder Biasinput), einer Summen- und einer Aktivierungsfunktion...:
das ist bei dir wahrscheinlich nicht der Fall, oder doch? Falls nein, müssen wir die Begriffe etwas schärfer auseinander halten.

Vergleich der Netze: gern, aber dann müsste ich eine exakte, komplette Wahrheitstabelle von dir haben, mit allen denkbaren Input-Output-Konstellationen.

[Rumgucker]

Hallo Helmut,

doch. Ich hab nur abweichende Begriffe und abweichende strukturelle Ansätze.

Meine Links haben das "Nutzen"-Feld. Das entspricht der Eingangsgewichtung der Perceptron-Matrizen.
Meine Zellen haben Summenspeicher (sie bestehen nur aus einem 7-Bit Summenspeicher und einem FIRE-REQ-Bit). Als Aktivierungsfunktion dient der FIRE_LIMIT-Schwellwert.

Ungewohnt ist, dass ich Eingang (Dendriten) und Neuron nicht mehr fest verbunden habe. Dadurch ist mein System nicht mehr an Schichten, sondern an Ereignisse gekoppelt. Und ich erspar mir Multiplikationen und addiere die Gewichtungen lediglich zum Summenspeicher hinzu.

Kein Hexenwerk. Nur eben gut angepasst an die kläglichen Möglichkeiten eines PICs.

Wenns nicht dekodieren kann, hab ich Mist gebaut oder was Wichtiges nicht verstanden. Vom Prinzip her sollte es aber (mindestens) das gleiche können, wie ein mehrschichtiges Perceptron-System mit allen denkbaren Propagations und deep learning und haste-nicht-gesehen. Mit 20 Kern-Zeilen. Also PIC-kompatibel und trotzdem schweineschnell.

So ist zumindest das Ziel.

Viele Grüße

Wolfgang

[HaWe]

jaaaa - es "ENTSPRICHT" hier eine FUNKTION irgendwie in etwa dem, was auch bei einem Perzeptron PASSIERT,
aber es IST kein Perzeptron

2 Outputs würden andererseits auch mindestens 2 miteinander verknüpften Perzeptrons entsprechen.

[Rumgucker]

Hallo Helmut,

ok. Also ein Perceptron-Abklatsch, ein "Perceptklatsch".

Mir fällt aber gerade ein, dass ich mich noch mit Negationen befassen muss. Das war mir für meinen Irrgarten nicht so wichtig. In so ner trostlosen Einöde sollte man negative Gedanken gleich im Ansatz verhindern.

Bei Dekodern sind Negationen aber unverzichtbar. Ich werde wohl beim Durchlaufen von FIRE_LIMIT zwei FIRE_REQ setzen müssen. Richtungsabhängig.

Egal. Mühsam nährt sich das Eichhörnchen...

Viele Grüße

Wolfgang

[HaLa]

mal eine vielleicht ketzerische Frage:
Warum versucht man KI nicht mit Analogrechnern zu realisieren?
Die Natur funktioniert analog, nicht digital!
Ich durfte während meines Studiums noch an einem wunderbaren Analogrechner arbeiten, die Ergebniss waren überraschend gut im Vergleich zur (gemessenen) Realität,
leider wurde das Teil bereits Ende der 70er verschrottet, wie eine spätere Nachfrage von mir ergab, ich hätte mir das Ding in die Wohnung geszellt.

[HaWe]

Die Natur funktioniert analog, nicht digital!

FF oder BP Netze mit Perzeptronen rechnen mit floats, das entspricht ja gewissermaßen den "Analogwerten".
Andererseits "rechnet" ein natürliches Neuron überhaupt nicht, weder analog noch digital. Aber es hat eine gewisse Summe von Rezeptoren, die bei einer gewissen Anzahl von gebundenen Neurotransmittern zu einer Depolarisation führen.

In einem synaptischen Spalt können etwa (fließend) 0 bis 10 Milliarden (10¹⁰) einzelne Neurotransmittermoleküle vorliegen, die mit einer bestimmten Bindungskraft (Gleichgewichtskonstante) an den Rezeptoren binden und ab einer individuellen Grenzbindung zur Depolarisation postsynaptisch führen.
Das wird bei den Perzeptronen mit float-Zahlen nachgebildet.
Jede float-Zahl (7 signifikante dezimale Digits) könnte dabei ohne weiteres einem Integerwert von 0 bis 10¹⁰ entsprechen, wobei man dann sogar eher double als float nehmen müsste - aber float reicht meistens in den Perzeptronen, um damit zu rechnen.

[stochri]

Jede Zelle sucht sich also über die Links "Freunde", die ähnlich wie sie selbst ticken. Es kann kreuz und quer durchs ganze Nervensystem verlinkt werden. Es gibt keine Schichten mehr. Dabei bilden sich zwangsweise Cluster aus. In diesen Clustern versteckt sich das Lernen.

Lernen kann das System ohne Training, Agenten etc. einfach dadurch, dass die Zellen Freunde suchen. Die Umwelt wird in diesen Optimierungsvorgang mit eingeschlossen. Es werden sich also die derart verlinkten Cluster bevorzugt ausbilden, die zu einem Erfolg führen. Also die Clustersysteme, die besonders effektiv und schnell eine Situation verarbeiten können.

Wenn zwei kompetitive Links an einem Zelleingang hängen, so wird der verkümmern, der asynchron zum Zellenfeuern arbeitet und der erstarken, der mit der Zelle synchron ist. Das System optimiert den zeitlichen Durchsatz.

Hallo Wolfgang,
in deinem Beitrag hast Du alle modernen Ansätzte der KI prägnant zusammengefasst. Ich in erstaunt und frage mich, welchen Hintergrund Du hast
Ist Deine KI noch eine Simulation ohne Roboterhardware und wird es ein Video eines Roboters geben?

- - - Aktualisiert - - -

HaLa

Warum versucht man KI nicht mit Analogrechnern zu realisieren?
Die Natur funktioniert analog, nicht digital!

Oh, man tut es und kann es mit dem Pulsneuronenbastelbuch auch selbst ein wenig ausprobieren:
https://www.roboternetz.de/community...uronen-basteln

[HaWe]

nicht "alle modernen Ansätze der KI prägnant zusammengefasst", aber es klingt etwas nach "self-organizing maps" (SOM) oder Hopfield-Netzen.