Относится к сборнику статей телеграм-канала https://t.me/thinking_cycles
Когда решено было начать проект Best (fornit.ru/beast) и в голову не пришло, что его можно строить без использования нейронов. До этого было разработано много разных нейронных конструкторов, которые демонстрировали основные свойства нейросетей и позволяли моделировать нейронные механизмы взаимодействий (fornit.ru/34235 , fornit.ru/41239, fornit.ru/an-0). Поэтому сразу была создана общая структура нейрона и начато развитие первичных нейронных сетей. Возникло множество проблем, в том числе с визуализацией. Стало ясно, что будет невозможно развить более-менее сложную даже первичную нейросеть из-за огромных затрат ресурсов и из-за того, что становится практически невозможно проследить происходящую динамику активности.
С другой стороны, все яснее становилось, что для моделирования адаптивных принципов, начиная с безусловных рефлексов, совершенно не нужно пытаться реализовать нейроны и уже через них организовывать взаимодействия адаптивных механизмов. Адаптивные принципы не включали в себя понятия нейронов как конструктивного элемента реализации их механизмов, являясь более общими, и могли быть реализованы совершенно без использования нейронов.
Со всей очевидностью было ясно, что нейроны в реализации адаптивных механизмов являются лишней сущностью. Возможно, только при реализации на дискретных элементах они были наиболее удобными элементами, но использование той или иной технологии определяло и то, какой именно способ реализации взаимодействий оказывается наиболее естественной и удобной для него.
Программная реализация совершенно неестественна для нейронов и любые попытки создать программно нейросети сталкиваются с требованием огромных мощностей ресурсов.
Было очень интересно наблюдать, как легко и логично ложились в канву все новые уровни реализации в модели, не вызывания никаких принципиальных трудностей. Что и позволило достичь самых сложных уровней реализации механизмов психики. И такого нет более нигде в мире. Именно отказ от эмуляции нейронов дал возможность отработать все механизмы и их взаимодействия, предоставляя полный контроль динамики всех процессов.
Отказ от эмуляции нейронов в пользу программного моделирования системы индивидуальной адаптивности обеспечивает решающие преимущества перед моделями, построенных на нейронах по нескольким причинам:
• Одним из главных преимуществ программной реализации является снижение требований к вычислительным ресурсам. Эмуляция нейронов, как правило, требует значительных вычислительных мощностей для симуляции сложных биологических процессов и взаимодействий. Это делает такие модели менее доступными для широкого использования, особенно в условиях ограниченных ресурсов. В то время как система Beast, отказываясь от этой эмуляции, позволяет работать на обычных компьютерах, что значительно расширяет область применения.
• Отказ от эмуляции нейронов переводит модель в область наиболее общих принципов эволюционного совершенствования адаптивности, что позволяет строить системы на основе любых конструктивных элементов.
• Программное моделирование может ускорить процесс разработки и тестирования модели, поскольку оно позволяет быстро вносить изменения и тестировать различные сценарии без необходимости перестройки всей системы.
• Программное моделирование предоставляет возможность моделирования сложных адаптивных систем, которые могут быть трудно или невозможно эмулировать на уровне отдельных нейронов. Это позволяет исследовать более широкий спектр адаптивных механизмов и их взаимодействия.
• Программное моделирование обеспечивает гибкость и масштабируемость, позволяя легко изменять параметры модели и адаптировать её под различные условия и задачи.
• Отказ от эмуляции нейронов может снизить риск ошибок, связанных с неточностью эмуляции или сложностью реализации нейронных сетей.
• Модели, основанные на имитации нейронов, часто требуют детальной проработки структуры сети, обучения весовых коэффициентов и других параметров. В случае с системой без нейронов, разработка может быть проще за счёт использования заранее определённых правил и логики.
• Строгое следование стадиям развития модели, включая наращивание сложностей адаптивных механизмов, приводит к возможности системного подхода к обучению. Это также позволяет проще моделировать и прогнозировать результаты, что может быть полезным в научных и практических исследованиях.
• В отличие от сложных нейронных моделей, где иногда сложно понять, почему система приняла то или иное решение, гомеостатический подход обеспечивает большую прозрачность процесса принятия решений. Это облегчает диагностику ошибок и корректировку алгоритмов.