Радвам се, че има хора които имат отношение към тези проблеми !

Няма спор, че болшинството от текущите симулации на биологични
невронни мрежи са далеч по- опростени от естствения им аналог.
Може би ще се повторя по отношение на проблемите свързани с изучаване и симулация
на биологичните невронни структури...
Проблема с изучаването на мозъка(такъв проблем стои дори при изучаване
на нервната система на дъждовния червей с нейните 935 неврона)
е свързан с неговата стриктурна и вътрешно-динамична сложност.
За момента все още няма цялостна теория по- оношение на структурите
в мозъка, неговата клетъчна динамика, та да не говорим за вътршно
молекулните процеси. Има отделни частни теории, модели за процесите,
които протичат на невромедиаторно ниво, дори на молекулно ниво в отделния неврон
и т.н. Познати са много видове неврони, различни типове аксони и т.н. ,
но няма например солидна детайлна теория по- отношение на процесите, които
водят до подобряване на отговора на системата във връзка с представяне на
един клас входове(обучение). Е разбира се вече има търговско решение на изкуствено
зрение (сведено до виждане на dot matrix), при което на пациента му се
имплантират електроди върху визуалния кортекс. Има и други видове невро-импланти
,но няма да се впускам в подробности, а просто искам да покажа, че все пак има успехи
в разбирането на невро процесите и постоянно се работи.
По отношение на изк.невронни мрежи(ИНН) стоят следните проблеми. Въпреки, че се
знаят доста подробности по- отношение сигнализацията между биологичните неврони,
реалните мрежи са доста опростени. Знае се биологичните неврони използват за кодиране а
на входа честотна модулация. Изкуствените неврони обикновенно сигнализират с реално
число или дори един бит. Следва въпрос адекватна ли е такава симулациа изобщо - не се ли
губи информация? При биологичните неврони при предаване на електрическия импулс по
аксоните се реализират закъснения в сигнализацията в зависимост от вида на аксона, и в
завсимост от позицията на контакта между аксона и дендрита на следващия неврон. Това може
да се разглежда, като допълнителна информация предавана между невроните и е много важна
при оптимизация на време-зависими процеси. Има още доста елементи които не присъстват в ИНН.
Има рабира се симулации, които са доста близки до биологичните, но те се използват
за изучаване на реалните НН и нямат приложение в проблеми където ИНН се използват в качеството си
на инструмент за управление(управлени на роботи да речем). Основния проблем е, че в момента
няма хардуерни платформи (или поне до скоро, тъй като в момента има известен пробив и бих казал
доста големи успехи в областа, буквално от последните 2-3 години), които са способни да симулират
всички аспекти на реалната невронна режа, а да не говорим за толкова голям брой неврони, колкото са в мозъка.
За това сегашните широко използвани модели представляват нещо като математическа апроксимация
на реалните модели. С други думи са направени някой компромиси за да може все пак да се работи по върпоса.
Този въпрос в адекватността обаче е по- скоро филосовски за така т.нар. слаб изкуствен интелект.
В областа на ИИ има две основни течения по тношение на целите- слаб и силен ИИ. Слабия ИИ наречен още инжинерен подход
, има за цел да реализира инжинерни решения на базата на ИИ, при които не е задължително да бъдат имплементирани
всички особености на реалния аналог, а целта е да се реши дадена задача. Не трябва да се забравя че биологичните
НН имат своите ограничения и недостатъци. При силния ИИ(научен ИИ) идеяата е да се наподоби реалната система и там проблема
за адекватността на модела е по осезаема и даже е основен проблем.
И така подертавам, че слабия ИИ няма за цел за реализира пълна прилика с биологичната система, а само с някой нейни
характеристики считани за ценни(като видимото поведение например)...
и ще продължа в следващо мнение че това стана много дълго ...