การวิเคราะห์อย่างครอบคลุมนี้เปรียบเทียบโครงสร้างหน่วยความจำแบบอินทรีย์หลายชั้นของสมองมนุษย์กับการแสดงผลเชิงคณิตศาสตร์แบบอิงน้ำหนักที่ใช้ในสถาปัตยกรรมแมชชีนเลิร์นนิง ในขณะที่หน่วยความจำของมนุษย์กรองและสร้างประสบการณ์ขึ้นใหม่แบบไดนามิกผ่านเครือข่ายชีวภาพที่เชื่อมต่อกัน แมชชีนเลิร์นนิงอาศัยการฝังเวกเตอร์คงที่ การไล่ระดับ และการจัดเก็บข้อมูลบนซิลิคอนเพื่อรักษาแบบแผนทางสถิติ
เครือข่ายทางชีวภาพของโครงสร้างรับรู้ทางประสาทสัมผัส โครงสร้างระยะสั้น และโครงสร้างระยะยาว ที่ทำหน้าที่เข้ารหัส จัดเก็บ และสร้างประสบการณ์ขึ้นใหม่
กรอบทางคณิตศาสตร์ ซึ่งรวมถึงเมทริกซ์น้ำหนัก สถานะที่ซ่อนอยู่ และปริภูมิเวกเตอร์ ที่สามารถจับรูปแบบในข้อมูลได้
| ฟีเจอร์ | ระบบความจำของมนุษย์ | การแสดงหน่วยความจำการเรียนรู้ของเครื่อง |
|---|---|---|
| แกนโครงสร้าง | เซลล์ประสาททางชีววิทยา ซินแนปส์ และสารสื่อประสาท | เมทริกซ์จุดลอยตัว น้ำหนัก และไบแอส |
| การแบ่งแยกทางสถาปัตยกรรม | ระดับที่แตกต่างกัน (ประสาทสัมผัส, การทำงาน, เหตุการณ์, ความหมาย) | พารามิเตอร์แบบโมโนลิธิก หน้าต่างความสนใจ หรือส่วนเสริมสำหรับจัดเก็บเวกเตอร์ |
| การสกัดข้อมูล | เชื่อมโยงกัน อาศัยสัญญาณ และสามารถสร้างใหม่ได้สูง | ผลคูณดอทของเมทริกซ์เชิงอัลกอริทึมและการค้นหาทางคณิตศาสตร์ |
| ต้นทุนการเรียนรู้ | พลังงานในการเผาผลาญต่ำมาก; การเรียนรู้พื้นหลังอย่างต่อเนื่อง | ต้องใช้การประมวลผลจำนวนมหาศาลซึ่งจำเป็นต้องใช้คลัสเตอร์ GPU |
| การเปลี่ยนแปลงข้อมูล | มีความยืดหยุ่นสูง เปลี่ยนแปลงเล็กน้อยทุกครั้งที่มีการเรียกคืนสินค้า | จะไม่เปลี่ยนแปลงเว้นแต่คำสั่ง backpropagation จะเปลี่ยนแปลงค่าน้ำหนัก |
| การจัดการข้อมูลป้อนเข้าใหม่ | ผสานรวมเข้ากับเครือข่ายความสัมพันธ์ที่มีอยู่ได้อย่างราบรื่น | เสี่ยงต่อการลืมอย่างร้ายแรงหากปราศจากการปรับแต่งอย่างละเอียดในแต่ละส่วน |
| ขอบเขตบริบท | ไร้ขอบเขตแต่คลุมเครือ ถูกจำกัดด้วยจุดสนใจและความสนใจ | ถูกจำกัดอย่างเคร่งครัดโดยหน้าต่างบริบทโทเค็นที่กำหนดไว้ตายตัว |
กระบวนการรับรู้ของมนุษย์แบ่งข้อมูลออกเป็นส่วนๆ และจัดเก็บข้อมูลไว้ในส่วนต่างๆ ที่มีความเชี่ยวชาญเฉพาะด้าน โดยเริ่มต้นจากบัฟเฟอร์รับรู้ทางประสาทสัมผัสชั่วคราวที่กรองสัญญาณรบกวนจากสิ่งแวดล้อมออกไป ข้อมูลที่มีค่าจะถูกส่งไปยังหน่วยความจำใช้งานเพื่อการประมวลผลอย่างมีประสิทธิภาพ ก่อนที่ฮิปโปแคมปัสจะรวบรวมข้อมูลเหล่านั้นเข้าสู่หน่วยความจำระยะยาว แต่แบบจำลองการเรียนรู้ของเครื่องมักไม่มีการแบ่งโครงสร้างแบบนี้โดยธรรมชาติ แทนที่จะเป็นเช่นนั้น เครือข่ายประสาทเทียมแบบดั้งเดิมจะบีบอัดข้อมูลการฝึกอบรมทั้งหมดลงในเมทริกซ์น้ำหนักขนาดใหญ่เพียงเมทริกซ์เดียว ซึ่งหมายความว่าแบบจำลองจะต้องแสดงแนวคิดกว้างๆ และกฎการจัดรูปแบบเล็กๆ ภายในชั้นการคำนวณเดียวกัน
เมื่อมนุษย์พบเจอกับแนวคิดใหม่ สมองจะเชื่อมโยงแนวคิดนั้นเข้ากับชื่อ เสียง และความหมายทางอารมณ์ แบบจำลองการเรียนรู้ของเครื่องเลียนแบบกระบวนการนี้ในเชิงแนวคิด แต่ดำเนินการผ่านการฝังเวกเตอร์ที่มีมิติสูง โดยการพล็อตคำหรือภาพเป็นพิกัดในพื้นที่ทางเรขาคณิต แบบจำลองจะสร้างภูมิทัศน์ที่แนวคิดที่เกี่ยวข้องกันทางคณิตศาสตร์อยู่ใกล้กัน อย่างไรก็ตาม ในขณะที่การเชื่อมโยงของมนุษย์นั้นฝังรากลึกอยู่ในความเป็นจริงที่ได้สัมผัสและบริบทส่วนตัว การฝังเวกเตอร์ของเครื่องจักรแสดงถึงระยะทางทางสถิติที่เย็นชา ซึ่งได้มาจากเพียงแค่การปรากฏร่วมกันของข้อความหรือรูปแบบพิกเซลเท่านั้น
การลืมเป็นเครื่องมือเพิ่มประสิทธิภาพที่สำคัญสำหรับสมองมนุษย์ ช่วยให้สมองกำจัดข้อมูลที่ไม่สำคัญ เช่น สิ่งที่คุณกินเป็นอาหารกลางวันเมื่อสามสัปดาห์ก่อน เพื่อให้สามารถจัดลำดับความสำคัญของรูปแบบการอยู่รอดได้ การตัดแต่งตามธรรมชาติเช่นนี้เกิดขึ้นอย่างต่อเนื่องและราบรื่น การเรียนรู้ของเครื่องจักรนั้นยากที่จะหาจุดสมดุลนี้ได้อย่างราบรื่น เมื่อแบบจำลองได้รับการฝึกฝนด้วยชุดข้อมูลใหม่ การอัปเดตค่าความชันที่เข้ามามักจะเขียนทับค่าถ่วงน้ำหนักก่อนหน้าทั้งหมด ซึ่งสร้างความท้าทายของการลืมแบบหายนะ ทำให้วิศวกรต้องใช้เทคนิคการจัดเรียงที่ซับซ้อนเพื่อให้แน่ใจว่าระบบจะไม่ทำลายสติปัญญาเดิมในขณะที่พยายามเรียนรู้ทักษะใหม่
สมองทางชีววิทยาเป็นผลงานชิ้นเอกแห่งประสิทธิภาพ สามารถจัดการคลังความทรงจำและความคิดเชิงนามธรรมจำนวนมหาศาลได้โดยใช้พลังงานน้อยกว่าหลอดไฟในบ้านทั่วไป มันขยายฐานความรู้ของตัวเองตลอดช่วงชีวิตโดยไม่จำเป็นต้องมีการปรับปรุงโครงสร้าง ในขณะที่การแสดงผลข้อมูลด้วยการเรียนรู้ของเครื่องจักรนั้นต้องการทรัพยากรทางอุตสาหกรรมมหาศาล การฝึกโมเดลให้สามารถจัดเก็บความรู้เกี่ยวกับโลกในวงกว้างนั้นต้องใช้ศูนย์ข้อมูลขนาดใหญ่ ระบบระบายความร้อนด้วยน้ำที่ซับซ้อน และค่าไฟฟ้าหลายล้านดอลลาร์ ทำให้การแสดงผลข้อมูลในรูปแบบดิจิทัลเป็นความพยายามที่ต้องใช้ทรัพยากรอย่างมหาศาลเมื่อเทียบกับทางเลือกที่ใช้คาร์บอนเป็นพื้นฐาน
โครงข่ายประสาทเทียมจัดเก็บความทรงจำได้เหมือนกับโครงข่ายเซลล์ประสาทในสมองของมนุษย์ทุกประการ
แม้ว่าจะได้รับแรงบันดาลใจจากโครงสร้างทางชีววิทยาอยู่บ้าง แต่โหนดการเรียนรู้ของเครื่องเป็นเพียงฟังก์ชันทางคณิตศาสตร์ที่เรียบง่าย ซึ่งคูณอินพุตด้วยน้ำหนักเชิงตัวเลข โหนดเหล่านี้ขาดความซับซ้อนทางชีวเคมี ความหลากหลายของสารสื่อประสาท และความหลากหลายทางสถาปัตยกรรมที่พบในเนื้อเยื่อสมองของสิ่งมีชีวิต
โมเดลภาษาขนาดใหญ่สามารถจดจำบทสนทนาของคุณไว้ได้ตลอดไปภายในเครือข่ายหลักของมัน
โมเดล AI จะไม่ปรับปรุงค่าถ่วงน้ำหนักหลักระหว่างการสนทนาแบบไม่เป็นทางการ การจดจำข้อมูลในระยะสั้นขึ้นอยู่กับหน้าต่างบริบท ซึ่งทำหน้าที่เหมือนคลิปบอร์ดแบบแอคทีฟ เมื่อเซสชันการสนทนาสิ้นสุดลงหรือถึงขีดจำกัดโทเค็น โมเดลจะลืมรายละเอียดเหล่านั้นไปโดยสิ้นเชิง เว้นแต่จะถูกบันทึกไว้ในฐานข้อมูลภายนอก
ความทรงจำของมนุษย์จัดเก็บเหตุการณ์ในอดีตไว้ในรูปแบบของคลิปภาพยนตร์ดิจิทัลที่แยกจากกันและไม่สามารถเปลี่ยนแปลงได้
ความทรงจำทางชีวภาพเป็นกระบวนการสร้างขึ้นใหม่ทั้งหมด ไม่ใช่การจัดเก็บ ทุกครั้งที่คนเรานึกถึงเหตุการณ์ใดเหตุการณ์หนึ่ง สมองจะนำเศษเสี้ยวความทรงจำมาร้อยเรียงเข้าด้วยกัน พร้อมกับอารมณ์และความเชื่อในขณะนั้น ซึ่งหมายความว่าความทรงจำจะเปลี่ยนแปลงไปเล็กน้อยทุกครั้งที่ถูกดึงออกมาใช้
แบบจำลอง AI ที่มีพารามิเตอร์หลายพันล้านตัว มีความจุหน่วยความจำมากกว่าผู้ใหญ่ที่เป็นมนุษย์
การวัดความจุของสมองมนุษย์โดยใช้คำศัพท์ทางดิจิทัลนั้นไม่ถูกต้องโดยพื้นฐาน แม้ว่า AI จะสามารถเก็บข้อความดิบจำนวนมหาศาลได้แบบคำต่อคำ แต่สมองมนุษย์สร้างการเชื่อมต่อของเซลล์ประสาทนับล้านล้านจุด จัดการกับอุปมาอุปไมยเชิงนามธรรม ทักษะการเคลื่อนไหว และข้อมูลทางประสาทสัมผัสได้อย่างง่ายดาย ซึ่งคอมพิวเตอร์ไม่สามารถประมวลผลได้ง่ายๆ
เลือกใช้กรอบการทำงานด้านการรับรู้ของมนุษย์เมื่อต้องรับมือกับสภาพแวดล้อมที่มีพลวัตสูงและไม่มีโครงสร้างที่แน่นอน ซึ่งต้องการการเรียนรู้แบบปรับตัวจากข้อมูลที่มีอยู่น้อยนิดโดยไม่สิ้นเปลืองพลังงานมาก เลือกใช้การแสดงผลหน่วยความจำแบบการเรียนรู้ของเครื่องเมื่อภารกิจของคุณต้องการความแม่นยำทางคณิตศาสตร์อย่างแท้จริง การประมวลผลเอกสารนับล้านอย่างรวดเร็ว และระบบที่ไม่ได้รับผลกระทบจากการเสื่อมสภาพของหน่วยความจำตามธรรมชาติ
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ
การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น
AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
