Исследователь Квабена Боахен ищет пути повторения в силиконе колоссальной вычислительной мощности человеческого мозга, поскольку изучение беспорядочных, характеризующихся высокой избыточностью процессов, протекающих в голове человека, даёт реальный толчок для создания небольшого, лёгкого и супер...
What are the Goals of the SpiNNaker Project? SpiNNaker is a novel massively-parallel computer architecture, inspired by the fundamental structure and function of the human brain, which itself is composed of billions of simple computing elements, communicating using unreliable spikes. The project's objectives are two-fold: To provide a...
Тайны устройства разума могут быть решены, и довольно скоро, говорит Генри Маркрам. Поскольку умственные заболевания, память и восприятие составлены из нейронов и электрических сигналов, он планирует обнаружить всё это с помощью суперкомпьютера, который смоделирует все 100...
这是谁建立的？我们可以在50毫秒后对一个物体进行分类，准确率为80%。这是每秒20个物体，在任何buckgrunge上。 许多哺乳动物做得更快，以避免被吃掉（进化）。人工网在几秒钟内就能完成，而且是在空旷的斗室里。大脑的力量在于它的平行性，我们永远无法通过传统的计算机技术手段来实现。 没有人否认自动交易的作用，但在未来20-30年内，网络不会取代交易者的大脑在市场中寻找模式。这需要大量的神经元。这里有谁认为一个有10-20个神经元的网络可以取代交易者的大脑？这个交易员一定是个愚蠢的生物。
这就是为什么有些人从事不寻常的计算机技术工作。))
Kwabena Boahen谈论一种像大脑一样工作的计算机
所以有的人从事不寻常的计算机技术工作。))
Kwabena Boahen谈论一种像大脑一样工作的计算机
我认识Kwabena本人。我还知道来自曼彻斯特的SpiNNaker项目及其领导人Steve Furber，他开发了第一个ARM（http://apt.cs.man.ac.uk/projects/SpiNNaker/project/）。史蒂夫设法将18个ARM处理器装在一个芯片上，48个芯片，也就是864个并行处理器。每个处理器计算500个神经元，即432000个神经元。到目前为止，这个网络并没有做任何有用的事情。我还知道有其他团体在开发一种新型的处理器。它离现实还很远，因此我预测它必须等待20-30年。
我认识Kwabena本人。我还知道来自曼彻斯特的SpiNNaker项目及其领导人Steve Furber，他开发了第一个ARM（http://apt.cs.man.ac.uk/projects/SpiNNaker/project/）。史蒂夫设法在一个芯片上安装了18个ARM处理器，48个芯片，也就是864个并行处理器。每个处理器计算500个神经元，即432000个神经元。到目前为止，这个网络并没有做任何有用的事情。我还知道有其他团体在开发一种新型的处理器。它离现实还很远，因此我预测要等20-30年。
我同意Joo关于 "不需要复制自然...... "的观点。
我也同意你的观点，人的大脑工作起来相当高效...但
一个人为了把 "2+2 "加起来，需要认识 "2 "的图像，然后认识 "+"的图像，再认识 "2"，然后从 "数学 "部分找到关联。
记住要将例子与答案相匹配。
难道你不认为这样的方法虽然具有普遍性（使人类能够超越自然界），但与计算机相比是无效的吗？
事实上，每个人出于某种原因都遵循自然之道，但自然界从来没有数学，由自然界检验的方法在这个学说中是无效的，这就是为什么要成为一个杰出的数学家，必须几乎否定世界，完全投身于数学（翻译过来就是把获得的数学知识保留在最近的协会中）。但与此同时，一些拿着MathCad的笨机器解决一切问题的效率比最杰出的数学家要高得多。
SZY认为，"计算机是人类的助手"，就像狗有更强的牙齿和更敏锐的嗅觉。
我同意Joo关于 "不需要复制自然...... "的观点。
我也同意你的观点，人的大脑工作起来相当高效...但
一个人要想把 "2+2 "加起来，必须先认识 "2 "的图像，然后认识 "+"的图像，再认识 "2 "的图像，然后再从 "数学 "部分找到关联。
然后记得将例子与答案相匹配。
难道你不认为这样的方法虽然具有普遍性（使人类能够超越自然界），但与计算机相比是无效的？
事实上，每个人出于某种原因都遵循自然之道，但自然界从来没有数学，经自然界检验的方法在这种学说中是无效的，这就是为什么要成为一个杰出的数学家，必须几乎否定世界，把自己完全投入到数学中（这意味着要把接受的数学知识放在最近的联想中）。但与此同时，一些拿着MathCad的笨机器解决一切问题的效率比最出色的数学家要高得多。
SZY认为，"计算机是人类的助手"，就像狗有更强的牙齿和更敏锐的嗅觉。
我没有听懂你的话。 讨论的是人工神经网络。在我看来，现代人工网络不能代替交易者的大脑在市场中寻找模式。到目前为止，他们只使用回归法，即把输出（买入/卖出）作为输入的非线性函数来建模。网络的权重是通过最小化过去例子中的误差来优化的，这并不能保证其在未学习的数据上的盈利能力。增加网络中的神经元数量--就像其他非线性模型一样--可以将训练实例中的误差减少到零，但这对网络未来的盈利能力没有帮助，只会损害它（重新培训）。大家都已经知道了。为了确保网络至少有一些机会，有必要选择这样的输入，它对输出有一致的影响。这种输入的选择是由我们通过研究过去的数据和寻找规律性而做出的。网络本身成为非线性输入-输出建模的工具，而不是用于寻找模式。对于一个寻找模式的网络来说，它必须根据我们大脑的原理来构建。愚蠢地增加普通网络中的神经元数量会导致一无所获，否则大象会和我们一样聪明（神经元数量相同）。
我没有在这里的任何地方贬低计算机的作用，但如果没有人，它们仍然是铁。在未来，新类型的网络有可能学会在数据中寻找模式。但了解到这一领域的研究现状，我们不得不等待，等待。顺便说一句，有没有人想过，科幻书和电影预测了已经成为过去的未来中的机器人，但它们从未到来？人类已经学会了飞向月球，计算机和互联网的速度很快，但机器人却无处可寻!
我认识Kwabena本人。我还知道来自曼彻斯特的SpiNNaker项目及其领导人Steve Furber，他开发了第一个ARM（http://apt.cs.man.ac.uk/projects/SpiNNaker/project/）。史蒂夫设法在一个芯片上安装了18个ARM处理器，48个芯片，也就是864个并行处理器。每个处理器计算500个神经元，即432000个神经元。到目前为止，这个网络并没有做任何有用的事情。我还知道有其他团体在开发一种新型的处理器。到目前为止，它离现实还很远，这就是为什么我预测要等20-30年。
你能亲自认识这样的研究人员真是太好了。你是否碰巧认识亨利-马克拉姆？他在2009年的预测是10年。:)我想知道他现在的处境。
亨利-马克拉姆正在超级计算机中构建一个大脑
我不明白你的意思，我们讨论的是人工神经网络。我的观点是，现代人工网络不允许取代交易员的大脑在市场中寻找模式。到 目前为止，他们只使用回归法，即把产出（买入/卖出）作为投入的非线性函数来建模。网络的权重是通过最小化过去例子中的误差来优化的，这并不能保证其在未学习的数据上的盈利能力。增加网络中的神经元数量--就像其他非线性模型一样--可以将训练实例中的误差减少到零，但这对网络未来的盈利能力没有帮助，只会损害它（重新培训）。大家都已经知道了。为了确保网络至少有一些机会，有必要选择这样的输入，它对输出有一致的影响。这种输入的选择是由我们通过研究过去的数据和寻找规律性而做出的。网络本身成为非线性输入-输出建模的工具，而不是用于寻找模式。对于一个寻找模式的网络来说，它必须根据我们大脑的原理来构建。愚蠢地增加普通网络中的神经元数量会导致一无所获，否则大象会和我们一样聪明（神经元数量相同）。
我没有在这里的任何地方贬低计算机的作用，但如果没有人，它们仍然是铁。在未来，新类型的网络有可能学会在数据中寻找模式。但了解到这一领域的研究现状，我们不得不等待，等待。顺便说一句，有没有人想过，科幻书和电影预测了已经成为过去的未来中的机器人，但它们从未到来？人类已经飞到了月球上，计算机和互联网也很快，但机器人却无处可寻。
我只是质疑NS的研究方向，质疑复制自然的范式。
我非常怀疑按照人脑的形象和样式建立的网络会超越创造者。
我认为，NS的研究需要朝着直接感知数字数据的方向发展，而现在NS的数字只是图像。
技术手段从未复制过自然，无论是车轮还是飞机，但完全能够完成它们的工作，所以NS应该与数学模型一起工作，不应该模仿交易者的分析/决策。
SZS: 想象一下，一个能复制艺术家过程的相机会是什么样子 )))))
技术手段从未复制过自然，无论是车轮还是飞机，但完全能够完成它们的工作，所以NS应该与数学模型一起工作，不应该模仿交易者的分析/决策。
ZS: 想象一下，一个能复制艺术家过程的相机会是什么样子 )))))
相机复制眼睛，所以这个例子不算数。但总的来说，你说对了我帖子的重点。
我同意相机复制眼睛，但结果和艺术家一样--纸上的图像，我唯一没有描述的是制作照片的技术过程。
所以我们终于明白为什么NS在交易中并不总是成功：问题不在于NS，而在于市场信息的数学模型，NS提供的培训--谁关闭了最后2、3、......100条，谁读了技术指标，一句话 "为了你所擅长的"，我们必须了解什么市场信息对交易真正重要--模式？ 最后几条？ 数量？一天中的时间？....而可悲的是，在过滤掉不必要的信息并建立了市场的数学模型后，你可以在没有NS的情况下建立一个有效的TS。