@Prince,
post #14
Z mózgiem problemem jest przede wszystkim skala. Mózg to około sto miliardów neuronów, z których każdy połączony jest co najmniej z kilkoma innymi za pomocą synaps. Niektóre neurony mają ponad tysiąc synaps. Co prawda prędkość przesyłania sygnałów poprzez wypustki nerwowe nie jest wielka (kilkadziesiąt m/s), i prędkość działania takiego neuronu z synapsami spokojnie możnaby zamknąć częstotliwością nie większą od 100 Hz, to ilość synaps niezbędna do zasymulowania ich jednoczesnego działania wymaga astronomicznej wręcz wydajności jednowątkowego procesora (100.000.000.000 neuronów * powiedzmy średnio 100 synaps * 10 Hz (nie ma co szaleć :) )= 100.000.000.000.000 operacji/s, czyli 100 TFlops). Sam wzór opisujący działanie neuronu jest banalny, bo jest to funkcja binaryzująca (z założonym progiem), a jej argumentem jest suma wzbudzeń wszystkich nadrzędnych neuronów przemnożona przez przypisane im wagi. Osobnym problemem jest topologia takiej sieci, już dla najprostszego modelu, jednowarstwowej pamięci asocjacyjnej wykazuje fantastyczne właściwości, nie mówiąc już o kilkuwarstwowych perceptronach (zazwyczaj są to modele kory wzrokowej). A to są tylko najprostsze modele, można topologię zagmatwać, z dwuwymiarowej zrobić trój, czy więcej wymiarową, można dodać sprzężenie zwrotne... a nadal mamy model uproszczony, bo prawdzwy mózg wykorzystuje rózne rodzaje neuroprzakaźników (symulujemy tylko jeden), z których niektóre mają działanie stymulujące, niektóre to inhibitory. Tak czy inaczej, ani w przypadku prawdziwego mózgu, ani w przypadku naszych uproszczonych modeli nie dysponujemy kompleksową teorią ich funkcji - to co dana sieć zrobi często jest niespodzianką.
Tak czy inaczej, jak dla mnie, sieci neuronowe to jedyna rzecz dla której marzę o możliwości wykorzystania Altiveca w moim G4 - ta jednostka jest wprost do tego stworzona....