GI = Guckis Intelligenz

[stochri]

Herzlichen Glückwunsch zu deinen Fortschritten. Es wäre schön, wenn Du irgendwann eine gaphische Darstellung machst, bei dem man den Systemaufbau auf einen Blick erkennen kann.

Die kleinen Roboter machen sehr schnell den Eindruck, dass sie "belebt" sind.
Vielleicht braucht dein Roboter ja auch einen Partnerroboter, damit er sich nicht zu einsam fühlt.

Vor etwa 10 Jahren hatte ich hier im Forum mal einiges mit den Asuros gemacht.
Hier zeigt sich schön, wie sie in Wechselwirkung treten:


Komisch: Das eingebetete Video wird nur bei mir im Editor Fenster angezeigt.
Ich hänge es mal noch in Rohform an:
https://www.youtube.com/watch?v=oscbdxMhX_4

[HaWe]

@Rumgucker:
worin besteht jetzt die Intelligenz oder Lernfähigkeit?
Welche Reiz-Reaktionsmuster kann es lernen, sich merken oder neu/umlernen,
wer oder was trainiert es zu den gewünschten Lernzielen,
und wie erkennt es, dass es sein/e Lernziel/e erreicht hat?

Und nochmals zum Aufbau deines Netzes:
wieviele Eingänge / welche möglichen Eingangszustände hat das Netz,
und wieviele Ausgänge / welche möglichen Ausgangszustände hat das Netz?

[Rumgucker]

Hallo stochri,

danke! Da waren noch ein paar kleine Bugs drin bzgl. der Nutzenverarbeitung. Ohne die wirds lustig. Weiterhin wird nur ein Photosensor konstant beleuchtet. Zuerst versucht er im Zickzack zu fahren. Und dann schließlich arbeiten beide Motoren konstant geradeaus.

Würde ich als Mensch auch nicht anders machen. Zuerst mal durch eigene Bewegung versuchen, der statischen Lampe auszuweichen. Und dann beruhigt sein und mit Vollgas auf das offensichtlich entfernte Objekt zufahren.

Es gruselt einen, wie intelligent ein paar wenige Byte erscheinen können. Hätte ich nie gedacht. Aber schon nach wenigen Durchläufen ist eine Analyse des Denk-Systems praktisch nicht mehr möglich. Man bewundert nur noch das Verhalten. Das Hirn gaukelt einem vor, dass da was Vernunftbegabtes umherirrt. Verblüffender Effekt.

------------

Hallo Helmut,

im Prinzip funktioniert auch mein Netz wie Perceptrons mit Matritzen. Meine Dendritengewichtung versteckt sich im Wort "Nutzen" eines "Links". "Links" wachsen, wenn sie zwei Zellen (das können Sinneszellen, Neuronen, Aktuatoren oder Hunger und Knistern sein) verbinden, die synchron feuern.

Jede Zelle sucht sich also über die Links "Freunde", die ähnlich wie sie selbst ticken. Es kann kreuz und quer durchs ganze Nervensystem verlinkt werden. Es gibt keine Schichten mehr. Dabei bilden sich zwangsweise Cluster aus. In diesen Clustern versteckt sich das Lernen.

Lernen kann das System ohne Training, Agenten etc. einfach dadurch, dass die Zellen Freunde suchen. Die Umwelt wird in diesen Optimierungsvorgang mit eingeschlossen. Es werden sich also die derart verlinkten Cluster bevorzugt ausbilden, die zu einem Erfolg führen. Also die Clustersysteme, die besonders effektiv und schnell eine Situation verarbeiten können.

Wenn zwei kompetitive Links an einem Zelleingang hängen, so wird der verkümmern, der asynchron zum Zellenfeuern arbeitet und der erstarken, der mit der Zelle synchron ist. Das System optimiert den zeitlichen Durchsatz.

Zur Zeit hab ich

4 binäre Eingäne (spezialisierte Sinneszellen z.B. für Fototransistoren etc.)
2 interne Statuszellen (Hunger und Gehirnknistern - immer noch nicht programmiert aber schon enthalten)
2 binäre Ausgänge für zwei Motoren (feedbackfähig, also normale Neuronen)
22 Neuronen

Die Anzahl aller Zellen beträgt also 30 und diese können mit bis zu 42 Links verbunden werden. Es sollten deutlich mehr Links als Zellen zur Verfügung stehen.


Ich mach heute noch ein Update der 20 Kernzeilen. Der ganze Rest befasst sich mit Speicherverwaltung. Aber die ganze "GI" steckt in 20 'C'-Zeilen. Daran werde ich den Kern haarklein erklären.


Viele Grüße

Wolfgang

[HaWe]

der interne Aufbau ist zur Charakterisierung der Zustände gar nicht so wichtig, wichtig sind zunächst nur inputs und outputs.
Da du 4 inputs hast, sind 16 Eingangszustände möglich,
und da du 2 outputs hast, sind 4 Ausgangszustände möglich.

Damit muss das Netz in der Lage sein, beliebige Zustände zu lernen, z.B. (mindestens)

für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In4}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

Wie erreichst du, dass das Netz diese Basiszustände wahlweise gezielt lernen kann?
Und wie erkennt es, dass es sein/e Lernziel/e erreicht hat?

[Rumgucker]

Hallo Helmut,

der Lernerfolg einer Mustererkennung oder eines Dekoders ist ein anderer als der Lernerfolg eines autonomen Roboters. Mein System freut sich, wenn es genug Futter findet.

Die Frage muss also lauten: "wie weiß Dein System, ob es genug Futter gefunden hat?"

Dieser Hunger-Mechanismus ist schon vorbereitet. Es gibt eine Hunger-Zelle (0x05). Die noch zu programmierende Logik wird dem GI-System damit ab und an mal "Hunger" signalisieren.

Dann kurvt es rum. Dabei erfährt es eine Bestrafung zum Beispiel dadurch, dass sich die Umwelt nicht mehr bewegt. Dann hat es sich festgefahren. Und muss andere Wege finden und diese Wege optimieren.

Und irgendwann gibt es eine besondere Lampenkombination an seinen Eingängen (meinetwegen alle vier Eingänge auf high), die dazu führen, dass der Hunger verschwindet.

Mir fehlt immer noch der Umwelt-Chip, also das Gegenstück zur GI. Damit fang ich erst an, wenn ich keine gröberen Fehler im GI-System mehr erkennen kann.

Dann kommt auch die Hunger-Geschichte mit dazu.

Viele Grüße

Wolfgang

---------------

Nachtrag. ein anderer "Umwelt"-Chip könnte die GI alllerdings dazu bringen, dass er auch als Dekoder funktioniert. Jedesmal, wenn er die richtige Ausgangskombination als Funktion der Eingänge "würfelt", wird die GI belohnt und die "Links" manifestieren sich.

Das funktioniert an sich wie bei Dir. Nur Du machst alles mit der gleichen Software: lehren und lernen. Und ich verwende einen Lehrer (= "Umweltchip"), den man nach Benutzung einfach abkoppeln kann. Das spart knappen Flash-Speicher im Schüler.

Viele Grüße

Wolfgang

[HaWe]

du formalisierst deinen Zustandsraum nicht exakt genug.
Du musst in der Lage sein, deine möglichen Reaktionen als Funktionen deiner Outputs zu beschreiben und sie abhängig zu machen vom möglichen Zustand der aktuellen Inputs.
Solange du das nicht machen kannst, macht das System "irgend etwas nebulöses", aber es ist weder bewiesen, dass es irgend etwas gezielt lernen kann noch dass es verschiedene Zustände gezielt lernen kann.
Auch "Herumfahren" ist ja ein Zustand, der durch spezifische Output-Muster definiert werden kann, und er tritt ein (wird WAHR), wenn das eine oder andere Input-Muster auftritt.

Die Sache mit dem Hunger ist ja ein weiterer Zustand, zusätzlich zu den 4 Sensor-Eingängen; lassen wir den Hunger also erst mal raus.
Zeige erst mal die oben beschriebenen Grund-Fähigkeiten:

für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In4}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

Nimmst du den Hunger als Input mit rein, gibt es 32 Input-Zustände, für die zu zeigen wäre:

für alle (paarweisen) Eingänge a, b ∈ {In1...In5}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In5}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In5}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

[Rumgucker]

Hallo Helmut,

ich hatte im letzten Beitrag noch den Nachtrag geschrieben, dass ich auch dekodieren können muss, wenn der "Umwelt"-Chip entsprechend ausgestaltet ist.

Dein Vorschlag gefällt mir also sehr!

Ich werde also einen "Lehrer" programmieren, der dem GI-Schüler das Dekodieren beibringt.

Das ist viel handfester und leichter nachprüfbar als irgendwelche Cyberräume und Irrgärten mit versteckten Futterstellen. Meinem System sollte es Banane sein. Wenn es bestraft wird, sterben Links ab. Wenn es belohnt wird, erstarken Links. Pures Perceptron. Nur eben in PIC gegossen und mit externem Lehrer-Chip.

Wird also gemacht. Sollte noch dieses WE gelingen. Vielen Dank für die Anregung.

Viele Grüße

Wolfgang

------------

Können wir dann auch Benchmarks "mein GI" gegen "Deine Mustererkennung" machen? DAS wär doch ein Knaller. Dann weiß ich, wo die GI steht. Top oder Flop.

[stochri]

Jede Zelle sucht sich also über die Links "Freunde", die ähnlich wie sie selbst ticken. Es kann kreuz und quer durchs ganze Nervensystem verlinkt werden. Es gibt keine Schichten mehr. Dabei bilden sich zwangsweise Cluster aus. In diesen Clustern versteckt sich das Lernen.

Lernen kann das System ohne Training, Agenten etc. einfach dadurch, dass die Zellen Freunde suchen. Die Umwelt wird in diesen Optimierungsvorgang mit eingeschlossen. Es werden sich also die derart verlinkten Cluster bevorzugt ausbilden, die zu einem Erfolg führen. Also die Clustersysteme, die besonders effektiv und schnell eine Situation verarbeiten können.

Wenn zwei kompetitive Links an einem Zelleingang hängen, so wird der verkümmern, der asynchron zum Zellenfeuern arbeitet und der erstarken, der mit der Zelle synchron ist. Das System optimiert den zeitlichen Durchsatz.

Hallo Wolfgang,
in deinem Beitrag hast Du alle modernen Ansätzte der KI prägnant zusammengefasst. Ich in erstaunt und frage mich, welchen Hintergrund Du hast
Ist Deine KI noch eine Simulation ohne Roboterhardware und wird es ein Video eines Roboters geben?

- - - Aktualisiert - - -

HaLa

Warum versucht man KI nicht mit Analogrechnern zu realisieren?
Die Natur funktioniert analog, nicht digital!

Oh, man tut es und kann es mit dem Pulsneuronenbastelbuch auch selbst ein wenig ausprobieren:
https://www.roboternetz.de/community...uronen-basteln

[HaWe]

nicht "alle modernen Ansätze der KI prägnant zusammengefasst", aber es klingt etwas nach "self-organizing maps" (SOM) oder Hopfield-Netzen.

[stochri]

Wolfgang schrieb:

doch. Ich hab nur abweichende Begriffe und abweichende strukturelle Ansätze.

Meine Links haben das "Nutzen"-Feld. Das entspricht der Eingangsgewichtung der Perceptron-Matrizen.
Meine Zellen haben Summenspeicher (sie bestehen nur aus einem 7-Bit Summenspeicher und einem FIRE-REQ-Bit). Als Aktivierungsfunktion dient der FIRE_LIMIT-Schwellwert.

Ungewohnt ist, dass ich Eingang (Dendriten) und Neuron nicht mehr fest verbunden habe. Dadurch ist mein System nicht mehr an Schichten, sondern an Ereignisse gekoppelt. Und ich erspar mir Multiplikationen und addiere die Gewichtungen lediglich zum Summenspeicher hinzu.

Kein Hexenwerk. Nur eben gut angepasst an die kläglichen Möglichkeiten eines PICs.

....
ok. Also ein Perceptron-Abklatsch, ein "Perceptklatsch".

Mir fällt aber gerade ein, dass ich mich noch mit Negationen befassen muss. Das war mir für meinen Irrgarten nicht so wichtig. In so ner trostlosen Einöde sollte man negative Gedanken gleich im Ansatz verhindern.

Nix Abklatsch. Du bist ganz vorne dabei, du hast quasi die IAF-Pulsneuronen nachgebaut. Ich kann nicht glauben, dass Du in so kurzer Zeit so weite gekommen bist. Das ist der Hammer, ehrlich.