아래는 파스퀴넬리의 최근 논문 ‘Machines that Morph Logic: Neural Networks and the Distorted Automation of Intelligence as Statistical Inference’ 결론부를 구글 번역기의 도움으로 번역하고 매만진 글입니다.


뉴럴 네트워크의 해부학

미디어 고고학의 관점에서, 신경 네트워크 발명은 4 가지 테크놀로지 형태의 구성, 즉 스케일링 (아날로그 입력의 이산화 또는 디지털화), 논리 게이트 (전위차계, 밸브, 트랜지스터 등으로 구현 될 수 있음) , 피드백 루프 (사이버네틱스의 기본 개념), 네트워크 (뉴런과 시냅스의 배열에 의해 여기에서 영감을 얻음). 그럼에도 불구하고, 신경망의 목적은 그러한 형태의 처분보다 더 복잡한 통계 학적 위상 구조를 계산하는 것이다. 신경망의 기능은 유사한 입력 패턴 (훈련 데이터 세트)을 노드의 내부 상태로 기록하는 것입니다. 일단 내부 상태가 계산되면 (즉, 신경망이 특정 패턴의 인식을 위해 포함됨),이 통계적 구성은 동일한 구조를 갖는 신경망에 설치 될 수 있고 새로운 데이터의 패턴을 인식하는 데 사용될 수있다. 대개 계산의 선형 구조의 일부인 논리 게이트는 신경망의 병렬 컴퓨팅에서 새로운 속성을 얻습니다. 이러한 의미에서 Rosenblatt는 기계 지능에 대한 최초의 설명 중 하나를 응급 속성으로 제시했습니다. “신경 네트워크의 개별 요소 또는 셀은 ‘기억’과 같은 특정 심리적 기능을 소유 한 적이 없다는 것이 중요합니다. , ‘인식’또는 ‘지능’을 의미합니다. 따라서 그러한 특성은 아마도 초등 부품보다는 네트워크 전체의 조직과 기능에 상주 할 것이다. “[17]
 그러나 신경망은 수평 적이 지 않지만 계층 적 (계층 적) 네트워크입니다. 뉴런 네트워크는 세 가지 유형의 뉴런 레이어로 구성됩니다. 입력 레이어, 숨겨진 레이어 ( ‘깊은 학습’이라는 용어가 많은 경우) 및 출력 레이어. 시각적 패러다임의 영향을 드러내는 첫 번째 Perceptron 이래로 입력 레이어는 시각적 데이터를 계산하지 않아도 망막이라고도합니다. 첫 번째 계층의 뉴런은 복잡한 입력이 주어진 출력과 일치하도록 인코딩 된 정보의 흐름에 따라 다음 뉴런의 뉴런에 연결됩니다. 나타나는 구조는 실제로 네트워크 (또는 근원)가 아니라, 정보가 파이프 라인되고 더 높은 형태의 추상화로 증대되는 계층 적 원추형으로 성장하는 교외의 네트워크입니다 .18
 

네트워크의 각 뉴런은 전송 노드이지만 또한 계산 노드입니다. 그것은 정보 게이트와 논리 게이트입니다. 각 노드는 정보를 전송하고 논리를 적용하는 두 가지 역할을 수행합니다. 잘못된 출력으로서의 신경망은 원하는 출력에 도달 할 때까지 계산의 각 노드의 오류를 조정하기 위해 재 지정됩니다. 신경 회로망은 다수의 계산 노드에 영향을주는 일반화 된 피드백 루프를 구현하기 때문에 기존의 사이버 네틱 시스템보다 훨씬 더 복잡합니다. 이러한 의미에서, 신경 네트워크는 기계 학습을 위해 설계된 계산의 가장 적응력있는 아키텍처입니다. 일반화 된 피드백은 각 노드 또는 뉴런의 기능에 영향을줍니다. 즉 노드가 계산하는 방식 ( ‘weight’). 각 노드의 계산을 제어하는 ​​피드백 (가중치 조정, 오류 백 프로 그레이션 등 다양하게 언급되는 것)은 방정식, 알고리즘 또는 심지어 조작자 일 수 있습니다. 뉴럴 네트워크의 특정 사례에서, 노드 임계 값을 수정함으로써, 제어 피드백은 OR 게이트를 AND 게이트로 변경할 수 있으며, 예를 들어 제어 피드백이 노드가 ‘생각하는’방식을 변경한다는 것을 의미합니다 .19 신경망의 논리 게이트 정보를 계산하여 미래 정보를 계산하는 방식에 영향을 미칩니다. 미비품용 배달 한정품 배달 용품품 배달 용품 K 이품품품 투입 용 투입 용품 오늘날 주요 IT 기업의 비즈니스 핵심은 신경 제어 피드백의 가장 효과적인 공식을 찾는 것입니다.

보다 구체적으로, 신경망은 픽셀 간의 의존 관계 또는 관계를 기록하고 내부 표현을 통계적으로 구성하여 그림을 인식하는 방법을 학습합니다. 예를 들어, 사과의 사진에서 빨간색 픽셀은 시간의 80 %에 해당하는 다른 빨간색 픽셀로 둘러싸 일 수 있습니다. 이런 식으로, 비정상적인 관계가 더 복잡한 그래픽 기능 (모서리, 선, 곡선 등)에 결합 될 수 있습니다. 사과가 다른 각도에서 인식되어야하는 것처럼, 실제 그림은 결코 기억되지 않으며 통계적 의존성 만 암울합니다. 종속성의 통계 그래프는 다차원 내부 표현으로 기록됩니다.

결론

인공지능의 역사적 영향을 이해하기 위해, 이 논문은 헤게모니와 지배적인 패러다임이 상징적인 것이 아니라 연결주의자, 즉 딥러닝 시스템을 구성하는 신경 네트워크라고 강조한다. 주류 미디어가 말하는 인공지능(Artificial Intelligence)은 패턴 인식(지능의 광범위한 정의 내에서 특정 작업이며, 철저한 정의가 아닌 특정 작업)을 위해 신경 네트워크를 참조하는 민속적 방법(folkloristic way)이다.

패턴 인식은 통계적 귀납의 논리적 형태를 구현하는 신경망 내부의 미적분에 의해 가능하다. 그러므로 신경망의 지능은 훈련 데이터세트의 상관 관계에 대한 통계적 추론일 뿐이다. 통계적 귀납의 본질적인 한계는 오버피팅(over-fitting)과 아포페니아(관련 없는 정보에서 특정한 규칙성이나 연관성을 찾아내고 의미 부여하는 심리학 용어) 사이에서 발견되며, 그 효과는 집단지각과 거버넌스에서 점진적으로 발생한다. Peirce의 귀납, 연역, 귀추(abduction, 가설)의 구분 덕분에 통계적 유도의 외부 한계를 설명할 수 있다.

통계적 귀납이 약한 귀추법(예 : 의학적 진단)의 형태에 더 가깝지만, 과학적 법칙이나 언어학적 은유의 발명이 발견되기 때문에 강력한 귀추법을 자동화할 수 없다는 제안이 있다. 이것은 신경망 트레이닝 데이터 세트에 암시적으로 포함된 카테고리의 경계를 벗어날 수 없다. 신경망은 계산에 상대적인 자율성을 나타낸다. 인간 네트워크는 여전히 인간의 요인에 의해 지시되며 인간의 힘 시스템에 귀속된다. 물론, 그들은 자율적인 지능이나 의식의 흔적을 보이지 않는다. 지식의 초인간 척도는 인간 관측자와의 협력에서만 얻어지며, 증강지능(Augmented Intelligence)는 인공지능보다 더 정확한 용어가 될 것이라고 제안해본다.

신경망을 통한 통계적 추론은 ‘컴퓨테이셔널 자본주의’가 저숙련 노동과 고숙련 노동을 모방하고 자동화 할 수 있게 해준다. 버스 운전사조차도 차량을 구동하는 신경망에 의해 자동화 될 수 있는 인지 노동의 원천이 될 것이라고는 아무도 예상하지 못했다. 통계적 추론을 통한 인텔리전스의 자동화는 세계 노동, 물류 및 시장의 데이터 바다에 자본이 캐스팅하는 새로운 시각으로, 알고리즘적 계급 확대에서 발생하는 비정상화의 새로운 효과, 집단적 지각 및 사회적 진술의 왜곡, 인종 및 성별 편견이다. 통계적 추론은 자본주의 장인의 왜곡되고 새로운 시각이다.