全局神经工作空间理论 Global neuronal Workspace Theory， GWT

《尖峰神经元网络的灵活串行处理，从访问意识到灵活行为》Flexible serial processing in networks of spiking neurons，From access consciousness to flexible behaviour

基于GWT理论的尖峰神经模型，用于执行由多个步骤组成的序列任务。神经工程框架和语义指针架构被用来构建模型，包括并行处理网络、全局工作空间、工作记忆组件和门控网络。得到的神经网络在认知和生物学层面上都与全球神经元工作空间理论一致，因为它解释了意识竞争、与之相关的由P3波标记的点火以及选择性广播。它还解决了在形成意识访问联盟过程中的历时和共时整合的未解决问题。模拟表明，该模型能够以稳健的方式执行许多步骤。最重要的是，它复现了人类的反应时间模式。该模型为解释意识在序列处理中的作用提供了一个很好的框架。

https://mp.weixin.qq.com/s/thlEle41U-sBTqB3NCSzbw

https://theses.ubn.ru.nl/handle/123456789/10626

https://mp.weixin.qq.com/s/yKPgi9fkTpaITSvVPuOhnA

对于“智能系统如何进行理解”的问题存在一个有趣分歧：依赖统计相关性的心智模型与依赖因果机制的心智模型。

• 要理解“挠痒痒”，就是要把一个词映射到一种感受上，而非映射到另一个词上。

• “类人水平的理解”基于概念——关于外部范畴、情境、事件的内部心理模型，以及关于个体自身内部状态和“自我”的内部心理模型。这些模型使人类得以将自己的知识和经验抽象化，以便进行稳定的预测、概括、类比，组合推理、反事实推理、积极干预世界以验证假设、并向他人解释自己的理解。

• 人类概念的确切本质究竟是什么：概念究竟是领域特定（domain-specific）且先天决定的，还是更加通用且后天习得的？概念在多大程度上是基于具身的隐喻，在多大程度上是通过动态的、基于情境的刺激在脑中表征，又是在何种条件下以语言、社会学习和文化为基础？

• 人类理解（无论是个体还是集体的理解）的轨迹是对世界高度压缩的、以因果关系为基础的模型的发展，人类似乎对这种形式的理解有很强的天然驱动力，无论是在科学领域还是在日常生活中。这种形式的理解需要较少的数据、简化的模型、清晰的因果关系，以及对机制的强直觉（mechanistic intuition）。

• “大语言模型是否有理解能力”这一争论的关键问题如下：
  （1）讨论这些系统能否“理解”是不是犯了范畴错误（category error）——将语言个例（token）之间的联结误认为是物理、社会和心理经验个例之间的联结？简言之，是不是说，这些模型永远不可能具有理解能力？
  或者反之（2）有没有一种可能，这些系统（或它们的后继者）在缺乏物理经验的情况下，实际上已经创造出了某种基于概念的（concept-based）、对人类理解能力而言至关重要的丰富心智模型？如果确实如此，扩展这些已有的模型，或许就能够产生更接近我们期望的概念？
  又或者（3）如果说这些系统目前无法产生这些概念，要是将其规模扩大到难以想象的程度，那么扩大后的超大规模统计相关系统能否产生出相当于人类理解功能的能力？亦或是更进一步，超大规模的系统能产生全新形式的、人类难以通达的高阶逻辑？如果到了这个地步，我们还有理由说这类相关性是“虚假的”，这类解决方案是“捷径”吗？

• 在某些情况下，大语言模型在心智理论（theory-of-mind）测试中表现出类人的反应，也在推理测试中表现出类人的能力和偏见。如果把为人类设计的测试应用在大语言模型上，那么对结果的诠释就会有赖于对人类认知的预设，而这些预设对大语言模型来说可能完全不成立。若要取得进展，科学家就需要开发能适用于各种不同类型智能和理解机制的新基准和新探测方法。

我们有必要扩展现有智能科学的边界，如此才能容纳更宽泛意义上“理解”的概念，使之既适用于人类，也适用于机器。正如神经科学家特伦斯·赛诺夫斯基所指出的，“专家们对大语言模型智能的不同看法表明，基于自然智能的旧理念已经有所欠缺了”。如果大语言模型和类似模型能以一种前所未有的规模利用统计相关性来工作，那么或许这也能被视为一种新的“理解”形式，一种能带来超人般预测能力的“理解”形式。正如Deepmind的AlphaZero和AlphaFold系统，它们分别在国际象棋和蛋白质结构预测的领域带来了如同“外星人”般的直觉。未来我们需要面对的挑战就在于，开发新的科学方法，以揭示不同形式智能如何理解的具体机制，厘清它们的优势和局限，并学习如何整合这些多样化的认知模式。

“当AI可以设计出比自己更好的机器人时，强人工智能时代就来临了。”

1）如果“更好”只是更智能、更强大，这没有什么可以担心的，大家都喜欢更快的计算器、更强大的推土机，让AI更高效的为人类服务，是生产力的进步。

2）如果“更好”是AI认为对自身的更好，这时就会出现人与AI对资源分配需求的冲突/矛盾。出现能够自主进化的更智能、更强大的AI，就是“奇点”来临的时刻。所以核心问题是，更高级的智能是否会产生“自我”，或形成自己的目的/意义。

3）如果AGI是“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”，即使AGI只是1）中的生产力的进步，这也可能会导致大部分人丧失存在的目标/意义，同时会让少数人大幅提升创新的能力、效率（只需要负责提出问题/方向）。