模仿游戏+淘汰游戏
模仿游戏+淘汰游戏
原文：https://medium.com/hackernoon/imitation-game-elimination-game-14142f70b0dd
“模仿游戏”不仅仅是一部关于艾伦·图灵伟大而痛苦的天才的著名电影的名字。这是我们获取知识的第一把瑞士刀。
每个小宝宝(或者小猴子)都是这么学着做一件事的。也许在文明的黎明，很可能是这种情况向我们遥远的祖先展示了他们模仿的东西(当然没有他们的理解)，并在生存之战中使用了这种东西，这种情况导致了我们今天的生活。
工具和迷因
一个模仿游戏创造了一个“工具”，它不仅仅是一个物理工具，而是一个写在我们大脑中的迷因。首先从身体和精神，然后只有精神，这是一系列的指令，让我们做一些事情。类似于一个小程序或一组与环境的交互。这是基因的曙光软件版本。
非常重要的是，一个工具可以在不了解其所有特性和功能的情况下使用；只有在那一刻，我们需要……我们可以用一个狒狒用 iphone 打破一个核桃的例子。
工具和理解
工具/模因的使用和理解并不是一开始就自动捆绑在一起的，这种关系可以有不同的层次。
只要狒狒周围的环境不再需要任何东西，我们的猿就会一直用 iphone 打破史蒂夫·乔布斯的平静。
相反的例子是，如果我们有一个不可思议的强大工具，它的形式是一根神奇的亨利·波特的魔杖，能够解决我们所有的疑问和问题，能够治愈所有的疾病，或者带我们进入太空，知道宇宙的所有秘密，我们就不会想去寻找一种不同的工具，我们也不会再非常关心它是如何做到的。我们就用它。
所以在早期阶段，使用比理解更重要，这才是最重要的。
所以关键是环境要求。
从坚果到广义相对论
我们的学习本身在一开始就是一个模仿游戏，从零开始，经常是通过例子..
每天我们都(成年人)学习许多技能，从摇头晃脑，或生理学原理，或医学等…
让我们通过写下列表片段来学习如何编程，使虚构的“hello world”出现在屏幕上。如果那允许我们写任何程序，我们就停在那里。
显然，然后我们通过添加新的编程规则继续学习。但是为什么呢？因为在那种环境下，在电脑屏幕上写下神奇的初学者短语，并不会让我们更加投入。因此，我们必须继续下去，直到我们可以建立和使用一些新的和原创的东西，让我们更多。
如果需要的话，多层次的理解会随后到来；就像我们知识的进化。
但是在基础阶段，总会有模仿游戏的第一步。对我们来说，这就足够了，直到环境告诉我们相反的情况。
使用工具是一个漫长而复杂的过程。而使用/理解/进化它们就更长了。
解释和题外话:起初，我们只是开始以一种我称之为被动和原始的方式使用某样东西，而不去担心那是如何做到的。我们就像“使用”飞机而不太关心空气动力学规则的飞行员，或者使用最基本和原始形式的库来格式化函数打印的程序员。
这类似于深度学习。我们将输入连接到输出，而不用担心机制内部是什么。
我们只能说，现在在深度学习中，例如，我们使用计算机的非人的蛮力来查看成千上万的例子，以了解比医生更多的组织是否是恶性的。但是现实中我们做了什么呢？我们只是利用了机器的一个特定部分，也就是说，它“吃掉”大量数据的非人能力，以获得一个似乎令人震惊的结果。所以我们只能观察到，一个人类医生需要较少的例子来训练他的技能，如果不太成功(？).如果我们想做一个比较，我们必须给医生几千年的训练时间。
深度学习似乎…很深…只是模仿游戏。当然，我们实际上无法知道这种方法是否是另一种低调的抽象智能方法。
所以从深度学习中习得的模因是非常微不足道的(从人类的角度来看)。模因与人类的模因极其不同，可能是原始的。它不能在其他环境中使用。它似乎不能进化并与其他记忆结合以走得更远。直到现在。
我们真的不知道。可能是一个很好的起点，但直到现在几乎没有真正的进化能力，它似乎类似于单细胞藻类的生物副本，保持原样长达 40 亿年。
题外话结束。我会写下对这个问题的一些想法。
差异
除了人工神经网络之外，人类大脑还能做更多的事情，目前人工神经网络还很少被人工神经网络模仿，尽管在正确的方向上有一些见解。
NB…..从某种角度来看，这个网络为两个相互竞争的模因构建了一个迷你环境:一个内部模拟空间。
但是让我们来谈谈我们的猿…..
我们离开了婴儿、猴子、我们的祖先(以及深度神经网络)，例如，使用一根秸秆通过撞击来打开核桃。
但是奇迹发生了。不是所有的坚果都会碎，所以他们必须想办法解决这个问题。我们可能会说我们必须想象一些不同的东西，但是“想象”这个词已经有了进化和知识的味道。
再小心一点:不破的烂核桃是由写了一系列略有不同的故事的环境生成的。在理论世界里，所有的坚果都会破碎。但事实上这并没有发生。这是我们的因果报应，也是我们进化的动力。
因此，猿需要找到一个更大的分支，并把坚果放在岩石上，以防止滚动。也许是偶然的，然后更有意识地，随着时间的推移提高它对工具的理解，并进化。他必须这样做，因为他迄今为止使用的工具不是最合适的:是环境要求这样做。起初，猴子不想因为打破坚果或创造“坚果大统一理论”而获得诺贝尔奖。
现在发生了什么事？狒狒可能在不同背景下记忆的其他经验的空间中“挂钩”,混合和再混合(抽象地说)来自其他个体经验(也是集体经验)的各种记忆，例如改变它们的应用范围。
有什么简单的比如平庸的重组吗？当然不是，因为可能的解决方案的数量将很快超过它的处理能力。这里我们来看第二个奇迹，那就是淘汰赛。
在这里，孩子(或猴子)被一些经验学习的高等迷因和规则所引导(它们也是工具)，或者更好的是，它们是元工具。最简单的是相似性，(不同的和部分相等的)可以被更成功地重组。然后学习最强大的精神武器，让他控制组合爆炸。
淘汰赛
称之为选择，姑且称之为迷因之死，称之为毁灭。然而，正是放弃以前的那些知识，然后放弃过去行不通的策略，帮助他推翻了解决方案的森林。
它就像一台自我改进的电脑。他学会了学习。选择和破坏引导我们走向知识。就像自然界的死亡一样，进化。我们模拟进化。
所以这些工具变成了元工具，或者更通用的工具。环境使他拥有了比以前强大得多的工具。总是应用这两条规则。变化和死亡。
在第一个例子中，飞行员现在以无限的方式知道更多一点的空气动力学知识，因此知道如果飞机出现故障或失去一个发动机该怎么办。
然后总结到目前为止已经说过的内容:
思维学习是一个不断增加的复杂和一般技能的连续规模，可以像乐高积木一样组装起来。
开始时，我们不加理解地使用，只是模仿。
理解是环境“要求”的。
在积累了一个离散的数字后，你可以使用一些工具来提升你以前的工具:我们可以在自我构建知识金字塔中定义更高层次的元工具。
第三点将这些工具与不同的策略结合起来，试图将它们保持在一个可计算的可选择的数量中，忘记或杀死那些无用的。
如果环境需要的话，我们会寻求能够在更深入和复杂的层面上建立和理解的成功组合。
在整个过程中，主角显然是环境和选择，以及动摇我们知识和未来的案例。
最终个人想法
一个战略问题。人工智能？我要说的是，尽管有惊人的兴趣和成就，但在工具的发展过程中还是落后了。这些结果更多地来自计算的蛮力，而不是仪器的改进。我们将来会做得更好吗？谁知道呢？
很难弄清楚深度学习网络是否会创造一个内部竞争和选择环境，除非它已经从外部编程中先验地实现了，这让我们离开了自我进化的假设。在我们的试管中，原始肉汤并没有导致任何有意义的事情，这与生物学中发生的情况有点相似。但是一切皆有可能。
但是是环境产生了我们的知识。如果我们以著名的“缸中大脑”为例，如果我们去除 DNA 中固有的东西，它是如何进化的？
另一个节点和我们的大脑必须如何被教育……以及网络需要如何被制作。