ディープラーニングチートシート
深層学習は、被験者に新しい時には圧倒的になることがあります。ここにいくつかのチートとヒントがあります。
何ですか？！？！
この記事では、このすばらしい主題を始めるためのディープラーニングの共通概念について説明します。
勾配∇（ナブラ）
勾配は、複数のベクトルをとり、単一の値（すなわちニューラルネットワークにおけるコスト関数）を出力する関数の偏微分である。 グラディエントは、変数入力を増やした場合、グラフをどの方向に移動して出力を増加させるかを指示します。 私たちは損失を減らしたいので、グラデーションを使用して反対方向に進みます。
逆伝播
バック・プロップとも呼ばれ、ネットワークを介して入力を順方向に伝播した後のネットワークの重みによるバック・トラッキングのプロセスです。 これは、微積分にチェーンルールを適用することによって使用されます。
シグモイドσ
[0、1]の間隔でネットワーク内の重みを有効にするために使用される関数。 この関数は、この関数が得られるところの ’S'のような形をしています。sはギリシャのsigmaです。 ロジスティック関数とも呼ばれる
整流された線形ユニットまたはReLU
シグモイド関数は[0,1]の間隔を持ち、ReLUは[0、無限大]の範囲を持ちます。 これは、シグモイドがロジスティック回帰の方が優れていることを意味し、ReLUは正の数を表現する方が優れています。 ReLUは、勾配の消失の問題を抱えていません。
Tanh
Tanhは[-1、1]のネットワークの重みを初期化するために使用される関数です。 データが正規化されていると仮定すると、より勾配が強くなります。データは0を中心としているため、デリバティブは高くなります。 これを見るには、tanh関数の導関数を計算し、入力値が[0,1]の範囲にあることに気づく。tanh関数の範囲は[-1,1]であり、シグモイド関数の範囲は[0,1 ]。 これはまた、グラジエントにおけるバイアスを回避する。
LSTM / GRU
リカレントニューラルネットワークでは一般的に見られるが、他のもので使用するように拡張されているものは、学習のための入力間の状態を維持し、約7時間後にRNNが事前入力の文脈を失う勾配勾配問題を解決するのに役立つ小さな「メモリユニット」である。
ソフトマックス
ソフトマックスは、通常、分類のためにニューラルネットワークの終わりに使用される機能です。 この関数は多項ロジスティック回帰を行い、一般に複数クラス分類に使用されます。 通常、損失関数としてクロスエントロピーと対になる。
L1とL2の正規化
これらの正則化方法は、係数にペナルティを課すことによって、オーバーフィッティングを防止する。 L1はスパースモデルを生成することができ、L2は疎モデルを生成することはできません。 正規化は、モデルの複雑さを指定するために使用されます。 これは、モデルが一般化してトレーニングデータに余裕がないようにするため、重要です。
ドロップアウト
[1]「過剰適合を防ぎ、指数関数的に多くの異なるニューラルネットワークアーキテクチャを効率的に組み合わせる方法を提供する」（Hinton）このメソッドは、可視および隠れユニットをランダムに選択してネットワークから削除します。これは、通常、レイヤの割合のドロップアウトを選択することによって決定されます。
バッチ正規化
[1]ネットワークに深い層が多い場合、内部共変量シフトの問題が発生します。移行は「トレーニング中のネットワークパラメータの変化によるネットワークアクティベーションの分布の変化」です（Szegedy）。内部の共変量シフトを減らすことができれば、より速くより良い訓練をすることができます。バッチノーマライゼーションは、各バッチを平均と分散の両方でネットワークに正規化することによってこの問題を解決します。
目的関数
ロス関数、コスト関数またはオプティマイゼーションスコア関数とも呼ばれます。ネットワークの目標は、損失を最小限に抑えてネットワークの精度を最大限に高めることです。 より技術的な説明[3]： 損失/コスト/最適化/目的関数は、ネットワークの予測で計算される関数です。あなたのネットワークは、yの期待される出力と比較する予測y_hatを出力します。この関数はバックプロパゲーションで使用され、ネットワークを最適化するためのグラディエントを与えます。これらの関数の例は、f1 / fスコア、カテゴリクロスエントロピー、平均二乗誤差、平均絶対誤差、ヒンジ損失…などです。 F1 / Fスコア 次の式に従って精度とリコールを使用して、モデルがどれほど正確であるかの尺度です。
F1 = 2 * (精度 * 想起) / (精度 + 想起)
正確：どの予測が実際にポジティブであるかの予測はどれですか？
精度=真陽性/（真陽性+偽陽性）
想起：すべての実際に正の憶測を持っている実際にどの部分が肯定的でしたか？
リコール=真陽性/（真陽性+偽陰性）
クロスエントロピー
あなたのラベル予測がどのくらい離れているかを計算するために使用されます。 CEで示される時代。
クロスエントロピーは損失関数であり、エントロピーの概念である熱力学のエントロピーに関連している。 これは、多クラス分類で、予測のエラーを見つけるために使用されます。
学習率[2]
学習率は、バックプロパゲーション後の最適化中にネットワークのウェイトを調整する度合いです。 学習率は、さまざまな問題で異なる超パラメータです。 これはクロスバリデーションを行う必要があります。
# ---- Vanilla Gradient Descent ---- # W is your matrix of weights # dW is the gradient of W # Adjust the weights of our layer by multiplying our gradient times our learning_rate (Which is a scalar value) W -= learning_rate * dW
参考
https://hackernoon.com/deep-learning-cheat-sheet-25421411e460#.unr1u76fq
株式市場を深層学習する
コードはこっち https://github.com/talolard/MarketVectors/blob/master/preparedata.ipynb
ここ数ヶ月、私は “ディープラーニング"、特に言語とテキストへのそのアプリケーションに魅了されました。私は大部分の経歴を金融技術に費やしました。主にアルゴリズム取引や代替データサービスでした。これがどこにあるのかを見ることができます。 私はこれを書いて私の考えを真っ直ぐにしました。私は「ディープ・ラーニング」の愛好家になっていますが、頭がおかしいほどの栄光の中でアイデアを脳ダンプする機会はあまりありません。私は、明確な考え方の適切な表示は、現場からではなく人々にそれを明言する能力であると私は思う。私はそれを行うことに成功したことを願っています。私の表現は楽しいものです。
NLPが株式予測に関係する理由
多くのNLP問題では、シーケンスをとり、それを単一の固定サイズ表現にエンコードし、その表現を別のシーケンスにデコードします。たとえば、テキスト内のエンティティにタグを付けたり、英語からフランス語に翻訳したり、オーディオの頻度をテキストに変換することができます。これらの分野では激しい作業が行われており、多くの結果が最先端のパフォーマンスを達成しています。 私の考えでは、NLPと財務分析の最大の違いは、言語に構造の保証があることです。構造の規則があいまいであることだけです。一方、市場は学習可能な構造の約束を持っておらず、そのような構造は、このプロジェクトが証明または反証されることを前提としています（その構造を見つけることができれば、 その構造が存在すると仮定すると、パラグラフのセマンティクスをエンコードするのと同じ方法で市場の現在の状態を要約するという考えは私にとっては妥当であると思われます。まだそれが理にかなっていない場合は、読んでください。そうなる。
あなたはそれが保持している会社の言葉を知っているはずです（Firth、J. R. 1957：11） 単語の埋め込みに関する文献はたくさんあります。 Richard Socherの講義は素晴らしいスタート地点です。 一言で言えば、我々はすべての言葉の幾何学を私たちの言語で作ることができ、その幾何学は言葉の意味とそれらの間の関係を捕らえる。 あなたは “キングマン+女性=クイーン"のような例を見たことがあります。
埋込みは凝縮された形で情報を表現できるので、すばらしいです。 単語を表現する古い方法は、私たちが知っている単語の数と同じ長さのベクトル（数字の大きいリスト）を保持し、それが現在の単語であれば特定の場所に1を設定していました。 これは効率的なアプローチではなく、意味を捉えません。 埋め込みを使用すると、固定された数のディメンション内のすべての単語を表現することができます（300は十分であるように見える、50はうまくいく）。 下の図は例を示しています。 埋め込みはインターネット全体で多かれ少なかれ訓練されました。 集中的な計算の数日後に、各単語はいくつかの高次元空間に埋め込まれていました。 この「空間」にはジオメトリや距離などの概念があり、どの単語が近いかを尋ねることができます。 その方法の著者/発明者が例を挙げた。 カエルに最も近い言葉があります。
しかし、我々は単なる言葉以上のものを組み込むことができます。 我々は、例えば、株式市場埋め込みを行うことができます。
Market2Vec
私が聞いた最初の単語埋め込みアルゴリズムはword2vecでした。 別のアルゴリズムを使用していますが、私は市場で同じ効果を得たいと思います。 私の入力データはcsvで、最初の列は日付で、1,000株のHigh Low Open Closingの価格に対応する4 * 1000の列があります。 それは私の入力ベクトルが大きすぎる4000次元です。 だから私がやるべきことの最初のことは、私が映画が好きだったので、それをより低い次元の空間、例えば300に埋め込むことです。
4000次元で何かを撮り、それを300次元空間に詰め込むのは私の音ですが、実際には簡単です。 行列を乗算するだけでいいです。 マトリックスは、すべてのセルに数値を持ち、フォーマットに問題がない、優れたExcelスプレッドシートです。 4000列と300行のExcelテーブルを想像してみましょう。そして、基本的にベクトルに対してそれを打つと、サイズ300の新しいベクトルが出てきます。それが大学でどのように説明したのかと思います。
ここでは、マトリックスの数値をランダムに設定するので、ここでは始まります。「深層学習」の一部は、スプレッドシートが変わるように数値を更新することです。結局、この行列スプレッドシート（私は今からマトリックスに固執するでしょう）には、元の4000次元のベクトルをそれ自身の簡潔な300次元の要約に叩き込む数が入ります。 私たちはここでちょっと気晴らしをして、活性化機能と呼ばれるものを適用します。我々は関数を取り、それをベクトルの各番号に個別に適用して、それらがすべて0と1の間で終わるようにします（または、0と無限大、それは依存します）。どうして ？これは私たちのベクトルをより特別なものにし、学習プロセスがより複雑なものを理解できるようにします。どうやって？ だから何？私が見いだしたいことは、市場価格（ベクトル）を小さなスペースに新たに埋め込むことは、他のものに時間を浪費することなく、手元にあるタスクのすべての重要な情報をキャプチャすることです。だから、私は彼らが他の株式との相関関係を捉えると期待しています。おそらく、あるセクターが衰退しているときや市場が非常に暑いときに気付くでしょう。私はそれがどのような特徴を見つけるのか分からないが、彼らは役に立つと思う。
それで
私たちの市場ベクタを脇に置き、言語モデルについて話してください。 Andrej Karpathyは、叙事詩「リカレントニューラルネットワークの不合理な有効性」を書きました。私が最もリベラルな方法で要約すれば、ポストは
- 私たちがシェイクスピアの作品を見てキャラクターごとに登場すれば、「深層学習」を使って言語モデルを学ぶことができます。
- 言語モデル（この場合）は魔法の箱です。あなたは最初の数文字を入れて、次の文字が何になるかを教えてくれます。
- 言語モデルが予測した特性を取り入れ、それを元に戻すと、私たちは永遠に続くことができます。
そして、パンチラインとして、彼はシェイクスピアのようなテキストの束を生成しました。そして、彼はLinuxのソースコードでそれをやり直しました。それから再び代数幾何学に関する教科書で。
だから、私はそのマジックボックスのメカニックに戻ってきますが、前のものに基づいて次の言葉を予測したように、過去の市場を予測したいと思います。 Karpathyが文字を使用する場所では、マーケットベクトルを使用して魔法のブラックボックスに入力します。 私たちはまだ予測したいものを決めていませんが、それは大丈夫です。
より深く進む
私は、深層学習の深い部分に取り掛かるところがここにあることを指摘したいと思います。 これまでのところ、市場を凝縮させるスプレッドシートを凌駕する学習の単層があります。 ここで、いくつかのレイヤーを追加して積み重ねて、「深い」ものを作ります。 それは深層学習の深いところです。 だからKarpathyは、Linuxソースコードからのサンプル出力を示しています。これは、ブラックボックスが書いたものです。
static void action_new_function(struct s_stat_info *wb)
{
unsigned long flags;
int lel_idx_bit = e->edd, *sys & ~((unsigned long) *FIRST_COMPAT);
buf[0] = 0xFFFFFFFF & (bit << 4);
min(inc, slist->bytes);
printk(KERN_WARNING "Memory allocated %02x/%02x, "
"original MLL instead\n"),
min(min(multi_run - s->len, max) * num_data_in),
frame_pos, sz + first_seg);
div_u64_w(val, inb_p);
spin_unlock(&disk->queue_lock);
mutex_unlock(&s->sock->mutex);
mutex_unlock(&func->mutex);
return disassemble(info->pending_bh);
}
かっこを開いたり閉じたりする方法を知っており、インデントの規則を尊重していることに注意してください。関数の内容は適切にインデントされており、複数行のprintkステートメントは内側の字下げを持っています。これは、このマジックボックスが長距離依存性を理解していることを意味します。 print文の中にインデントされているときは、それがprint文にあることを知っていますし、関数内にあることも記憶しています（少なくともインデントされた他のスコープも）。それはナッツです。それを光栄にするのは簡単ですが、長期依存性を捕捉して記憶する能力を持つアルゴリズムは非常に有用です。なぜなら、我々は市場で長期依存性を探したいからです。
魔法のブラックボックスの中に
この魔法のブラックボックスの中身は何ですか？これは、LSTMと呼ばれるリカレントニューラルネットワーク（RNN）の一種です。 RNNは、シーケンス（文字列のような）に作用する深層学習アルゴリズムです。すべてのステップで、次のキャラクタの表現（前に述べた埋め込みのように）を取り、前に見たようにマトリックスで表現します。問題は、RNNに何らかの形の内部メモリがあるため、以前に見たものを記憶していることです。そのメモリを使用して、次の入力でどのくらい正確に動作するかを決定します。そのメモリを使用して、RNNは意図したスコープの内側にあることを「覚えている」ことができます。これは、適切にネストされた出力テキストを取得する方法です。
RNNの華麗なバージョンをLong Short Term Memory（LSTM）といいます。 LSTMは巧みに設計されたメモリで、 - それが覚えているものを選択的に選択する - 忘れることを決める - どのくらいのメモリを出力するかを選択します。
だから、LSTMは “{"を見て "それを覚えておくことが大事です"と言うと、それがネストされた範囲にあることを本質的に覚えています。対応する ”}“が見えると、元の開きブレースを忘れて、それがネストされたスコープにあることを忘れることができます。 私たちは、LSTMにいくつかを重ねることでより抽象的な概念を学ばせることができます。それによって、私たちは再び「深く」なります。以前のLSTMの各出力は、次のLSTMの入力となり、入力されるデータの抽象度を上げることができます。上の例では（これは単なる推論です）、LSTMの最初の層はスペースで区切られた文字は「単語」です。次のレイヤーは、（static void action_new_function）のような単語タイプを学習するかもしれません。次のレイヤーは、関数とその引数の概念などを学ぶかもしれません。 Karpathyのブログは、どのようにして正確にそれを可視化したのか、本当に素晴らしい例がありますが、各レイヤーが何をしているのかを正確に伝えるのは難しいです。
Market2VecとLSTMの接続
熟練した読者は、Karpathyが埋め込みではなく文字を入力として使用していることに気付くだろう（技術的には文字のワンホットエンコーディング）。しかし、Lars Eidnesは実際には、リカレントニューラルネットワークを使用してClickbaitを自動生成するときに単語埋め込みを使用しました
上記の図は、彼が使用したネットワークを示しています。 SoftMaxの部分は無視してください（後で説明します）。今は、一番下の単語の並びとそれぞれの単語の並びの中に、どのように底を置いているのかをチェックしてください。 （「単語ベクトル」は、この記事の冒頭で見たように、数字の束の形の単語の表現であることを忘れないでください）。 Larsは一連の単語ベクトルとそれらのそれぞれを入力します： - 最初のLSTMに影響する - LSTMを上のLSTMに何か出力する - LSTMを次の単語のためにLSTMに何か出力させる 1つの違いで同じことをやろうとします。単語ベクトルではなく、 “MarketVectors"を入力します。要約すると、MarketVectorsには、特定の時点における市場で起こっていることの概要が含まれている必要があります。それらのシーケンスをLSTMに挿入することで、市場で起こっている長期的な動向を把握したいと考えています。 LSTMのいくつかのレイヤーを積み重ねることで、私はマーケットの振る舞いのより高いレベルの抽象を捕捉したいと考えています。
何が出てくるのか
これまでのところ、アルゴリズムが実際に何かを学ぶ方法については一切言及していませんでしたが、私たちはデータで行う巧妙な変換について話しました。その会話をいくつかの段落に延期しますが、他のすべてのものを価値のあるものにするパンチラインのために、この部分を覚えておいてください。 Karpathyの例では、LSTMの出力は、ある抽象表現の次の文字を表すベクトルです。 Eidnesの例では、LSTMの出力は、次の単語が何らかの抽象空間内にあることを表すベクトルです。両方の場合の次のステップは、抽象的な表現を確率ベクトルに変更することです。確率ベクトルは、それぞれの文字または単語がそれぞれ次にどのように表示される可能性が高いかを示すリストです。これがSoftMax機能の仕事です。尤度のリストを取得したら、次に表示される可能性の高い文字または単語を選択します。 「市場を予測する」という我々のケースでは、予測するために市場に出たいと思っているものは何かを自問する必要があります。私が考えていたオプションのいくつかは：
１、1000株のそれぞれの次の価格を予測する ２、次のn分にあるインデックス（S＆P、VIXなど）の値を予測します。 ３、次のn分で株式のどれがx％以上上昇するかを予測する ４、（私の個人的な好み）次のn分に2倍の割合でどの株が上下するかを予測し、その間にx％以上下がることはありません。 ５、（この記事の残りの部分ではこれから説明する予定です）。 VIXが次のn分で2倍の割合で上/下に移動し、その間にx％以上下降しないと予測します。
1と2は回帰の問題で、特定のイベント（文字nの出現や市場の上昇のような）の可能性ではなく、実際の数を予測する必要があります。 それらは大丈夫ですが、私がしたいことではありません。 3と4はかなり似ていますが、どちらもイベントを予測するように求められます（技術用語ではクラスラベル）。 イベントは、次に表示される文字nとすることもできますし、過去10分間に3％以上ダウンしないで5％を上げることもできます。 3と4との間のトレードオフは、3がはるかに一般的であることから学ぶことがより簡単であり、4は利益の指標であるだけでなくリスクにいくつかの制約があるため、価値が高いということです。 5は、3と4に似ているが、従うのが簡単な仕組みを持っているので、この記事では引き続き説明します。 VIXはFear Indexと呼ばれることもあり、S＆P500の株式がどれほど変動するかを表します。 これは、指数内の各株式に関する特定のオプションのインプライド・ボラティリティを観察することによって導出されます。
Sidenote - なぜVIXを予測するのか
VIXを興味深いターゲットにするのは、 1000年代の株式ではなく、1つの数字だけです。これにより、概念的に従うのがより簡単になり、計算コストが削減されます。 それは多くの株式の要約なので、入力のすべてではないにしてもほとんどが関連している 入力の線形結合ではありません。インプライドボラティリティは、複雑で非線形のフォーミュラ在庫から在庫によって抽出されます。 VIXは、その上に複雑な数式から派生しています。私たちがそれを予測できるなら、それはかなりクールです。 それはトレード可能なので、実際にこれが動作すれば使用できます。
私たちのLSTM出力とSoftMaxに戻る
将来VIXの変更を予測するために、以前に見た公式をどのように使用すればよいでしょうか？データセットの各ポイントについては、5分後にVIXに何が起こったかを見ていきます。その時間に0.5％以上下がることなく1％以上上がった場合は、1を出力し、それ以外の場合は0を出力します。次に、次のようなシーケンスが得られます。
0,0,0,0,0,1,1,0,0,0,1,1,0,0,0,0,1,1,1,0,0,0,0,0 …。
私たちは、LSTMが出力したベクトルを取り込み、シーケンスの次のアイテムの確率が1になるようにスカイシングしたいと思っています。スケーリングは、上の図のSoftMaxの部分で行われます。 （技術的には、現在1クラスしかないので、シグモイドを使用しています）。
だから私たちがこのことを学ぶ前に、今まで何をしてきたのかを見直そう 我々は1000株の価格データのシーケンスを入力として取る 順序の各時点は市場のスナップショットです。私たちの入力は4000の数字のリストです。埋め込みレイヤーを使用して、300の数字で重要な情報を表現します。 今我々は市場の埋め込みのシーケンスを持っている。それらをLSTMのスタックに入れます。タイムステップごとにタイムステップを進めます。 LSTMは前のステップからの事柄を覚えており、それは現在のプロセスをどのように処理するかに影響します。 LSTMの最初の層の出力を別の層に渡します。これらの人たちはまた覚えて、私たちが入れた情報のより高いレベルの抽象を学ぶ。 最後に、すべてのLSTMからの出力を取り込み、市場情報のシーケンスが一連の確率になるように「スキッシュ」します。問題の確率は、「VIXが0.5％下がることなく次の5分で1％上昇する可能性がある」 このことはどうやって学ぶのですか？ 今楽しい部分。今まで私たちがやったことは全て順路と呼ばれていましたが、私たちはアルゴリズムを訓練する間に、またそれらを生産に使用するときに、すべてのステップを実行します。ここでは、逆方向パスについて説明します。私たちのアルゴリズムを学習させる訓練中に行う部分だけです。 そのため、トレーニング中に過去数年間の歴史的データを準備しただけでなく、データの各観測後にVIXが希望の方法に移動したかどうかを示す0と1のリストも作成しました。 学習するには、市場データをネットワークに送り、その出力を計算したものと比較します。私たちの場合を比較すると、簡単な減算になります。つまり、モデルの誤差は次のようになります。 ERROR =（（（事前計算） - （予測確率））²）^（1/2） または英語では、実際に起こったことと私たちが予測したことの差の平方根の平方根です。
ここに美しさがあります。これは微分関数です。つまり、予測が少し変わった場合、誤差がどのくらい変化したかを知ることができます。我々の予測は、微分可能な関数の結果である。SoftMax softmaxへの入力であり、LSTMはすべて微分可能な数学関数である。これらの関数はすべてパラメータでいっぱいですが、私が以前に話したような大きなスプレッドシートです。ですから、この段階では、私たちがモデルで持っているすべてのExcelスプレッドシートの何百万というパラメータのすべてについて、エラーの派生を取ります。これを実行すると、各パラメータを変更したときにエラーがどのように変化するかを見ることができるので、エラーを減らす方法で各パラメータを変更します。 このプロシージャは、モデルの先頭まですべて伝播します。マーケットベクトルが私たちの仕事にとって最も重要な情報を表すように、マーケットベクトルにインプットを埋め込む方法を微調整します。 それぞれのLSTMがいつ覚えているかを微調整し、出力が仕事に最も関連するようにします。 私たちのLSTMが学ぶ抽象を調整して、私たちの仕事にとって最も重要な抽象概念を学ぶようにします。 これは、われわれがどこにも指定する必要のないこのような複雑さと抽象をすべて持っているので、私の意見では驚くべきことです。 MathaMagically私たちがエラーとみなすものの仕様から推測されます。
次は何ですか
今私はこれを書面で明らかにしたが、それでも私は欲しいと思う。 誰かがこれを読むのを邪魔するかどうかを確認する。 親愛なる読者が指摘している間違いをすべて修正する これがまだ実現可能かどうかを検討する そしてそれを構築する あなたがこれまで来たのであれば、間違いを指摘し、あなたの意見を共有してください。
他の考え
ここでは、このプロジェクトに関するいくつかのより高度な考え方、私が試してみたいこと、それが実際にうまくいくかも知れない理由が私には分かります。
資本の流動性と効率的利用
一般的に、特定の市場がより流動性が高いほど効率的です。私はこれが鶏肉と卵のサイクルによるものだと考えていますが、市場はより流動的になりますが、資本がそれ自体を傷つけずに出入りする資本を吸収することができます。市場が流動的になり、資本を増やすにつれて、洗練されたプレーヤーが入居することになります。これは洗練された費用がかかり、大規模な資本でリターンする必要があるためです。運用コストを正当化します。 迅速な結果は、流動性の低い市場では、競争はそれほど洗練されていないので、このようなシステムが取引できる機会はないと考えられます。要点は私が試してこれを試してみることでした。それは市場の液状ではない部分、つまりおそらくS＆P 500の代わりにTASE 100で試すことです。
このことは新しいものです
これらのアルゴリズムの知識、それらを実行するためのフレームワーク、それらを訓練するコンピューティングパワーは、少なくとも自分自身のような平均的なJoeに利用可能であるという意味では全く新しいものです。私は、トッププレーヤーが数年前にこのようなことを考え出し、長い間実行する能力を持っていたと仮定したいと思いますが、上の段落で言及したように、彼らはそのサイズをサポートできる液体市場で実行する可能性が高いです。市場参加者の次の層は、技術的な同化の速度が遅く、その意味で未開拓の市場でこれを実行しようとする競争があるか、またはすぐになると思います。
複数のタイムフレーム
私は上記の1つのインプットの流れについて述べましたが、私は、効率的なトレーニング方法は、市場のベクトルを（少なくとも）複数の時間枠で訓練し、推論段階でそれを供給することだと思います。つまり、私の最低時間フレームは30秒ごとにサンプリングされ、ネットワークは最大でも時間を伸ばす依存関係を学習すると期待しています。 彼らが適切かどうかはわかりませんが、複数の時間枠にパターンがあると思います。計算コストを十分に低く抑えることができれば、それらをモデルに組み込むことは価値があります。私はまだ計算上のグラフ上でこれらを表現するのが最善の方法と対立しており、おそらくそれを開始することは必須ではないかもしれません。
MarketVectors
NLPで単語ベクトルを使用するときは、通常、事前にトレーニングされたモデルから始め、モデルのトレーニング中に埋め込みの調整を続けます。私の場合は、事前に訓練された市場のベクトルはありませんし、またそれらを訓練するための明確なアルゴリズムもありません。 私の元々の考察は、この論文のように自動エンコーダーを使用することでしたが、終了までのトレーニングはよりクールです。 より深刻な考慮点は、シーケンスが最終的に単一のベクトルとして符号化され、次いで異なる表現（音声からテキストまたは英語からフランス語のような）に復号される、翻訳および音声認識におけるシーケンス間シーケンスモデルの成功である。その見方では、私が記述したアーキテクチャ全体は基本的にエンコーダであり、実際にはデコーダを配置していません。 しかし、私は最初のレイヤー、つまり4000次元のベクトルを入力として取り、300次元のものを出力するレイヤーに特有のものを実現したいと考えています。私はそれがさまざまな株式間の相関や関係を見つけて、それらに関する特徴を構成したいと思っています。 代わりに、各入力をLSTMを介して実行し、おそらくすべての出力ベクトルを連結し、エンコーダステージの出力を考慮する。私は、楽器とその機能の間の相互作用や相関関係が失われ、10倍の計算量が必要になるため、これは非効率的だと思います。一方、そのようなアーキテクチャは、複数のGPUとホスト間で単純に並列化することができ、これが利点です。
CNNs
近年、文字レベルの機械翻訳に関する論文が盛んになっている。このホワイトペーパーでは、RNNではなく畳み込みレイヤーを使用して、長距離の依存関係をキャプチャできるようになったので、私の目には惹かれました。私はそれを短く読まれた以上のものではありませんでしたが、私は、各株をチャネルとして扱い、最初に（RGBイメージのように）チャネルを畳み込む改造は、市場のダイナミックスを本質的に文字から意味的意味を符号化するのと同じ方法である。
参考
https://medium.com/@TalPerry/deep-learning-the-stock-market-df853d139e02#.gk4f2pc1i
AIの冬は来てないです
アンドリュー先生の意見は完全に冬になることはないという意見。 納得感がある。量子化とかが進めばまた新しいアルゴリズムが試せるようになるのでしょう。
人工知能はすべて目覚ましいものであり、目まぐるしいペースで発表される見込みのある進歩と、AIチームをできるだけ早く構築している企業です。
ブームは続くことができますか？
Baidu Researchのチーフ・サイエンティストAndrew Ngは、機械学習とAIの分野における主要な人物であり、コンピューター・プロセッサー設計の改良により、予測可能な将来に向けてパフォーマンスの進歩と画期的な進歩が維持されると述べています。 Ng氏は、「複数の[ハードウェアベンダー]がロードマップを分かち合うほど親切であった」と語る。 「私は彼らが信用できると確信しており、今後数年間でより多くの計算能力とより高速なネットワークを得ることができます」
AIの分野は、急速な進歩と誇大宣伝の段階を経て、すぐに続いて「AI冬」と呼ばれることが多い投資や関心が急速に低下しました。最初の寒気は1970年代に起こりました。干上がる;最新の傾向が期待される商業的影響を受けなかったため、1980年代に打撃を受けた別の人がいました。
それでは、おそらく、現在のものと一致するブームはありませんでした。商業的に重要なブレークスルーが続くと仮定して研究チームを構築するにつれて、人工知能研究者は基礎研究を行うために巨額の賃金を提供されている。
近年の進歩は、強力な「ディープ・ラーニング」システム（「10ブレイクスルー・テクノロジーズ2013：ディープ・ラーニング」を参照）の開発によってもたらされました。 数年前から、非常に大きな、または深層ニューラルネットワークを、ラベル付きの例を使って訓練して、人間のような正確さであらゆる種類のものを認識できることを発見しました。 これにより、画像や音声認識などの面白い進歩がもたらされました。
Ngはこれらのシステムがより強力になるとしか言いません。 これにより、既存の深層学習ツールの精度が向上するだけでなく、構文解析や言語生成などの新しい分野で技術を活用できるようになります。
Ng氏によると、ハードウェアの進歩は、新興のAI技術を実現可能にするために必要な燃料を提供します。
「パフォーマンスが10倍向上すれば、私が好きな実験はたくさんあります」とNg氏は付け加えます。たとえば、さまざまな画像処理アルゴリズムを使用する代わりに、コンピュータのパワーを高めることで、あらゆる種類の画像関連タスクを実行できる単一のアルゴリズムを構築できる可能性があるという。
今週、バルセロナで開催された世界のAI専門家が、ニューラル・インフォメーション・プロセッシング・システムズ・カンファレンスと呼ばれる有名なイベントを開催しました。数年前の数百人から今年にかけて6,000人以上に増えたこの集まりの規模は、人工知能に大きな関心を寄せていることを示しています。
「誇大宣伝は間違いない」とNg氏は付け加えた。「しかし、これまでのように崩壊することのない、本当の価値の強力な根底にあるドライバがあると思う」
Salesforceのチーフ・サイエンティスト、機械学習と言語に関する有名な専門家であるRichard Socherは、機械学習アルゴリズムの進歩と相まって、膨大な量のデータを利用できるようになり、進歩を続けると述べています。
Salesforceは、営業リードを管理するためのクラウドツールと、顧客とのコミュニケーションを提供します。同社のAIの取り組みは、SocherのスタートアップMetamindを今年初めに買収した後に形作られた。 Salesforceは現在、画像認識システムなどの企業にシンプルな機械学習ツールを提供しています。
今まで、機械学習は消費者空間の大手企業によって実証されてきたとSocherは述べています。このような技術をより広く利用できるようにすることは、大きな影響を与える可能性がある、と彼は言う。 「Salesforceを使用している15万社の企業が機械学習を通じて効率を1％向上させるとすれば、文字通り米国のGDPで見ることになります。
Socherは、産業界における機械学習の応用は、しばらくの間、AIへの関心を維持すると考えています。 「AIの冬はこれまでの冬ほど寒いかもしれないとは想像もできません。
参考
https://www.technologyreview.com/s/603062/ai-winter-isnt-coming/
AIソフトウェアでAIソフトウェアを学ぶ
自動機械学習は学習することを学ぶことができる。 社会的インパクトというかデータサイエンティスト的インパクトがデカそうだ。 それも数年のうちに来るインパクトだろう。
Googleやその他の人は、学習することを学ぶソフトウェアがAIの専門家によって行われた作業を引き継ぐ可能性があると考えています。 by Tom Simonite January 18, 2017
人工知能の進歩により、ソフトウェアは人間を離れてトラックを運転するなどの仕事をすることを心配する人もいます。現在、有力な研究者は、機械学習ソフトウェアを設計するタスクとして、自分の仕事の最も難しい部分の1つを行うことを学ぶことができるソフトウェアを作ることができることを発見しています。
ある実験では、Google Brainの人工知能研究グループの研究者は、言語を処理するソフトウェアをベンチマークするためのテストを行う機械学習システムをソフトウェア設計で設計しました。それは、人間が設計したソフトウェアから以前に出版された結果を上回っていたものです。
近年、他のいくつかのグループでは、ラーニングソフトウェアを学習ソフトウェアにする進歩が報告されています。非営利団体であるOpenAI（Elon Muskと共同研究）、MIT、カリフォルニア大学バークレー校、Googleの他の人工知能研究グループDeepMindの研究員が参加しています。
自己始動AI技法が実用的になると、機械学習ソフトウェアが経済全体に適用されるペースが増加する可能性があります。企業は現在、不足している機械学習の専門家にプレミアムを支払う必要があります。
先週、Google Brainの研究グループを率いているJeff Dean氏は、そのような労働者の仕事の一部がソフトウェアに取って代わられる可能性があると考えていた。彼は、自らのチームが調査していた最も有望な研究方法の1つとして、「自動機械学習」と名付けたものを説明しました。
カリフォルニア州サンタクララで開催されたAI Frontiersカンファレンスで、Dean氏は次のように述べています。「現時点で問題を解決する方法は、専門知識とデータと計算を持つことです。 「機械学習に関する多くの専門知識の必要性を排除できますか？」
GoogleのDeepMindグループの実験では、研究者が「学習することを学ぶ」という言葉は、特定のタスクについて膨大な量のデータを消費する機械学習ソフトウェアの問題を軽減するうえで役立ちます。
研究者は、迷路の移動など、複数の異なる、しかし関連する問題の収集のための学習システムを作成するように、ソフトウェアに挑戦しました。それは、一般化する能力を示し、通常よりも少ない追加のトレーニングで新しいタスクを拾う設計が登場しました。
学習することを学ぶソフトウェアを作成するアイデアはしばらくありましたが、これまでの実験では人間が思い付くことに匹敵する結果は得られませんでした。モントリオール大学の教授であるYoshua Bengioは、これまでに1990年代にこのアイデアを取り上げていたことはエキサイティングです。
Bengio氏によれば、より強力なコンピューティングパワーが利用できるようになり、最近のAIについての興奮を呼び起こしたディープラーニングと呼ばれる技術の登場により、アプローチが機能しています。しかし、これまでのところ、このような極端なコンピューティングパワーが必要であり、負荷を軽くすることや機械学習の専門家を部分的に置き換えることについて考えるのは現実的ではないと指摘しています。
Google Brainの研究者は、800人の高性能グラフィックスプロセッサを使用して、人間が設計した最高の画像認識システムの設計を思いついたと述べています。
MITメディアラボの研究者であるOtkrist Guptaは、それが変わると考えている。彼とMITの同僚は、自分の実験の背後にあるソフトウェアをオープンソース化する予定です。学習ソフトウェアは、人間が作り出した深い学習システムを、オブジェクト認識のための標準テストでマッチさせたものです。
Guptaは機械学習モデルの設計とテストに時間を費やしてプロジェクトに取り組んでいたことに感銘を受けました。彼は、企業や研究者が機械学習の自動化を実現する方法を模索していると考えています。
「データ科学者の負担を軽減することは大きな利益です。 「生産性を高め、より良いモデルを作り、より高いレベルのアイデアを自由に探検することができます」
参考
https://www.technologyreview.com/s/603381/ai-software-learns-to-make-ai-software/
トランスヒューマニズム入門
人はどこへ向かうのか。
ガートナーの2013年の資料（http://www.gartner.co.jp/b3i/research/131001_inf/）に 「Maverick*リサーチ：人間の未来：デジタル、化学薬品、機械によって機能強化された従業員への対応を想定せよ」とある。 仮説として「2022年までに、ホワイトカラー・ワーカーの10%は、不可視のデジタル強化テクノロジを利用して自身の競争力の強化に投資するようになる。」とある。
人類は自分を強化し始めるという仮説。 ＞強化対象には、記憶と知識、感覚認知、認知能力 (集中力と学習速度など) に加え、身体能力 (体力、耐久力、治癒力など) も含まれる。従業員の安全性、生産性、意思決定支援、従業員満足度の向上などの機会が生まれる。ただし、どの強化機能を従業員に認め、義務付け、もしくは禁止するのかといった問題が数多く発生する。
たとえばgoogleglassなどウエラブルが強化されると、それをつけてる人が仕事のパフォーマンスが高いということになってくる。それが発展するとそれをつけてる人にしかできない仕事がでてくる。
今すぐ (あるいは、まもなく) 購入できる超能力
･ 飛行能力：JetLev ( http://www.jetlev.com/ ) でジェットパックを借りる。
･ 透視：テレビ電話、HUD、プロジェクタなどを用いたARを利用すると、壁の裏や装置の内部にあるものをデジタル・オーバーレイによる合成画像として見ることができる。プロジェクタを利用すると、その場に画像を重ねて表示できる。
･ 念力：脳波を検出して物理的なデバイスや装置の一部を脳でコントロールする技術を拡張すると、リモート拠点にあるデバイスをコントロールすることも可能になる。
･ 読心術：人がさまざまな画像を見たときのfMRI脳波パターンを認識するようトレーニングされたコンピュータは、脳波パターンを学習済みパターンとマッチングすることにより、人が見ている対象を再構成できる ( http://newscenter.berkeley.edu/2011/09/22/brain-movies )。
･ ワンタッチで傷が治る能力：DARPA Persistence in Combat研究プログラムの成果によると、「数百万個の微小磁石を生体に注入し、その全部が同じ方向に向かうよう棒状の道具をかざすと、出血を止めることができる」(Joel Garreau著『Radical Evolution』27ページ)。
･ 透明人間：「透明マント」 (光学迷彩) は、人の背後に隠れた部分の画像をカメラで撮影して身体と衣服の前面に投影することにより、透明になったかのように錯覚させる。
･ 永遠の生命：『ポスト・ヒューマン誕生―コンピュータが人類の知性を超えるとき』レイ・カーツワイル著、日本放送出版協会刊 (2007年) を参照。
トランスヒューマニズムの定義
「トランスヒューマニズムは人生の哲学の一種であり、生命を促進する原則と価値によって導かれる、科学と技術による現在の人間の形や人間の限界を超えた知的生命の進化の継続と加速を求める」 - Max More、1990
「トランスヒューマニズムは、現在の形の人間種が開発の終わりを意味するのではなく、むしろ比較的初期の段階であるという前提に基づいて、未来を考える方法です」 - Transhumanist FAQ
「トランスヒューマニズムは、合理的な方法を用いて身体的、精神的、社会的に高水準まで発展させることができる哲学です」 - Anders Sandberg、1997
「トランスヒューマニズムは、人間の本性を現実のものとみなしており、望ましい仕方で再構築することを学ぶことができる半分のベーキングの始まりであると考えています。現代人類は進化の終点である必要はありません。他の合理的な手段は、私たちが最終的に現在の人間よりもはるかに大きな能力を持つ人間化した人間になることを意味する」 - Nick Bostrom、2003
「トランスヒューマニズムは、人間の状態や技術の進歩によって生まれた人間の生物を増強する機会を理解し評価するための学際的なアプローチを促進するものであり、遺伝子工学や情報技術のような現在の技術と、分子ナノテクノロジーと人工知能のように “ - Nick Bostrom、2003
「トランスヒューマニズムは、技術を介して人間の生物学的限界を超越しようとする科学に基づく運動」 - Philippe van Nedervelde、2015
「トランスヒューマン主義は明日の人間性を予期する：将来のインテリジェントな生活の肯定的な性質と特徴を念頭に置いて、これらの性質と特徴を達成するための措置を講ずる、将来のインテリジェントな生活の負の特性のリスクを特定し管理する」Transpolitica website 2015
トランスヒューマニズムに有利な肯定的な議論
このセクションでは、トランスヒューマニズムを支持する理由を強調する。
Julian Huxleyの1957年のトランスヒューマン主義論
1957年に出版された本「New Wine for New Wine」の 13-17ページから抜粋：
数百万年の進化の結果として、宇宙はそれ自身の意識を持ち、過去の歴史と将来の可能性を理解することができます。この宇宙の自己認識は、私たち人間のうちのいくつかの小さな宇宙の断片で実現されています。おそらく、他の星の惑星上の意識的な生き物の進化を通じて、他の場所でも実現されているのでしょう。しかし、この地球上で、これまでに起こったことはありません…
ホッブズが述べたように、今まで人類の生活は一般的に「厄介で肉薄で短期間」であった。大多数の人間は、まだ幼い頃に死んでいない場合、貧困、病気、病気、過労、残酷、抑圧のいずれかの形で苦しみを受けています。彼らは彼らの希望と理想によって彼らの悲惨さを軽減しようとしました。問題は、希望が一般的に正当化されておらず、理想は一般的に現実に対応していないということでした。
私たちの希望を合理的にし、現実の枠組みの中で私たちの理想をどれくらい実現しているかを示すことで、理想を設定します。すでに、これらの可能性のある土地が存在するという信念を正当に抱かせることができ、現在の限界と惨めな不満が大いに上回る可能性がある。私たちは、歴史の中でそれを知っている人間の人生は、無知に根ざした惨めな一時的なものであるという確信ですでに正当化されています。科学に基づいた現代の物理的性質の制御が、迷信と専門的秘密に根ざした先祖の暫定的な当惑を超越するように、知識と理解の照明に基づく存在状態によって超越することができるということです。
これを行うには、私たちはすでに私たちの物理的環境と大規模に行っているように、より好ましい社会環境を作り出す可能性を研究しなければなりません…
人間の種は、望むならば散発的ではなく、ある意味では個体、別の方法では個体が、全体としては人類として超越する。この新しい信念の名前が必要です。恐らく人間ヒューマニズムが役立つだろう。人間は残っているが、人間の本性のために新しい可能性を実現することによって、自分を超えている。
「私はトランスヒューマニズムを信じています。」と言える人がいれば、人間種は、私たちのものとは違って北京の人間とは異なる、新しい種類の存在の限界にあるでしょう。ついにそれは意識的にその本当の運命を果たすでしょう。
1998年から2009年までのトランスヒューマニスト宣言
トランスヒューマニズム宣言は、著者の国際的なコレクションによって1998年に書かれました。この宣言の改訂版は、2009年3月にHumanity +組織の理事会で承認されました。宣言の最初の4つのセクションでは、以下のように、ヒューマン・トランスヒューマニズムを支持する議論がカプセル化されています。
1.人類は、将来科学技術によって深刻な影響を受けることになります。我々は、高齢化、認知障害、不随意の苦しみ、そして地球への閉じ込めを克服することによって人間の可能性を広げる可能性を想像しています。 2.私たちは、人類の可能性はまだほとんど未実現であると信じています。すばらしい、そして非常に価値のある強化された人間の条件につながる可能性のあるシナリオがあります。 3.人類は、特に新技術の悪用から深刻なリスクに直面していることを認識しています。私たちが大切にしているもののほとんど、あるいはすべてを失う可能性のある現実的なシナリオが考えられます。これらのシナリオのいくつかは劇的で、他は微妙です。すべての進歩は変化していますが、すべての変化は進歩ではありません。 4.これらの見通しを理解するためには、研究努力が必要です。リスクを最小限に抑え、有益なアプリケーションを迅速に実行する方法を慎重に検討する必要があります。また、人々が何をすべきかについて建設的に話し合うことができるフォーラムや、責任ある意思決定を実施できる社会秩序が必要です。
新しい移民宣言（2013年）
2013年2月には、多数の著者が代替トランスヒューマニスト宣言を作成しました。いくつかの抜粋は、トランスヒューマニズムを支持する追加的な理由を提供する：
ディルクBruere：
私たちは、高齢化を克服し、認知を高め、不随意の苦しみを廃止し、地球を越えて拡大することによって人間の限界を超越するという望ましさを主張しています。
サマンサ・アトキンスから：
1）私たちは老化の終わりを提唱する。
私たちは、老化の有害な影響のすべてを治癒し、最終的にはそれを利用しようとするすべての人々に結果として生じる治療法を普及させるための治療法を見つけることに真剣に研究を集中させることを提唱する。
2）私たちは、実際の豊かさの実現を信じ、賛成する。
私たちは、すべての人間のすべてのニーズと多くのニーズを満たすことは自明であるような豊富さを保証する技術と実践を信じて、存在にすることを信じています。この豊富には、豊富な食糧、水、避難所、教育、コミュニケーション、計算、保健医療が含まれます。
これは、高度な技術と、自分自身と私たちの機関で豊富な経験をするために必要な変更があれば実現できます。
3）私たちはすべてが自発的でなければならないと考えます。
我々の目標であるべきでも、私たちの見解でも、それを無理なく達成することはできません。誰もこれらの目標を直接的または間接的に支えるべきではありません。強制と抑圧は、絶望、怒り、復讐、革命につながる。技術を加速することによってもたらされる結果の逓増により、これらのサイクルはこれまで以上に生存性が低下します。
4）近距離宇宙資源の開発を支援する。
近未来の宇宙資源を利用すると、人類の未来は大きく明るくなります。そうする権利は、その一部を改善または生産的に利用できるすべての主体が利用できるようにすべきである。惑星資源の一部が誰にも属していないと言っている条約は無効化され、無効と宣言されるべきです。
5）すべての人間は自由に自分自身を改善しようとする。
自分の人生にとって不可分な権利のおかげですべての人間は、彼らが有益であると思うか、気まぐれなものであってもよいと望むものを何でもする権利を持っています。彼らは他人の同等の権利を放棄することができないということだけを制限します。彼らは自分が望むやり方で自分を摂取したり、埋め込んだり修正したりすることができます。これには、人間の基準を超えた改善を追及して達成することが含まれます。要するに、彼らはそのような手段を通じて幸福を追求する完全な権利を持っている。
ジェイソン・シュウから：
私たちの運動は、人道主義の延長として、また、「人生、自由、幸福の追求」の理想として指数関数的に大きなメリットをもたらしています。私たちは第一に、人類を根本的に改善することに専念し、モーフィング技術の大きな力が大きな責任を負っていることを保証します。
TJL-2080より：
20世紀は驚くべき成長と技術進歩の時代でした。21世紀には、これらの技術が前例のない形で炸裂することが見込まれます。人類は今後の変化に適応するか、時代遅れになる必要があります。私たちは、生物学的限界にこだわらないことによって、私たちの可能性を満たすことを目指しています。私たちは、私たちの生活を向上させ、より長く生き、よりスマートに、より健康的に、より多くの思いやりに新しい技術を使用します。
ニコラDanaylov：
インテリジェンスは自由でありたいが、どこでも連鎖している。それは生物学と避けられない希少性によって投獄されている。
生物学は、耐久性、死および記憶力の低下が非常に限られているだけでなく、通信、輸送、学習、相互作用および進化の速度も制限されている。
生物学は人類の本質ではない。
人間は進化の一歩であり、決勝ではありません…
生物学的進化は永久ですが、遅く、非効率的で、盲目的で危険です。技術進化は、高速で、効率的で、加速し、より優れた設計である。生き残りの可能性を最大限に引き出し、自分の運命を自由にコントロールするためには、進化をマスターする必要があります。
テイラー・グリンから：
人類は過去4000年の間に進歩の飛躍を遂げました。農業から遺伝学まで、印刷機からインターネットまで。1903年の最初の制御された飛行から、1969年に月に着陸するまで。火から核爆弾まで。
しかし、これらの進歩にもかかわらず、私たちはまだ病気を治療し、人間の苦しみを解決し、多くの自然を克服する可能性を満たすことができません。
科学技術は人間の条件を上回る闘いにおいて最大の資産ですが、技術は人類や環境に悪用される可能性があることを認識しています。
それゆえ、世界中のトランスヒューマニズムの目標は、個人の自由、健康、長寿の新しい時代を迅速かつ責任感を持って導き出すことであり、私たちは技術の研究開発に個人的な投資をしてこの目標を達成しようとします。
超古代文明（またはH +）、知的運動は、大きくサイエンスフィクションの影響を受け、どのような技術のビューの理想的な点提示される可能性があり、将来の人類のために何を、ではない、それはどのようなことができません。それはすべて仮説です。[2] トランスヒューマニズムは、技術が人類のためにできることの利益と波及効果を探るが、技術的境界は存在しないと仮定する。〔3〕
憶測
トランスヒューマニズムはどれほど可能性がありますか？1930年代には、多くの賢明な人であったことを確認、人間がに取得することはありませんでしょう月、それは多くのひとつだったの予測不正確判明しました。[4] 初期の21世紀の人々は、将来的には可能であろうものを一つの方法または他のを知りません。しかし、トランスヒューマニズムの科学的主張は、依然として批判的に検討される必要がある。なぜなら、これらの技術科学的預言のいくつかは妥当ではないかもしれないからである。[5] 頻繁には最高のほとんどが単なる憶測として退けているが合理[6] （特に人工知能の多くの障害の光の中で）、超古代文明は、多くのコンピュータの間で強く信念であるオタク、特にシンセサイザーとアクセスコンピューティングの第一人者レイ・カーツワイル、信者は、人類の現在の理解力や予測能力を超えて技術が進化する「技術の特異性」や、AI研究の必然的な結果が人類の陳腐化であると考えているSun Microsystemsの創始者でありビル・ジョイ（Bill Joy）[7]
超古代文明の約束
特定の最近の技術の進歩は、超古代文明の実現の可能性を作っているより説得力のある表示されます：科学者によって資金を供給軍はこのようにされることが可能な高度な人工装具のためのドアを開けると、コンピュータが使用できる形式に運動ニューロンの信号を変換することができるインプラントを開発生物学的手足のように操作され、知覚情報を生成する。[8]これは、音波を神経信号に変換する初期の蝸牛インプラントの開発の最前線にあります。彼らはしばしば “バイオニック耳"と呼ばれています。[9] DIYのトランスヒューマニズムや「バイオハッキング」さえ、磁気インプラントを設置して磁場や電場を感じることができるようになっています。[10] 他の人は、常に磁気北を見つけることができるように、磁石のベルトを着ている。いくつかのレベルの接触を伴う義足も今開発されており、大きな節目となっています。[11]
科学批判
特異点
特異点の例は有益である。非常に多くの人々にとって、特異性の少なくとも一部は、真の人工知能を作り出すことができることにかかっています。それは人間に固有の複雑さと主張するのが妥当だが、脳が完全に世俗的な物理学の結果であるので、原理的に再現することができ、singularitarians [12] [13]は、人間のエミュレーションと仮定する傾向がある知性が持つ不可能な手段ではありません近い将来にできる能力。
全脳エミュレーション
「全脳エミュレーション」（WBE）は、トランスヒューマン派が、明らかにコンピュータ上の脳のエミュレーションを指す用語です。これは間違いなく可能性がありますが、近い将来確実性が失われるという2つの問題に遭遇します。 第1は哲学的異論です：WBEが働くためには、「強いAI」（すなわち、人間の知能以上のAI）が達成可能でなければならない。多くの哲学的異論は、心や意識が計算可能ではない、あるいは意識のシミュレーションが真の意識（それが何であれ）と同等ではないという一般的に強いAIに反して提起されている。心の哲学の分野では、依然として強いAIに対する論争がある。[14] WBEは物理学を無視しないことがありますが、完全に（少なくともtranshumanists、の意味の意味での）人間の脳をシミュレートする技術がある。第2の可能な異議は、技術である長い道のり。現在、人間の脳をシミュレートするのに十分強力なコンピュータ（またはコンピュータのネットワーク）はありません。Blue Brain Projectのヘッド、Henry Markram氏は、脳をシミュレートするには500ペタバイトのデータが必要であり、シミュレーションを実行するために必要な電力は年間約30億ドルかかると推定しています。（ただし、2008年に、彼は楽観的、これが10年後に可能となります予測している。[15] ）コンピューティングの技術的な制限に加えて、限界もある神経科学は。神経科学は、現在、肉眼的解剖学的レベル（例えば、MRI、PET）のレベルで脳をスキャンすることしかできない技術に依存している。最近、単一ニューロンイメージング（SNI）の形態が開発されているが、それらは神経組織を破壊するため、動物被験者（通常はラット）にしか使用できない。[16]
不死、冷凍、心のアップロード
“ "まずは、私はすべて老化に関する研究に賛成だと言いましょう。私は、科学は健康な生活を長くする大きな可能性を秘めていると思います。しかし、私は不滅性、あるいはそれに近似することさえ不可能で望ましくないと思います。 - PZ Myers [17] もう一つのトランスヒューマニストの目標は心のアップローディングであり、これは彼らが不死を達成することができると主張する一つの方法である[18] [19]。上記のWBEの問題とは別に、心のアップロードは哲学的な問題、すなわち「沼地の男の問題」に苦しんでいます。つまり、「アップロードされた」心は「あなた」か、単にあなたの心のコピーまたはファクシミリですか？しかしながら、この問題の1つの可能な方法は、脳の部分をサイバネティック等価物（患者は各手術の間に目を覚ましている）で段階的に交換することによるものである。それから、個人の意識の連続性を「壊す」ことはなく、「沼地男」仮説の支持者は、個人が「自分自身」になるのを正確に突き止めることが困難になります。 人体冷凍保存は、多くのtranshumanistsの別のお気に入りです。原則的に、クライオニクスは不可能ではありませんが、現在の形は、主に仮想的な将来の技術に基づいており、多額の費用がかかります。
ラジカル寿命延長
高齢化と戦うことと寿命を延ばすことが可能です - 老化を研究し、老化防止技術の提案を提供しようとする分野は、「バイオバイオテロジー」として知られています。Aubrey de Greyは、老化に対する多くの治療法を提案している。2005年、バイオ・バイオテロジーに取り組んでいる28人の科学者が、デ・グレイの治療法が実証されたことはなく、抗老化技術の主張の多くは非常に膨らんでいたことを指摘したEMBOレポートに署名しました。[20]この記事は、2005年7月のEMBOレポート記事（以前はde Grey [21]）に対応して書かれており、グレーからの返答は11月号に掲載されました。[22]デ・グレイはメトセラ財団のウェブサイト上で公開」、SENSのbiogerontology研究コミュニティの進化ビュー」でこれらのイベントをまとめたものです。[23]
科学的論争
最悪の場合、トランスヒューマン主義者の中には、自分が興味を持っている分野の人々が何を話しているかを無視するものもあります。例えば、AI研究者は自分自身でそれをやり遂げることができるので、神経生物学は時代遅れの科学であると、いくつかのAIブースターは信じています。彼らは、心の計算理論を導入するのに用いられた類推を採用したように見える。「心（または脳）はコンピュータのようだ」もちろん、心と脳は通常の意味でのコンピュータではありません。[24]との議論のウィアリー感触を取ることができ、そのような人たちと議論創造論や気候変動否認主義者、そのような人々はどんなそれらの位置に固執しないように、。実際、多くの批評家はされているだけで却下としてLudditesまたは頭がもやもやしたロマン科学技術の反対進歩を。[25]
生命倫理
超古代文明は、多くの場合、服用していないために批判されてきた倫理的、真剣にトピックのさまざまな問題を[26]延命技術、を含む[27]人体冷凍保存、[28]と精神転送およびその他の拡張機能。[29] [30] （彼の空論でフランシス・フクヤマネオコン日）超古代文明に名前を付けることで物議をかもした「世界で最も危険なアイデアを。」[31]福山の批判の1つは、トランスヒューマニストの技術の導入が深刻な不平等につながることは、むしろ一般的なことである。
エリート主義と政治的ユートピア
数政治超古代文明の批判も同様に行われました。トランスヒューマニズムの組織は、企業や軍事的利益のポケットに入れられていると非難されている。[32]ピーター・ティエル（PayPalとBitcoinの名声）のような最大の支持者のいくつかがこの地域に住んでいることから、この動きはシリコンバレーで確認されている。[33] [34]いくつかの作家は、として超古代文明を参照してくださいハイブの気難しいと不愉快なテクノリバタリアニズム。[35] [36]ジュリアン・ハクスリーは、用語「トランスヒューマニズム」と構築で多くのtranshumanists「執着造語という事実ニーチェとの比較につながっている「ポストヒューマン」として知られている超人優生学を。[37] [32]は優生学のように、それは次のように特徴づけられているユートピア政治的イデオロギー。[38] Jaron Lanierはそれを「サイバネティック・トピックス」と揶揄した。[39]
宗教的異議との関係
移民主義と宗教、すなわちキリスト教の間には緊張がある。[ 要出典 ]一般的であり、いくつかのtranshumanistsを無神論 博物学者、科学技術の進歩への障害として、すべての宗教を見て、いくつかのキリスト教徒があるために、そのスタンスの超古代文明に反対クローニングと遺伝子工学としてそれをラベル異端の 信念システム。[40]しかし、他のトランスヒューマニストは、オリーブの枝をキリスト教徒に広げようとしている。[41]いくつかはのために呼び出し、彼らの宗教やテクノユートピア信念を調整しようとしてきた「科学的神学。」[42]でもありモルモントランスヒューマニズム組織。[43] 皮肉なことに、無神論的移民主義者のために、その運動そのものは、キリスト教の偽善者と比較して宗教とそのレトリックとして特徴付けられてきた。[44] [45]
政治
非常に小さなトランスヒューマニストの政治運動ウィキペディアのW.svgは、ゾルタン・ウィキペディアのW.svgイストバンがアメリカ人大統領への入札を発表し、Transhumanist Partyやその他の小さな政党が国際的に支持を得て勢いを増しています。
だから今何？
トランスヒューマニズムについての重要なことは、実際にこのような予測の多くが実際に可能であるかもしれないが（そして今の彼らの胚段階でさえあるかもしれない）、それがカバーする分野についてのいかなる主張の予測に対しても強い 懐疑的な目が必要であるということである。そのような主張を評価する際には、基本的な知識を得るために、図書館（またはWikipedia、または関連する科学者のホームページ）への旅行が必要になるでしょう。[46]
大衆文化で
数十年にわたりSF小説の共通の罠は、アーサー・C・クラークの1953年の小説「幼なじみの終わり」や「ネガティブ」のように、現在の形を超越する見通しがポジティブになる可能性があるということです。人類は本質的に機械寿命に置き換えられたフィルムのターミネーターシリーズです。 急進的な誘引恐怖を変え、したがって、人気文化におけるトランスヒューマニズムの描写の多くが否定的であることは驚くことではない。サイバーパンクのジャンルは、ヒューマン・ライツ・ウォッチの間違いをテーマにしています。
中のユートピア（と融合した超古代文明のビジョンリバタリアニズム）オリオンの腕を設定するコラボレーティブなオンラインSFに見られるものです。時間的に後に位置する特異点将来、今から1万年は、オリオンの腕は、遺伝子工学についての大規模楽観的であるコンピューティングや材料科学の改善を続けました。不可能であることが実証されている技術だけが除外されているため、遠隔的にもっともらしく考えられる概念でさえも投げられる傾向があります。スケールの最終点は、人工ワームホールの創造、宇宙の宇宙と質量のない慣性です。[47]
ジュリアン・ハクスリー（Julian Huxley、1957年）による「トランスヒューマニズム」 数百万年の進化の結果として、宇宙はそれ自身の意識を持ち、過去の歴史と将来の可能性を理解することができます。この宇宙の自己認識は、私たち人間のうちのいくつかの小さな宇宙の断片で実現されています。おそらく、他の星の惑星上の意識的な生き物の進化を通じて、他の場所でも実現されているのでしょう。しかし、この私たちの惑星では、以前に起こったことはありませんでした。
この惑星の進化は、地球（そして宇宙の残りの部分）が生み出されるものによって、まったく新しい可能性の実現の歴史です。強さ、スピードと意識鳥の飛行とミツバチとアリの社会的政治。色、美しさ、コミュニケーション、母親のケア、知性と洞察の始まりとともに、人間が夢を見ていたずっと前から、心の出現。最後に、宇宙の時計の最後の数ダニの間に、概念意識と言語のための能力、意識的な経験を蓄積してプールするための自己意識的な意識と目的のために、全く新しい、革命的な人間がある。人間の種は、何百万年も前に生きていた顕微鏡の単細胞動物とは根本的に異なっていることを忘れてはいけません。
宇宙の新しい理解は、心理学者、生物学者、その他の科学者、考古学者、人類学者、歴史家によって、過去百年間に蓄積された新しい知識を通じてもたらされました。人類の責任と運命を可能な限り完全にその本質的な可能性を実現する仕事の世界の代理人と定義してきました。
まるで人間が突然任命されたかのように、進化のビジネスは、彼がそれを望んでいれば尋ねることなく、適切な警告と準備をせずに任命されました。さらに、彼は仕事を拒否することはできません。彼は、彼が何をしているのかどうかを意識しているかどうかに関わらず、実際にこの地球上の進化の将来の方向性を判断する点にあります。それは彼の避けることのできない運命であり、早くそれを実現し、それを信じ始めると、すべての関係者にとってより良いものになります。
仕事が本当に沸騰するのは、個人、地域社会、時間の流れに沿った行進の冒険の中の種によって、人間の可能性を最大限に実現することです。私たちのすべての人間のジャックは、球形で微視的な卵細胞である潜在性の単なる斑点として始まります。出生前の9ヶ月間に、これは自動的に真の奇跡的な組織の範囲に展開されます。生まれた後、自動的な成長と発達の継続に加えて、個人は、人格を築き、特別な才能を開発し、多様な知識と技能を身につけ、社会の発展に貢献しています。この出産後のプロセスは、自動またはあらかじめ決められたプロセスではありません。それは、状況に応じて、また個人の努力に従って、非常に異なる方法で進むことができる。キャパシティが実現される度合いは、多かれ少なかれ完璧になり得る。最終的な結果は、満足できるものでも、逆のものでもあります。特に、本当の完全性を達成するには、人格が悲惨に失敗することがあります。よく発達し、よく統合された人格は、進化の最も高い産物であり、我々が宇宙で知っている最も完全な実現であるということは確かです。
人類が最初に指定したのは、人間の本性を探究し、その可能性が何であるかを知ることである（当然の制限を含むまたは外部性の事実によって課される）。私たちは地球の地理的探査をかなりうまく終えました。生命のない生きている自然の科学的探究を、その主要な輪郭が明確になったところまで押し進めました。人間性とその可能性の探求はほとんど始まっていない。未知の可能性の広大な新世界がコロンブスを待っています。
過去の偉大な人たちは、人格、知的理解、霊的達成、芸術的創造の道で可能なことを私たちに見せてくれました。しかし、これらはPisgahの垣間見るほどのものではありません。私たちは、物理的地理の領域が探究され、マッピングされるにつれて、人間の可能性の全領域を探索し、マッピングする必要があります。普通の生活のために新しい可能性を生み出す方法は？普通の男女の潜在的能力を理解と楽しみのために引き出すためにできることは何ですか？霊的経験を達成する技術を人々に教えること（結局のところ、踊りやテニスのテクニックを身につけることができるので、神秘的なエクスタシーや霊的平和はなぜ必要なのか？成長している子供に本来の才能と知性を発達させるために、彼らをイライラさせるか歪めるのではなく、すでに絵画や思考、音楽や数学、演技や科学はかなり普通の男の子や女の子にとって非常に真実を意味することができますが、子供たちの可能性を引き出すために恐怖の方法が採用されていることはすでにわかっています。私たちは、最も幸運な人ですら、能力をはるかに下回って生計を立てており、ほとんどの人間は潜在的精神的精神的効率のほんのわずかしかではないことを認識し始めています。実際、人類は未知の可能性の広い領域に囲まれており、探検の精神に挑戦しています。
科学的および技術的な探検は、世界中の共通の人間に物理的な可能性の概念を与えました。科学のおかげで、特権を持っていない人たちは誰も未治療や慢性的に病気にかかったり、技術的および実用的なアプリケーションの恩恵を奪われたりすることはないと信じるようになりつつあります。
世界の不安はこの新しい信念に大きく起因しています。人々は、科学はそれを上げる可能性を明らかにしたので、身体的健康と物質的生活の準正常な標準に耐えないことに決めました。不安は消散する前に不快な結果を招くでしょう。それは本質的に有益な不安であり、人間の運命の生理学的基盤を築くまでは静かではない動的な力です。
私たちが意識と人格に開かれた可能性を探究し、それらの知識が共通の財産となったならば、新たな不安の源が現れ、適切な措置がとられれば、真の満足を飢えさせる必要はない、または準標準履行と非難される。このプロセスも不愉快で始まり、恩恵を受けて終了します。それは、私たちの可能性を実現する方法に立っているアイデアや制度を破壊することから始まります（あるいは、実現可能性が実現することを否定することさえも否定します）。そして、真実の実際の構築を少なくとも開始することによって進められます人間の運命。
ホッブズが述べたように、今まで人類の生活は一般的に「厄介で肉薄で短期間」であった。大多数の人間は、まだ幼い頃に死んでいない場合、貧困、病気、病気、過労、残酷、抑圧のいずれかの形で苦しみを受けています。彼らは彼らの希望と理想によって彼らの悲惨さを軽減しようとしました。問題は、希望が一般的に正当化されておらず、理想は一般的に現実に対応していないということでした。
私たちの希望を合理的にし、現実の枠組みの中で私たちの理想をどれくらい実現しているかを示すことで、理想を設定します。すでに、これらの可能性のある土地が存在するという信念を正当に抱かせることができ、現在の限界と惨めな不満が大いに上回る可能性がある。私たちは、歴史の中でそれを知っている人間の人生は、無知に根ざした惨めな一時的なものであるという確信ですでに正当化されています。科学に基づいた現代の物理的性質の制御が、迷信と専門的秘密に根ざした先祖の暫定的な当惑を超越するように、知識と理解の照明に基づく存在状態によって超越することができるということです。
これを行うには、すでに私たちが物理的環境を大切にして行ってきたように、より良い社会環境を作り出す可能性を研究しなければなりません。私たちは新しい敷地から始めます。例えば、その美しさ（楽しむものと誇りに思うもの）は不可欠なので、醜い街や不景気の町は不道徳なものです。人々の質は単なる量ではなく、我々が目指すべきものであり、したがって、現在の人口増加の洪水がより良い世界へのすべての希望を傷つけるのを防ぐためには、協調的な政策が必要である。真の理解と喜びは、仕事のための道具や憩いの場だけでなく、それ自体で終わります。それゆえ、私たちは教育と自己教育の技術を探求し、十分に利用できるようにしなければなりません。最も究極的な満足は、内なる生命の深みと全体から来ているため、霊的発達の技法を探求して十分に利用できるようにしなければならない。とりわけ、私たちの宇宙の義務の2つの補完的な部分があること、それは自分自身のものであり、能力の実現と享受、他者への享受、コミュニティへの奉仕、来るべき世代、私たちの種全体の進歩などです。
人間の種は、望むなら散発的なものではなく、ある意味では個体、別の方法では個体が、全体としては人間性のものです。この新しい信念の名前が必要です。恐らく人間ヒューマニズムが役立つだろう。人間は残っているが、人間の本性のために新しい可能性を実現することによって、自分を超えている。
“私はトランスヒューマニズムを信じている"：本当にそれを言うことができる人がいれば、人間の種は、私たちとは違ってペキンの人間とは異なる、新しい種類の存在の限界にあるだろう。ついにそれは意識的にその本当の運命を果たすでしょう。
脳と機械をつなぎます
切断者をシームレスほぼすべての地形を横断できるようにするために、センサ及び制御システムを使用する生体脚。洗練されたブレイン・マシン・インタフェース（BMI）とロボットアームは、麻痺患者が密接に典型的な人間の手足の速度やコーディネートにマッチすることができます。最終的に脊髄損傷警告患者がトイレに行くためにできたとしても、コンピュータ膀胱。
これらは、単にロボット装置のさまざまな動作を制御するために、脳内の神経細胞により生成された電気活動を利用BMIがいくつかの例です。希望はそれほど遠くない将来に、神経障害の様々な患者が彼らの移動性を回復し、自分の車いすやその他の不器用な支援機器の背後を残すかもしれないということです。
ロボット支援医療の分野は急成長しているが、技術が急速に発展しているが、規制当局の承認、臨床医研修、および高コストなどの問題は、最終的に日常の医療の一部となる生物医学ロボット工学の道に立っています。
いくつかのレビューと視点の記事がこの分野での技術水準を調べるとともに、ロボットとneuroprosthetic技術への新しい研究は、特別な問題で11月6日強調された科学トランスレーショナル医学。
ロボット脚
1レポートでは、マイケル・ゴールドファーブ、博士、教授、機械工学、教授、物理医学とリハビリテーション、ヴァンダービルト大学、ナッシュビル、テネシー州、および同僚はコンポーネントについて説明し、最新のロボットの脚技術のを。これらのコンポーネントは、足首と膝のモータ、膝と足首の角度センサと、かかとやつま先接地力反応センサを含みます。
センサーは、末梢神経系の側面を交換してください。これらのセンサからの結合情報は、中枢神経系（CNS）の同等の機能を提供するマイクロコントローラに供給されます。
CNSからの情報を測定するため、およびそれと一体的に機能するように、電極は、末梢神経または運動皮質に移植することができます。ロボットの手足が代謝電源（循環系）から単離されているので、プロテーゼは、それ自身の電源、頻繁に電池を有します。
ロボットプロテーゼは筋肉機能のすべての側面をエミュレートすることができるので、従来のプロテーゼでは不可能な多くの生体力学的特徴を再現することができます。例えば、ユーザは、歩行対称性と安定を強化の動きを制御し、より良い斜面や階段を交渉することができました。
彼らはまた、落下しにくくしています。「[R] ecent研究は、下肢切断者人口の滝の年間発生率は、高齢者人口の、そのような落下の結果として、医師の診察を求めて速度が機関生活高齢者のそれに匹敵することを超えていることを示していますそして、立ち下がり（その結果、医師の診察を必要とする）の発生率は、古い切断者よりも若い切断者の方が高い、若い切断者が活動や地形の彼らの選択にあまり拘束されているためと思われる、 “博士ゴールドファーブらは書きます。
この新しいロボットの脚部のもう一つの利点は、エネルギー的に受動的な補綴物とは異なり、それは筋骨格系の変性につながることができ、無傷の関節にストレスを増加させる代償運動を、必要としないということです。
著者は、物理センサーインタフェースを持つロボット脚補綴物の生体力学的利点に関する研究が文献に登場していると、デバイスは商業市場に登場し始めていることを指摘します。 将来のモデルは、さらに機能的であることを約束する、と著者らは、ロボットの人工器官の完全な約束がますます実現されることを期待しています。その結果、彼らは言った、患者の可動性と生活の質の改善すべきです。
移動アームズ
類似した翻訳技術は、他の手足に適用されています。研究者らは、脊髄損傷およびその他の麻痺患者と患者は洗練されたブレイン・マシン・インタフェースを介して操縦することを学ぶことができますロボットアームを開発しました。
では、一例で昨年12月に報告されたランセット構造的および機能的MRIで定位画像ガイダンスを使用して、外科医が原因で脊髄小脳変性症に慢性四肢麻痺を持つ女性の左運動皮質に2微小電極を移植し、。これは、研究者が特定し、女性は彼女の手や腕を使って想像するように頼まれたとき、神経活動を記録することができました。
いくつかの練習後、女性はアイテムをつかみ、流動的協調、スキル、および健常者の速度で手を動かすことができました。
彼らの現在の論文で検討するパーソナライズされた神経機能代替のこの号で、グレゴワールクールティーヌ、博士、准教授、技術ローザンヌのスイス連邦工科大学、および脊髄の修復の国際対麻痺財団の椅子、神経機能代替と脳マインド研究所センター、と彼の同僚は、これを引用します及び皮質におけるニューロンを利用する別の例は、患者の意図されたモータの動作を解釈します。
「これはBMIが著しい流動性で7次元リーチと把握運動を行い、さらには安全に口にテーブルからコーヒーやチョコレートのカップを持参するロボットアームの自主管理を有効に - にロボットシステムを持って来るために技術的、物流課題を克服しますパーソナルスペース、「彼らが書きます。
インタビューでMedscapeに医療ニュース、博士クールティーヌは、この義手の最初のバージョンは、次の5〜10年以内に利用可能になると予測しました。
BrainGateシステム
ロボットアームを完成することBrainGate神経インタフェース・システムと呼ばれる治験機器の一部です。以前に報告されたことにより、Medscapeに医療ニュース、このシステムは、脳の信号を監視するためにセンサーを使用して外部機器のためのデジタルコマンドにこれらの信号をオンにコンピュータソフトウェアおよびハードウェアを使用します。センサ、脳細胞の小集団の活動を記録することができる100ヘア薄い電極を含むシリコンの小さなパッチは、運動皮質に移植されます。
外傷性脊髄損傷および手足の損失を有するものを含む - - 通信し、文字通り思考を介して共通の日常の機能を制御するために、専用のWebサイトによると、BrainGateの目標は、重度障害者ができるようになります技術を作成することです。その背後にあるグループは、研究、科学、および適用された商業技術の開発に取り組む学術機関、企業、様々な非営利および政府機関をリード含まれています。
心で1義手を制御することは良いですが、2を制御することは良いです。結局のところ、協調手の動きは、キーボード上の缶やタイピングを開くなどのタスクのために有用です。
そのためには、ダーラムでデューク大学、ノースカロライナ州、から、スイス、ブラジルからの研究者がサルは同時に、単にそれらを動かす想像することによって2つの仮想武器を制御することを可能にするBMIを使用しています。
アカゲザルの大規模な脳活動は、デコードされ、仮想現実での球形オブジェクトに向かって仮想サルアバタの両腕の到達運動を制御するために使用されました。 ニューロイメージングのためのデュークセンター で新たな研究も専用の問題に現れる、研究者は、2匹のサルの脳でほぼ500ニューロンを記録しました。特定のアルゴリズムの助けを借りて、彼らは仮想アームに運動指令を再ルーティングロボットのリンクを作成するために、記録された脳活動を使用していました。 サルは、コンピュータのモニタ上でアバターの腕を見てモニタに正方形のターゲット上に仮想の手を置きました。トレーニングの2週間後、彼らはコンピュータモニタを凝視することによって彼らの本当の手を動かすことなく、仮想の腕を制御することが可能で実現しました。最終的に、研究者がサルの脳は、彼らが本当の武器であるかのように仮想の腕に応じて焼成開始したことを指摘しました。
背骨をバイパスすることを目指してこの技術を使用すると、麻痺している患者は、理論的には、単に実際にそれを移動するために手足を動かすことを考えることができます。
装着型ロボット
しかし、それは腕と足で停止しません。デューク大学のneuroengineersはウォーク再びプロジェクト、重度の麻痺を有する患者への完全な移動性を回復させることができる最初のBMIを開発し、実装する多国籍共同の努力をリードしています。
プロジェクトのWebによると「この高尚な目標は、患者は全身補綴装置の動きを制御するための独自の自主的な脳の活動をキャプチャして使用することができ、その中核としてBMIを使用していますneuroprostheticデバイスを構築することによって達成されるであろう」サイト。"としても知られているこの「ウェアラブルロボット」、「外骨格は、「維持し、彼または彼女の精神的な意思に応じて患者の体を運ぶように設計されます。」
計画はまた、一流の科学技術の専門家の世界的なネットワークを作成する必要があります。「これらの世界的に有名な学者がキー知的資産を貢献するだけでなく、必要とする患者のための完全な移動を復元に向けた基本的な進歩を確立するために、明確な目標を設定し、プロジェクトの継続的な資金調達総額のための基盤を提供します。」
いくつかの新しいBMIが、身体機能に取り組むために、外部の仮想動きを越えて行きます。脊髄損傷の患者は感じるため、または脳や膀胱の感覚と運動神経との間に破壊された接続の自分の膀胱を制御することはできません。損傷した神経を置き換える電子デバイスを入力します。
現在、ラットで試験されているデバイスは、膀胱がいっぱいになったとき、それが収縮するときに解読する感覚神経の情報を記録します。最近の実験はまた、外科的に移植されたデバイスが正常にキューに空に膀胱をブロックし、トリガすることができることを示しました。
この作業を行う英国の研究者によると、これらの実験の知見は、脊髄損傷の患者では感覚だけでなく、動きを取り戻すことができBMIが開発に向けたステップを表します。
神経機能代替の分野における他の研究者は、マイクロエレクトロニクスの網膜インプラントデバイスで作業しています。かなりの進歩は目の見えない患者に視力を回復するために、電子網膜上または網膜下インプラントを使用して作られています。
網膜インプラントにおけるこのような進歩はで説明されて新しい紙のこの問題に登場する科学トランスレーショナル医学。
これらのデバイスは、最近、教授E. Zrenner、椅子率いる、著者を言った、網膜の視細胞が失われたが、内側の網膜や視神経に異常がされており、遺伝性の網膜変性疾患を有する患者を治療するための市場の承認を受けている、ビジョンの病態学科神経眼科、チュービンゲン、ドイツの大学。
しかし、彼らは言った、多くの問題がまだ解決されなければなりません。これらは、多電極アレイおよびデバイスの安全性と寿命を確保するための最良の方法を移植するための最良の場所を決定することを含みます。その他未回答の質問は、空間と時間分解能を向上させ、色覚が可能かもしれないかどうかをする方法を含みます。
より柔らかく、より小型ロボット
多くの外科手術用ロボットのツールが開発されているが、ほとんどはロバートウッド博士、教授、工学や応用科学、ハーバード大学、コナー・ウォルシュ博士、助教授、機械工学、ハーバード大学、ケンブリッジ、マサチューセッツ州によると、まだかなり剛性であります。で社説特別号で、彼らは「よりソフトな」生物医学ロボットを開発するためのケースを作ります。
「[T]が彼人間の体は、大部分が柔らかい骨以外である、「彼らは記しています。「これは、剛性の生物医学ロボットは患者の安全を確保するために正確なセンサフィードバック、高性能制御システムに依存しなければならないことを意味します。 "
剛性の低いデバイスは自然な身体の動きを一致させることにより部分的には、物理的または神経学的障害を有する患者を支援し、必要なときにまだ、まだかなりの力およびトルクを適用することができ、彼らは言いました。
博士クールティーヌと彼の研究員によると、「ソフト」neuroroboticsのフィールドは、そのソフトロボット工学と神経機能代替と結婚浮上しています。ソフトneuroroboticsは、彼らが言うには、ソフトな設計により、より自然な、よりインタラクティブ、そしてより安全なロボット支援を提供することを目的とするリハビリテーション・インターフェースの新しいクラスです。
この目的のために、彼らは言った、エンジニアは、快適で軽量ですウェアラブルインタフェースを設計するために、このようなシリコンゴム誘導体として、柔らかい素材を使用しています。彼らはまた、伸縮性のセンサ、および支援の度合いをパーソナライズするマルチレベルの生物学的および神経学的なフィードバックを統合ソフト制御アルゴリズムを含む、ソフトハードウェアを開発しています。
だけでなく、よりソフトであること、将来の世代のスマートロボットはまた、博士ウッド博士とウォルシュによると、彼らは、臨床現場で使用されることになるだろう場合は特に、小さくすべきです。
「ロボット支援医療の約束を考えると、それは臨床現場で使用するための、より小さなより柔らかく、かつ安全であるロボットを開発するための学界や医療機器業界での驚異的なプッシュがあることは驚くべきことではない、 “彼らは結論付けています。
博士クールティーヌについては、BMIがが最大の影響を与える可能性がある領域が回復の鍵は、活性を維持され、脳卒中、後例えば、リハビリテーションの分野です。彼は筋肉を刺激し、可塑性を高めるために、様々な脳係ロボット「ツール」を使用して、将来のリハビリセンターを予見します。
彼らは各患者の赤字に非常に正確に調整刺激と、パーソナライズされなければならないので、しかし、そのようなアプローチは複雑です。
「たとえば、すべてのストロークが異なる赤字で、異なっており、それぞれの患者のために、あなたは右の場所のためのブレイン・マシン・インターフェースを作成したいと思う」とDr.クールティーヌは述べました。「あなたはロボットと人を更生したい場合は、このロボットは他のみんなのロボットになりたくありません。」
単純ではない ハードル
今日、neuroprostheticインターフェイスは、主に洗練された研究室に閉じ込められたまま、博士クールティーヌと彼の同僚は指摘しています。個々の患者にこれらのパーソナライズされたデバイスを取得すると、「いくつかの非自明な臨床、技術的、組織と規制のハードル - 世界クラスのエンジニア、臨床医、セラピスト、資金提供機関と規制機関の努力に依存しているの解像度に偶発的です。」
neuroengineersが直面している最大のジレンマの一つは、「安定」と永続的な神経細胞の記録を作成している、博士はクールティーヌは語ったMedscapeに医療ニュース。「これは私たちが批判的に臨床結実に到達するために改善を行うために必要がある1つの領域である、 “と彼は言いました。
それが今立っているように、「数ヵ月後に、あなたは神経細胞を一つずつ失う始まっているので、1または2年後、あなたは、ニューロンの記録を持っていない、 “博士はクールティーヌは述べました。その結果、患者は、定期的に電極を「再移植」される必要があります。
neuroprosthetic治療が依存しているその上にマルチシステム設計の種類の食品医薬品局（FDA）と欧州医薬品庁を通じて調節経路は、博士クールティーヌによると、「高価」と複雑です。
その他は、ロボット義肢のための規制当局の承認がこれらの新しい技術は、臨床実践に達することができる前に克服しなければならないハードルの一つであることに同意します。博士ゴールドファーブが説明するように、ロボット義足のような多関節の協調デバイスは、クラス2のデバイスであるとFDAによって考えられています。このように、それが市場に到達するために、証拠は、その安全性と有効性に関する確立する必要があります。
訓練の欠如は別の障壁です。補綴物を処方する医師は、ロボット工学の分野で教育を受けていない、博士ゴールドファーブは述べました。ロボティクス訓練、臨床医せずに臨床医のために使用可能なレンダリングされなければならないデバイスは、このような訓練を受けなければならない、またはメーカーが「デバイスの操作性と臨床医の訓練のいくつかの実行可能な組み合わせを提供しなければならない “と、彼と彼の同僚は記しています。
しかし、日常の実践に技術を得るための方法に立って、別の問題がNitish V. Thakor、博士によると、弱い財務及び事業のインセンティブである、ディレクター、Neurotechnologyシンガポール研究所（SINAPSE）、および教授、生物医学工学、電気およびコンピュータ工学、および神経学、ジョンズ・ホプキンス大学、ボルチモア、メリーランド州、で特別な問題への別の投稿者の視点の記事。
「これは小さな市場で難解な技術であり、少数の患者が恩恵を受け、技術と患者との間の非常に複雑なインターフェースで、「博士Thakorは語ったMedscapeに医療ニュース。
そこの研究アイデアや革新的な技術のない不足は確かませんが、唯一のいくつかの “総合的なソリューションを、"博士Thakorが追加されました。「フロント産学パートナーシップが役立つだろうまでは、一般的に不足している」と彼は部分的には資金と機密性と知的財産に関連する問題の不足のため、終了します。
サイ翻訳メッド。2013年11月6日、問題。
参考
http://www.medscape.com/viewarticle/815297#vp_4 http://www.gartner.co.jp/b3i/research/131001_inf/ https://hpluspedia.org/wiki/Transhumanism http://rationalwiki.org/wiki/Transhumanism
深層学習、人工的な直感とAGIの探求
ディープ・ラーニング・システムは、生物学的材料に基づいていないにもかかわらず、生物学的に見える挙動を人類が深遠な学習の形で人工的な直感に幸運にも遭遇したこともそうです。
人工知能の分野ではルネサンスが起こっています。 現場の多くの長期専門家にとって、あまりにも明白ではありません。 私は多くの人がディープ・ラーニングの発展に反対しているプッシュバックについて以前に書きました。 ディープラーニングは、しかし、古典的な方法から非常に根本的な出発点です。 Artificial General Intelligence（AGI）への古典的アプローチがすべて壊れていたことを認識したある研究者は、Monica Andersonです。
アンダーソンは、還元主義の科学的アプローチに致命的な欠陥があり、AGIを求めて研究を迷わせていることを早期に認識した数少ない研究者の1人です。 ディープ・ラーニングと古典的なA.Iの違いを強調する非常に良いアナロジー。 アプローチは、直観と論理の違いです。 デュアルプロセス理論は、2種類の認知が存在することを理論化しています。
古典的なA.I.技術は認知の論理的根拠に主に焦点を当ててきましたが、ディープラーニングは認知的直観の領域で対照的な動作をしています。ディープ・ラーニング・システムは、生物学的材料に基づいていないにもかかわらず、生物学的に見える挙動を人類が深遠な学習の形で人工的な直感に幸運にも遭遇したこともそうです。
アンダーソン氏は、「直感的な能力を備えたシステムを構築するためには、「還元主義的方法」に基づく構造に依存することができない」と主張している。アンダーソンは、人工直感の代替アプローチとしてディープラーニングを認めている。アンダーソンは、還元主義的方法を次のような特徴を持つものとして特徴づけている。
最適性：私たちは可能な限り最良の答えを得るよう努めています。
完全性：私たちはすべての答えを得ることに努めています。
再現性：同じ条件で実験を繰り返すたびに同じ結果が得られると期待しています。
適時性：有限の時間で結果を得ることが期待されます。
パーシモン：私たちは、利用可能なデータを完全に説明する最も簡単な理論を発見しようと努めています。
透明性：結果にどのように到達したのかを理解したい。
Scrutability：結果を理解したい。
Andersonは、論理に基づいたアプローチは、代替的な「モデルフリー」アプローチを支持して放棄する必要があると推測しています。つまり、直感に基づく認知は、還元ベースの原則からは生じない。アンダーソンが「モデルフリー」と言うのは「知性のないコンポーネント」です。つまり、彼女は次のように書いています。
インテリジェントなコンポーネントからインテリジェントなシステムを構築しようとしている場合は、問題を1つのレベルに押し下げているだけです。
アンダーソンはいくつかの「モデルフリー」メカニズムを提案しており、それらの組み合わせは直感で目にする緊急の行動につながります。私が推測しているメカニズムは次のとおりです。
発見、認知、学習、抽象化、適応、進化、物語、相談、委任、市場など、さまざまな分野の専門家によって構成されています。
アンダーソンの戦略の詳細は、知的財産上の理由から公開されていないことに注意してください。私は、上記のような複雑な（またはインテリジェントな）緊急の行動につながる可能性のある基礎的なメカニズムに単純（または非知的）な計算メカニズムがあることに同意します。普遍的な計算は、ちょうど3つの基本的なメカニズム（すなわち、計算、シグナリング、およびメモリ）の存在によって生じることを理解する必要があります。
私は、進歩に不可欠な障壁となる現在の数学には限界があることには同意します。しかしこれは、私たちの数学的ツールの総体的な弱点のために進歩を遂げることができないことを意味するものではありません。逆に、ディープラーニングの研究者は、実験的な計算手段によってかなりの進歩を遂げました。エンジニアリングとプラクティスは歩調を合わせた理論を持っており、これは引き続き傾向になります。私は以前、3つの分野、すなわち時間の概念、緊急集団行動、メタレベル推論という分析に問題があると書いてきました。私たちはこのように道のりを歩み、数学的な飛躍を待つか、普遍的な計算の分野では分析技術の能力が限られていると予想して、兵士になることができます。
私の個人的な偏見は、メソッドが成功するためにエージェントのグローバルな知識を必要としてはならないということです。言い換えれば、すべてのエージェントは、地元の知識だけに基づいて行動を決定しなければならず、緊急のグローバルな行動は、その構成員の個々のローカル相互作用によって生じる。提案されている多くの代替モデルでは、通常、エージェントが機能するためにはグローバルな知識が必要であるという根本的な前提があります。私はまた、動作することが知られている方法に偏っています。これまでのところ、ディープラーニングは非常にうまく動作することが示されている唯一の人工直感です。 DLの概念的な問題の1つは、SGDがその構成要素に逆伝播するグローバルな知識を必要とすることです。この要件は、モジュラーディープラーニングシステムで緩和される可能性が高いですが、したがって、私は構成部分の知能の欠如の尺度を意味するものの、「モデル化されたモデル」ではなく「モデル化されたモデル」という用語を好む。しかし一般的には、これは緊急性を生むメカニズムの中で最も簡単なものを探すという点で、「傍時代」の概念に似ています。
ディープ・ラーニングのメタ・メタモデルの解体に基づいた私の現在の分析は、ドメイン適応、転送学習、継続学習、マルチタスク学習などの機能につながるビルディング・ブロック・メカニズムがまだ不足していることです。実際には、教師なし学習（すなわち、予測学習）を確実に把握することはできません。これらのメカニズムは、既存のビルディングブロックから出現する可能性がありますが、誤って発見される可能性もあります。次のようなConwayの人生のゲームの発見に非常に似ています：
上記のセルオートマトンのシンプルさにもかかわらず、なぜそれがどうやって動作するのか理解できません。私たちが預けることができる理論はほとんどありません。 AGIの探求にも同様の状況が存在すると私は信じている。 Conwayの人生のゲームのようなすべてのビルディング・ブロックをすでに持っている可能性は確かです。あるいは、上記の宇宙船と同様に、まだ発見されていないメカニズムが欠落しています。これは、誰にでもAGIの進歩の予測不可能なレベルを説明するはずです。私たちはAGIを達成することから偶然の発見にすぎないかもしれません。
この記事を終える前に私がカバーすべき1つの追加トピックがあります。それは私が以前の記事で議論した意識の概念です：「モジュラーディープラーニングは意識の最後から二番目のステップになるかもしれません。そのポストでは、IITモデルとSchmidhuberの二重RNNモデルの2つの理論を持ちました。デュアルプロセス理論モデルでは、意識は論理的認識から生じる。すべての3つの理論は、興味深いことに、事象間の因果関係を追跡するメカニズムを持っています。意識の概念と原因と結果を追跡するという考えを分けることはできないようです。より抽象的なことに、時間の経過と共に進化する行動を追跡することは不可欠な要素であるように思われる。
参考
http://www.kdnuggets.com/2017/02/deep-learning-artificial-intelligence-quest-agi.html
