होशियार होने के नाते, कार लगभग उतना ही सीखना शुरू करते हैं जितना हम

अध्ययनों से पता चलता है कि कंप्यूटर मॉडल, जिन्हें तंत्रिका नेटवर्क के रूप में जाना जाता है, जो अनुप्रयोगों की बढ़ती संख्या में उपयोग किए जाते हैं, मानव मस्तिष्क के समान एल्गोरिदम का उपयोग करके डेटा में अनुक्रम को पहचानना सीख सकते हैं।

मस्तिष्क अपनी विहित समस्या को हल करता है - प्रशिक्षण - नियमों के एक अज्ञात सेट के अनुसार इसके कई यौगिकों को समायोजित करके। इन नियमों को प्रकट करने के लिए, वैज्ञानिकों ने 30 साल पहले सीखने की प्रक्रिया को पुन: पेश करने की कोशिश करते हुए कंप्यूटर मॉडल विकसित करना शुरू किया। आज, बढ़ते प्रयोगों में, यह स्पष्ट हो जाता है कि ये मॉडल कुछ कार्यों में वास्तविक मस्तिष्क के समान व्यवहार करते हैं। शोधकर्ताओं का कहना है कि यह समानता मस्तिष्क और कंप्यूटर सीखने के एल्गोरिदम के बीच एक बुनियादी फिट का सुझाव देती है।

कंप्यूटर मॉडल द्वारा उपयोग किए जाने वाले एल्गोरिदम को बोल्ट्जमैन मशीन कहा जाता है । इसका आविष्कार जेफरी हिंटन और टेरी सीनोव्स्की ने 1983 में किया था [वास्तव में, 1985 में - लगभग। ट्रांस।]। यह मस्तिष्क में होने वाली कई प्रक्रियाओं के एक साधारण सैद्धांतिक विवरण के रूप में बहुत आशाजनक लगता है - विकास, स्मृति गठन, वस्तुओं और ध्वनियों की पहचान, नींद और जागना चक्र।

यूनिवर्सिटी में साइकोलॉजी, न्यूरोबायोलॉजी और व्यवहार के प्रोफेसर सू बेकर कहते हैं, "आज हमारे पास मस्तिष्क को समझने का सबसे अच्छा अवसर है।" हैमिल्टन, ओंटारियो में मैकमास्टर। "मुझे एक मॉडल नहीं पता है जो सीखने और मस्तिष्क संरचना से संबंधित घटनाओं की एक विस्तृत श्रृंखला का वर्णन करता है।"

एआई के क्षेत्र में अग्रणी, हिंटन, हमेशा उन नियमों को समझना चाहता था जिनके द्वारा मस्तिष्क संचार को बढ़ाता है या इसे कमजोर करता है - अर्थात्, सीखने का एल्गोरिथ्म। "मैंने तय किया कि कुछ समझने के लिए, इसे बनाने की जरूरत है," वे कहते हैं। भौतिकविदों के न्यूनतावादी दृष्टिकोण के बाद, वह अलग-अलग सीखने के एल्गोरिदम का उपयोग करके मस्तिष्क के सरल कंप्यूटर मॉडल बनाने की योजना बना रहे हैं और देखते हैं कि "कौन काम करेगा", टोरंटो विश्वविद्यालय में कंप्यूटर विज्ञान के आंशिक रूप से प्रोफेसर और गूगल पर आंशिक रूप से कहते हैं।


बहुपरत तंत्रिका नेटवर्क में उनके बीच भारित कनेक्शन वाले कृत्रिम न्यूरॉन्स की परतें होती हैं। मैं आने वाले डेटा को परतों में संकेतों का एक झरना भेजता हूं, और एल्गोरिथ्म प्रत्येक कनेक्शन के वजन में परिवर्तन को निर्धारित करता है।

1980 और 1990 के दशक में, 19 वीं सदी के तर्क के महान-पोते, जॉर्ज बोले, जिनके काम ने आधुनिक कंप्यूटर विज्ञान का आधार बनाया, ने कई मशीन लर्निंग एल्गोरिदम का आविष्कार किया। एल्गोरिदम जो नियंत्रित करते हैं कि कंप्यूटर से डेटा कैसे सीखता है, का उपयोग "कृत्रिम तंत्रिका नेटवर्क" नामक कंप्यूटर मॉडल में किया जाता है - परस्पर आभासी न्यूरॉन्स के जाले जो अपने पड़ोसियों को संकेत संचारित करते हैं, चालू या बंद करते हैं, या "ट्रिगर" करते हैं। जब डेटा नेटवर्क को खिलाया जाता है, तो यह प्रतिक्रियाओं के एक झरना की ओर जाता है, और एल्गोरिथ्म, इन प्रतिक्रियाओं की तस्वीर के आधार पर, प्रत्येक जोड़ी न्यूरॉन्स के बीच, कनेक्शनों के वजन को बढ़ाने या घटाने के लिए चयन करता है।

कई दशकों से, कई Hinton कंप्यूटर मॉडल वनस्पति कर रहे हैं। लेकिन प्रोसेसर शक्ति में प्रगति के लिए धन्यवाद, मस्तिष्क और एल्गोरिदम को समझने में प्रगति, तंत्रिका नेटवर्क तंत्रिकाविज्ञान में एक कभी-बढ़ती भूमिका निभा रहे हैं। Sejnowski [Sejnowski], जैव अनुसंधान संस्थान में न्यूरोबायोलॉजी के कम्प्यूटिंग प्रयोगशाला के प्रमुख। कैलिफोर्निया के ला जोला में सल्का, कहता है: “तीस साल पहले, हमारे पास बहुत ही मोटे विचार थे; अब हम उनमें से कुछ का परीक्षण करना शुरू कर रहे हैं। ”

मस्तिष्क की मशीनें

मस्तिष्क के पुनरुत्पादन के लिए हिंटन के शुरुआती प्रयास सीमित थे। कंप्यूटर छोटे तंत्रिका नेटवर्क पर अपने सीखने के एल्गोरिदम को निष्पादित कर सकते हैं, लेकिन मॉडल को बहुत तेज़ी से प्रोसेसर को अधिभारित करते हैं। 2005 में, Hinton ने पाया कि यदि आप तंत्रिका नेटवर्क को परतों में विभाजित करते हैं और प्रत्येक परत पर अलग से एल्गोरिदम चलाते हैं, तो मस्तिष्क की संरचना और विकास को दोहराते हुए, प्रक्रिया अधिक कुशल हो जाती है।

हालाँकि, Hinton ने दो प्रसिद्ध पत्रिकाओं में अपनी खोज प्रकाशित की, तंत्रिका नेटवर्क तब तक फैशन से बाहर थे, और उन्होंने "Microsoft लोगों को दिलचस्पी लेने के लिए संघर्ष किया," ली डेंग ने कहा, माइक्रोसॉफ्ट रिसर्च के प्रमुख शोधकर्ता। हालांकि, डेंग ने हिंटन को जान लिया और अपनी क्षमता को पहचानते हुए 2009 में "गहरी शिक्षा" पद्धति का परीक्षण करने का फैसला किया। बाद के वर्षों में, सीखने की एल्गोरिदम का उपयोग बढ़ती संख्या में अनुप्रयोगों में किया जाता है, जैसे कि Google नाओ के निजी सहायक या Microsoft विंडोज फोन पर वॉयस सर्च फीचर।

सबसे होनहार एल्गोरिदम में से एक, बोल्ट्ज़मैन मशीन का नाम 19 वीं शताब्दी के ऑस्ट्रियाई भौतिक विज्ञानी लुडविग बोल्ट्ज़मैन के नाम पर रखा गया है, जिन्होंने बड़ी संख्या में कणों से निपटने वाली भौतिकी की एक शाखा विकसित की, जिसे सांख्यिकीय मैकेनिक्स के रूप में जाना जाता है। बोल्ट्जमैन ने एक समीकरण की खोज की जो एक आणविक गैस की संभावना को एक निश्चित ऊर्जा होने की संभावना देता है जब यह संतुलन तक पहुंचता है। यदि आप अणुओं को न्यूरॉन्स के साथ बदलते हैं, तो परिणाम उसी समीकरण के लिए होगा।

नेटवर्क सिनेप्स वज़न के यादृच्छिक वितरण के साथ शुरू होते हैं, और वज़न धीरे-धीरे एक सरल प्रक्रिया के अनुसार समायोजित किया जाता है: मशीन द्वारा डेटा (जैसे छवियां या ध्वनियाँ) प्राप्त करने की प्रक्रिया में उत्पन्न प्रतिक्रिया सर्किट की तुलना मशीन के यादृच्छिक प्रतिक्रिया सर्किट के साथ की जाती है जो डेटा दर्ज नहीं होने पर होती है।


जोफ्रे हिंटन का मानना ​​है कि मस्तिष्क में सीखने की प्रक्रियाओं को समझने के लिए सबसे अच्छा तरीका कंप्यूटर का निर्माण करना है जो उसी तरह से सीखते हैं।

प्रत्येक वर्चुअल सिंकैप दोनों सांख्यिकीय सेटों को ट्रैक करता है। यदि यादृच्छिक ऑपरेशन के दौरान की तुलना में डेटा प्राप्त करते समय, इससे जुड़े न्यूरॉन्स अधिक बार एक करीबी अनुक्रम में चालू हो जाते हैं, तो एक समकालिक मान द्वारा सिंटैप का वजन बढ़ जाता है। लेकिन अगर यादृच्छिक ऑपरेशन के दौरान दो न्यूरॉन्स अधिक बार एक साथ ट्रिगर होते हैं, तो उन्हें जोड़ने वाले सिंक को बहुत मजबूत और कमजोर माना जाता है।

बोल्ट्ज़मन मशीन का सबसे अधिक इस्तेमाल किया जाने वाला संस्करण "प्रशिक्षण" के बाद बेहतर काम करता है, प्रत्येक परत पर हजारों नमूना डेटा को क्रमिक रूप से संसाधित किया जाता है। सबसे पहले, नेटवर्क की निचली परत छवियों या ध्वनियों के रूप में कच्चे डेटा को प्राप्त करती है, और रेटिना कोशिकाओं के तरीके में, न्यूरॉन्स को ट्रिगर किया जाता है यदि वे अपने डेटा क्षेत्र में विरोधाभासों का पता लगाते हैं, जैसे कि प्रकाश से अंधेरे में स्विच करना। उनकी ट्रिगरिंग उनके साथ जुड़े न्यूरॉन्स की ट्रिगर को ट्रिगर कर सकती है, जो उन्हें जोड़ने वाले सिंकैप्स के वजन पर निर्भर करता है। चूंकि आभासी न्यूरॉन्स के जोड़े की ट्रिगर की तुलना लगातार पृष्ठभूमि के आंकड़ों के साथ की जाती है, न्यूरॉन्स के बीच सार्थक कनेक्शन धीरे-धीरे दिखाई देते हैं और तेज होते हैं। सिनैप्स के वज़न निर्दिष्ट हैं, और ध्वनियों और छवियों की श्रेणियां कनेक्शन में बनाई गई हैं। प्रत्येक बाद की परत को एक समान तरीके से प्रशिक्षित किया जाता है, इसके नीचे की परत से डेटा का उपयोग किया जाता है।

यदि आप एक कार की एक छवि को एक तंत्रिका नेटवर्क को खिलाते हैं जिसे छवियों में कुछ वस्तुओं का पता लगाने के लिए प्रशिक्षित किया जाता है, तो निचली परत काम करेगी यदि यह एक विपरीत का पता लगाता है जो चेहरे या अंत बिंदु को इंगित करता है। ये सिग्नल उच्च स्तर के न्यूरॉन्स पर जाएंगे जो कोण, पहियों के कुछ हिस्सों आदि का निर्धारण करते हैं। ऊपरी स्तर में, केवल कार की छवि पर प्रतिक्रिया करके न्यूरॉन्स को ट्रिगर किया जाता है।

न्यूयॉर्क विश्वविद्यालय में डेटा साइंस सेंटर के निदेशक, यान लेकन कहते हैं, "वेब पर जो हो रहा है उसका जादू यह संक्षेप में प्रस्तुत कर सकता है।" "यदि आप उसे एक ऐसी कार दिखाते हैं जो उसने पहले नहीं देखी है, और अगर कार में प्रशिक्षण के दौरान उसे दिखाई गई मशीनों के साथ कुछ रूप और विशेषताएं होंगी, तो वह यह निर्धारित कर सकती है कि यह एक कार है।"

तंत्रिका नेटवर्क ने हाल ही में हिंटन मल्टी-लेयर मोड, प्रोसेसिंग ग्राफिक्स के लिए हाई-स्पीड कंप्यूटर चिप्स के उपयोग और प्रशिक्षण के लिए उपलब्ध छवियों और वॉयस रिकॉर्डिंग की संख्या में विस्फोटक वृद्धि के लिए अपने विकास को गति दी है। नेटवर्क अंग्रेजी बोली जाने वाली भाषा में 88% शब्दों को सही ढंग से पहचानने में सक्षम हैं, जबकि औसत व्यक्ति 96% को पहचानता है। वे समान सटीकता के साथ छवियों में कारों और हजारों अन्य वस्तुओं का पता लगा सकते हैं, और पिछले कुछ वर्षों में उन्होंने मशीन सीखने की स्थितियों में एक प्रमुख स्थान लिया है।

एक मस्तिष्क का निर्माण

किसी को नहीं पता कि सीधे उन नियमों का पता कैसे लगाया जाए जिनके द्वारा मस्तिष्क को प्रशिक्षित किया जाता है, लेकिन मस्तिष्क और बोल्ट्जमैन मशीन के व्यवहार के बीच कई अप्रत्यक्ष संयोग होते हैं।

डेटा में केवल मौजूदा पैटर्न का उपयोग करके दोनों को पर्यवेक्षण के बिना प्रशिक्षित किया जाता है। "आपकी मां आपको तस्वीर में दिखाए गए एक लाख बार नहीं बताती है," हिंटन कहते हैं। - आपको दूसरों की सलाह के बिना चीजों को पहचानना सीखना होगा। श्रेणियों का अध्ययन करने के बाद, वे आपको इन श्रेणियों के नाम बताते हैं। इसलिए बच्चे कुत्तों और बिल्लियों के बारे में सीखते हैं, और फिर वे सीखते हैं कि कुत्तों को "कुत्ते" कहा जाता है और बिल्लियों को "बिल्लियों" कहा जाता है।

वयस्क मस्तिष्क युवा के रूप में लचीला नहीं है, बोल्ट्जमैन मशीन की तरह, कारों की 100,000 छवियों के लिए प्रशिक्षित होने के बाद, यह एक दूसरे को देखने के बाद बहुत कुछ नहीं बदलेगा। उसके सिनेप्स में पहले से ही कारों को वर्गीकृत करने के लिए सही वजन है। लेकिन प्रशिक्षण समाप्त नहीं होता है। नई जानकारी को मस्तिष्क और बोल्ट्जमैन मशीनों दोनों की संरचना में एकीकृत किया जा सकता है।

पिछले दो दशकों में, एक सपने में मस्तिष्क गतिविधि के एक अध्ययन ने पहला सबूत प्रदान किया है कि मस्तिष्क अपनी संरचना में नई जानकारी और यादों को शामिल करने के लिए बोल्ट्जमैन एल्गोरिथ्म के समान एल्गोरिथ्म का उपयोग करता है। न्यूरोसाइंटिस्ट लंबे समय से जानते हैं कि नींद स्मृति समेकन में एक महत्वपूर्ण भूमिका निभाती है और नई जानकारी को एकीकृत करने में मदद करती है। 1995 में, हिंटन और उनके सहयोगियों ने सुझाव दिया कि स्लीप एल्गोरिथ्म में एक बुनियादी स्तर की भूमिका निभाता है, इनपुट डेटा की अनुपस्थिति में न्यूरॉन्स की गतिविधि को दर्शाता है।

"नींद के दौरान, आप सिर्फ न्यूरॉन्स की आधार आवृत्ति का पता लगाते हैं," हिंटन कहते हैं। - आप मामले में उनके काम के संबंध का पता लगाते हैं जब सिस्टम अपने आप काम करता है। और फिर, यदि न्यूरॉन्स अधिक सहसंबंधित हैं, तो बस उनके बीच वजन बढ़ाएं। और कम होने पर वजन कम करें। ”

अन्तर्ग्रथन स्तर पर, "इस एल्गोरिथ्म को कई तरीकों से प्रदान किया जा सकता है," ब्रायन पहल के हिस्से के रूप में राष्ट्रपति प्रशासन के एक सलाहकार सेजनोव्स्की कहते हैं, मस्तिष्क के अध्ययन के लिए नई तकनीकों को विकसित करने के लिए $ 100 मिलियन के अनुदान के साथ एक अध्ययन।

उनका कहना है कि बोल्ट्जमन एल्गोरिथ्म के साथ काम करना दिमाग के लिए सबसे आसान है, दिन में सिनैप्स बनाने से लेकर रात में घटने तक स्विच करना। विस्कॉन्सिन-मैडिसन विश्वविद्यालय में सेंटर फॉर स्लीप एंड कॉन्शियसनेस स्टडीज के प्रमुख गियुलियो टोनोनी ने पाया कि सिनेप्स में जीन की अभिव्यक्ति उन्हें इस परिकल्पना के अनुसार बदल देती है: सिंकैप्स विकास में शामिल जीन दिन के दौरान अधिक सक्रिय होते हैं, और संकुचन में शामिल जीन। synapses - रात में।

एक अन्य विकल्प में, "बेसलाइन की गणना एक सपने में की जा सकती है, और फिर दिन के दौरान इसके सापेक्ष परिवर्तन किया जा सकता है," सेज़नोव्स्की कहते हैं। उनकी प्रयोगशाला में, सिनेप्स के विस्तृत कंप्यूटर मॉडल और उनके द्वारा समर्थित नेटवर्क यह निर्धारित करने के लिए बनाए गए हैं कि वे जागने और सोने के पैटर्न पर आंकड़े कैसे एकत्र करते हैं, और जब इस अंतर को प्रदर्शित करने के लिए सिनेप्स की ताकत बदल जाती है।

मस्तिष्क के साथ कठिनाइयाँ

रेटिना की छवि जिसमें विभिन्न प्रकार के कोशिकाओं को अलग-अलग रंगों द्वारा इंगित किया जाता है। रंग-संवेदनशील (वायलेट) क्षैतिज (नारंगी) से जुड़ता है, जो द्विध्रुवी (हरा) से जोड़ता है, और रेटिना और नाड़ीग्रन्थि (बैंगनी) की कोशिकाओं के साथ।

बोल्ट्जमन एल्गोरिथ्म मस्तिष्क द्वारा कई प्रकारों में से एक हो सकता है जिसका उपयोग फाइन-ट्यून सिंकैप्स के लिए किया जाता है। 1990 के दशक में, कई स्वतंत्र समूहों ने एक सैद्धांतिक मॉडल विकसित किया कि कैसे दृश्य प्रणाली कुशलता से रेटिना में जाने वाली जानकारी के प्रवाह को कूटबद्ध करती है। सिद्धांत ने कहा कि दृश्य कॉर्टेक्स की निचली परतों में छवि संपीड़न के समान "बिखरे हुए कोडिंग" की एक प्रक्रिया है, जिसके परिणामस्वरूप दृश्य प्रणाली के अंतिम चरण अधिक कुशलता से काम करते हैं।

मॉडल की भविष्यवाणियां धीरे-धीरे अधिक से अधिक कठोर परीक्षणों से गुजरती हैं। PLOS कम्प्यूटेशनल बायोलॉजी में प्रकाशित एक पेपर में, ब्रिटेन और ऑस्ट्रेलिया के कम्प्यूटेशनल न्यूरोसाइंटिस्ट्स ने पाया कि जब 2002 में Hinton द्वारा आविष्कार किए गए विशेषज्ञों के उत्पादों का उपयोग करने वाले तंत्रिका नेटवर्क उसी असामान्य दृश्य डेटा को संसाधित करते हैं, जो लाइव डेटा को प्रदर्शित करते हैं। (उदाहरण के लिए, बिल्लियों और तंत्रिका नेटवर्क धारीदार छवियों का अध्ययन करते हैं), उनके न्यूरॉन्स लगभग समान असामान्य कनेक्शन का उत्पादन करते हैं।

"जब तक जानकारी दृश्य प्रांतस्था तक पहुंच जाती है, मस्तिष्क, हम सोचते हैं, इसे एक बिखरे हुए कोड के रूप में प्रस्तुत करता है," कैलिफोर्निया के बर्कले विश्वविद्यालय में सैद्धांतिक न्यूरोसियोलॉजी के लिए एक कम्प्यूटेशनल न्यूरोसाइंटिस्ट और रेडवुड सेंटर के निदेशक ब्रूनो ओल्सहॉसन ने कहा, जिन्होंने विकास में मदद की। बिखरे हुए कोडिंग सिद्धांत। "जैसे कि कोई बोल्ट्जमन मशीन आपके सिर में बैठी हो और बिखरे हुए कोड के तत्वों के बीच मौजूद कनेक्शन को समझने की कोशिश कर रही हो।"

ऑल्सहाउसन और टीम ने दृश्य कॉर्टेक्स की उच्च परतों के तंत्रिका नेटवर्क मॉडल का उपयोग करके दिखाया कि कैसे छवियों के आंदोलन के बावजूद मस्तिष्क दृश्य इनपुट की एक स्थिर धारणा को बनाए रखने में सक्षम है। एक अन्य अध्ययन में, उन्होंने पाया कि ब्लैक-एंड-व्हाइट फिल्म देखने वाली बिल्लियों के दृश्य प्रांतस्था में न्यूरॉन्स की गतिविधि बोल्ट्जमैन मशीन द्वारा बहुत अच्छी तरह से वर्णित है।

इस काम के संभावित अनुप्रयोगों में से एक न्यूरो कृत्रिम अंग का निर्माण है, उदाहरण के लिए, एक कृत्रिम रेटिना। यदि आप देखते हैं कि "जानकारी को मस्तिष्क में कैसे स्वरूपित किया जाता है, तो आप समझ सकते हैं कि मस्तिष्क को उत्तेजित करने के लिए यह सोचने के लिए कि यह एक छवि देख रहा है," ओल्सहाउसन कहते हैं।

सेज़नोव्स्की का कहना है कि सिनेप्स के विकास और कटौती एल्गोरिदम को समझने से शोधकर्ताओं को उन्हें बदलने और यह जानने में मदद मिलेगी कि तंत्रिका नेटवर्क का कामकाज कैसे बाधित होता है। "तो वे लोगों की अच्छी तरह से ज्ञात समस्याओं के साथ तुलना की जा सकती है," वे कहते हैं। - लगभग सभी मानसिक विकारों को सिनैप्स के साथ समस्याओं से समझाया जा सकता है। यदि हम बेहतर ढंग से सिनैप्स को समझ सकते हैं, तो हम समझ सकते हैं कि मस्तिष्क सामान्य रूप से कैसे कार्य करता है, यह कैसे सूचनाओं को संसाधित करता है, यह कैसे सीखता है, और अगर गलत हो जाता है, उदाहरण के लिए, आप सिज़ोफ्रेनिया विकसित करते हैं। "

तंत्रिका नेटवर्क का उपयोग करके मस्तिष्क का अध्ययन करने का दृष्टिकोण मानव मस्तिष्क परियोजना के दृष्टिकोण के विपरीत है। यह एक सुपरकंप्यूटर का उपयोग करके मानव मस्तिष्क का सटीक अनुकरण बनाने के लिए स्विस न्यूरोसाइंटिस्ट हेनरी मार्कराम की प्रचारित योजना है। हिंटन के दृष्टिकोण के विपरीत, जो बहुत ही सरलीकृत मॉडल से शुरू होता है और क्रमिक जटिलता के मार्ग का अनुसरण करता है, मार्कराम तुरंत व्यक्तिगत अणुओं के लिए, डेटा की सबसे बड़ी संभव राशि को शामिल करना चाहता है, और उम्मीद करता है कि परिणामस्वरूप उसके पास पूर्ण कार्यक्षमता और चेतना होगी।

परियोजना को यूरोपीय आयोग से $ 1.3 बिलियन का वित्तपोषण प्राप्त हुआ, लेकिन हिंटन का मानना ​​है कि यह मेगा-सिमुलेशन विफल हो जाएगा, बहुत सारे चलती भागों में अटक जाना जो अभी तक कोई नहीं समझता है।

इसके अलावा, हिंटन यह नहीं मानता है कि मस्तिष्क को केवल उसकी छवियों द्वारा समझा जा सकता है। ऐसे डेटा का उपयोग एल्गोरिदम बनाने और परिष्कृत करने के लिए किया जाना चाहिए। उन्होंने कहा, "एल्गोरिदम सीखने के स्थान में सैद्धांतिक सोच और शोध को एक सिद्धांत बनाने की आवश्यकता है," बोल्ट्जमैन की मशीन, वे कहते हैं। हिंटन के लिए अगला कदम मस्तिष्क के समान तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए एल्गोरिदम का विकास है, जिसमें सिंकैप्स एक परत के भीतर न्यूरॉन्स को जोड़ते हैं, न कि विभिन्न परतों के बीच। "मुख्य लक्ष्य प्रत्येक चरण में गणनाओं को जटिल करके प्राप्त किए जा सकने वाले लाभों को समझना है," वे कहते हैं।

परिकल्पना यह है कि अधिक कनेक्शन मजबूत बैक लूप को जन्म देगा, जो ओल्सहॉसन के अनुसार, सबसे अधिक संभावना है कि मस्तिष्क "लापता विवरणों को भरने में मदद करता है।" ऊपरी परत आंशिक जानकारी से निपटने वाली निचली परतों से न्यूरॉन्स के काम में हस्तक्षेप करती है। "यह सब चेतना के साथ निकटता से जुड़ा हुआ है," वे कहते हैं।

मानव मस्तिष्क अभी भी किसी भी मॉडल की तुलना में अधिक जटिल है। यह बड़ा, सघन है, अधिक कुशल है, इसमें अधिक अंतर्संबंध और जटिल न्यूरॉन्स हैं - और यह एक साथ कई एल्गोरिदम के साथ काम करता है। ओल्सहॉसन सुझाव देते हैं कि हम दृश्य कॉर्टेक्स की गतिविधि के 15% के बारे में समझते हैं। हालांकि मॉडल आगे बढ़ रहे हैं, लेकिन न्यूरोसाइंस अभी भी "न्यूटन से पहले भौतिकी के समान है," वे कहते हैं। फिर भी, वह आश्वस्त है कि किसी दिन इन एल्गोरिदम के आधार पर काम करने की प्रक्रिया मस्तिष्क की मुख्य पहेली को समझाने में सक्षम होगी - संवेदी अंगों के डेटा को वास्तविकता के व्यक्तिपरक अर्थ में कैसे बदल दिया जाता है। चेतना, ओल्सहॉसन कहते हैं, "कुछ ऐसा है जो वास्तविकता से निकलता है, एक बहुत ही जटिल बोल्ट्ज़मन मशीन है।"