何らかの理由で、誰もがNPタスクに固執していました。 しかし、何らかの理由で、誰もクラスPの問題を解決するタスクをより速く設定することはありません（即座の回答まで）
そして、AIを構築する問題は、チューリングマシンの原理に基づいて構築されたコンピューターの根本的な（乗り越えられない）遅さにあると示唆しました。
この記事では、停止問題の例によって、アルゴリズムの解決不可能性の理論的な問題についても話しました。
人はシャットダウンの問題を解決しますが、エラーを伴います。エラーはプログラムの複雑さとともに増加します。 アルゴリズム的に不溶性の問題（質量問題など）を解決する人の能力は、非常に疑わしいものです。 個々の特定のケースの解決策を見つける彼の能力は、コンピューターの力の範囲内であるため、何も証明しません。
ここでは、特定のケースを見つけることに関する個人の作業の「アルゴリズム」は過小評価されているようです。 これはコンピューターの能力の範囲内ではなく、特定のケースを隔離できるデバイスがないためです。 もちろん、この記事のコメントでは、多くの人がこれらの特定のケースをすぐにエンコードしましたが、ポイントはそれを解決するときにコンピューターにこれをさせることです。 特定のケースを見つけることで、少なくとも根本的に計算の複雑さが軽減されるようです。 単純化して理想化すると、人は法律の策定に進み、それによって質的に異なるレベルに移行します。 そして、これはコンピューターからアクセスできません。
しかし、すべて順番に。
人はどのように問題を解決しますか？
人は、考えられるコンピューターで原理的に計算できるよりもはるかに高速に問題（構造的な問題ではなく、パラメトリックな問題（用語の明確化）ではない）を解決します。 しかし、何のために？ 仮説として：解の普遍性の喪失、すなわち プライベートな最終的な解決策の特定のセットに還元し、特定の解決策に反論するまで、解決された問題をまったく解決されたと考えることができるのは信仰だけです。
例：子供が数えることを学ぶ期間を見てみましょう。 彼はすでに100にカウントする方法を知っています。10に数値を加算/減算する方法を知っています。しかし、10を加算する例を解決することはできません。 たとえば、10 + 10 =または20 + 10 =を解決するように求められた場合。 これは重大な問題を引き起こします。 しかし同時に、彼は加算の原理を理解しており、すでに100に数えています。つまり、 子は10 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1を追加するだけです。 しかし、大人も子供もこれを解決策とは考えていません。 彼はすぐに10 + 10 = 20と応答しませんが、私たちは彼がこれを知らず、方法を知らず、追加する方法を理解しないと信じています。 つまり 多項式計算は、人が数える能力のために認識されません。 そのため、コンピューターはこれを行う方法を知りません。 また、10 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1を並列で計算しようとすることもできますが、並列化によって計算数が減ることはなく、時間が少ししか減らないことがわかります。 しかし、解決すべき主なことは、グローバルコンテキストの知識です（以下を参照）。 何が助けになりますか？ -計算における構造の導入。 理由はわかりませんが、歴史的には、数十（数十、数十、バイナリではなく）を考慮する方が便利であるという結論に達しました。 したがって、子供に数えることを教えるとき、10を足し、ゼロを捨てて、この形式につながる10 + 10 = 1 + 1 + "0" = 20を個別に教えます。 つまり ゼロを削除し、単位を加算して、ゼロを再度割り当てます。 これは、加算演算の構造的分解です。 この規則は普遍的なものとはほど遠いですが、特定の必要な場合に、この側面が構造化されていないコンピューターが潜在的に対応できるよりも速くカウントできるようにするのはまさにこの規則です。
構造適応の例
多項式問題の多項式計算の限界をどのように克服できるか。
詳細に入らないようにするために、Rosenblattパーセプトロンがミンスキーによって提起された「パリティ」問題を解決すると仮定します。 指の場合、問題はパーセプトロンが入力で偶数または奇数のユニットを決定するために並列に動作するという事実にもかかわらず、すべての入力に接続される少なくとも1つのノードが必要であるということです。 つまり グローバルコンテキストを知る必要があります。
そして、加算、乗算などのタスクに対する並列デバイスの価値がわかります。 それほど高くならない。 このような基本的な事柄の並列度は最小限です。
しかし、値が0（ポイントなし）または1（ポイントがある）の4つのポイントがあるとします。 次に、ポイントの数が偶数かどうかを答える必要がある16の組み合わせがあります。 少なくとも1つの組み合わせを削除すると、グローバルコンテキストの要件はオプションになります。
次に、R = 4で1つの刺激が失われたこのような決定は、アクションのロジックを示します。 ソリューションの普遍性を失いましょうが、他のすべてを解決し、加えて、どのようなインセンティブがミスを犯したかを知ることができます。
このアプローチは、特定のデバイスにつながります。 あるシステムGが網膜上のポイント数を教えてくれるとしましょう。 不変サイズを実装します。 次に、トレーニングセット（16の組み合わせ）をサイズに応じて4つの部分に分割できます。 そして、中間ニューロンの異なる「列」で個別にトレーニングを実施します。 それは何を与えますか？ これにより、必要なリンク数が4から2に大幅に削減されます。これが可能なのはなぜですか？ 各トレーニングサンプルには問題が「完全に」含まれていないため、「パリティ」の問題の解決策はまったく必要ないためです。
不変の「サイズ」を使用すると、問題がさらに悪化しました。 サイズの知識=ポイントの数の知識、およびこの知識を使用すると、この数が偶数かどうかを言うのはすでに簡単です。 しかし、既存の不変の「サイズ」がタスクを直接促進しないという問題を解決するとします。 それで何？ 救済は間接的に行われます。主なことは、サイズ不変を使用してタスクを部分に分割し、「パリティ」問題と同様に、トレーニングサンプルを分割することです。これにより、必要なソリューションの普遍性が低下します。 繰り返しますが、一般的な問題を解決するために必要な接続よりも1桁少ない接続で済みます。
液体パーセプトロンへの道
ここで、システムGを整理する必要があるかどうかを確認する必要があります。特定のケースでは、不変の「サイズ」を実装します。 ここで奇跡は起こらなかった？ もちろんそうではありません。グローバルなコンテキストの必要性に関する法律を克服することはできません。
システムGを、すべての入力に接続されている4つのしきい値要素として実装しますが、それらには異なるしきい値があるとします。 ポイントの数がゼロ、a2> 1、a3> 2、a4> 3より大きい場合、要素a1は信号を渡します。 繰り返しますが、ここでは全員とのすべての接続を使用し、接続の数を「使い果たしました」。 しかし、実際には、物理的構造適応なしの論理的構造適応はほとんど役に立たないということです。
しかし、システムGが結合の接続の原則を使用することを物理的に拒否し、それをより物理的に適切な「流体濃縮」システムに置き換えると、その効果はすでに観察されます（実用的）。 このような「流体濃縮」システムは、次のように想像できます。パーセプトロンが流体に浮いていると仮定します。 入力は、結合を介して電気信号を送信するだけでなく、液体に化学的に作用します。 液体には、一定レベルの「酸性度」の濃度があります。 中間ニューロンの酸性度に対する耐性レベルは異なります。 入力に表示される電気信号が多いほど、液体の濃度レベルが大きくなります。 そして、濃度レベルの増加に伴い、「酸性度」に対する耐性が低い特定のニューロングループが「切り刻まれ」始めます。 したがって、電気信号の影響下で、1つのタスクの特定の部分である特別に選択されたニューロングループのみがトレーニングされます。
神経生理学に精通している人々は、記述されたシステムが本質的に生物学的神経系の単純化されたプロトタイプであることを理解するだろう。 しかし、パーセプトロンの理論の初期に電気的相互作用に関するアイデアのみが使用されていた場合、化学相互作用も必要であることが明らかになりました。 電気的相互作用が「焦点」を実現する場合、化学物質は「グローバルコンテキスト」を提供します。