注意の指向された動き-意識の主な機能として
この記事では、強力な人工知能の世界的な問題については説明しませんが、その設計に対するアプローチの基礎の一部のみを示します。
おそらく、視覚オブジェクトを探索することで視覚がどのように機能するかについて最も有名なイラストの1つを検討してください。
視覚的注意はモバイルであることがわかります。
しかし、注意の動き自体がそれを理解する鍵であるとしたらどうでしょうか？
私たちは、意識が注意の動きを導くと仮定し、意識的視覚のアルゴリズムの次のイメージを想像しました
このようなアルゴリズムはどのように機能しますか？
重要な概念
アルゴリズムの2つの概念、機能と一般化の定義を紹介しました。
看板とは何ですか、猫を持つ女性の上記の画像を説明する最も簡単な方法です。
画像の一部の領域を取り、その領域のサイズ（円の場合は直径になります）、平均色、明るさ、コントラスト、フラクタル次元などの積分特性を計算してみましょう。
ここで、特定の方向および特定の距離で、画像の異なる領域を選択し、その積分特性を計算します。
次に、絶対値を取り除き、画像のスケール、回転、シフト、一般照明、または調性の変化に依存しないように、最初の領域から2番目の領域への遷移の相対的な変化を計算します。 従来のアフィン変換は、イメージプレーンの遠近法の変更を取り除くのにも役立ちます。
このような遷移をサインと呼びます。
さらに、このような記号をチェーンにリンクすることにより、記号の一般化を取得します。
これはいくぶん無料ですが、提案されたアプローチの重要な概念の定義です。
写真が生き生きとしたい！
良いですが、今のところ注意を向ける動きはありません。 このような遷移のチェーンをランダムに形成すると、データベースが膨大になり、有用なものとその中のゴミを区別することは絶対に不可能になります。
したがって、さらにいくつかの概念を定義します。
重要な概念は経験です。 有意性（確認の頻度）でランク付けされた一般化の全体。
さらに、現在の焦点の近くで毎回、一般化の実際のコンテキストを決定します-すでに確認されており、まだ反論されていないものです。
この一般化の現在のコンテキストは、ストリーム内で最も予想される機能の確率によってもランク付けされます。
アルゴリズムの中心的な要素は、現在予想される属性であり、確認できます。 現在のエリア（注目の焦点）から予想されるトランジションによって指定されたエリアへの推移は、システムに特定のエリアの特性を計算し、それらを予想される特性と比較するよう指示します。
サインが確認されると、現在のコンテキストから次の予想サインを取得します。
症状が確認されない場合は、新しい一般化を形成し、確認されていない実際の一般化から削除します。
コンテキストが空であるか完全に検証されており、予想される新しい兆候がない場合はどうなりますか？
この状況での自然な意識は、すでに知られているが、まだほとんど研究されていないものの周辺を探求していると仮定します。 つまり、現在のコンテキストで定期的に表示されるものに注意が切り替わりますが、一般化のレベルは低くなります（つまり、一般化のチェーンは非常に短いです）
さて、私たちはここにいますか？
提案されたアプローチの実際的な有用性について結論を出すのは非常に早いです。 研究はまだ始まったばかりです。
最初の実験では、特別な最適化を行わずにC＃で1つのコアの1つのスレッドに「額」アルゴリズムを実装すると、毎秒約5万回の一般化が生成され、1％未満では少なくとも1回以上の一般化が繰り返されることが示されました一度約0.2％
非常に多くの計算が「念のため」に実行され、データベースのかなりの量が、2つの遷移（符号）の最短チェーンの未確認の一般化によってまだ占有されています。
近い将来、トレーニングサンプルでのシステムの動作（AIの注意移動）のアトラクタの形成、パラメータの研究、結果の公開。