Napisane przez Zespół Qubic Scientific
Jak działa neuron w czasie?
Neurony biologiczne nie działają jak włącznik światła w sypialni. Są ciągłym dynamicznym systemem. Stan neuronalny ewoluuje nieustannie, nawet w braku bodźców zewnętrznych.
Jak działa neuron w czasie?
Zasadniczo, poprzez ruch ładunków elektrycznych (jonów) do lub z jego błony, to znaczy, poprzez zmianę jego potencjału elektrycznego. Jony wchodzą lub wychodzą (głównie sód i potas) przez różne bramy neuronu z określoną intensywnością, modyfikując potencjał. Istnieją pewne bramy, zwane bramami wyciekowymi, gdzie jony zawsze wchodzą i wychodzą.
Czas jest impliczny. Potencjał elektryczny zmienia się nieustannie w czasie.
Zmiana potencjału elektrycznego neuronu w czasie zależy od:
Zewnętrzny prąd zastosowany + równowaga między przepływami jonów sodowych (które go zwiększają) i jonów potasowych (które go zmniejszają) przez bramki, które się otwierają i zamykają.
Nie panikuj z wykresem. Dodatnie i ujemne ładunki elektryczne (jony) przepływają przez bramki powodując depolaryzację (więc prąd przemieszcza się do końca neuronu) lub hiperpolaryzację (więc wraca do stanu neutralnego).
Potencjał (V) zmienia się w czasie, to znaczy matematycznie, dV/dt, jako funkcja sumy bramek wejściowych i wyjściowych.
To jest fundamentalny model neuronauki obliczeniowej, który wyraża, że stan neuronu zależy zarówno od bieżących sygnałów, jak i od jego najbliższej historii. Nie ma „resetu” między zdarzeniami, ponieważ każdy bodziec pada na system, który zawsze działa.
Teraz przejdźmy do Neuraxon, który jest modelem inspirowanym biologicznie.
Chcemy, aby było żywe, inteligentne tkanki. Nie może mieć dyskretnych stanów, ale ciągłe.
W Neuraxon, zamiast bramek jonowych, które otwierają się i zamykają i przesuwają ładunki z określoną intensywnością, zmieniając napięcie, mamy dynamiczne wagi synaptyczne. Ale równanie modelu zachowuje wyraźne i bezpośrednie podobieństwo do neuronu biologicznego.
Co to oznacza?
Zamiast V, napięcie w neuronie biologicznym, stan Neuraxon, to s. I również zmienia się w czasie, dlatego ds/dt jest funkcją wag i aktywacji oraz poprzedniego stanu.
W przeciwieństwie do klasycznego modelu AI, gdzie wagi synaptyczne sieci reprezentują stereotypowe odpowiedzi na wejście, w Neuraxon wagi nie są statyczne.
Wyobraź sobie, na przykład, mechanizm automatycznej odpowiedzi „inbox” e-mail.
W klasycznej AI zasada nie dostosowuje się ani nie zmienia w czasie lub kontekście.
W Neuraxon uwzględnia się, czy „wejście e-mail” pochodzi od tej samej osoby (co może wskazywać na pilność), czy też przychodzi w weekend (co może generować odpowiedź bez odpowiedzi). Innymi słowy, zasada pozostaje, ale kiedy i jak odpowiedź jest udzielana, jest modulowane.
Czy LLM obliczają czas?
Modele językowe wydają się pokazywać głębokie zrozumienie w wielu kontekstach, ale działają na innej logice niż systemy biologiczne (Vaswany, 2017). Nie funkcjonują na podstawie wewnętrznej dynamiki czasowej, na „zmianie potencjału” ani na „wagach synaptycznych”, które modulują odpowiedź, lecz przetwarzają dyskretne sekwencje.
W LLM „czas” nie istnieje, co utrudnia im symulację zachowań biologicznych (takich jak inteligencja). LLM potrafią odróżnić, które słowo pojawia się przed, a które po, ale nie przyznają doświadczenia trwania ani ciągłości. Porządek zastępuje czas.
W przeciwieństwie do Neuraxon, nie mają wewnętrznych rytmów, które przyspieszają lub spowalniają, ani nie wykazują postępującej habituacji na powtarzające się bodźce, ani nie mogą dynamicznie przewidywać na podstawie wewnętrznego stanu, który zmienia się w czasie.
Obliczenia modelu LLM byłyby czymś takim jak:
wyjście = Fθ(wejście)
więc wyniki są ustalonymi rozwiązaniami z funkcji (kombinacji) wejść.
Nie ma stanu jako funkcji czasu. To są dane, które tworzą ogromne macierze i zmieniają swoją wartość przez określoną funkcję, która, jak w podanym przykładzie, ogranicza możliwości: wejście e-mail → automatyczna odpowiedź.
Podsumowując. Odległość między modelami inspirowanymi biologicznie, takimi jak Neuraxon, a dużymi modelami językowymi nie powinna być wyjaśniana w kategoriach mocy obliczeniowej lub objętości danych. Jest głębsza różnica.
Mózg jest sam w sobie ciągłym systemem czasowym. Jego funkcjonowanie definiuje dynamika, która rozwija się w czasie, przez stany, które ewoluują, rozpadają się i reorganizują na stałe, nawet w braku zewnętrznych bodźców (Deco et al., 2009; Northoff, 2018).
Neuraxon celowo umiejscawia się w tej samej logice. Nie stara się naśladować 1 do 1 biophysical złożoności mózgu, ale wyraźnie wprowadza czas jako zmienną obliczeniową. Jego wewnętrzny stan ewoluuje ciągle, niesie przeszłość i moduluje teraźniejszość, umożliwiając adaptację bez potrzeby resetu.
LLM, w przeciwieństwie do tego, działają bardzo inaczej. Manipulują symbolami uporządkowanymi w dyskretnych sekwencjach bez własnej dynamiki czasowej. Nie ma czasu, tylko porządek. Nie ma adaptacji, tylko zdefiniowane z góry odpowiedzi.
Tak długo, jak czas nie stanowi części stanu rządzącego obliczeniami, LLM mogą być skuteczne, ale z pewnością nie będą autonomiczne w silnym sensie.
Przyszła sztuczna inteligencja ma na celu funkcjonowanie w dynamicznych środowiskach. Dlatego Neuraxon uwzględnia czas jako fundamentalną zmienną.
Żywa inteligencja tkankowa…
Jak to się odnosi do Qubic?
Qubic zapewnia ciągłe, stateful środowisko obliczeniowe wymagane dla inteligencji świadomej czasu.
Jest to naturalny substrat, na którym mogą istnieć i ewoluować modele takie jak Neuraxon - adaptacyjne, trwałe i nigdy nie „resetujące”.
Dodatki
Zobacz równania. Nie panikuj!
1 Neuron biologiczny, V potencjał, „suma przepływu bramek w & na zewnątrz”
2 Równanie modelu Neuraxon - wyraźne i bezpośrednie podobieństwo do neuronu biologicznego.
s stan, wi & f(si) dynamiczne wagi synaptyczne
3 Równanie modelu LLM. Wejścia (uporządkowane w macierzy) tworzą wyjścia macierzowe przez ustaloną funkcję
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Odwołania
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., & Friston, K. J. (2009). dynamiczny mózg. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). spontaniczny mózg. MIT Press.
Vaswani, A., i in. (2017). Uwaga to wszystko, czego potrzebujesz. NeurIPS.
Vivancos, D., & Sanchez, J. (2025). Neuraxon: Nowy plan wzrostu neuronów & obliczeń. Qubic Science.
rint. Qubic Science.