--- title: "ذهن‌ها، مغزها و جهان‌های مصنوعی · شبیه‌سازی‌ها · فرضیهٔ شبیه‌سازی" url: https://simulation-hypothesis.com/fa/simulations/minds-computation description: "نورون‌ها، مغزها، زندگی مصنوعی و جهان‌های شبیه‌سازی‌شده‌ای که ماشین‌ها در آن‌ها یاد می‌گیرند. بخشی از یک طبقه‌بندی از شبیه‌سازی‌هایی که مردم واقعاً اجرا می‌کنند." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl، فرضیهٔ شبیه‌سازی (simulation-hypothesis.com)" --- [شبیه‌سازی‌ها](https://simulation-hypothesis.com/fa/simulations)حوزهٔ 11 از 18 # ذهن‌ها، مغزها و جهان‌های مصنوعی نورون‌ها، مغزها، زندگی مصنوعی و جهان‌های شبیه‌سازی‌شده‌ای که ماشین‌ها در آن‌ها یاد می‌گیرند. شبیه‌سازی مغزها، و جهان‌هایی که برای زندگی و یادگیری عامل‌های مصنوعی ساخته شده‌اند. به یک معنای محدود، فرضیهٔ شبیه‌سازی اینجا از پیش واقعی است: ما جهان‌های شبیه‌سازی‌شده‌ای ساخته‌ایم که عامل‌های یادگیرنده درونشان‌اند. ## مغزها ### مدل‌های دقیق نورون یک نورون منفرد به‌صورت کابل الکتریکی شاخه‌شاخه با کانال‌های یونی، به شیوهٔ هاجکین و هاکسلی. پرسشی که پاسخ می‌دهد: شکل این نورون چگونه آنچه را محاسبه می‌کند تغییر می‌دهد؟ کنار می‌گذارد: شیمی ظریف یک نورون هنوز به مشتی جریان ساده شده است. اجرا می‌شود روی: حدود 10^12 FLOPS تقریبی یک لپ‌تاپ، بی‌درنگ برای یک نورون از: 1952 هاکسلی معادلات هاجکین-هاکسلی را با دست روی یک ماشین‌حساب مکانیکی انتگرال گرفت، حدود سه هفته برای هر پتانسیل عمل؛ رایانه‌ها بعدها جایش را گرفتند [منبع](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) در درخت شبیه‌سازی‌ها: [Hodgkin–Huxley با دست](https://simulation-hypothesis.com/fa/trees/simulations?n=min-hh) [معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: سلول‌ها ### مدارهای مغزی در مقیاس بزرگ میلیون‌ها نورون ضربه‌ای که در مداری شبیه یک تکه از قشر مغز سیم‌کشی شده‌اند. پرسشی که پاسخ می‌دهد: آیا می‌توانیم ریتم‌ها و پاسخ‌های مغز را فقط از سیم‌کشی بازتولید کنیم؟ کنار می‌گذارد: سیم‌کشی اغلب آماری است، نه اتصال‌های واقعاً اندازه‌گیری‌شدهٔ جانور. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی یک خوشهٔ دانشگاهی، چند ساعت برای یک تکه از قشر مغز از: 2006 تا 2006، نخستین شبیه‌سازی‌های بزرگ‌مقیاس یک ستون قشری در درخت شبیه‌سازی‌ها: [ریزمدار نئوکورتکس](https://simulation-hypothesis.com/fa/trees/simulations?n=min-markram) [معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)[مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)کف: سلول‌ها ### مدل‌های شبکهٔ کل مغز نواحی مغز به‌صورت گره‌هایی که با سیم‌کشی اندازه‌گیری‌شده به هم وصل‌اند و به اسکن‌ها برازش شده‌اند. پرسشی که پاسخ می‌دهد: آسیب در یک ناحیه چگونه فعالیت را در سراسر مغز عوض می‌کند؟ کنار می‌گذارد: منطقه‌ها به‌صورت نقطهٔ واحد در نظر گرفته می‌شوند و همهٔ جزئیات درونشان از دست می‌رود. اجرا می‌شود روی: حدود 10^14 FLOPS تقریبی یک خوشهٔ دانشگاهی، چند دقیقه برای هر سناریوی شبیه‌سازی‌شده از: 2008 تا 2008، نخستین مدل‌های شبکه‌ای کل مغز که به سیم‌کشی MRI پخشی برازش شدند مدل‌ها: [انسان](https://simulation-hypothesis.com/fa/entities/human) [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: جمعیت‌ها ### جانداران کوچک شبیه‌سازی‌شده دستگاه عصبی کامل جانوری ریز، مثل 302 نورون یک کرم گرد، که به بدنی شبیه‌سازی‌شده در ظرفی مجازی متصل است. پرسشی که پاسخ می‌دهد: آیا نمودار سیم‌کشی برای تولید رفتار کافی است؟ کنار می‌گذارد: نمودار سیم‌کشی به‌تنهایی هنوز رفتار جانور را کاملاً توضیح نمی‌دهد. اجرا می‌شود روی: حدود 10^12 FLOPS تقریبی یک لپ‌تاپ، بی‌درنگ برای کل دستگاه عصبی از: 1997 تا 1997، نخستین شبیه‌سازی‌ها بر پایهٔ نقشهٔ کانکتوم 1986 کرم گرد در درخت شبیه‌سازی‌ها: [OpenWorm](https://simulation-hypothesis.com/fa/trees/simulations?n=min-openworm) [معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)کف: سلول‌ها ### شبیه‌سازی سخت‌افزار نورومورفیک تراشه‌هایی که با مدارهایی ساخته شده‌اند که مستقیم در سخت‌افزار مثل نورون و سیناپس رفتار می‌کنند، به‌جای اینکه معادلات را گام‌به‌گام در نرم‌افزار محاسبه کنند. پرسشی که پاسخ می‌دهد: آیا سخت‌افزار نورومورفیک می‌تواند همان چیزهایی را محاسبه کند که مغز می‌کند، با توانی بسیار کمتر؟ کنار می‌گذارد: نورون‌های واقعی شیمی بسیار غنی‌تری از مداری دارند که برای تقلید ضربه‌هایشان ساخته شده است. اجرا می‌شود روی: حدود 10^13 FLOPS تقریبی یک تراشهٔ پژوهشی نورومورفیک، بی‌درنگ از: 1989 مدارهای نخستین نورون و شبکیهٔ سیلیکونی از کارور مید [بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: سلول‌ها ### بیماری مغز و گسترش تشنج فعالیت الکتریکی غیرعادی یا پروتئین‌های نادرست‌تاخورده که در یک شبکهٔ مغزی شبیه‌سازی‌شده پخش می‌شوند، مثل صرع یا زوال عقل. پرسشی که پاسخ می‌دهد: تشنج از کجا شروع می‌شود، و تا کجا پخش می‌شود؟ کنار می‌گذارد: مسیر بیماری هر مغز واقعی متفاوت است؛ مدل الگو را نشان می‌دهد، نه پیش‌بینی برای یک بیمار. اجرا می‌شود روی: حدود 10^13 FLOPS تقریبی خوشهٔ یک بیمارستان یا دانشگاه، چند دقیقه برای هر مدل بیمار از: 1997 تا 1997، نخستین مدل‌های شبکه‌ای گسترش تشنج در مغز [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: جمعیت‌ها ### مدل‌های کل مغز مقیدشده با کانکتوم شبیه‌سازی عصبی از سیم‌کشی کامل و اندازه‌گیری‌شدهٔ مغز یک حشره با مدل‌های سادهٔ نورون استفاده می‌کند تا پیش‌بینی کند محرک‌ها چگونه رفتار پدید می‌آورند. پرسشی که پاسخ می‌دهد: آیا سیم‌کشی به‌تنهایی پیش‌بینی می‌کند مغز چگونه حواس را به کنش تبدیل می‌کند؟ کنار می‌گذارد: قدرت سیناپس‌ها و پویایی نورون از قواعد ساده فرض شده‌اند. اجرا می‌شود روی: حدود 10^12 FLOPS تقریبی شبکهٔ ضربه‌ای حدود 130,000 نورون از: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [منبع](https://doi.org/10.1038/s41586-024-07763-9) [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: سلول‌ها ### مدل‌های جرم و میدان عصبی جمعیتی از نورون‌ها که به یک یا دو متغیر فعالیت میانگین فروکاسته شده و ریتم‌ها و موج‌های کل نواحی را می‌دهد. پرسشی که پاسخ می‌دهد: برانگیختگی و مهار میان جمعیت‌ها چه ریتم‌های جمعی می‌توانند بسازند؟ کنار می‌گذارد: نورون‌های منفرد در یک میانگین ناپدید می‌شوند. اجرا می‌شود روی: حدود 10^9 FLOPS تقریبی یک لپ‌تاپ، چند ثانیه از: 1972 تا 1972، Wilson and Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [منبع](https://doi.org/10.1016/s0006-3495%2872%2986068-5) [معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)[میدان‌های پیوسته](https://simulation-hypothesis.com/fa/simulations/methods#m-continuum)کف: سلول‌ها ### مدل‌های مغز ضربه‌ای کارکردی شبکه‌ای از نورون‌های مدل‌شدهٔ ضربه‌ای که برای انجام تکالیف شناختی مثل یادآوری، شمارش و کپی کردن یک رقم کشیده‌شده ساخته شده است. پرسشی که پاسخ می‌دهد: آیا مدلی از نورون‌ها می‌تواند کارهایی را انجام دهد که مغز انجام می‌دهد؟ کنار می‌گذارد: مجموعهٔ وظایفش کوچک است و سیم‌کشی طراحی شده، نه اندازه‌گیری. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی یک خوشهٔ دانشگاهی، چند ساعت از: 2012 تا 2012، Eliasmith و دیگران، A large-scale model of the functioning brain (Spaun) [منبع](https://doi.org/10.1126/science.1225266) [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: سلول‌ها ### شبکه‌های حافظهٔ جاذب شبکه‌ای از واحدهای ساده که اتصال‌هایشان الگوها را به‌صورت حالت‌های پایدار ذخیره می‌کند، تا یک نشانهٔ ناقص به حافظهٔ کامل بنشیند. پرسشی که پاسخ می‌دهد: یک شبکه چگونه می‌تواند یک خاطرهٔ کامل را از یک تکه به یاد آورد؟ کنار می‌گذارد: ظرفیت کوچک است و نورون‌های واقعی بسیار پیچیده‌ترند. اجرا می‌شود روی: حدود 10^8 FLOPS تقریبی یک لپ‌تاپ، چند ثانیه از: 1982 تا 1982، Hopfield, Neural networks and physical systems with emergent collective computational abilities [منبع](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork) [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: سلول‌ها ### مدل‌های مغز حشره بر پایهٔ کانکتوم مغز کامل یک مگس از روی نمودار سیم‌کشی اندازه‌گیری‌شده‌اش شبیه‌سازی می‌شود، با هر نورون و سیناپس برگرفته از بازسازی. پرسشی که پاسخ می‌دهد: وقتی هر اتصال دانسته شود، چه رفتارهایی فقط از سیم‌کشی برمی‌آیند؟ کنار می‌گذارد: قدرت سیناپس‌ها و شیمی نورون استنباط شده‌اند، نه اندازه‌گیری. اجرا می‌شود روی: حدود 10^14 FLOPS تقریبی یک ایستگاه کاری، چند دقیقه برای هر ثانیهٔ شبیه‌سازی‌شده از: 2024 تا 2024، Dorkenwald و دیگران، نمودار سیم‌کشی مغز مگس بزرگسال، و Shiu و دیگران، مدلی محاسباتی که روی آن ساخته شد [منبع](https://doi.org/10.1038/s41586-024-07763-9) [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: سلول‌ها ## زندگی مصنوعی و پیچیدگی ### خودکارهای سلولی شبکه‌هایی از سلول‌ها که از قواعد ساده پیروی می‌کنند، مثل «بازی زندگی» جان کانوی، و لغزنده، مولد و حتی رایانه‌های کارا پدید می‌آورند. پرسشی که پاسخ می‌دهد: از یک قاعدهٔ چقدر ساده، چقدر پیچیدگی می‌تواند رشد کند؟ کنار می‌گذارد: قواعد ساده به‌ندرت روشن بر سامانه‌های فیزیکی یا زیستی واقعی منطبق می‌شوند. اجرا می‌شود روی: حدود 10^12 FLOPS تقریبی یک لپ‌تاپ، شبکه‌های عظیم در چند ثانیه از: 1970 بازی زندگی جان کانوی در درخت شبیه‌سازی‌ها: [Life، بازی‌شده با دست](https://simulation-hypothesis.com/fa/trees/simulations?n=life-life) [مدل تعاملی را اجرا کنید](https://simulation-hypothesis.com/fa/simulations/run#toy-life) [خودکارهای سلولی](https://simulation-hypothesis.com/fa/simulations/methods#m-cellular-automata)کف: قاعده‌ها ### تکامل دیجیتال برنامه‌های رایانه‌ای خودتکثیر که جهش می‌کنند و برای زمان پردازنده در یک ماشین شبیه‌سازی‌شده رقابت می‌کنند. پرسشی که پاسخ می‌دهد: آیا تکامل می‌تواند ویژگی‌های پیچیده‌ای بسازد که گام‌به‌گام تماشایشان کنیم؟ کنار می‌گذارد: برنامه‌ها در یک جهان رایانه‌ای مصنوعی تکامل می‌یابند، نه در زیست‌شیمی واقعی. اجرا می‌شود روی: حدود 10^12 FLOPS تقریبی یک رایانهٔ رومیزی، میلیون‌ها نسل در یک شب از: 1953 آزمایش‌های تکامل عددی باریچلی روی رایانهٔ مؤسسهٔ مطالعات پیشرفته [منبع](https://www.ias.edu/ideas/2012/george-dyson-ecp) [تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)کف: قاعده‌ها ### موجودات مجازی تکامل‌یافته بدن‌ها و مغزهایی که با هم در شبیه‌سازی فیزیکی تکامل یافته‌اند و شنا، راه رفتن یا پریدن را یاد می‌گیرند. پرسشی که پاسخ می‌دهد: وقتی هدایتش نمی‌کنیم، تکامل چه بدن‌ها و رفتارهایی ابداع می‌کند؟ کنار می‌گذارد: گام‌های تکامل‌یافته اغلب با گام‌های زیستی بسیار متفاوت به نظر می‌رسند، چون فیزیک شبیه‌سازی‌شده به‌طور ظریف با دنیای واقعی فرق دارد. اجرا می‌شود روی: حدود 10^13 FLOPS تقریبی یک رایانهٔ رومیزی یا خوشهٔ کوچک، چند ساعت برای تکامل یک جمعیت از: 1994 کارل سیمز جانداران تکامل‌یافته‌ای ساخت که در یک شبیه‌سازی فیزیکی شنا و راه می‌روند [تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)کف: بدن‌ها ### بحرانیت خودسازمان‌یافته دانه‌ها یکی‌یکی به یک تپهٔ شن اضافه می‌شوند تا بهمن‌هایی در هر اندازه پدید آید. پرسشی که پاسخ می‌دهد: چرا زمین‌لرزه، آتش‌سوزی و انقراض از یک آمار پیروی می‌کنند؟ کنار می‌گذارد: زمین‌لرزه‌ها و آتش‌های واقعی فیزیک خاصی دارند که تپهٔ شن فقط کاریکاتورش را می‌کشد. اجرا می‌شود روی: حدود 10^11 FLOPS تقریبی یک لپ‌تاپ، چند ثانیه برای یک تپهٔ شنی بزرگ از: 1987 مدل تودهٔ شن از باک، تانگ و ویزنفلد [مدل تعاملی را اجرا کنید](https://simulation-hypothesis.com/fa/simulations/run#toy-sandpile) [خودکارهای سلولی](https://simulation-hypothesis.com/fa/simulations/methods#m-cellular-automata)کف: بدن‌ها ### الگوریتم‌های هوش ازدحامی عامل‌های مجازی ساده که ردّ می‌گذارند یا همسایگانشان را کپی می‌کنند، که از مورچه‌ها و پرندگان وام گرفته شده تا مسائل انتزاعی مثل مسیریابی و زمان‌بندی را حل کنند. پرسشی که پاسخ می‌دهد: آیا کپی‌برداری و دنبال کردن رد ساده می‌تواند مسئلهٔ بهینه‌سازی دشواری را حل کند؟ کنار می‌گذارد: روی مسئله‌های خوش‌تعریفی که با آن‌ها آزموده شده خوب کار می‌کند. مسئله‌های واقعی و نامنظم تنظیم بیشتر می‌خواهند. اجرا می‌شود روی: حدود 10^11 FLOPS تقریبی یک لپ‌تاپ، چند ثانیه تا چند دقیقه برای هر اجرا از: 1992 الگوریتم بهینه‌سازی کلونی مورچگان مارکو دوریگو [مدل تعاملی را اجرا کنید](https://simulation-hypothesis.com/fa/simulations/run#toy-flock) [عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)[تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)کف: قاعده‌ها ### شبکه‌های بولی تصادفی کلیدهایی که تصادفی به هم سیم‌کشی شده‌اند و هرکدام بر پایهٔ چند کلید دیگر روشن یا خاموش می‌شود، برای بررسی اینکه کل شبکه کی آرام می‌گیرد یا تا ابد می‌جوشد. پرسشی که پاسخ می‌دهد: برای آنکه شبکه‌ای از کلیدها آشوبناک شود چقدر سیم‌کشی لازم است؟ کنار می‌گذارد: سیم‌کشی تصادفی جایگزینی خام برای سیم‌کشی با دقت تکامل‌یافتهٔ یک سلول یا مغز واقعی است. اجرا می‌شود روی: حدود 10^11 FLOPS تقریبی یک لپ‌تاپ، چند ثانیه برای هر شبکه از: 1969 شبکه‌های تصادفی کلیدهای ژنتیکی از Stuart Kauffman [مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[خودکارهای سلولی](https://simulation-hypothesis.com/fa/simulations/methods#m-cellular-automata)کف: قاعده‌ها ### خودکارهای سلولی پیوسته خودکارهای سلولی که حالت سلول، فضا و زمانشان پیوسته است و موجوداتی هموار و خودسازمان‌ده پدید می‌آورند. پرسشی که پاسخ می‌دهد: در یک خودکار سلولی پیوسته چه الگوهای زندگی‌مانندی پدید می‌آیند؟ کنار می‌گذارد: قواعد مصنوعی‌اند و شیمی واقعی را مدل نمی‌کنند. اجرا می‌شود روی: حدود 10^11 FLOPS تقریبی به‌روزرسانی شبکه با GPU از: 2018 Lenia: biology of artificial life (2018) [منبع](https://arxiv.org/abs/1812.05433) [خودکارهای سلولی](https://simulation-hypothesis.com/fa/simulations/methods#m-cellular-automata)کف: قاعده‌ها ### خودکارهای سلولی عصبی هر سلول شبکه‌ای عصبی کوچک دارد که قاعدهٔ محلی را می‌آموزد تا شبکه الگویی هدف را رشد دهد و ترمیم کند. پرسشی که پاسخ می‌دهد: آیا یک قاعدهٔ آموختهٔ محلی می‌تواند الگویی سراسری را رشد دهد و خودترمیم کند؟ کنار می‌گذارد: الگوهای هدف کوچک‌اند و قواعد آموزش داده می‌شوند، نه کشف. اجرا می‌شود روی: حدود 10^11 FLOPS تقریبی آموزش دیفرانسیل‌پذیر کوچک از: 2020 Growing Neural Cellular Automata (2020) [منبع](https://distill.pub/2020/growing-ca/) [خودکارهای سلولی](https://simulation-hypothesis.com/fa/simulations/methods#m-cellular-automata)[تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### سوپ‌های برنامهٔ خودتکثیر حوضچه‌ای از برنامه‌های تصادفی که به‌طور اتفاقی برهم‌کنش می‌کنند تا برنامه‌های خودتکثیرکننده از آن میان برآیند. پرسشی که پاسخ می‌دهد: آیا همانندسازها می‌توانند بدون طراحی پدیدار شوند؟ کنار می‌گذارد: انتخاب زبان نتیجه را تعیین می‌کند و بسیار با شیمی فاصله دارد. اجرا می‌شود روی: حدود 10^10 FLOPS تقریبی میلیون‌ها برهم‌کنش ریز برنامه‌ها از: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [منبع](https://arxiv.org/abs/2406.19108) [تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)[فرایندهای تصادفی](https://simulation-hypothesis.com/fa/simulations/methods#m-stochastic)کف: قاعده‌ها ### شیمی مصنوعی حوضچه‌ای از مولکول‌های انتزاعی که با قواعد واکنش می‌دهند، تا ساختارهای خودنگه‌دار بدون هیچ شیمی واقعی پدیدار شوند. پرسشی که پاسخ می‌دهد: آیا سازمان شیمیایی خودپایدار می‌تواند از قواعد سادهٔ واکنش پدید آید؟ کنار می‌گذارد: مولکول‌ها نمادند؛ انرژی پیوند و هندسهٔ واقعی در کار نیست. اجرا می‌شود روی: حدود 10^9 FLOPS تقریبی یک لپ‌تاپ، چند ساعت از: 1991 تا 1991، AlChemy فونتانا، که در دومین کنفرانس زندگی مصنوعی ارائه شد [منبع](https://en.wikipedia.org/wiki/Artificial%5Fchemistry) [قاعده‌ها و حالت‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-rules)[فرایندهای تصادفی](https://simulation-hypothesis.com/fa/simulations/methods#m-stochastic)[عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)کف: مولکول‌ها ### رباتیک تکاملی کنترل‌گرها یا بدن‌های ربات‌های شبیه‌سازی‌شده در نسل‌های بسیار با گزینش برای عملکرد در تکلیف تکامل می‌یابند. پرسشی که پاسخ می‌دهد: آیا می‌توان مغز و بدن ربات را پرورش داد، نه طراحی کرد؟ کنار می‌گذارد: کنترل‌گرهایی که در شبیه‌سازی تکامل یافته‌اند اغلب روی سخت‌افزار واقعی شکست می‌خورند. اجرا می‌شود روی: حدود 10^14 FLOPS تقریبی یک خوشهٔ دانشگاهی، چند روز از: 1993 تا 1993، Cliff, Husbands and Harvey, Evolving visually guided robots [منبع](https://doi.org/10.7551/mitpress/3116.003.0051) [تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[معادله‌های دیفرانسیل](https://simulation-hypothesis.com/fa/simulations/methods#m-equations)کف: بدن‌ها ### زندگی مصنوعی پیوسته خودکاری سلولی با حالت، فضا و زمان پیوسته که الگوهای متحرک و خودسازمان‌ده شبیه به زندگی پدید می‌آورد. پرسشی که پاسخ می‌دهد: وقتی قواعد هموارند، نه گسسته، چه شکل‌های زندگی‌مانندی پدید می‌آیند؟ کنار می‌گذارد: الگوها شبیه موجودات زنده‌اند اما از هیچ زیست‌شناسی واقعی پیروی نمی‌کنند. اجرا می‌شود روی: حدود 10^11 FLOPS تقریبی یک رایانهٔ شخصی بازی، بی‌درنگ از: 2018 تا 2018، Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [منبع](https://arxiv.org/abs/1812.05433) [خودکارهای سلولی](https://simulation-hypothesis.com/fa/simulations/methods#m-cellular-automata)[میدان‌های پیوسته](https://simulation-hypothesis.com/fa/simulations/methods#m-continuum)کف: قاعده‌ها ### مدل‌های ایمنی مصنوعی جمعیت‌هایی از عامل‌های برهم‌کنشگر شبیه آنتی‌بادی که با انتخاب و اثرهای شبکه یاد می‌گیرند الگوها را بشناسند. پرسشی که پاسخ می‌دهد: یک سامانهٔ تشخیص چگونه تنها با برهم‌کنش‌های محلی خود را وفق می‌دهد؟ کنار می‌گذارد: ایده‌هایی از ایمنی‌شناسی را برای محاسبات وام می‌گیرد، نه مدلی واسنجی‌شده از یک پاسخ ایمنی واقعی. اجرا می‌شود روی: حدود 10^8 FLOPS تقریبی یک لپ‌تاپ، چند ساعت از: 1986 تا 1986، Farmer, Packard and Perelson, The immune system, adaptation, and machine learning [منبع](https://doi.org/10.1016/0167-2789%2886%2990240-x) [عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)[مدل‌های شبکه‌ای](https://simulation-hypothesis.com/fa/simulations/methods#m-network)[تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)کف: سلول‌ها ### نبردهای Core War برنامه‌هایی که به یک زبان اسمبلی بسیار کوچک نوشته شده‌اند برای کنترل یک حافظهٔ شبیه‌سازی‌شدهٔ مشترک می‌جنگند و یکدیگر را بازنویسی می‌کنند. پرسشی که پاسخ می‌دهد: وقتی همهٔ حافظه میدان نبرد است، کدام برنامهٔ خودتکثیرشونده زنده می‌ماند؟ کنار می‌گذارد: ماشین یک مجموعه‌دستور ساختگی است، پس درس‌ها به بدافزار واقعی منتقل نمی‌شوند. اجرا می‌شود روی: حدود 10^7 FLOPS تقریبی یک لپ‌تاپ، چند ثانیه برای هر نبرد از: 1984 تا 1984، Core War از جونز و دیوانی، در Scientific American [منبع](https://en.wikipedia.org/wiki/Core%5FWar) [قاعده‌ها و حالت‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-rules)[رویداد گسسته](https://simulation-hypothesis.com/fa/simulations/methods#m-discrete-event)[تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)کف: قاعده‌ها ## جهان‌هایی برای ذهن‌های مصنوعی ### محیط‌های یادگیری تقویتی جهان‌های شبیه‌سازی‌شده‌ای که یک عامل مصنوعی در آن‌ها عمل می‌کند، پاداش می‌گیرد و در میلیون‌ها تلاش بهتر می‌شود. پرسشی که پاسخ می‌دهد: آیا عامل می‌تواند این مهارت را فقط با آزمون و خطا بیاموزد؟ کنار می‌گذارد: مهارت‌هایی که در جهانی ساده‌شده آموخته می‌شوند همیشه به پیچیدگی واقعیت منتقل نمی‌شوند. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی خوشه‌ای از GPUها، چند روز تجربهٔ شبیه‌سازی‌شده از: 1992 تا 1992، TD-Gammon راهبرد تخته‌نرد را با بازی با خودش یاد گرفت [بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: بدن‌ها ### جامعه‌های هوش مصنوعی چندعاملی عامل‌های هوش مصنوعی بسیار که یک جهان را شریک‌اند، با هدف‌ها، حافظه‌ها و گفت‌وگوهای خودشان. پرسشی که پاسخ می‌دهد: وقتی عامل‌های مصنوعی بسیار با هم زندگی می‌کنند چه رفتار اجتماعی پدید می‌آید؟ کنار می‌گذارد: رفتارهایی که اجتماعی به نظر می‌رسند ممکن است ترفندهای محدودی باشند که برای تنظیمات آموزش تنظیم شده‌اند. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی خوشه‌ای از GPUها که عامل‌های بسیاری را موازی اجرا می‌کند از: 2017 تا 2017، نخستین آزمایش‌ها با عامل‌های یادگیرندهٔ بسیار در یک جهان مشترک [عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)[تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: بدن‌ها ### داده‌های آموزشی مصنوعی صحنه‌های فوتورئالیستی که در گونه‌گونی بی‌پایان رندر می‌شوند تا سامانه‌های بینایی را آموزش دهند. پرسشی که پاسخ می‌دهد: آیا سامانه‌ای که فقط روی تصویرهای رندرشده آموزش دیده می‌تواند جهان واقعی را ببیند؟ کنار می‌گذارد: صحنه‌های رندرشده از واقعیت تمیزترند، پس سامانه‌های آموزش‌دیده می‌توانند با نویز دنیای واقعی گمراه شوند. اجرا می‌شود روی: حدود 10^14 FLOPS تقریبی رندرفارم یا خوشهٔ GPU، چند ساعت برای یک مجموعه‌داده از: 2016 تا 2016، نخستین مجموعه‌داده‌های رندرشده سامانه‌های تشخیص تصویر را آموزش می‌دهند [بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)کف: بدن‌ها ### مدل‌های آموخته‌شدهٔ جهان شبکه‌ای عصبی که پیش‌بینی می‌کند در یک جهان بعد چه می‌شود، آن‌قدر خوب که بتواند صحنه‌هایی قابل‌بازی از آن بسازد. پرسشی که پاسخ می‌دهد: آیا شبکه می‌تواند فقط با تماشای یک جهان شبیه‌سازی‌اش را بیاموزد؟ کنار می‌گذارد: پیش‌بینی‌های بلندمدت از هر چیز سازگار با فیزیک دور می‌شوند. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی یک خوشهٔ بزرگ از GPUها، چند روز آموزش از: 2018 ها و اشمیدهوبر شبکه‌ای را آموزش دادند که صحنه‌های شبیه بازی را پیش‌بینی کند و در رؤیا بسازد [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: میدان‌ها ### آموزش راهبرد با بازی با خود عاملی مصنوعی که در یک بازی راهبردی انتزاعی بارها با نسخه‌های خودش مسابقه می‌دهد و با هر دور بهتر می‌شود. پرسشی که پاسخ می‌دهد: یک راهبرد بدون هیچ آموزگاری جز خودِ گذشته‌اش تا چه حد می‌تواند قوی شود؟ کنار می‌گذارد: راهبردهایی که در برابر نسخه‌ای از همان عامل تنظیم شده‌اند ممکن است نقطه‌کورهایی داشته باشند که حریفی متفاوت از آن‌ها سوءاستفاده کند. اجرا می‌شود روی: حدود 10^16 FLOPS تقریبی یک خوشهٔ بزرگ از GPUها، چند روز بازی با خود از: 1959 برنامهٔ چکرز آرتور ساموئل که با بازی با خودش یاد گرفت [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)[نظریهٔ بازی‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-game-theory)کف: قاعده‌ها ### محیط‌های تیم قرمز برای ایمنی هوش مصنوعی محیطی شبیه‌سازی‌شده که ساخته شده تا یک عامل مصنوعی را به رفتار ناخواسته وسوسه کند، تا خطا پیش از به‌کارگیری پیدا شود. پرسشی که پاسخ می‌دهد: این سامانه در چه شرایطی رفتاری نشان می‌دهد که نباید؟ کنار می‌گذارد: فقط خرابی‌هایی را می‌آزماید که تیم قرمز به جست‌وجوی‌شان فکر کرده بود. اجرا می‌شود روی: حدود 10^14 FLOPS تقریبی سرور GPU یک تیم پژوهشی، چند ساعت برای هر مجموعهٔ آزمون از: 2016 تا 2016، نخستین محیط‌های آزمون خصمانه برای عامل‌های یادگیری تقویتی [عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)[تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### شبیه‌سازهای خانهٔ تن‌یافته خانه‌های مجازی سه‌بعدی که در آن‌ها یک عامل می‌بیند، حرکت می‌کند و اشیا را برمی‌دارد و جابه‌جا می‌کند؛ برای آموزش و آزمودن هوش مصنوعی تن‌یافته به کار می‌رود. پرسشی که پاسخ می‌دهد: آیا عامل می‌تواند در خانه‌ای مجازی وظایفی بیاموزد که به وظایف واقعی منتقل شود؟ کنار می‌گذارد: فیزیک اشیا و تنوع صحنه محدود است. اجرا می‌شود روی: حدود 10^12 FLOPS تقریبی رندر بی‌درنگ، نمونه‌های موازی بسیار از: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [منبع](https://arxiv.org/abs/1712.05474) [بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[قاعده‌ها و حالت‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-rules)کف: بدن‌ها ### تولید محیط باز و بی‌پایان جهان‌های آموزشی با یادگیری عامل‌ها خودکار ساخته و دگرگون می‌شوند تا چالش‌ها از نظر دشواری و تنوع رو به رشد بمانند. پرسشی که پاسخ می‌دهد: آیا مولد محیط می‌تواند پیوسته چالش‌های تازه و مفید بسازد؟ کنار می‌گذارد: جستجو به آنچه خانوادهٔ محیط می‌تواند بیان کند محدود است. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی جمعیتی از محیط‌ها و عامل‌ها از: 2019 Paired Open-Ended Trailblazer (POET) (2019) [منبع](https://arxiv.org/abs/1901.01753) [تکاملی](https://simulation-hypothesis.com/fa/simulations/methods#m-evolutionary)[تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### محیط‌های وب شبیه‌سازی‌شده برای عامل‌ها نسخه‌های خودمیزبان وب‌سایت‌های واقعی که عامل مدل زبانی در آن‌ها وظایف را انجام می‌دهد و امتیازش با بررسی حالت نهایی تعیین می‌شود. پرسشی که پاسخ می‌دهد: آیا عامل می‌تواند وظایف چندمرحله‌ای را در وب‌سایت‌های واقع‌نما انجام دهد؟ کنار می‌گذارد: سایت‌ها نسخه‌های ایستایند و تنوع وظیفه محدود است. اجرا می‌شود روی: حدود 10^13 FLOPS تقریبی بازنشانی محیط و فراخوانی‌های مدل بسیار از: 2023 WebArena (2023) [منبع](https://arxiv.org/abs/2307.13854) [قاعده‌ها و حالت‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-rules)[تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### شبیه‌سازهای سامانهٔ توصیه‌گر جمعیتی شبیه‌سازی‌شدهٔ قابل پیکربندی از کاربران و فهرستی از اقلام، برای آموزش و آزمودن الگوریتم‌های توصیه‌گر. پرسشی که پاسخ می‌دهد: یک الگوریتم توصیه‌گر در تعامل‌های بسیار با کاربران چگونه رفتار می‌کند؟ کنار می‌گذارد: رفتار کاربر فرض شده، نه اندازه‌گیری. اجرا می‌شود روی: حدود 10^10 FLOPS تقریبی اجراهای موازی ارزان از: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [منبع](https://arxiv.org/abs/1909.04847) [عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)[فرایندهای تصادفی](https://simulation-hypothesis.com/fa/simulations/methods#m-stochastic)کف: قاعده‌ها ### موتورهای بازی عصبی مدل پخشی‌ای که روی ضبط‌های بازی آموزش دیده است، قاب بعدی را از روی کنش‌های بازیکن می‌سازد و جای موتور خود بازی را می‌گیرد. پرسشی که پاسخ می‌دهد: آیا شبکهٔ عصبی می‌تواند بازی تعاملی را با سرعت قابل‌بازی اجرا کند؟ کنار می‌گذارد: حافظه کوتاه است و جزئیات در بازی طولانی منحرف می‌شوند. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی آموزش سنگین؛ استنتاج بی‌درنگ روی یک شتاب‌دهنده از: 2024 Diffusion models are real-time game engines (2024) [منبع](https://arxiv.org/abs/2408.14837) [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)کف: قاعده‌ها ### جهان‌های مولد تعاملی مدلی از ویدیوی بدون برچسب یاد می‌گیرد جهان‌های قابل‌کنترل بسازد که کاربر در آن‌ها قاب‌به‌قاب کنش کند. پرسشی که پاسخ می‌دهد: آیا می‌توان جهانی قابل‌بازی را فقط از تصاویر ساخت؟ کنار می‌گذارد: پایداری و نرخ فریم محدود است و فیزیک تضمین‌شده نیست. اجرا می‌شود روی: حدود 10^17 FLOPS تقریبی آموزش ویدئویی در مقیاس بزرگ از: 2024 Genie: generative interactive environments (2024) [منبع](https://arxiv.org/abs/2402.15391) [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### شبیه‌ساز تعاملی دنیای واقعی آموخته‌شده مدلی ویدیویی که بر پایهٔ کنش‌ها شرطی شده پیش‌بینی می‌کند ربات یا عامل پس از هر فرمان چه خواهد دید، و جای شبیه‌ساز دست‌ساز را می‌گیرد. پرسشی که پاسخ می‌دهد: آیا مدل آموخته می‌تواند نتایج واقعی کنش‌ها را شبیه‌سازی کند؟ کنار می‌گذارد: اجراهای بلند توهم می‌زنند و دقت فیزیکی راستی‌آزمایی نشده است. اجرا می‌شود روی: حدود 10^17 FLOPS تقریبی آموزش روی مجموعه‌دادهٔ بزرگ ویدئو و کنش از: 2023 Learning interactive real-world simulators (2023) [منبع](https://arxiv.org/abs/2310.06114) [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### مدل‌های جهان مولد رانندگی مدلی ویدیویی که بر پایهٔ سرعت و فرمان شرطی شده صحنه‌های آیندهٔ محتمل را از دید یک خودرو برای آموزش و آزمودن خودرانی تولید می‌کند. پرسشی که پاسخ می‌دهد: از یک کنش رانندگی معین چه صحنه‌های ترافیکی می‌توانند پیش بیایند؟ کنار می‌گذارد: صحنه‌های تولیدشده ممکن است فیزیک یا رفتار موارد نادر را نقض کنند. اجرا می‌شود روی: حدود 10^17 FLOPS تقریبی آموزش بزرگ مدل ویدئو از: 2023 GAIA-1: a generative world model for autonomous driving (2023) [منبع](https://arxiv.org/abs/2309.17080) [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)کف: قاعده‌ها ### فوتبال ربات شبیه‌سازی‌شده دو تیم بازیکن نرم‌افزاری، که هرکدام فقط بخشی از زمین را با حس‌های پرنویز می‌بینند، در یک ورزشگاه شبیه‌سازی‌شده فوتبال بازی می‌کنند تا همکاری و راهبرد آزموده شود. پرسشی که پاسخ می‌دهد: آیا بازیکنان نرم‌افزاری مستقل می‌توانند آن‌قدر هماهنگ شوند که تیمی رقیب را شکست دهند؟ کنار می‌گذارد: زمین بازی، توپ و بدن ربات‌ها آرمانی‌اند، پس موفقیت تاکتیک را نشان می‌دهد، نه مهارت با سخت‌افزار واقعی. اجرا می‌شود روی: حدود 10^9 FLOPS تقریبی بی‌درنگ روی یک ایستگاه کاری برای یک مسابقه. از: 1998 Soccer Server از نودا و همکارانش، ابزاری برای پژوهش در سامانه‌های چندعاملی. [منبع](https://doi.org/10.1080/088395198117848) [عامل‌بنیاد](https://simulation-hypothesis.com/fa/simulations/methods#m-agent-based)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[نظریهٔ بازی‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-game-theory)کف: جمعیت‌ها ### جعبه‌شن‌های عامل‌های مهندسی نرم‌افزار به یک عامل پروژهٔ کد واقعی و گزارش مشکل داده می‌شود، فایل‌ها را ویرایش می‌کند و در جعبه‌شن آزمون اجرا می‌کند، و نمره‌اش بر پایهٔ قبول شدن رفع اشکال است. پرسشی که پاسخ می‌دهد: آیا عامل هوش مصنوعی می‌تواند بدون کمک اشکال‌های واقعی را در پروژه‌های نرم‌افزاری واقعی رفع کند؟ کنار می‌گذارد: گذراندن آزمون‌ها با درست بودن رفع اشکال یکی نیست، و این پروژه‌ها بخش کوچکی از کل نرم‌افزار را تشکیل می‌دهند. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی هزاران اجرای مدل، هرکدام با فراخوانی‌ها و اجراهای آزمون بسیار. از: 2023 SWE-bench از جیمنز و همکارانش، مجموعه‌ای از مسائل واقعی گیت‌هاب برای مدل‌های زبانی. [منبع](https://arxiv.org/abs/2310.06770) [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[قاعده‌ها و حالت‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-rules)کف: قاعده‌ها ### محیط‌های عامل رایانهٔ رومیزی رایانه‌ای مجازی و کامل با برنامه‌های واقعی به عاملی داده می‌شود که صفحه را می‌بیند و کلیک و تایپ می‌کند، و نمره‌اش بر پایهٔ انجام شدن یا نشدن کار است. پرسشی که پاسخ می‌دهد: آیا عامل هوش مصنوعی می‌تواند کارها را روی رایانه همان‌طور که آدم انجام می‌دهد انجام دهد؟ کنار می‌گذارد: کارها ثابت و از پیش‌نوشته‌اند، در حالی که کار واقعی باز است، مدام قطع می‌شود و با دیگران تقسیم می‌شود. اجرا می‌شود روی: حدود 10^15 FLOPS تقریبی هزاران اجرا، هرکدام با یک ماشین مجازی و فراخوانی‌های بسیار مدل. از: 2024 OSWorld از Xie و همکاران، محک‌زدن عامل‌ها در محیط‌های رایانه‌ای واقعی. [منبع](https://doi.org/10.52202/079017-1650) [تقلیدگرهای آموخته‌شده](https://simulation-hypothesis.com/fa/simulations/methods#m-learned)[بلادرنگ](https://simulation-hypothesis.com/fa/simulations/methods#m-real-time)[قاعده‌ها و حالت‌ها](https://simulation-hypothesis.com/fa/simulations/methods#m-rules)کف: قاعده‌ها [◂ شهرها، زیرساخت و عملیات](https://simulation-hypothesis.com/fa/simulations/cities-operations)[ریاضیات و محاسبه ▸](https://simulation-hypothesis.com/fa/simulations/mathematics-computation)