---
title: "Pikiran, otak, dan dunia buatan · Simulasi · Hipotesis Simulasi"
url: https://simulation-hypothesis.com/id/simulations/minds-computation
description: "Neuron, otak, kehidupan buatan, dan dunia tersimulasi tempat mesin belajar. Bagian dari taksonomi simulasi yang benar-benar dijalankan orang."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hipotesis Simulasi (simulation-hypothesis.com)"
---

[Simulasi](https://simulation-hypothesis.com/id/simulations)bidang 11 dari 18

# Pikiran, otak, dan dunia buatan

Neuron, otak, kehidupan buatan, dan dunia tersimulasi tempat mesin belajar.

Simulasi otak, dan dunia yang dibangun untuk ditinggali dan dipelajari agen buatan. Dalam satu hal terbatas, hipotesis simulasi sudah nyata di sini: kita telah membangun dunia tersimulasi dengan agen pembelajar di dalamnya.

## Otak

### Model neuron terperinci

Satu neuron sebagai kabel listrik bercabang dengan kanal ion, mengikuti Hodgkin dan Huxley.

Pertanyaan yang dijawabnya: Bagaimana bentuk neuron ini mengubah apa yang dihitungnya?

Mengabaikan: Kimia halus satu neuron masih disederhanakan menjadi segelintir arus.

Berjalan di: sekitar 10^12 FLOPS kasar laptop, waktu nyata untuk satu neuron Sejak: 1952 Huxley mengintegrasikan persamaan Hodgkin-Huxley dengan tangan di kalkulator mekanis, sekitar tiga minggu per potensial aksi; komputer baru mengambil alih belakangan [sumber](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) Di pohon simulasi: [Hodgkin–Huxley dengan tangan](https://simulation-hypothesis.com/id/trees/simulations?n=min-hh)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Sel

### Sirkuit otak skala besar

Jutaan neuron berpicu yang dihubungkan menjadi sirkuit yang menyerupai sepetak korteks.

Pertanyaan yang dijawabnya: Bisakah kita mereproduksi ritme dan respons otak dari pengawatan saja?

Mengabaikan: Pengkabelannya sering bersifat statistik, bukan sambungan yang benar-benar terukur pada hewannya.

Berjalan di: sekitar 10^15 FLOPS kasar klaster universitas, beberapa jam untuk satu petak korteks Sejak: 2006 paling lambat 2006, simulasi skala besar awal sebuah kolom korteks Di pohon simulasi: [Mikrosirkuit neokorteks](https://simulation-hypothesis.com/id/trees/simulations?n=min-markram)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)dasar: Sel

### Model jaringan seluruh otak

Wilayah otak sebagai simpul yang dihubungkan oleh pengawatan terukur, disesuaikan dengan pindaian.

Pertanyaan yang dijawabnya: Bagaimana kerusakan di satu wilayah mengubah aktivitas di seluruh otak?

Mengabaikan: Wilayah diperlakukan sebagai titik tunggal, melewatkan semua detail di dalamnya.

Berjalan di: sekitar 10^14 FLOPS kasar klaster universitas, beberapa menit per skenario tersimulasi Sejak: 2008 paling lambat 2008, model jaringan seluruh otak awal yang disesuaikan dengan pengawatan MRI difusi

Model: [Manusia](https://simulation-hypothesis.com/id/entities/human)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Populasi

### Organisme kecil tersimulasi

Seluruh sistem saraf hewan kecil, seperti 302 neuron cacing gelang, dihubungkan ke tubuh tersimulasi di cawan virtual.

Pertanyaan yang dijawabnya: Apakah diagram kabel cukup untuk menghasilkan perilaku itu?

Mengabaikan: Diagram pengkabelan saja masih belum sepenuhnya menjelaskan perilaku hewan itu.

Berjalan di: sekitar 10^12 FLOPS kasar laptop, waktu nyata untuk seluruh sistem saraf Sejak: 1997 paling lambat 1997, simulasi awal yang dibangun di atas peta konektom cacing gelang tahun 1986 Di pohon simulasi: [OpenWorm](https://simulation-hypothesis.com/id/trees/simulations?n=min-openworm)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)dasar: Sel

### Simulasi perangkat keras neuromorfik

Cip yang dibangun dengan sirkuit yang berperilaku seperti neuron dan sinaps langsung di perangkat keras, bukan menghitung persamaan langkah demi langkah di perangkat lunak.

Pertanyaan yang dijawabnya: Bisakah perangkat keras neuromorfik menghitung hal yang sama seperti otak, dengan daya jauh lebih sedikit?

Mengabaikan: Neuron nyata punya kimia yang jauh lebih kaya daripada sirkuit yang dibuat meniru lonjakannya.

Berjalan di: sekitar 10^13 FLOPS kasar cip riset neuromorfik, waktu nyata Sejak: 1989 Sirkuit neuron dan retina silikon awal Carver Mead

[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Sel

### Penyakit otak dan penyebaran kejang

Aktivitas listrik abnormal atau protein yang salah lipat menyebar melalui jaringan otak tersimulasi, seperti pada epilepsi atau demensia.

Pertanyaan yang dijawabnya: Di mana kejang bermula, dan seberapa jauh ia akan menyebar?

Mengabaikan: Jalur penyakit setiap otak sungguhan berbeda; model menunjukkan pola, bukan prediksi untuk satu pasien.

Berjalan di: sekitar 10^13 FLOPS kasar klaster rumah sakit atau universitas, beberapa menit per model pasien Sejak: 1997 paling lambat 1997, model jaringan awal penyebaran kejang melalui otak

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Populasi

### Model seluruh otak yang dibatasi konektom

Simulasi saraf memakai seluruh pengawatan terukur otak serangga dengan model neuron sederhana untuk memprediksi bagaimana rangsangan menghasilkan perilaku.

Pertanyaan yang dijawabnya: Apakah pengawatan saja memprediksi bagaimana otak mengubah masukan indera menjadi tindakan?

Mengabaikan: Kekuatan sinapsis dan dinamika neuron diasumsikan dari aturan sederhana.

Berjalan di: sekitar 10^12 FLOPS kasar Jaringan neuron berpicu dengan sekitar 130.000 neuron Sejak: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [sumber](https://doi.org/10.1038/s41586-024-07763-9)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Sel

### Model massa dan medan saraf

Populasi neuron diringkas menjadi satu atau dua variabel aktivitas rata-rata, menghasilkan ritme dan gelombang seluruh wilayah.

Pertanyaan yang dijawabnya: Ritme kolektif apa yang bisa dihasilkan eksitasi dan inhibisi di antara populasi?

Mengabaikan: Neuron individual lenyap menjadi rata-rata.

Berjalan di: sekitar 10^9 FLOPS kasar laptop, beberapa detik Sejak: 1972 paling lambat 1972, Wilson dan Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [sumber](https://doi.org/10.1016/s0006-3495%2872%2986068-5)

[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)[Medan kontinum](https://simulation-hypothesis.com/id/simulations/methods#m-continuum)dasar: Sel

### Model otak berpicu fungsional

Jaringan neuron model berpicu yang dibangun untuk menjalankan tugas kognitif seperti mengingat, menghitung, dan menyalin angka yang digambar.

Pertanyaan yang dijawabnya: Bisakah model yang terbuat dari neuron menjalankan tugas yang ditangani otak?

Mengabaikan: Kumpulan tugasnya kecil dan pengabelannya dirancang, bukan diukur.

Berjalan di: sekitar 10^15 FLOPS kasar klaster universitas, beberapa jam Sejak: 2012 paling lambat 2012, Eliasmith dan lainnya, A large-scale model of the functioning brain (Spaun) [sumber](https://doi.org/10.1126/science.1225266)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Sel

### Jaringan memori atraktor

Jaringan unit sederhana yang koneksinya menyimpan pola sebagai keadaan stabil, sehingga petunjuk parsial mengendap menjadi ingatan utuh.

Pertanyaan yang dijawabnya: Bagaimana sebuah jaringan bisa mengingat seluruh memori dari secuil potongannya?

Mengabaikan: Kapasitasnya kecil dan neuron sungguhan jauh lebih kompleks.

Berjalan di: sekitar 10^8 FLOPS kasar laptop, beberapa detik Sejak: 1982 paling lambat 1982, Hopfield, Neural networks and physical systems with emergent collective computational abilities [sumber](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Sel

### Model otak serangga berbasis konektom

Seluruh otak lalat disimulasikan dari diagram pengawatan terukurnya, dengan setiap neuron dan sinaps diambil dari rekonstruksi.

Pertanyaan yang dijawabnya: Perilaku apa yang mengikuti dari pengkabelan saja, begitu setiap sambungan diketahui?

Mengabaikan: Kekuatan sinapsis dan kimia neuron disimpulkan, tidak diukur.

Berjalan di: sekitar 10^14 FLOPS kasar workstation, beberapa menit per detik tersimulasi Sejak: 2024 paling lambat 2024, Dorkenwald dan lainnya, diagram pengawatan otak lalat dewasa, dan Shiu dan lainnya, model komputasi yang dibangun di atasnya [sumber](https://doi.org/10.1038/s41586-024-07763-9)

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Sel

## Kehidupan buatan dan kompleksitas

### Automata seluler

Kisi sel yang mengikuti aturan sederhana, seperti Life karya John Conway, yang menumbuhkan peluncur, replikator, bahkan komputer yang berfungsi.

Pertanyaan yang dijawabnya: Seberapa banyak kerumitan bisa tumbuh dari aturan sesederhana apa?

Mengabaikan: Aturan sederhana jarang terpetakan rapi ke sistem fisik atau biologis nyata.

Berjalan di: sekitar 10^12 FLOPS kasar laptop, grid raksasa dalam hitungan detik Sejak: 1970 Game of Life karya John Conway Di pohon simulasi: [Life, dimainkan dengan tangan](https://simulation-hypothesis.com/id/trees/simulations?n=life-life)

[Jalankan model interaktif](https://simulation-hypothesis.com/id/simulations/run#toy-life)

[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)dasar: Aturan

### Evolusi digital

Program komputer penyalin diri bermutasi dan bersaing memperebutkan waktu prosesor dalam mesin tersimulasi.

Pertanyaan yang dijawabnya: Bisakah evolusi menciptakan ciri kompleks yang bisa kita amati langkah demi langkah?

Mengabaikan: Program berevolusi di dunia komputer buatan, bukan biokimia nyata.

Berjalan di: sekitar 10^12 FLOPS kasar desktop, jutaan generasi dalam semalam Sejak: 1953 Eksperimen evolusi numerik Barricelli pada komputer Institute for Advanced Study [sumber](https://www.ias.edu/ideas/2012/george-dyson-ecp)

[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)dasar: Aturan

### Makhluk virtual yang dievolusikan

Tubuh dan otak berevolusi bersama dalam simulasi fisika, belajar berenang, berjalan, atau melompat.

Pertanyaan yang dijawabnya: Tubuh dan perilaku apa yang diciptakan evolusi ketika kita tidak mengarahkannya?

Mengabaikan: Gaya jalan yang dievolusikan sering tampak sangat berbeda dari yang biologis, karena fisika tersimulasi berbeda secara halus dari dunia nyata.

Berjalan di: sekitar 10^13 FLOPS kasar desktop atau klaster kecil, beberapa jam untuk mengevolusikan sebuah populasi Sejak: 1994 Karl Sims mengevolusikan makhluk yang berenang dan berjalan dalam simulasi fisika

[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)dasar: Tubuh

### Kekritisan swa-organisasi

Butiran ditambahkan satu per satu ke tumpukan pasir sampai longsoran dari segala ukuran muncul.

Pertanyaan yang dijawabnya: Mengapa gempa bumi, kebakaran, dan kepunahan mengikuti statistik yang sama?

Mengabaikan: Gempa dan kebakaran nyata punya fisika khusus yang hanya digambarkan secara karikatur oleh tumpukan pasir.

Berjalan di: sekitar 10^11 FLOPS kasar laptop, beberapa detik untuk tumpukan pasir yang besar Sejak: 1987 Model tumpukan pasir Bak, Tang, dan Wiesenfeld

[Jalankan model interaktif](https://simulation-hypothesis.com/id/simulations/run#toy-sandpile)

[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)dasar: Tubuh

### Algoritme kecerdasan kawanan

Agen virtual sederhana yang meninggalkan jejak atau menyalin tetangganya, dipinjam dari semut dan burung untuk memecahkan masalah abstrak seperti perutean dan penjadwalan.

Pertanyaan yang dijawabnya: Bisakah menyalin dan mengikuti jejak secara sederhana memecahkan masalah optimisasi yang sulit?

Mengabaikan: Berjalan baik pada masalah yang terdefinisi baik yang diujikan. Masalah nyata yang tak beraturan memerlukan penyetelan lebih banyak.

Berjalan di: sekitar 10^11 FLOPS kasar laptop, beberapa detik hingga menit per simulasi Sejak: 1992 Algoritma optimasi koloni semut Marco Dorigo

[Jalankan model interaktif](https://simulation-hypothesis.com/id/simulations/run#toy-flock)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)dasar: Aturan

### Jaringan Boolean acak

Saklar yang dihubungkan secara acak, masing-masing menyala atau mati berdasarkan segelintir saklar lain, dipelajari untuk mengetahui kapan seluruh jaringan menjadi tenang atau bergejolak selamanya.

Pertanyaan yang dijawabnya: Berapa banyak kabel yang dibutuhkan sebelum jaringan sakelar menjadi kacau?

Mengabaikan: Pengabelan acak adalah pengganti kasar bagi pengabelan sel atau otak nyata yang berevolusi dengan hati-hati.

Berjalan di: sekitar 10^11 FLOPS kasar laptop, beberapa detik per jaringan Sejak: 1969 Jaringan acak saklar genetik Stuart Kauffman

[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)dasar: Aturan

### Automata seluler kontinu

Automata seluler yang keadaan sel, ruang, dan waktunya kontinu, menghasilkan makhluk swa-atur yang mulus.

Pertanyaan yang dijawabnya: Pola mirip kehidupan apa yang muncul dalam automata seluler kontinu?

Mengabaikan: Aturannya buatan dan tidak memodelkan kimia yang nyata.

Berjalan di: sekitar 10^11 FLOPS kasar Pembaruan grid GPU Sejak: 2018 Lenia: biology of artificial life (2018) [sumber](https://arxiv.org/abs/1812.05433)

[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)dasar: Aturan

### Automata seluler saraf

Setiap sel menyimpan jaringan saraf kecil yang mempelajari aturan lokal sehingga grid menumbuhkan dan memperbaiki pola sasaran.

Pertanyaan yang dijawabnya: Bisakah aturan lokal yang dipelajari membuat pola global tumbuh dan memperbaiki dirinya sendiri?

Mengabaikan: Pola sasarannya kecil, dan aturannya dilatih, bukan ditemukan.

Berjalan di: sekitar 10^11 FLOPS kasar Pelatihan terdiferensiasi berskala kecil Sejak: 2020 Growing Neural Cellular Automata (2020) [sumber](https://distill.pub/2020/growing-ca/)

[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Sup program yang mereplikasi diri

Kumpulan program acak berinteraksi secara kebetulan sampai yang menyalin diri muncul dari campuran itu.

Pertanyaan yang dijawabnya: Bisakah replikator muncul tanpa dirancang?

Mengabaikan: Pilihan bahasa menentukan hasilnya, dan ia jauh dari kimia.

Berjalan di: sekitar 10^10 FLOPS kasar Jutaan interaksi program kecil Sejak: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [sumber](https://arxiv.org/abs/2406.19108)

[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Kimia buatan

Kumpulan molekul abstrak yang bereaksi menurut aturan, sehingga struktur yang memelihara diri bisa muncul tanpa kimia sungguhan.

Pertanyaan yang dijawabnya: Bisakah organisasi kimia yang menopang diri muncul dari aturan reaksi sederhana?

Mengabaikan: Molekulnya hanyalah simbol; energi ikatan dan geometri yang nyata tidak ada.

Berjalan di: sekitar 10^9 FLOPS kasar laptop, beberapa jam Sejak: 1991 paling lambat 1991, AlChemy Fontana, dipresentasikan di Second Artificial Life Conference [sumber](https://en.wikipedia.org/wiki/Artificial%5Fchemistry)

[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)dasar: Molekul

### Robotika evolusioner

Pengendali atau tubuh robot tersimulasi dievolusikan selama banyak generasi dengan memilih berdasarkan kinerja tugas.

Pertanyaan yang dijawabnya: Bisakah otak dan tubuh robot dikembangbiakkan, bukan dirancang?

Mengabaikan: Pengendali yang dievolusikan dalam simulasi sering gagal di perangkat keras sungguhan.

Berjalan di: sekitar 10^14 FLOPS kasar klaster universitas, berhari-hari Sejak: 1993 paling lambat 1993, Cliff, Husbands, dan Harvey, Evolving visually guided robots [sumber](https://doi.org/10.7551/mitpress/3116.003.0051)

[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Persamaan diferensial](https://simulation-hypothesis.com/id/simulations/methods#m-equations)dasar: Tubuh

### Kehidupan buatan kontinu

Automata seluler dengan keadaan, ruang, dan waktu yang kontinu, yang menghasilkan pola mirip makhluk hidup yang bergerak dan menata diri sendiri.

Pertanyaan yang dijawabnya: Bentuk mirip kehidupan apa yang muncul ketika aturannya mulus, bukan diskret?

Mengabaikan: Polanya menyerupai organisme tetapi tidak mengikuti biologi yang nyata.

Berjalan di: sekitar 10^11 FLOPS kasar PC gaming, waktu nyata Sejak: 2018 paling lambat 2018, Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [sumber](https://arxiv.org/abs/1812.05433)

[Automata seluler](https://simulation-hypothesis.com/id/simulations/methods#m-cellular-automata)[Medan kontinum](https://simulation-hypothesis.com/id/simulations/methods#m-continuum)dasar: Aturan

### Model imun buatan

Populasi agen mirip antibodi yang berinteraksi dan belajar mengenali pola lewat seleksi dan efek jaringan.

Pertanyaan yang dijawabnya: Bagaimana sistem pengenalan beradaptasi hanya dengan interaksi lokal?

Mengabaikan: Ia meminjam gagasan dari imunologi untuk komputasi, bukan model terkalibrasi dari respons imun yang nyata.

Berjalan di: sekitar 10^8 FLOPS kasar laptop, beberapa jam Sejak: 1986 paling lambat 1986, Farmer, Packard, dan Perelson, The immune system, adaptation, and machine learning [sumber](https://doi.org/10.1016/0167-2789%2886%2990240-x)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Model jaringan](https://simulation-hypothesis.com/id/simulations/methods#m-network)[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)dasar: Sel

### Pertempuran Core War

Program yang ditulis dalam bahasa rakitan mungil berebut kendali atas memori tersimulasi bersama, saling menimpa.

Pertanyaan yang dijawabnya: Program penyalin diri mana yang bertahan ketika seluruh memori adalah medan perang?

Mengabaikan: Mesinnya adalah set instruksi rekaan, sehingga pelajarannya tidak berlaku pada malware sungguhan.

Berjalan di: sekitar 10^7 FLOPS kasar laptop, beberapa detik per pertempuran Sejak: 1984 paling lambat 1984, Core War oleh Jones dan Dewdney, di Scientific American [sumber](https://en.wikipedia.org/wiki/Core%5FWar)

[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)[Kejadian diskret](https://simulation-hypothesis.com/id/simulations/methods#m-discrete-event)[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)dasar: Aturan

## Dunia untuk pikiran buatan

### Lingkungan pembelajaran penguatan

Dunia tersimulasi tempat agen buatan bertindak, diberi imbalan, dan membaik selama jutaan percobaan.

Pertanyaan yang dijawabnya: Bisakah agen mempelajari keterampilan ini hanya dari coba-coba?

Mengabaikan: Keterampilan yang dipelajari di dunia yang disederhanakan tidak selalu berpindah ke kerumitan kenyataan.

Berjalan di: sekitar 10^15 FLOPS kasar klaster GPU, berhari-hari pengalaman tersimulasi Sejak: 1992 paling lambat 1992, TD-Gammon mempelajari strategi backgammon lewat bermain melawan diri sendiri

[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Tubuh

### Masyarakat AI multiagen

Banyak agen AI berbagi satu dunia, dengan tujuan, ingatan, dan percakapan masing-masing.

Pertanyaan yang dijawabnya: Perilaku sosial apa yang muncul ketika banyak agen buatan hidup bersama?

Mengabaikan: Perilaku yang tampak sosial bisa jadi trik sempit yang disetel pada pengaturan pelatihan.

Berjalan di: sekitar 10^15 FLOPS kasar klaster GPU, menjalankan banyak agen secara paralel Sejak: 2017 paling lambat 2017, eksperimen awal dengan banyak agen pembelajar yang berbagi satu dunia

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Tubuh

### Data pelatihan sintetis

Adegan fotorealistis dirender dalam variasi tanpa akhir untuk melatih sistem penglihatan.

Pertanyaan yang dijawabnya: Bisakah sistem yang dilatih hanya dengan citra hasil render melihat dunia nyata?

Mengabaikan: Adegan yang dirender lebih bersih daripada kenyataan, sehingga sistem terlatih bisa disesatkan derau dunia nyata.

Berjalan di: sekitar 10^14 FLOPS kasar render farm atau klaster GPU, beberapa jam untuk satu set data Sejak: 2016 paling lambat 2016, set data hasil render awal melatih sistem pengenalan citra

[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)dasar: Tubuh

### Model dunia yang dipelajari

Jaringan saraf yang memprediksi apa yang terjadi berikutnya di sebuah dunia, cukup baik untuk menghasilkan adegan yang bisa dimainkan darinya.

Pertanyaan yang dijawabnya: Bisakah jaringan belajar mensimulasikan dunia hanya dengan menontonnya?

Mengabaikan: Prediksi jangka panjang menyimpang dari apa pun yang konsisten secara fisik.

Berjalan di: sekitar 10^15 FLOPS kasar klaster GPU besar, berhari-hari pelatihan Sejak: 2018 Ha dan Schmidhuber melatih jaringan untuk memprediksi dan memimpikan adegan mirip gim

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Medan

### Pelatihan strategi main sendiri

Agen buatan memainkan pertandingan berulang melawan salinan dirinya sendiri dalam permainan strategi abstrak, membaik di setiap ronde.

Pertanyaan yang dijawabnya: Sekuat apa sebuah strategi bisa menjadi tanpa guru selain dirinya sendiri di masa lalu?

Mengabaikan: Strategi yang disetel terhadap salinan agen yang sama bisa punya titik buta yang akan dimanfaatkan lawan yang berbeda.

Berjalan di: sekitar 10^16 FLOPS kasar klaster GPU besar, berhari-hari bermain melawan diri sendiri Sejak: 1959 Program dam Arthur Samuel yang belajar dengan bermain melawan dirinya sendiri

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)dasar: Aturan

### Lingkungan red-teaming keselamatan AI

Lingkungan tersimulasi yang dibangun untuk menggoda agen buatan agar berperilaku tak diinginkan, sehingga kegagalan bisa ditemukan sebelum penerapan.

Pertanyaan yang dijawabnya: Dalam kondisi apa sistem ini menunjukkan perilaku yang seharusnya tidak terjadi?

Mengabaikan: Hanya menguji kegagalan yang terpikir oleh tim merah untuk dicari.

Berjalan di: sekitar 10^14 FLOPS kasar server GPU tim riset, beberapa jam per rangkaian uji Sejak: 2016 paling lambat 2016, lingkungan uji adversarial awal untuk agen pembelajaran penguatan

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Simulator rumah tangga yang menubuh

Rumah virtual 3D tempat agen melihat, bergerak, dan memanipulasi benda, dipakai untuk melatih dan menguji AI yang menubuh.

Pertanyaan yang dijawabnya: Bisakah agen mempelajari tugas di rumah virtual yang bisa dialihkan ke tugas nyata?

Mengabaikan: Fisika benda dan variasi adegan terbatas.

Berjalan di: sekitar 10^12 FLOPS kasar Perenderan waktu nyata, banyak instans paralel Sejak: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [sumber](https://arxiv.org/abs/1712.05474)

[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)dasar: Tubuh

### Pembuatan lingkungan terbuka

Dunia pelatihan dibuat dan dimutasi secara otomatis seiring agen belajar, sehingga tantangannya terus bertambah sulit dan beragam.

Pertanyaan yang dijawabnya: Bisakah pembangkit lingkungan terus menghasilkan tantangan baru yang berguna?

Mengabaikan: Pencariannya dibatasi oleh apa yang bisa diungkapkan keluarga lingkungan itu.

Berjalan di: sekitar 10^15 FLOPS kasar Populasi lingkungan dan agen Sejak: 2019 Paired Open-Ended Trailblazer (POET) (2019) [sumber](https://arxiv.org/abs/1901.01753)

[Evolusioner](https://simulation-hypothesis.com/id/simulations/methods#m-evolutionary)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Lingkungan web tersimulasi untuk agen

Salinan situs web nyata yang dihosting sendiri tempat agen model bahasa menyelesaikan tugas, dinilai dengan memeriksa keadaan akhir.

Pertanyaan yang dijawabnya: Bisakah agen menyelesaikan tugas berlangkah banyak di situs web yang realistis?

Mengabaikan: Situs berupa salinan statis, dan variasi tugas terbatas.

Berjalan di: sekitar 10^13 FLOPS kasar Reset lingkungan dan banyak panggilan model Sejak: 2023 WebArena (2023) [sumber](https://arxiv.org/abs/2307.13854)

[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Simulator sistem rekomendasi

Populasi pengguna tersimulasi dan katalog barang yang dapat dikonfigurasi, dipakai untuk melatih dan menguji algoritma rekomendasi.

Pertanyaan yang dijawabnya: Bagaimana algoritma rekomendasi akan berperilaku selama banyak interaksi dengan pengguna?

Mengabaikan: Perilaku pengguna diasumsikan, tidak diukur.

Berjalan di: sekitar 10^10 FLOPS kasar Simulasi paralel yang murah Sejak: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [sumber](https://arxiv.org/abs/1909.04847)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Proses stokastik](https://simulation-hypothesis.com/id/simulations/methods#m-stochastic)dasar: Aturan

### Mesin gim saraf

Model difusi yang dilatih pada rekaman permainan menghasilkan bingkai berikutnya dari aksi pemain, menggantikan mesin permainan itu sendiri.

Pertanyaan yang dijawabnya: Bisakah jaringan saraf menjalankan permainan interaktif dengan kecepatan yang layak dimainkan?

Mengabaikan: Ingatannya pendek, dan detailnya melenceng selama permainan panjang.

Berjalan di: sekitar 10^15 FLOPS kasar Pelatihan berat; inferensi waktu nyata pada satu akselerator Sejak: 2024 Diffusion models are real-time game engines (2024) [sumber](https://arxiv.org/abs/2408.14837)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)dasar: Aturan

### Dunia generatif interaktif

Model belajar dari video tanpa label untuk menciptakan dunia yang bisa dikendalikan, tempat pengguna bisa bertindak bingkai demi bingkai.

Pertanyaan yang dijawabnya: Bisakah dunia yang dapat dimainkan dihasilkan dari gambar saja?

Mengabaikan: Konsistensi dan laju bingkai terbatas, dan fisikanya tidak dijamin.

Berjalan di: sekitar 10^17 FLOPS kasar Pelatihan video skala besar Sejak: 2024 Genie: generative interactive environments (2024) [sumber](https://arxiv.org/abs/2402.15391)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Simulator interaktif dunia nyata terlatih

Model video yang dikondisikan pada aksi memprediksi apa yang akan dilihat robot atau agen setelah setiap perintah, menggantikan simulator buatan tangan.

Pertanyaan yang dijawabnya: Bisakah model yang dipelajari mensimulasikan hasil nyata dari tindakan?

Mengabaikan: Simulasi jangka panjang berhalusinasi, dan akurasi fisiknya tidak diverifikasi.

Berjalan di: sekitar 10^17 FLOPS kasar Pelatihan pada kumpulan data video dan aksi yang besar Sejak: 2023 Learning interactive real-world simulators (2023) [sumber](https://arxiv.org/abs/2310.06114)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Model dunia mengemudi generatif

Model video yang dikondisikan pada kecepatan dan kemudi menghasilkan adegan masa depan yang masuk akal dari sudut pandang mobil untuk melatih dan menguji otonomi.

Pertanyaan yang dijawabnya: Adegan lalu lintas apa yang mungkin menyusul dari sebuah tindakan mengemudi?

Mengabaikan: Adegan yang dihasilkan bisa melanggar fisika atau perilaku kasus langka.

Berjalan di: sekitar 10^17 FLOPS kasar Pelatihan model video besar Sejak: 2023 GAIA-1: a generative world model for autonomous driving (2023) [sumber](https://arxiv.org/abs/2309.17080)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)dasar: Aturan

### Sepak bola robot tersimulasi

Dua tim pemain perangkat lunak, masing-masing hanya melihat sebagian lapangan lewat indera yang berderau, bermain sepak bola di stadion simulasi untuk menguji kerja sama dan strategi.

Pertanyaan yang dijawabnya: Bisakah pemain perangkat lunak independen berkoordinasi cukup baik untuk mengalahkan tim saingan?

Mengabaikan: Lapangan, bola, dan tubuh robotnya diidealkan, sehingga keberhasilan menunjukkan taktik dan bukan keterampilan dengan perangkat keras sungguhan.

Berjalan di: sekitar 10^9 FLOPS kasar waktu nyata di workstation untuk satu pertandingan. Sejak: 1998 Soccer Server oleh Noda dan rekan, alat untuk riset sistem multiagen. [sumber](https://doi.org/10.1080/088395198117848)

[Berbasis agen](https://simulation-hypothesis.com/id/simulations/methods#m-agent-based)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Teori permainan](https://simulation-hypothesis.com/id/simulations/methods#m-game-theory)dasar: Populasi

### Kotak pasir agen rekayasa perangkat lunak

Agen diberi proyek kode sungguhan dan laporan masalah, menyunting berkas dan menjalankan uji di kotak pasir, lalu dinilai dari apakah perbaikannya lolos.

Pertanyaan yang dijawabnya: Bisakah agen AI memperbaiki bug sungguhan pada proyek perangkat lunak sungguhan tanpa bantuan?

Mengabaikan: Lulus uji tidak sama dengan perbaikan yang benar, dan proyeknya hanya sebagian kecil dari seluruh perangkat lunak.

Berjalan di: sekitar 10^15 FLOPS kasar ribuan simulasi model, masing-masing dengan banyak panggilan dan pengujian. Sejak: 2023 SWE-bench Jimenez dan rekan, berisi isu GitHub nyata untuk model bahasa. [sumber](https://arxiv.org/abs/2310.06770)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)dasar: Aturan

### Lingkungan agen komputer desktop

Komputer virtual lengkap dengan program sungguhan diberikan kepada agen yang melihat layar serta mengeklik dan mengetik, lalu dinilai dari apakah tugasnya selesai.

Pertanyaan yang dijawabnya: Bisakah agen AI menjalankan tugas di komputer seperti yang dilakukan manusia?

Mengabaikan: Tugasnya tetap dan berskrip, sedangkan pekerjaan nyata bersifat terbuka, sering terinterupsi, dan dibagi dengan orang lain.

Berjalan di: sekitar 10^15 FLOPS kasar ribuan simulasi, masing-masing menjalankan mesin virtual dan banyak panggilan model. Sejak: 2024 OSWorld dari Xie dan rekan, tolok ukur agen di lingkungan komputer nyata. [sumber](https://doi.org/10.52202/079017-1650)

[Emulator hasil belajar](https://simulation-hypothesis.com/id/simulations/methods#m-learned)[Waktu nyata](https://simulation-hypothesis.com/id/simulations/methods#m-real-time)[Aturan dan keadaan](https://simulation-hypothesis.com/id/simulations/methods#m-rules)dasar: Aturan

[◂ Kota, infrastruktur, dan operasi](https://simulation-hypothesis.com/id/simulations/cities-operations)[Matematika dan komputasi ▸](https://simulation-hypothesis.com/id/simulations/mathematics-computation)