20、全球工作空间增强的实现验证与深度学习走向通用智能的基础

全球工作空间增强的实现验证与深度学习走向通用智能的基础

全球工作空间增强的实现与验证

在交通控制领域，Codelet在目标达成后会回归使用PR。以Attention Codelet为例，其上下文是每个路口的拥堵状况，竞争标准便是找出最拥堵的路口。当所有Triggers发送完候选对象后，竞争便会启动。一旦Attention Codelet确定了关键路口，就需要监控其激活水平以实现目标。具体操作是，它会解除对掌管关键路口的Junction Trigger的抑制（如图3中的点划线所示），这属于一种自上而下的注意力机制。

与Attention Codelet相关的是，每个Junction Trigger都关联着一个Traffic Controller Codelet。对于自下而上的注意力机制，它会将路口激活值发送给Attention Codelet（如图3）。当其中一个被Attention Codelet解除抑制时，其功能保持不变。而全球广播机制（Global Broadcast Mechanism）的实现则遵循相应的设计与实现部分。

通过在SUMO中使用“Corridor”交通网络模型进行实验，每0.1秒添加车辆。以PR为基准，PR - GWT的性能平均提升了3.8%，最高可达8.6%，这一提升幅度与相关研究结果相当，验证了实现的正确性。此外，提出的Reactive Scheme平均进一步减少了5.9%的平均行程时间，最高可达10.9%。而Projection Scheme效果最佳，平均减少了7.1%，最高可达15%。实验成功表明，通过引入GWT，动态协作交互得以实现。尽管通往Traffic Controller Codelets的路径彼此不直接交互，但它们仍能通过竞争和广播机制形成联