Gagawin Ninyo ang Mahalin sa Artipisyal na Katalinuhan

Gagawin Ninyo ang Mahalin sa Artipisyal na KatalinuhanAng mga tao at ang mga machine ay malampasan ang mga kakayahan ng alinman sa elemento nag-iisa. metamorworks / Shutterstock.com

Ang hinaharap ay hindi gagawin ng alinman sa mga tao o mga machine mag-isa - ngunit sa pamamagitan ng pareho, nagtutulungan. Nagtatampok ang mga teknolohiya sa kung paano gumagana ang mga talino ng tao ay nagpapalawak sa kakayahan ng mga tao, at magkakaroon lamang ng mas maimpluwensyang bilang ang lipunan ay magagamit sa mga lalong may kakayahang makina.

Ang mga optimista ng teknolohiya ay nagpakita ng isang mundo na may tumataas na produktibo ng tao at kalidad ng buhay tulad ng mga artipisyal na mga sistema ng katalinuhan na kumukuha ng kabagsikan at administrivia ng buhay, nakikinabang sa lahat. Ang mga pesimista, sa kabilang banda, ay nagbabala na ang mga pag-unlad na ito ay maaaring dumating sa mahusay na gastos sa mga nawalang trabaho at pag-disrupted buhay. At ang mga fearmongers ay nag-aalala na baka baka magawa ko gawing lipas na ang mga tao.

Gayunpaman, ang mga tao ay hindi maganda sa pag-iisip ng hinaharap. Walang alinman sa utopia o katapusan ng mundo ay malamang. Sa aking bagong libro, "Ang Deep Learning Revolution, "Ang aking layunin ay upang ipaliwanag ang nakaraan, kasalukuyan at hinaharap ng mabilis na lumalagong lugar na ito ng agham at teknolohiya. Ang aking konklusyon ay na gagawin ka ng AI na mas matalinong, ngunit sa mga paraan na sorpresahin ka.

Kinikilala ang mga pattern

Ang malalim na pag-aaral ay bahagi ng AI na gumawa ng pinakamaraming progreso sa paglutas ng mga kumplikadong problema tulad ng pagkilala ng mga bagay sa mga imahe, pagkilala ng pagsasalita mula sa maraming mga speaker at pagproseso ng teksto sa paraan ng pagsasalita o pagsulat ng mga tao. Ang malalim na pag-aaral ay napatunayan din na kapaki-pakinabang para sa pagtukoy ng mga pattern sa lumalaking malaking hanay ng data na nalikha mula sa sensor, aparatong pang-medikal at pang-agham na instrumento.

Ang layunin ng diskarte na ito ay upang mahanap ang mga paraan na maaaring makilala ng computer ang pagiging kumplikado ng mundo at pangkalahatan mula sa nakaraang karanasan - kahit na kung ano ang nangyayari sa susunod ay hindi eksaktong kapareho ng kung ano ang nangyari bago. Tulad ng isang tao ay maaaring makilala na ang isang tiyak na hayop na hindi pa niya nakita bago ay sa katunayan ng isang pusa, maaaring matukoy ng mga malalim na algorithm sa pag-aaral ang mga aspeto ng kung ano ang maaaring tinatawag na "cat-ness" at kunin ang mga katangiang iyon mula sa mga bagong larawan ng mga pusa.

Gagawin Ninyo ang Mahalin sa Artipisyal na KatalinuhanMaaaring sabihin ng malalim na sistema sa pag-aaral kung alin sa mga ito ang isang pusa. Gelpi / Shutterstock.com

Ang mga pamamaraan para sa malalim na pag-aaral ay batay sa parehong mga prinsipyo na nagbibigay kapangyarihan sa utak ng tao. Halimbawa, ang utak ay may hawak na maraming data ng iba't ibang uri sa maraming mga yunit sa pagpoproseso nang sabay. Ang mga neuron ay may maraming koneksyon sa bawat isa, at ang mga link na ito ay nagpapalakas o nagpapahina depende sa kung gaano sila ginagamit, nagtatatag ng mga asosasyon sa pagitan ng mga pandama na input at mga haka-haka na output.


Kunin ang Pinakabagong Mula sa InnerSelf


Ang pinaka-matagumpay na malalim na pag-aaral ng network ay batay sa pananaliksik ng 1960 sa arkitektura ng visual cortex, isang bahagi ng utak na ginagamit namin upang makita, at pag-aaral ng mga algorithm na imbento sa 1980s. Noong panahong iyon, ang mga computer ay hindi sapat na mabilis upang malutas ang mga problema sa real-world. Ngayon, gayunpaman, sila ay.

Bilang karagdagan, ang mga network ng pag-aaral ay layered sa ibabaw ng bawat isa, na lumilikha ng mga webs ng mga koneksyon nang mas malapit na kahawig ng hierarchy ng mga layer na makikita sa visual cortex. Ito ay bahagi ng isang tagpo nagaganap sa pagitan artipisyal at biolohikal na katalinuhan.

Gagawin Ninyo ang Mahalin sa Artipisyal na KatalinuhanAng isang apat na layered neural network ay tumatanggap ng input mula sa kaliwa, naipapasa ang output ng unang layer sa susunod na layer, sa susunod at sa susunod - bago naghahatid ng output. Sin314 / Shutterstock.com

Malalim na pag-aaral sa totoong buhay

Ang malalim na pag-aaral ay nagdaragdag sa mga kakayahan ng tao. Kung gumagamit ka ng mga serbisyo ng Google upang maghanap sa web, o gamitin ang mga app nito upang i-translate mula sa isang wika papunta sa iba o i-speech sa text, ginawa ka ng teknolohiya na mas matalinong, o mas epektibo. Kamakailan lamang sa isang paglalakbay sa China, isang kaibigan ang nagsalita ng Ingles sa kanyang Android phone, na isinalin ito sa pasalitang Intsik para sa isang driver ng taxi - tulad ng unibersal na tagasalin sa "Star Trek. "

Isang pagsubok ng isang aktwal na real-time na aparato ng pagsasalin.

Ang mga ito at maraming iba pang mga sistema ay nasa trabaho na, na tumutulong sa iyo sa iyong pang-araw-araw na buhay kahit na hindi mo alam ang mga ito. Halimbawa, ang malalim na pag-aaral ay nagsisimula upang sakupin ang pagbabasa ng mga imahe ng X-ray at mga litrato ng mga sugat sa balat para sa pagtuklas ng kanser. Sa lalong madaling panahon, makakakita ang iyong lokal na doktor ng mga problema na maliwanag na ngayon sa mga pinakamahusay na eksperto.

Kahit na alam mo na may isang machine na kasangkot, hindi mo maaaring maunawaan ang pagiging kumplikado ng kung ano talaga ang kanilang ginagawa: Sa likod ng Alexa Amazon ay isang bevy ng malalim na pag-aaral ng mga network na makilala ang iyong kahilingan, suriing mabuti ang data upang sagutin ang iyong mga tanong at gumawa ng mga aksyon sa iyong ngalan.

Pagsulong ng pag-aaral

Ang malalim na pag-aaral ay lubos na epektibo sa paglutas ng mga problema sa pagkilala ng mga pattern, ngunit upang lumampas na ito ay nangangailangan ng iba pang mga sistema ng utak. Kapag ang isang hayop ay gagantimpalaan para sa isang aksyon, ito ay mas malamang na gumawa ng katulad na mga pagkilos sa hinaharap. Ang dopamine neurons sa basal ganglia ng utak ay nag-ulat ng pagkakaiba sa pagitan ng inaasahang at natanggap na gantimpala, tinatawag na error sa hula ng hula, na ginagamit upang baguhin ang mga lakas ng mga koneksyon sa utak na mahuhulaan ang mga gantimpala sa hinaharap.

Ang pagkabit sa diskarteng ito, na tinatawag na reinforcement learning, na may malalim na pag-aaral ay maaaring magbigay sa mga computer ng kapangyarihan upang makilala ang mga hindi inaasahang posibilidad. Sa pamamagitan ng pagkilala sa isang pattern at pagkatapos ay pagtugon sa ito sa isang paraan na magbubunga ng gantimpala, machine ay maaaring lumapit sa pag-uugali kasama ang mga linya ng kung ano ang maaaring tinatawag na tao pagkamalikhain. Ang kaisa na diskarte na ito ay kung paano binuo ng DeepMind a programa na tinatawag na AlphaGo, kung saan 2016 natalo grandmaster Lee Sedol at sa susunod na taon talunin ang mundo Go champion, Ke Jie.

Ang mga laro ay hindi masama tulad ng tunay na mundo, na puno ng mga pag-aalinlangan. Massimo Vergassola sa University of California, San Diego, at ginamit ko kamakailan ang reinforcement learning upang magturo ng glider sa field kung paano lumilipad tulad ng isang ibon sa magulong thermals. Ang mga sensors ay maaaring naka-attach sa aktwal na mga ibon upang subukan kung ginagamit nila ang parehong mga pahiwatig at tumugon sa parehong paraan.

Sa kabila ng mga tagumpay na ito, ang mga mananaliksik ay hindi pa ganap na naiintindihan kung paano malulutas ng malalim na pag-aaral ang mga problemang ito. Siyempre, hindi namin alam kung paano pinagsama sila ng utak.

Habang ang panloob na mga gawain ng utak ay maaaring manatiling mahirap hulihin, isang oras lamang bago ang mga mananaliksik ay bumuo ng isang teorya ng malalim na pag-aaral. Ang pagkakaiba ay na kapag nag-aaral ng mga computer, ang mga mananaliksik ay may access sa bawat koneksyon at pattern ng aktibidad sa network. Ang tulin ng progreso ay mabilis, na may mga papeles sa pananaliksik na lumilitaw araw-araw arXiv. Ang mga nakakagulat na pag-unlad ay sabik na inaasahang Disyembre na ito sa Pagpupulong ng pagproseso ng Neural Information Systems sa Montreal, na ibinebenta ang 8,000 na mga tiket sa 11 minuto, nag-iiwan ng 9,000 na umaasa sa mga registrant sa listahan ng naghihintay.

May isang mahabang paraan upang pumunta bago makamit ng mga computer ang pangkalahatang katalinuhan ng tao. Ang pinakamalaking malalim na pag-aaral ng network ngayon ay ang lakas lamang ng isang piraso ng neural cortex ng tao ang laki ng isang butil ng bigas. At hindi pa namin alam kung paano ang pag-aayos ng utak ng mga pakikipag-ugnayan sa pagitan ng mas malaking mga lugar ng utak.

Ang likas na katangian ay mayroon na antas ng pagsasama, na lumilikha ng malakihang mga sistema ng utak na may kakayahang mag-ehersisyo ang lahat ng aspeto ng katawan ng tao habang iniisip ang malalim na mga tanong at kumpletuhin ang mga kumplikadong gawain. Sa huli, ang mga sistemang nagsasarili ay maaaring maging kumplikado, na sumasali sa napakaraming buhay na nilalang sa ating planeta.Ang pag-uusap

Tungkol sa Ang May-akda

Terrence Sejnowski, Propesor Francis Crick at Direktor ng Computational Neurobiology Laboratory sa Salk Institute para sa Biological Studies, at Distinguished Professor of Neurobiology, University of California San Diego

Ang artikulong ito ay muling nai-publish mula sa Ang pag-uusap sa ilalim ng lisensya ng Creative Commons. Basahin ang ang orihinal na artikulo.

Mga Kaugnay Books

{amazonWS: searchindex = Books; keywords = artificial intelligence; maxresults = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

sundin ang InnerSelf sa

facebook-icontwitter-iconrss-icon

Kumuha ng Pinakabagong Sa pamamagitan ng Email

{Emailcloak = off}