AI: Проекты, которые меняют себя

ИИ – это подмножество компьютерного интеллекта. То есть все ИИ рассматривают искусственный интеллект, однако не все компьютерный интеллект рассматривают ИИ. Например, эмблематическое обоснование – моторы правил, мастер-каркасы и информационные диаграммы – может быть представлено как искусственный интеллект, и ни одна из них не является ИИ.

Одним из аспектов, который изолирует AI от информационных диаграмм и мастер-каркасов, является его способность изменять себя при представлении большего количества информации; например, AI является динамическим и не требует человеческого заступничества для внедрения определенных улучшений. Это делает его менее хрупким и менее зависимым от специалистов-людей.

Говорят, что программа для ПК выигрывает по факту E, как и для некоторого класса заданий T и выполнения мероприятия P, если ее выставка по заданиям в T, по оценке P, улучшается с опытом E. – Том Митчелл

В 1959 году Артур Самуэль, один из пионеров ИИ, охарактеризовал ИИ как “поле концентрата, позволяющее ПК учиться без однозначной модификации”. То есть, программы ИИ не были явно встроены в ПК, как это было в случае с анонсами выше. Можно сказать, что программы ИИ изменяются в свете информации, которой они представлены (как ребенок, который приходит в мир, понимая, что ничто не меняет его восприятия мира из-за опыта).

Сэмюэль поручил программе для ПК играть в шашки. Его целью было научить его играть в шашки выше себя, что явно не то, что он мог бы запрограммировать однозначно. Ему это удалось, и в 1962 году его программа выиграла у победителя шахмат провинции Коннектикут.

Адаптация” некоторой части AI подразумевает, что ML расчеты пытаются модернизировать вместе с конкретным измерением; например, они, как правило, пытаются ограничить промах или увеличить вероятность того, что их ожидания являются действительными. У этого есть три названия: ошибочная работа, неудачная работа или работа над целью, в свете того, что у вычисления есть цель… Когда кто-то говорит, что работает с вычислением ИИ, вы можете добраться до сути его стимула, задав вопрос: Какова целевая работа?

Как можно ограничить ошибку? Все, что учитывается, один из способов – собрать структуру, которая увеличивает вклад в запрос, чтобы сделать предположения относительно источников наклона информации. Различные урожаи/сюрмизы – это результаты источников данных и расчетов. Как правило, лежащие в основе теории очень далеки от реальности, и в случае, если вам повезло, что у вас есть достоверные имена, относящиеся к информации, вы можете оценить, насколько неверны ваши оценки, выделив их из реальности, и затем использовать эту ошибку, чтобы изменить свои расчеты. Это то, что делают нейронные системы. Они продолжают оценивать ошибку и изменять свои параметры до тех пор, пока не смогут добиться меньшего просчета.

Они, говоря простым языком, являются улучшением вычислений. Если вы настраиваете их правильно, они ограничивают свой промах, спекулируя и спекулируя еще раз.

Глубокая адаптация: Больше точности, больше математики и больше рисунка.

Глубокое изучение – это подмножество ИИ. Как правило, когда люди используют термин “глубокое обучение”, они ссылаются на глубокие фальшивые нейронные системы, и в некоторой степени менее привычно – на глубокое фортификационное обучение.

Глубокое поддельное нейронное обучение – это множество вычислений, которые создали новые прецеденты в точности для некоторых важных вопросов, например, признание картины, признание звука, рекомендательные рамки, общая работа с языком и так далее. Например, глубокое изучение – это часть выдающихся вычислений DeepMind AlphaGo, которые победили предыдущего обладателя титула Ли Седола на Го в середине 2016 года, а нынешнего лучшего на планете Ке Цзе в середине 2017 года. Все более полное разъяснение нейронных работ находится здесь.

Глубокий – это специализированный термин. Он указывает на количество слоев в нейронной системе. Неглубокая организация имеет один предполагаемый зачехленный слой, а глубокая система – несколько. Различные скрытые слои позволяют глубоким нейросистемам изучать светлые участки информации в предполагаемом порядке следования компонентов, так как основные светлые участки (например, два пикселя) рекомбинируют, начиная с одного слоя, затем на следующий, чтобы обрамлять прогрессивно сложные светлые участки (например, линию). Сети с многочисленными слоями пропускают входную информацию (светлые участки) через большее количество научных задач, чем сети с едва ли существующими слоями, и, следовательно, более вычислительно сконцентрированы для подготовки. Интенсивность вычислений – один из признаков глубокого обучения, и это один из мотивов, по которому для подготовки моделей глубокого обучения требуются GPU с другим типом чипа.

Таким образом, вы можете применить подобное определение к глубокому открытию, которое Артур Сэмюэль дал ИИ – “области концентрата, которая позволяет ПК учиться, не будучи специально настроенным”, добавив при этом, что в целом это приведет к более высокой точности, потребует больше оборудования или времени на подготовку, и будет особенно хорошо работать с неструктурированной информацией, например, массой пикселей или контентом.

Что дальше для искусственного интеллекта?

Успехи, достигнутые учеными из DeepMind, Google Mind, OpenAI и различных колледжей, ускоряются. Искусственный интеллект пригоден для решения все более сложных задач, превосходящих все, что могут сделать люди.

Это означает, что искусственный интеллект меняется быстрее, чем может быть составлена его история, поэтому прогнозы о его будущем также немедленно устаревают. Преследуем ли мы такие достижения, как атомное расставание (мыслимое), или пытаемся вырвать понимание из кремния постепенно, как попытка превратить свинец в золото?1.

Существует четыре основных способа мышления, или, может быть, святые места убеждения, которые собирают вместе то, как люди говорят о рукотворном интеллекте.

Люди, которые согласятся с тем, что моделируемый интеллект будет развиваться быстрыми темпами, будут в целом созерцать солидный компьютерный интеллект, и будут ли он полезен человечеству. Среди тех, кто полагает, что прогресс прогрессирует, один лагерь подчеркивает преимущества все более проницательного программирования, которое может избавить человечество от его нынешних глупостей; другой делает акцент на экзистенциальной опасности гения.

Учитывая, что интенсивность компьютерного интеллекта развивается неразрывно с интенсивностью вычислительного оборудования, продвижение вычислительного предела, например, лучших чипов или квантовой обработки, уступит место прогрессу искусственного интеллекта. На простом алгоритмическом уровне большинство шокирующих результатов, достигаемых лабораториями, например, DeepMind, происходят от объединения различных способов работы с искусственным интеллектом, так же как AlphaGo консолидирует глубокое обучение и обучение фортификации. Сочетание глубокого обучения с представительным мышлением, аналогичным мышлением, байесовскими и трансформирующими методами – все это является гарантией.

Люди, которые не признают, что компьютерный интеллект набирает столько сил по сравнению с человеческим прозрением, предвидят другую зиму антропогенного интеллекта, во время которой финансирование будет испаряться из-за по большей части разочаровывающих результатов, как это происходило ранее. Огромное количество таких людей рассчитывают на домашних животных или применяют подход, который соперничает с глубоким изучением.

Наконец, есть реалисты, останавливающиеся на математике, борющиеся с хаотичной информацией, редкими симулируемыми умственными способностями и признанием клиентов. Они минимально строги к собраниям, делающим прогнозы о компьютерном интеллекте – они просто понимают, что это тяжело.