L'original Carlos E. Perez
Li Shan compilé à partir Intuition Blog machine
Qubit produit | Numéro public QbitAI
2018, tout sera radicalement changer.
Les incroyable percée étude approfondie faite en 2017, sera pleinement entré en éruption en 2018. L'année dernière, beaucoup de travaux de recherche seront transférées à des applications logicielles de tous les jours.
Comme l'année dernière, je prédis 2018 intensifierons le développement de l'apprentissage en profondeur.
1, la majorité des matériels d'apprentissage profondes entreprises en démarrage échouera
Beaucoup de matériel d'apprentissage en profondeur les entreprises en démarrage livreront leur puce finale en 2018. Ce sont des produits semi-finis, parce qu'ils oublient de fournir un excellent logiciel pour soutenir ces nouvelles solutions. Ce sont l'ADN de l'entreprise est le matériel. Malheureusement, dans la profondeur de champ d'étude, le logiciel est tout aussi important. La plupart de ces entreprises de démarrage ne comprennent pas le logiciel, ne comprennent pas le coût du développement de logiciels. Ces entreprises peuvent offrir des puces, mais rien ne sera exécuté sur ces puces.
La solution consiste à réduire le plus facile d'atteindre l'objectif-gamme, a maintenant été adopté, donc nous ne verrons pas beaucoup comme ça 10 fois la taille des mises à niveau de performance en 2017. Les chercheurs non seulement raisonner avec ces Tensor de base, vous pouvez aussi accélérer la formation.
La solution d'Intel continuera de reporter, il peut être décevant. Le dossier montre que Intel ne peut pas libérer ce produit à la mi-2017, personne ne peut prédire quand l'entreprise peut lancer ce produit. S'il est trop tard, il ne deviendra un raté.
Google continuera à développer TPU avec surprise pour le monde. Google pourrait entrer sur le marché du matériel, mettra sa propriété intellectuelle à d'autres fabricants de semi-conducteurs. Si elle continue d'être le seul ajout de NVIDIA un vrai participant, cette approche serait logique.
2, méta-apprentissage deviendra le nouveau SGD
2017, Yuan principal domaine d'études a émergé beaucoup d'importance. Avec la compréhension de la communauté de la recherche dans leur ensemble serait renforcée méta-apprentissage, descente de gradient stochastique traditionnelle (SGD) sera marginalisée, passage à une manière plus efficace, sera plus des méthodes de recherche d'explosifs et d'exploration combinés.
les progrès de l'apprentissage non supervisé va accélérer progressivement, mais sera principalement tirée par l'algorithme de méta-apprentissage.
3, pour promouvoir la nouvelle modélisation du modèle de génération
modèle de génération aura plus d'importance de l'exploration scientifique. La plupart des recherches actuelles est de générer des images et des voix. Cependant, nous devrions voir cette fusion dans quelques-uns des outils utilisés pour la modélisation de systèmes complexes. Une telle zone est la mise en place du modèle économique avec l'apprentissage en profondeur.
4, par jeu connaissance de soi pour créer l'automatisation
Il peut être autodidacte à partir de zéro et AlphaZero AlphaGo Zero est un énorme bond en avant. À mon avis, il a le même degré d'influence avec l'émergence de la profondeur de l'apprentissage. étude approfondie a révélé que approximator fonction générique. L'auto-étude se trouve dans la création de connaissances générales.
Attendu apprentissage machine auto-apprentissage sera fait beaucoup de progrès.
5, Machine intuitive combler le vide sémantique
Ceci est mon plus audacieux d'une prévision. Nous allons combler l'écart sémantique entre la machine de la machine rationnelle et intuitive. la théorie du double processus (y compris deux cognition machine, pas un modèle, il y a un autre modèle) deviendra concept plus populaire dans le développement de notre nouveau processus d'intelligence artificielle. Le concept de l'intuition artificielle n'est plus un concept marginal, mais les gens deviendra concept plus largement acceptée en 2018.
6, l'intelligibilité ne peut être atteint - nous ne pouvons faux
Interprétabilité ont deux questions. Mieux problème connu est qu'il ya beaucoup de règles d'interprétation, tous les êtres humains ne peuvent pas saisir. Le deuxième problème ne sait pas, que la machine va créer beaucoup d'êtres humains et ne peut pas être expliqué concept entièrement inconnu. Nous avons vu ce phénomène dans AlphaGo zéro et AlphaZero de la politique. Human croire un tel mouvement au-delà du classique, mais peut-être ils n'ont pas la capacité de comprendre la logique derrière ce comportement seulement.
Je pense que ce n'est pas un problème. Au lieu de cela, la machine est très bon « explication faux. » En termes simples, l'objectif de la machine est de comprendre la sensation interprétable humaine confortable qui expliquent, ou expliquer le niveau de l'intuition humaine peut comprendre. Cependant, dans la plupart des cas, ne peut pas expliquer pleinement humain.
Nous devons améliorer l'étude approfondie de l'intelligibilité de la « explication de faux. »
7. Informations d'étude approfondie et la recherche sera une réduction significative
En 2017, il a été difficile de suivre les progrès de l'étude approfondie et de la recherche. Document présenté à la conférence IPSC 2018, environ 4000. Les chercheurs prennent une journée pour lire 10 articles pour suivre les progrès de la conférence.
Le problème se aggrave dans ce domaine, parce que le cadre théorique est très utile dans ce processus. Pour progresser en théorie, nous devons trouver un plus des méthodes mathématiques avancées, ce qui nous permet de mieux analyser. Ce n'est pas facile, parce que la plupart des chercheurs de l'étude en profondeur ne sont pas appropriés fond mathématique, nous ne pouvons pas comprendre la complexité de ces systèmes. les besoins d'apprentissage profondeur des chercheurs avec bases théoriques complexes, mais les chercheurs ont en fait très peu.
Parce que trop de papiers, couplé avec la théorie mauvaise après l'autre, nous conduit dans le maintenant cet état désagréable.
Intelligence artificielle générale Universal a également disparu. La théorie est très faible, afin que nous puissions faire est de créer une feuille de route, avec beaucoup de premiers jalons cognitifs liés à l'homme. Nous avons seulement un cadre purement théorique de la psychologie cognitive de. Cette situation est très mauvaise, parce que la pratique de la preuve dans ces domaines est très rare.
étude approfondie du nombre de documents de recherche pourrait croître de trois à quatre fois en 2018.
8, l'industrialisation par l'environnement d'enseignement
Vous voulez faire le développement de l'apprentissage en profondeur plus prévisible et plus facile à contrôler, nous devons développer l'environnement d'enseignement plus spécifique. Avant d'avoir élaboré. Si vous voulez connaître les techniques d'enseignement de la forme la plus grossière d'expression, juste pour voir comment le réseau d'apprentissage profond peut être formé. Nous verrons plus de progrès dans ce domaine.
Plus d'entreprises devraient divulguer leur infrastructure interne, révélant ainsi la façon dont ils sont le déploiement à grande échelle de l'apprentissage en profondeur.
9, augmentation cognitive conversationnelle
Méthodes Nous avons évalué l'intelligence artificielle générale trop vieux. La nécessité d'aborder la dynamique complexe du monde réel grâce à un nouveau paradigme. Nous voyons plus de progrès dans l'année à venir devrait apparaître dans ce domaine. Je vais explorer ce nouveau paradigme cognitif de la conversation à la conférence Energy Information 2018 à Amsterdam 1er Mars et 2.
10, nous exigeons l'utilisation des normes d'éthique de l'intelligence artificielle.
Il y aura de plus en plus de gens ont besoin de l'utilisation de l'intelligence artificielle pour se conformer aux normes d'éthique. Actuellement de plus en plus conscients des conséquences négatives découlant du contrôle après l'automatisation. Facebook, Twitter, Google, Amazon et d'autres plates-formes pour l'utilisation de la technologie d'automatisation simple, auront l'impact social involontaire.
Lorsque vous déployez ces machines peuvent prédire le comportement humain, nous devons comprendre les questions éthiques et morales. La reconnaissance faciale est une des fonctions plus dangereuses. L'algorithme peut générer des données réelles des médias deviendront un gros problème. La société tout entière doit exiger de l'intelligence artificielle au profit de la société dans son ensemble à considérer, non pas aggraver les inégalités sociales.
L'année prochaine verra une discussion plus approfondie sur les questions éthiques de l'intelligence artificielle. Cependant, il ne devrait pas être mis en place de nouvelles mesures réglementaires. Les décideurs politiques doivent aussi quelques années pour vraiment comprendre l'impact de l'intelligence artificielle sur la société. Je ne pense pas qu'ils vont arrêter de se battre et de résoudre les vrais problèmes de société. L'impact de la population des États-Unis par de nombreux problèmes de sécurité, mais on n'a pas vu la nouvelle loi pour résoudre ces problèmes graves. Donc, ne vous attendez pas que ces questions soient résolues du jour au lendemain.
Préparez-vous à l'impact
2018 est très important, nous devons porter des ceintures de sécurité, pour saluer l'impact à venir majeur.
- complet -
recrutement sincère
Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".
qubit QbitAI · manchettes sur la signature de
' « suivre les nouvelles technologies AI dynamiques et de produits
