CNCC 2016 grande ouverture aujourd'hui à Taiyuan, le discours d'ouverture, CCF Fellow, CCF lauréat Lifetime Achievement, Académie chinoise des sciences chercheur, professeur à l'Université de Tsinghua, l'Association chinoise de l'automatisation, rédacteur en chef adjoint du Journal of Computers chinois 2011, la Société allemande de l'Université de Hambourg des Sciences naturelles doctorat, 2016 Prix pour la coopération excellence de Zhang Bo Tsinghua University académicien future AI, rapport après l'apprentissage en profondeur des temps, pour tout le monde Lei Feng réseau pour suit bien:

Cette année est le 60e anniversaire de l'intelligence artificielle, si la vie a commencé à mesurer, est entré dans la vieillesse, mais il y a encore beaucoup de gens veulent être en mesure de fournir l'intelligence artificielle sophistiquée et la réalisation technique pour le développement de l'industrie, le développement économique et de la recherche scientifique. Je l'ai fait aujourd'hui un rapport, conformément à ce principe, en ce qui concerne les avantages de l'intelligence artificielle, ce sont les résultats que je dois dire assez, je dirais que ses problèmes par ......

La prémisse de la profondeur de l'apprentissage - printemps intelligence artificielle à nouveau

Aujourd'hui, le printemps de l'intelligence artificielle à nouveau, mais il y a 30 ans au Japon que les temps comparé différents, différents lieux, différents thèmes, cette fois-ci sur les résultats de la deuxième intelligence artificielle, la profondeur de l'apprentissage lié.

connaissances Traitement de l'intelligence à l'apprentissage en profondeur

A partir de la cinquième génération d'ordinateur à ordinateur cerveau classe

La connaissance du grand volume de données à grande

Raisonnement de la grande vitesse au symbole cerveau puce

De la compréhension du langage naturel à la perception (robot)

Je pense que ce temps ne nous appartient pas de chance, on peut encore tourner un coin de dépassement « machine Five » du Japon? Mon point de vue est que ces deux possibilités existent, la clé de la façon dont nous le faisons.

dit le proverbe chinois, trois décennies est, à l'ouest trois ans, et il y a 30 ans, toute différente de ce qu'elle est maintenant? A mes yeux, les deux points, c'est gros volumes de données, un autre point est la méthode probabiliste (et théorie). Il est à cause de ces deux facteurs a donné naissance à l'étude de la profondeur actuelle de la marée.

Les premières données point et je ne pas la publicité, nous examinons ce tableau sur la ligne.

Ceci est un modèle de réseau de neurones mis en place sous cette inspiration, ce modèle de réseau de neurones en probabilités et les statistiques devraient se concentrer sur l'expression orale selon la méthode, deux mots, une inférence bayésienne, une probabilité statistique, être « introduit » l'intelligence artificielle et marques changement révolutionnaire d'Amnesty International.

En fait, beaucoup de gens ne savent pas, comme la probabilité de l'intelligence artificielle de courant ont une contribution fondamentale aux statistiques, il a beaucoup de différents maintenant avec il y a 30 ans. C'est, quatre étape importante dans la figure ci-dessous.

Nous sommes maintenant en mesure de faire l'apprentissage en profondeur, l'optimisation peut se faire des millions, des dizaines de millions de paramètres, beaucoup de gens pensaient qu'il était un ordinateur plus rapide, en fait, pas tout à fait, mais grâce à des changements dans les méthodes statistiques concept. Ce changement nous permet d'être désormais en mesure de faire l'apprentissage en profondeur. Est au-dessus des quatre étapes se produisent, nous devons prêter attention à ce qui précède quatre étape.

Ces étapes plus tard développées dans les réseaux de neurones, en particulier l'apprentissage en profondeur, apprendre à utiliser un réseau multi-couches. La profondeur que l'on appelle, est de comparer le nombre de couches. Etant donné que la profondeur de méthodes d'apprentissage utilisé, la précision de la méthode d'identification de reconnaissance de formes, de reconnaissance d'image, et une augmentation de 10%, cette question a provoqué une formation de profondeur chauffée.

Pourquoi? Parce que la profondeur de l'apprentissage pour résoudre un problème, il y a un nombre considérable de personnes, selon le proverbe chinois, nous savons que ceux-ci, je ne sais pas pourquoi. Je peux reconnaître un cheval, mais nous ne pouvons pas décrire le cheval, alors comment faire? Puis, avec une approche d'apprentissage en profondeur:

• Il peut résoudre certains problèmes ne peuvent être pleinement exprimés, que « savoir, je ne sais pas pourquoi ».

• Le deuxième problème contre l'incertitude, nous continuons à changer, je peux continuer à apprendre, enfin, il peut résoudre le problème ne peut pas être clairement exprimé.

• De plus, il y a un apprentissage en profondeur a complètement changé le rôle traditionnel des réseaux de neurones, qui ne sont pas la cartographie de la fonction, plus important encore, pour extraire les motifs répétitifs à plusieurs niveaux, il est vrai que nous parlons de caractéristiques communes.

Cela nous permet de faire la reconnaissance des formes peut atteindre un niveau très élevé, et plus tard utilisé ces reconnaissance de formes, l'utilisation de la voix, y compris l'utilisation du texte (actuellement faire, mais l'effet est pas aussi bon qu'avant, mais il y a un certain effet), l'effet est très bon.

On peut dire, la profondeur de cette seconde intelligence artificielle d'étude pour fournir sur les résultats, nous pouvons aider à résoudre les grandes données dans une base de données, est disponible dans le traitement de l'information sensorielle, il est possible d'atteindre le niveau humain encore plus que le niveau humain.

AI après avoir pris connaissance profonde des temps

AI après avoir pris connaissance profonde des temps, ils veulent l'intelligence artificielle de cela, la méthode ne peut résoudre une gamme de étroite, de promouvoir une gamme plus large, ce que nous parlons de la soi-disant faible AI et AI forte et générale du travail smart. Quels sont les défis que nous devons faire ce travail est confronté? Fondamentalement, il fait face à trois défis.

1) il est difficile de mettre le concept d'une méthode statistique.

Nous venons de dire probabilités et statistiques, l'intelligence artificielle a joué un changement révolutionnaire, mais il apporte aussi un grand défi pour l'intelligence artificielle de, ce qui explique pourquoi le concept de la statistique elle-même - à travers un grand nombre de données, il ne peut sortir répétée fonction, ou au milieu de la pertinence des statistiques, sur les caractéristiques à savoir n'est pas essentiel, caractéristique de sémantique, sortir de la relation, pas une relation de cause à effet, mais une relation.

Quelles sont les conséquences de le faire? Ici réseau profondeur fait de système de reconnaissance de l'écriture manuscrite numérique, il reconnaîtra une variété de 2 ans, il prétend qu'il dépasse les performances des personnes, la capacité à identifier très avancé.

Mais voyez-vous, quand nous utilisons ce bruit pour tromper, il peut confirmer qu'il est 2, ce qui est peu susceptible de se produire chez les personnes avec un niveau de confiance de 99,99%, pourquoi la machine se produira, parce que la machine de savoir que 0 et 1 pas en fonction de la nature 0 et 1 eux-mêmes à comprendre, mais par des propriétés statistiques de la distribution du noir et blanc pour le comprendre, parce que cette ligne avec le bruit statistique 2 est la même, de sorte que cette erreur.

Aucun problème dans la reconnaissance des formes, mais si elle est utilisée dans la prise de décision sera une grosse erreur, il peut même jeter une pierre comme un cheval. Ce problème est très grave, c'est-à-dire la profondeur d'apprendre à distinguer entre un modèle en double, mais le cerveau est des caractéristiques distinctes distinction sémantique entre ces deux fondamentalement différents, mais liés.

2) En second lieu, les problèmes causés par les données brutes.

Big data a de nombreux avantages, en fait, beaucoup de données gros problème. Nous ne sommes pas les mêmes que précédemment Big Big Data Data, une grande quantité de données sont des données brutes. Nous examinons les données téléchargées sur le réseau sont un mélange de beaucoup de bruit, il y a un mensonge, il y a toutes sortes de déchets, ces données sont appelées données brutes. Nous soignons la machine pour les données brutes et les performances solides du traitement des données est relativement faible, pas les gens.

Si nous utilisons le diagramme sur le droit de former le réseau de neurones, il est une bonne compréhension du chat, si la figure à gauche, il est difficile de savoir, parce qu'il ne sait pas où le chat. Wu a fait ce rapport dans notre école, je plaisanté avec lui, dites-vous toujours vos bons résultats, ne dites pas que vous avez tort, pourquoi il peut être très bon d'avoir la reconnaissance sur le visage de chat de reconnaissance et d'un visage humain, parce que il utilise lorsque exemple de formation est soigneusement sélectionné, pas de fond, pas traité. Par conséquent, l'identification de ces trois choses doivent faire très bien. Mais si les exemples positifs, des exemples négatifs sont pris à la légère, et que son taux de reconnaissance est seulement pour cent dix, connaissait à peine, une machine avec des formes visibles de la connaissance humaine est très différent, il est très robuste.

3) En troisième lieu, de promouvoir la capacité de migrer le champ.

Les deux méthodes sont faits, il est difficile de promouvoir les différents domaines, ce qui est notre défi. Nous voulons une faible intelligence à l'intelligence générale, nous devons surmonter cette difficulté, si résolu cette difficulté, deux solutions à la situation actuelle.

deux solutions

1) une certaine manière, ces deux méthodes d'intelligence artificielle se combinent, parce que ces deux méthodes sont complémentaires.

Parce que le lien avec la sémantique fondée sur la connaissance, la compréhension, la méthode basée sur les données est une boîte noire, ne comprennent pas, mais vous pouvez garder le modèle d'extraction des données. Ainsi, en face du modèle doit être effectuée manuellement, cet endroit est la clé où? approche fondée sur la connaissance est exprimée en symboles discrets, l'apprentissage en profondeur est un espace vectoriel de grande dimension à l'intérieur, les deux choses que nous pouvons prendre si « la communication », il sera promouvoir très fortement l'étape de l'intelligence artificielle, et maintenant beaucoup de l'organisation mondiale faire aussi.

2) Une autre façon est de retour à l'origine des réseaux de neurones.

Il est basé sur les réseaux de neurones et l'apprentissage en profondeur au moyen du mécanisme de travail du cerveau humain pour former des réseaux de neurones humains ont une certaine manière, cette façon peut apprendre aux réseaux de neurones artificiels d'aujourd'hui, ce travail, il y a beaucoup d'organisations dans le monde. faire.

Nous méthode de calcul en général, la profondeur de l'apprentissage, ces deux choses si nous pouvons communiquer avec eux, et maintenant le travail principal de la communication, la combinaison de ces deux méthodes favorisera grandement l'application de l'intelligence artificielle.

En second lieu, je regarde un volumineux dizaines de milliers de pages de texte, pourquoi dois-je savoir ce qui est là pour dire, à cause des différentes informations locales, locales de moi comment, il intégré dans la conscience mondiale, le cerveau et il y avait ensembles de mesures, il y a implique aussi beaucoup de recherches. Si nous mettons ces études transplantées à cet endroit, l'intelligence artificielle de franchir une étape supplémentaire.

Après avoir étudié la profondeur de l'ordinateur

Il y a tellement peu de critiques de l'ordinateur, vous êtes une grande consommation d'énergie, le cerveau est si grand et fort, juste 25W, combien vous obtenez un ordinateur? Une autre critique est que l'architecture de von Neumann, le cerveau humain qui est traité avec le stockage, vous avez affaire à un stockage séparé, de sorte que l'ordinateur en ce moment à faire des remarques irresponsables.

Je voudrais que tout le monde à manger un réconfort, les ordinateurs modernes, notre société d'intelligence artificielle (les personnes) peut encore être invoqué pour maintenir pendant longtemps. Tout d'abord, il est aujourd'hui l'un des plus chauds de discussion est l'informatique quantique, est un cerveau comme l'informatique. Nous ne calculons pas un calcul quantique de mourir maintenant, quelque chose qui ne va pas. Parce que l'algorithme quantique, il n'y a qu'un seul algorithme, il est l'affacturage, il peut devenir un indice de diversité, l'autre n'a pas utilisé. Autre, même si elle sort de cet ordinateur, seuls ceux qui sont liés à l'algorithme de factorisation, il est possible d'accélérer, l'autre, il n'a pas encore l'algorithme, Suan Bule. Donc les ordinateurs quantiques sont maintenant absolument aucun substitut pour les ordinateurs d'aujourd'hui, comme les communications quantiques ne peuvent pas remplacer la communication en cours de la même.

Je voudrais que tout le monde à manger un deuxième réconfort, l'histoire du cerveau de classe pour calculer proprement parler appelé cerveau Insoired Computer, à la place du cerveau comme le cerveau vous ne savez pas ce qu'il est comme qui vous l'aimez.

Deux façons de calculer comment construire, mettre en uvre l'intelligence artificielle, la science informatique, ou la façon dont la façon du cerveau. L'amélioration des données, en plus d'une puce réseau, en train de faire le travail des gens avaient essentiellement à garder une partie de l'architecture de von Neumann, Von Neumann ne peut pas immédiatement annulé. Bien sûr, certaines personnes directement du droit à gauche, cela fait partie d'une classe de la recherche fondamentale, nous devons faire, cette classe devra cerveau interdisciplinaire, je vous recommande particulièrement les mathématiques, les sciences cognitives, la psychologie, les neurosciences et la langue la science.

Enfin, parler, intelligence artificielle, combien d'espoir? Cela dépend de notre perception du monde de la perception, selon ce que nous savons sur eux-mêmes?

Eh bien, nous mettons notre compréhension de lui-même divisé en deux parties, la partie gauche est « nous savons que nous savons », que la partie droite est appelée « Nous ne savons pas, » donc nous peint plus.

• partie blanche de ce que nous savons, c'est « Je sais savoir, » qui est plus de savoir pourquoi savoir pourquoi, c'est la boîte blanche.

Par exemple, les échecs, ce que nous pouvons dire clairement, nous savons pourquoi, ils savent pourquoi, ce modèle traditionnel de l'intelligence artificielle peut de le résoudre.

• Nous savons que sous la partie noire, est « nous ne savons pas savoir wo ne sais pas ce que nous savons ».

Ceci est une boîte noire, la perception est la façon dont nous savons pourquoi, je ne sais pas pourquoi, nous savons qu'il est Joe Smith, Joe Smith, mais nous ne savons pas à quelle hauteur les yeux du nez combien, comment faire avec la profondeur de l'apprentissage.

Il y a une zone grise au milieu de la boîte noire boîte blanche, beaucoup de problèmes, certains clairs, certains disent. Le plus typique est le Go, une partie capable de parler clairement, et les échecs peuvent parler clairement, alors pourquoi le feu de cheval, pourquoi la mort devrait aller de l'avant, la grande majorité des albinos Pourquoi aller à cet endroit tombe, le maître dit aussi de toute évidence, il dit c'est mon sens d'échecs.

Comment donner un sens aux échecs? Ceci est AlphaGo contribution significative aux échecs comme un sentiment de reconnaissance de modèle ne voyez-vous l'avenir de ce forum, vous devez savoir comment Lazes, ce forum est un modèle, et maintenant on peut dire, bien au maître d'échecs, non pas parce qu'il est trop intelligent, mais il est très forte capacité de reconnaissance de formes, les pièces ont un peu de changement, il savait a changé, vous savez ma politique à changer, c'est l'étude modèle + profondeur traditionnelle, AlphaGo fait l'étude approfondie Monte Carlo Recherche +. C'est ce que nous ne savons pas savoir.

• Il y a une partie bleue, nous ne savons savons pas, mais nous (clairement) que nous ne savons pas.

Tels que l'émotion, la conscience, etc., cette méthode peut également être utilisé pour simuler la profondeur de l'apprentissage, de sorte qu'au moins la surface de l'analogue. AI peut faire beaucoup, c'est le lieu puissant de l'intelligence artificielle, pourquoi avons-nous noté dans le passé, en plus de la partie blanche, l'autre part, nous ne pouvons rien faire, l'intelligence artificielle peut tout faire.

• Mais la seule partie jaune de ce fait, nous ne savons pas que nous ne savons pas.

Nous ne savons pas comment le faire dans des circonstances une raison ou une autre? couvre la recherche sur le cerveau tout, notre message est construit sur cette base, nous ne savons pas que nous ne savons pas, nous prenons conscience que nous ne savons pas, il devient alors que nous savons que nous savons. Les algorithmes traditionnels ne représentent qu'une petite partie de la partie blanche, qui peut créer un modèle mathématique du problème, alors pourquoi disons-nous que l'intelligence artificielle de a placé tant d'espoir, parce que ici.

Je parle beaucoup, je vous remercie.