Le texte intégral 3895 Les mots, lorsque l'apprentissage tout au long attendu 8 minute
Il y a des informaticiens pensent que des progrès réels de recherche d'intelligence artificielle que le niveau actuel de la spéculation est beaucoup plus lente.
Les progrès confus par la présence d'un véritable droit d'intelligence artificielle, Melanie Mitchell (Melanie Mitchell) son nouveau livre écrit « Intelligence artificielle: le Guide de l'esprit humain » (Intelligence artificielle: Un guide pour les humains de pensée), dans son livre elle a écrit qu'elle voulait « comprendre l'état réel des choses. »
Elle a appris qu'il ya ambivalence permet aux gens ordinaires de respirer, parce qu'elle s'engagée dans l'intelligence artificielle, professeur d'informatique à l'Université Portland State, est également célèbre pour le Centre de recherche multidisciplinaire - Institut du Comité scientifique Santa Fe le co-président. Si vous êtes confus au sujet de la position de Mitchell sur l'intelligence artificielle, l'intelligence artificielle, et que le reste d'entre nous pour la confusion même de comprendre complètement faux peut être pardonné.
Comme le souligne Mitchell sur, dans de nombreux domaines de l'intelligence artificielle de ont été appliquées avec succès. Du point de vue, le plus récemment dans la vision de la machine, la reconnaissance vocale, jeux d'apprentissage de la machine et d'autres avancées ont été annoncée dans les prochaines décennies, l'intelligence artificielle, peut remplir une variété de tâches mieux que les humains. Certaines personnes pensent que les perspectives sont très lumineuses, l'ordinateur peut décider d'éliminer cette volonté humaine dans l'action.
Mais comme Mitchell a fait valoir que même l'intelligence artificielle d'aujourd'hui de la plus avancée il y a des limites critiques. Ils ne sont bonnes à des tâches définies dans la région, ne connaissait rien du monde extérieur. Ils peuvent trouver des données pertinentes, quel que soit son sens, et donc moins fiables prédiction peuvent même conduire à des accidents. Ils n'ont pas de bon sens.
Mitchell a écrit: « Nous avons fait d'énormes progrès soit, ou presque aucun progrès avec notre intelligence artificielle « réel », ou du bout des doigts, ou séparés siècle. »
Ce livre est instructif et sa place inoubliable précisément à Mitchell dire la façon de résoudre le problème. Elle a patiemment expliqué à la technologie de l'intelligence artificielle d'aujourd'hui nous fait sentir, une véritable intelligence artificielle de est encore loin. L'ordinateur non seulement besoin d'un meilleur cerveau, peut aussi besoin d'un meilleur corps.
La reconnaissance d'image, traduction automatique et les derniers développements conduisent le domaine de la technologie de réseau de neurones comme la technologie de base à cet effet, Mitchell a écrit un clair, des livres d'entrée de gamme conviviales. La technologie de réseau de neurones au 20e siècle 50--60 ans a été appliqué l'intelligence artificielle à construire. Cependant, en raison des limites des conditions techniques à ce moment-là, l'application limitée des réseaux de neurones, sombre perspective, a perdu l'attention du monde universitaire. Mais il y a environ une dizaine d'années, cette situation a changé, avec les progrès de la puissance de calcul, il peut être appelé « l'apprentissage en profondeur » (apprentissage profond), méthode de données intensives de formation du réseau de neurones.
Selon la description Mitchell des réseaux de neurones, vous n'avez pas besoin de comprendre les mathématiques complexes - mais elle a indiqué que les mathématiques reflète en grande partie la nature des réseaux de neurones, explique ses avantages et ses inconvénients. algorithme de réseau neuronal est basé sur le calcul de la convolution est appliquée à l'identification du contenu de l'image. Les statistiques d'analyse texte commun fréquence d'occurrence d'un mot dans la phrase, l'algorithme de convolution repose sur le calcul de la statistique est converti en un retraitement vectoriel complexe multidimensionnel.
Impressionnant, afin de réduire les interférences sur l'ordinateur, il quantifie le problème aux multiples facettes. Dans le même temps, ces procédés sont efficaces dans des applications telles que le filtrage de détection de la tumeur, le pilote automatique et le spam de manière significative. Mais l'application intelligente de la nouvelle puissance de calcul puissante ne pas nécessairement l'intelligence artificielle et confèrent notre intelligence considérable. Comme le souligne Mitchell sur, laisser convolution réseau de neurones fonctionne correctement, « il faut beaucoup de créativité humaine. » Le système d'apprentissage de la machine est essentiellement mène des travaux statistiques, la reconnaissance de ce fait, pas difficile de comprendre pourquoi ils sont si faciles, inexactitudes bugs et autres défauts dans le traitement des données. Si l'image principale en train blanc, le système de réseau de neurones, il ne reconnaît pas les visages noirs. Conduire une voiture ne reconnaît pas automatiquement collant autocollant signe stop, mais les humains encore capables d'identifier facilement, ce qui est pas surprenant.
Heureusement, ces problèmes ont provoqué beaucoup de discussions sur la technologie de reconnaissance faciale et la prise de décision automatique sur l'impact social de ces discussions et ont obtenu des résultats fructueux. professeur agrégé de journalisme à l'Université York Meredith données Broussard (Meredith Broussard), publié en 2018, « l'intelligence non artificielle: comment monde informatique incompris » (Artificial inintelligence: Comment Ordinateurs Misunderstand Monde) un livre que la matière si vous l'appelez « l'intelligence artificielle », « ordinateur doit encore être curieux comme des instruments, et toujours maintenir cette position. »
Mitchell a fait remarquer qu'une personne ne sont pas les premières faiblesses du système d'apprentissage de la machine, et elle ajoute une couche de sens dans le discours critique, que la performance optimale de l'ordinateur ne peut pas être aussi puissante imagination. Lorsque les chercheurs ont récemment mis au point un système de réseau de neurones, et affirmé qui identifie l'objet dans la photo ou la vidéo, a atteint ou même dépassé la performance humaine. Ce système, une fois rapporté, a été reconnu comme des êtres humains ne peuvent pas éviter la supériorité de l'intelligence artificielle des cas.
Mitchell a fait remarquer que dans le livre toutes sortes de discussions sont basées sur un test de la grande image de base de données IMAGEnet. 2017, le meilleur système informatique images sont IMAGEnet système informatique classé « avant cinq » taux de précision de reconnaissance de 98% par rapport au taux de précision de reconnaissance humaine présumée de 95%.
Comment définir « top cinq »? -À-dire lors de la classification d'objet, l'ordinateur première approximation cinq donnée comprend au moins une raison. Comme Mitchell a écrit: « Étant donné une image de basket-ball, tourner la sortie « croquet » machine, « bikini », « Watts cochon », « le basket-ball » et « camion de déménagement » est considéré comme correct. « vous pouvez comprendre pourquoi il y a » avant cinq « mesure: Si une image montre plus d'un objet, alors les gens ont besoin de savoir si la machine peut provoquer une des objets détectés. Mais il a affaibli la demande de compétences extrêmes. Mitchell a dit, quand la machine sera classification correcte en premier lieu, la meilleure précision de haut-12017 était de seulement 82%.
En ce qui concerne les êtres humains ont le taux correct de 95%, Mitchell croire les données soutiennent cet argument ne tient pas. En 2015, elle a publié un projet de recherche, deux personnes essayé IMAGEnet partie du défi. AI est actuellement directeur de Tesla (Tesla) André capucin (Andrej Karpathy) consacrer plus de temps à contester la tâche, il sera un ensemble de 500 images marquées comme ses « données de formation », puis 1500 n'a pas la classification d'images d'étiquettes. Avec une précision comme une mesure des cinq premiers, il a eu tort de cinq pour cent. Aujourd'hui, le chiffre est le chiffre représente la précision de la reconnaissance de l'humanité.
Si ce n'est pas ce test particulier, son taux d'erreur peut être plus faible. Capucin a écrit que lui et les autres sujets erreurs, environ un quart de celui-ci parce qu'ils voient des images ignorants, mais parce qu'ils ne savent pas ou ne se souviennent pas IMAGEnet l'utilisation exacte de certaines étiquettes.
Avec les calculs répétés et les caractéristiques d'exploitation rapide dans de nombreux scénarios d'application sont préférés reconnaissance d'images de l'ordinateur. Dans certains cas, ils sont certainement plus précis que les humains. Mais dire plus serait trop. Mitchell a écrit: « l'identification d'objet AI n'a pas été « résolu ».
Maintenant, l'un des sujets les plus brûlants dans le domaine de l'intelligence artificielle est de savoir comment faire la machine à détecter non seulement des corrélations statistiques dans les données, mais d'une manière qu'ils comprennent le sens du contenu en cours de traitement. Et Mitchell, comme des chercheurs de l'Université de New York et Gary Marcus Ernest Davis a déclaré que, sans ces améliorations, AI ne sera pas « sûr, intelligent ou fiable. » Dans leur nouveau livre, « Redémarrer AI: Intelligence artificielle, nous pouvons construire la confiance » (AI Redémarrage: Building Intelligence artificielle Nous pouvons faire confiance), Marcus (Marcus) et Davis (Davis) a déclaré que les gens « facile trompé, « les gens pensent à tort que l'ordinateur est plus sensible que réelle.
Ils ont écrit: « Peu importe la simplicité de l'ordinateur réel à suivre les règles, nous ne pouvons pas empêcher de penser à la machine dans une perspective cognitive. (Par exemple:« Je pense que mon dossier supprimé) »
Afin d'améliorer la capacité de la machine à penser, de nombreux chercheurs sont re-examiner la méthode originale de codage par ordinateur avec la logique et le bon sens. Pour Mitchell, par exemple, par analogie, elle décrit comment obtenir l'ordinateur à la raison. Si vous voulez que l'ordinateur de reconnaître dépeignent « promener le chien » image, la façon actuelle la plus fondamentale est de donner le spectacle de chien des milliers d'images, et ces images sont un objet commun - un chien, en laisse, et ainsi à portée de main pour faire déclencher un signal positif à faire confiance à l'ordinateur, la prochaine fois pour identifier le même objet, à savoir identifier l'image d'un chien. Cependant, l'ordinateur peut trouver une promenade différente la situation de chien. Mitchell a donné quelques exemples, tels que le vélo se promenait le chien sur la photo, ou un chien dans sa bouche l'autre photographie laisse de chien. Son équipe tente maintenant d'obtenir l'ordinateur pour comprendre ce dernier cas est « tendue » version des situations typiques.
Ce genre de travail était très dur et lent. Même si elle réussit - si un ordinateur peut comprendre dans une certaine mesure « promener le chien » peut prendre plusieurs formes - si la machine n'a jamais personnellement rencontré un chien, cette compréhension, il sera plus riche?
Quand j'avais 6 ans, sur le trottoir près de ma maison à bicyclette, arrêté pour regarder (peut tomber) tas de boules de graines d'arbres de gomme douce. Tout à coup, quelqu'un a ouvert dans la rue d'une maison juste à côté, de l'intérieur d'un chien brun, il hésita une seconde ou deux, puis passez à me mordre, déchiré mon pantalon en velours côtelé cul . Cela fait me rappeler que tous les aspects des expériences de vie ont eu une expérience profonde - la surprise, la peur et la douleur émotionnelle, l'imprévisibilité du chien est apparu, des boules de graines de liquidambar avec un contraste exotique bizarre, les besoins informatiques d'être dit de « prendre les conséquences » est pas toujours un idiome, il est trop peu profonde.
Philosophes et autres sceptiques intelligence artificielle ont toujours pensé qu'une boîte pas de cerveau physique électronique ne peut apprendre tant de choses. De nombreux chercheurs d'Amnesty International ont attribué ce suspect « des restes de la mystique » - comme Andy Clark cognitiviste (Andy Clark), publié en 1997, « il: le cerveau, le corps et le regroupement mondial up « (Being There: Putting du cerveau, du corps et du monde nouveau ensemble), un livre écrit par une » âme comme la nature de l'esprit croyance non scientifique ». Cependant, si l'on considère que peuvent saisir rapidement que les bébés qui rampent les concepts de base, et des centres de données informatiques ont besoin de beaucoup d'énergie pour comprendre une chose, une bonne idée exige que les entités semble assez bonne.
Mitchell semblait réticent à plaider en faveur du scepticisme joué. Elle a écrit: « Après des années de lutte et de l'intelligence artificielle, je trouve de plus en théorie physique plus convaincant. »
Alors, comment nous pouvons produire peut se déplacer dans le monde, et pour leur propre comportement, d'interagir avec les gens, les animaux et autres machines ont un certain robot de insights de comportement? Elle a écrit: « Je peux à peine imaginer, la fabrication de ces machines ont besoin pour réaliser une percée. »
pouces Message attention
Ensemble, nous partageons l'apprentissage et le développement de l'IA sec
Pour réimprimer, s'il vous plaît laisser un message dans les coulisses, se conformer aux normes de réimpression
