Münhasır AI'dan bahsetmek: Yapay zekanın tanımını ve temel araştırma yöntemlerini açıklayın
Çeviri: Fang Fang Feng Yu
Redaksiyon: Ding Nanya
Editör: Hu Die
Bu makale var 2248 kelime , Okumanız tavsiye edilir 5 dakika
Bu makale, yapay zekanın tanımını ve temel araştırma yöntemlerini ayrıntılı olarak açıklamaktadır.
Doğrudan konuya geçersek, öncelikle kapsamlı bir yapay zeka tanımı yapmalıyız, değil mi?
Ancak üzücü olan şey, bu net ve benzersiz tanımın yapay zeka araştırma çemberinde olmamasıdır! (En azından, zekayı anlamak ve tanımlamak, süregiden bir zaman olduğu için mevcut değildir.)
Yapay zekanın üç tanımı
Yapay zekanın ne olduğunu tanımlamanın birçok yolu var. Bunlardan ilki ve en yaygın olanı, yapay zeka araştırmalarının popüler sonuçlarının bakış açısındandır: genel olarak, yapay zeka veya "akıllı davranışa sahip makineler oluşturma ve araştırma" (not: "sahip olma" nasıl açıklanır? Her şey yolunda) veya "düşünebilen makineler yaratmak ve araştırmak" (not: her türlü "düşünme" iyidir)
İkinci tanım, yapay zekanın bileşenleri veya çözmek istediği problem perspektifindendir. En sık duyduğunuz şey şudur:
[Bilgisayarla Görme: Hedef nasıl tanınır? ] [Konuşma tanıma ve sentez: sesi metne veya metni sese dönüştürme] [Doğal Dil İşleme NLP: Dilden anlamlı özellikler nasıl çıkarılır? Üretken cümlelere anlamlı özellikler nasıl verilir? ] [Bilgi Grafiği: Bilgiyi sıralamak için daha pratik bir yöntem (örneğin, hiyerarşik, anlamsal ağ) nasıl kullanılır] [Çıkarım Motoru: Parçalı bilgileri entegre ederek bir sonuç nasıl oluşturulur? ] [Planlama: Belirli hedeflere ulaşılırken bu eylemlerin gerçekleştirilmesini sağlamak için bir dizi eylem nasıl planlanır?
Yani burada yardım edemeyiz ama yapay zekayı tanımlamak için daha kültürel veya daha yüksek bir yol kullanıyoruz. Astro Teller (şu anki X, Alphabenin aya yolculuk fabrikasının CEO'su) 1998'de önerdi: "Yapay zeka, makinelerin filmlerde yaptıklarını nasıl yaptıracaklarını araştırma bilimidir"
Bu tanım neredeyse genel yapay zeka (güçlü YZ veya tam YZ) ve süper yapay zeka kavramıdır.Bilim kurguda sözde zeka denilen birçok örnek vardır. Romanlar her zaman bu evrensel sistemin insan yeteneklerini karşılayacağını veya aşacağını söyler - yani yapay zeka, az önce listelediğimiz tüm işlevleri entegre edecek.
AI yorumcuları arasında en popüler etkinliklerden biri Skynet'in (Terminator filmindeki AI savunma sistemi) ne zaman değiştirileceğini tahmin etmeye çalışmaktır. Genel yapay zeka ile süper yapay zeka için çeşitli tahminler arasında çok büyük bir fark olduğunu fark ederseniz, bu tahminlerin fazla mı yoksa küçümsenip tahmin edilmediğini ve bu düzeyde makine zekası elde edilip edilemeyeceğini belirlemenin zor olduğunu içtenlikle hissedeceksiniz. .
Yapay zekanın ana araştırma yöntemleri
1950'lerden bu yana, yapay zeka genellikle araştırma için iki yöntem benimsemiştir:
İlk yöntem, önce kuralları formüle etmek ve ardından sorunu bir merdiven ağacı aracılığıyla çözmektir. Yapay zekanın öncüleri, çoğu mantıkçı, bu yöntemi çok seviyorlar. Bu yöntem, uzman sistemlerin doğuşu ile 1980'lerde zirveye ulaştı.Örneğin, sistem organik kimya uzmanlarından elde edilen bilgi tabanını ve karar motorunu kimyagerlerin bilinmeyen bilinmeyenleri belirlemelerine yardımcı olabilecek bir programda kapsıyordu. moleküler.
Sorun şu ki, böyle bir sistem için yeni bir model geliştirirken, sıfırdan başlamalısınız - elle yazılmış olanlar, belirli kuralların kendileri çok zordur ya da sonunda konuşma tanıma kuralları gibi farklı sorunlar arasında genelleme yapmak ve uygulamak imkansızdır. Tıbbi tanıda kullanmak zordur.
İkinci yöntem genel bir model oluşturmaktır.Bu yöntem sadece model parametrelerini ayarlamak için veri sağlamaya ihtiyaç duyar ve son zamanlarda en popüler yöntemdir.
Bazı modeller istatistiksel yöntemlere oldukça yakındır, ancak en ünlüleri sinirbilimden, yani yapay sinir ağlarından esinlenmiştir. Bu yapay sinir ağının ortak bir yöntemi vardır:
[1 Nöronlardan oluşurlar] [2 Farklı katmanlar halinde düzenlenirler, bilgi giriş katmanından, "gizli katmandan" (ortada olduğu için) geçer ve ardından çıktı katmanına ulaşır] [3 Çok sayıda nöron ve katman vardır Bağlantılar (bu bağlantılar aynı katmandaki bitişik nöronlar arasında ileri, geri veya hatta bağlantılar olabilir)] [4 Bu bağlantılar ağırlığı temsil eder, yani göreceli Önem: Negatif ağırlık, bir nöronun başka bir nöron üzerinde inhibe edici bir etkiye sahip olduğu anlamına gelir ve pozitif ağırlık, bir nöronun başka bir nöron üzerinde uyarıcı bir etkiye sahip olduğu anlamına gelir.
Herkesin popüler derin öğrenmeyi duyduğu tahmin edilmektedir. Derin öğrenme, çok sayıda katmandan oluşan yukarıda bahsedilen türde bir tür yapay sinir ağıdır - bu nedenle çok "derin" ve görüntü hedef tanımada oldukça iyi sonuçlar elde etmiştir.
Ayrıca makine öğrenimi modelleri, hepsiyle karşılaşılabilecek üç kategoriye ayrılmıştır:
-
Denetimli öğrenme: Tanımlanan verileri modele girin - örneğin, "kedi" etiketli tipik bir kedinin resmi.
-
Denetimsiz öğrenme, modele tanımlanamayan verileri girin ve kendi başına örüntü tanıma gerçekleştirin. Veriler genellikle tanımlanmadığından - akıllı telefonunuzda biriken tüm fotoğrafları düşünün - ve tanımlama süreci zaman aldığından, denetimsiz öğrenme yöntemleri, daha zor ve eksik olmasına rağmen, denetimli öğrenmeden daha umut verici görünmektedir.
-
Takviyeli öğrenme: Her model yinelemesinden sonra, ona bir derecelendirme vereceksiniz. Bir DeepMind örneğini ele alalım. Eski bir Atari oyununu oynaması için bir model eğitti. Modeldeki seviye, oyunun gösterdiği puandır. Model yavaş yavaş en çok puanı nasıl alacağını öğrenir. Takviye öğrenme yöntemi, üç yöntemin en kusurlu olanı olabilir, ancak DeepMind algoritmasının son başarısı, pekiştirmeli öğrenmedeki çabaların sonuç verdiğini açıkça göstermiştir.
Yapay zeka bir ağaç değildir. Bu bir çalı!
Dolayısıyla yapay zeka ile çözülen sorunlar bir araya getirildiğinde çeşitli okullarla değiştiğini göreceksiniz.Bu okulların kendi dalları var, farklı hedefleri var ve farklı kaynaklardan ilham alıyor ... Bu alanda mükemmel bir araştırma sınıflandırması yapmanın neden her zaman sorunlu olduğunu anlayın. Lütfen aşağıdaki resme bakın - sorunu görüyor musunuz?
"Makine öğrenimi" ile "konuşma" yı aynı seviyeye koymak doğru değildir, çünkü konuşma problemlerini çözmek için makine öğrenimi modellerini kullanabilirsiniz - bunlar paralel dallar değildir, ancak diğer daha farklı kategoriler daha karmaşıktır.
Dolayısıyla yapay zeka alanının zorluğu ve güzelliği kesinlikle düzenli bir ağaç değil, çalı olmasıdır. Bir dal diğerinden daha hızlı büyür, herkesin görüş alanına girer ve sonra başka bir dalda benzer bir durum olur vb. Bazı şubeler kesişecek, bazıları geçmeyecek, bazı şubeler elenecek ve yenileri çıkacak.
Bu nedenle, temel tavsiye şudur: Asla genel yönü ve odaklanmayı unutmayın, aksi takdirde kaybolursunuz!
