Yapay zeka, makine öğreniminden derin öğrenmeye, kaçırılmaması gereken kısa bir yapay zeka tarihi
Kaynak: lynn1205'in blogu (istasyon)
Google AlphaGo'dan Chatbot'a, akıllı bilim, hassas tıp, makine çevirisi ... Son yıllarda yapay zeka ve makine öğrenimi hakkında haberler duydum. Bu teknoloji bir gecede büyük medya sayfalarını ele geçirdi.
Sahaya sadece Google, Facebook, Microsoft, Baidu, IBM ve diğer devlerin giriş yapmasının yanı sıra NVIDIA CEO'su Huang Renxun, ekran kartından yapay zeka bilişim şirketine dönüşeceğini duyurarak yapay zeka dalgasının gelişini vurguladı.
Yapay zekadan bahsetmişken, hayal gücünüz nedir?
Çoğu insanın yapay zeka hayal gücü, bir filmdeki robot imajından başka bir şey değildir. Stephen Spielberg'in yönettiği "AI Artificial Intelligence" daki sevimli çocuktan, "Mechanical Enemy" de dünyayı kontrol etmek isteyen robot, "Mechanic Ji" de insan duygularını aldatabilen yapay bilinç ...
Ancak bunları bir kenara bırakarak, her gün kullandığımız ürünlere bir göz atalım:
GMAIL'deki önemsiz mektuplar otomatik olarak çöp kutusuna atılacak
Google Fotoğraflar'da görüntü tanıma
Bu daha sert, görüntü tanıma artı otomatik çeviridir.
Önemsiz postanın otomatik sınıflandırılmasından, görüntü tanıma, otomatik çeviriden ... İçine yapay zekanın dahil olduğunu biliyor muydunuz?
Ancak bu tür teknolojilere özellikle "makine öğrenimi" adını vereceğiz.
Yapay zeka tam olarak nedir? Makine öğrenimi nedir? Derin öğrenme nedir? Üçü arasındaki fark nedir? Çözülmesi gereken sorun nedir?
Bugün, önümüzdeki on yıl içinde hayatımızı gerçekten değiştirecek yeni nesil teknolojiden bahsedelim.
Yapay zeka: bilgisayarlarla ilgili sorunlar nasıl çözülür
Bilgisayarın icadından bu yana, insanlar her zaman bilgisayarın insan benzeri zekaya sahip olmasını özlemişlerdir. Yapay zeka söz konusu olduğunda, filmlerde ve bilim kurguda onun yerini almak için sohbet edebilen, yemek pişirebilen ve aniden insanları yok etmek isteyen bir robot imajını düşünmek kolaydır.
Tam olarak ne "akıllı" sayılır? Bilgisayar sorularımızı doğru yanıtlayabiliyorsa ya da satranç oynamayı ve kahve yapmayı öğrenebiliyorsa, bilgisayarın zekaya sahip olduğundan emin olabilir mi? Gerçekten bilinçli olduğundan ve duyguları anladığından nasıl emin olunur?
O zaman, AI teknolojisi henüz tam anlamıyla geliştirilmedi ve filozoflar ve hümanistler bu konuda birçok kapsamlı tartışma yaptılar.
Bu soruya göre Amerikalı filozof John. John Searle, ikisinin ayırt edilmesi gerektiğini savunarak "Strong AI" (Strong AI) ve "Weak AI" (Zayıf AI) sınıflandırmasını önerdi.
Bilgisayarların bilinç, kişilik, duygu, algı ve sosyal etkileşim gibi insani özelliklere sahip olacağını vurgulayan güçlü yapay zeka, filmlerden ve bilim kurgudan etkilenir.
Öte yandan, zayıf yapay zeka, makinelerin gerçekten düşünmeyi bilmekten çok, insanların davranışlarını yalnızca düşünme ile simüle edebileceğini savunuyor. Makinelerin yalnızca insanları taklit edebileceğine inanıyorlar ve bilinçli değiller veya eylemin anlamını anlamıyorlar.
Basitçe söylemek gerekirse, bir papağan tüm insan sorularını yanıtlamak için eğitilmişse, papağanın kendisinin sorunun ve cevabın anlamını anladığı anlamına gelmez.
Turing'in önerdiği Turing Testinde, eğer bir makine kendi makinesi olarak tanımlanmadan bir insanla konuşursa, makinenin zekaya sahip olduğunu iddia edebilir.
Ex Machina filminde, oyuncunun bir robot üzerinde Turing Testi yaptığı bir sahne.
Bu, yapay zekanın bir tespit yöntemi olarak değerlendirilebilir, ancak güçlü yapay zeka destekçileri bunu çürütebilir - "akıllı" davranış göstermesi, gerçek zekaya sahip olduğu ve diyaloğun anlamını anladığı anlamına gelmez.
Elbette, zayıf yapay zeka destekçileri ayrıca şunları da reddedebilir:
Bir başkasının düşüncelerini asla bilemeyiz mesela ben biriyle konuşurken diğer kişinin benimle aynı şekilde mi düşündüğünü bilmiyoruz, bu nedenle bu makinede zeka olasılığını inkar edemeyiz.
Zhuangzi ile Huizi'nin Zifeiyu arasındaki diyaloga biraz benziyor mu?
İlgilenen okuyucular, yukarıdaki konuları derinlemesine tartışmaya ve düşünmeye devam edebilir. Bununla birlikte, bilgisayar bilimi topluluğunda, bu konuyu şimdiye kadar derinlemesine karıştırmak gerekli değildir. Bilgisayar bilimcilerinin önemsediği şey, yapay zeka ile ne tür sorunları çözebileceğimizdir.
Bilgisayar bilimi 1950'lerde başladı.Bilim adamlarından halka kadar bilgisayarlar hakkında sonsuz hayal gücü vardı.
"Yapay Zeka" terimi ilk olarak 1956'da efsanevi bir seminerde Dartmouth'da yapıldı.Katılımcılar arasında birkaç çağdaş bilim insanı da vardı.
O zamanlar, dünyanın ilk genel amaçlı bilgisayarı EDVAC, on yaşın biraz üzerindeydi.Bir bilgisayarın süper hesaplama gücünü gören herkes, bilgisayarların bir gün insanlardan, hatta insan varlığının ötesinde daha akıllı olacağını varsayacaktır.
Bunlar arasında Newell ve Simon, teoremi otomatik olarak ispatlayan "dünyanın ilk yapay zeka programı" olarak bilinen Mantık Teorisyenini de yerinde gösterdi.
Hayatın her kesiminden yüksek beklentilerle, büyük yönetmen Fritz Langın metropolü, bilim kurgu yazarı Isaac Asimovun üç robot kanunu vb. Dahil olmak üzere sanat dünyasında yalnızca ilgili temalar gelişmiyor. Ana akım bilim topluluğu, yaklaşık 20 ila 30 yıl içinde, insan zekası kadar yüksek yapay zekayı başarıyla oluşturmanın mümkün olacağını öngörüyor.
Ancak, yapay zeka araştırması kısa süre sonra bir darboğazla karşı karşıya kaldı. Bilgisayarı gördüyseniz, nasıl geldi? Bu yazıda, bilgisayarın icadının matematiksel modelinin temelinin ve fikirlerinin mantıksal işlemlere dayandığını açıkça hissedebilirsiniz.
Cantor'un küme teorisinden Hilbert'in sayılabilir sonsuz kümelerine, Gödel'in eksiklik teoremine, Turing'in Gödel'in eksiklik teoremini yorumlamak için Turing makinesini kullanmasına ... vb. Hepsi sembollerle ifade edilen biçimsel sistemlerdir. , Ve sonra bu sistemin çelişkileri olmayacağını kanıtlamak için sonlu matematiksel formüller kullanın.
Bunun çağdaş insanlar tarafından yapay zekanın araştırma yönünü de "mantıksal sembol türetme" ile başlattığı düşünülebilir. Çözülecek sorunlar labirentten çıkmak için Arama Ağacını kullanmak veya Hanoi sorununu içerir.
Vatikan Pagodası sorusu: Efsaneye göre Hindistan'da bir tapınakta üzerinde 64 altın tabak bulunan üç sütun var. Tapınaktaki rahipler bu tabakları birinciden üçüncüye aşağıdaki kurallara göre taşıdılar:
-
Diskin boyutu aşağıdan yukarıya doğru küçülür.
-
Bir seferde yalnızca bir disk hareket ettirilebilir;
-
Büyük tabak, küçük tabağın üstüne istiflenemez.
Efsaneye göre, bu plakalar hareket ettirildiği anda dünya yok olacak.
Ancak efsane doğruysa keşişlerin ihtiyacı var
Ancak, bilgisayarın özyinelemeli çözümünü kullanırsanız, hızlı bir şekilde bitirebilirsiniz. Bu konuyu sizlerle "Basit Algoritma" serisinin ikinci bölümünde tartışmaya devam edeceğiz.
İlk yapay zeka balonundan sonra araştırma alanı "makine öğrenimine" döndü
Ama işte karşınızda problem-makine programları insanlar tarafından yazılır.İnsanlar bir sorunun cevabını bilmediğinde, makineler insanların cevaplayamayacağı sorunları çözemez.
Diğer bir sorun, o sırada bilgisayarların hesaplama hızının artmamış olması, depolama alanının küçük olması ve veri miktarının yeterli olmamasıydı.
Yapay zekanın araştırma yönü, donanım ortamının zorluklarıyla birlikte mantık ve matematik alanıyla sınırlıdır, böylece erken yapay zeka sadece bazı cebirsel problemleri ve matematiksel kanıtları çözebilir ve pratikte uygulanması zordur.
1970'lerin sonunda, Newell ve Simonın "genel problem çözücü" ve Japon hükümeti önderliğindeki "beşinci nesil bilgisayar sistemi" gibi bazı tanınmış Ar-Ge projeleri beklenen sonuçları elde edemeyince, yapay zeka olarak kabul edilmeye başlandı. Modern bir simyada, şirketler ve hükümetler sermayeyi geri çekti, araştırma fonları kesildi ve yapay zekanın ilk soğuk kışını başlatan birçok proje durduruldu.
Yapay zeka araştırmaları şu anda bir darboğaza girmiş olsa da, bilgisayar donanımı katlanarak ilerledi.
1965'te Intel'in kurucusu Moore, yarı iletken yongalar üzerindeki transistörlerin her yıl iki katına çıktığını gözlemledi; 1975'te hız her iki yılda bir ikiye katlandı ve bilgisayarın hesaplama gücü ve depolama kapasitesi aynı zamanda Moore Yasası'nı takip etti. Artırmak.
Bugün, bilgisayarların bilgi işlem gücü 30 yıl öncekinin yaklaşık 1 milyon katıdır. (Dökümhane hegemonyası hakkındaki makaleye hoş geldiniz: bu giriş için yarı iletken bilgisi)
Yukarıda bahsettiğimiz gibi, ilk yapay zeka araştırması, mantıksal çıkarım yöntemine ve insan muhakeme sürecini taklit eden düşünme moduna odaklandı.% 100 kesin gerçekler gerektirir ve pratikte uygulanması zordur.
Ancak yapay zeka sorunuyla başa çıkmak için istatistiksel olasılık kullanmak gibi düşünme modunu değiştirmek mümkün müdür? Bir önerinin: "Belli bir olay olacak mı?" Olduğunu varsayalım. Bu aynı zamanda "evet" veya "hayır" ı yargılamak için bir ikilemdir Matematiksel mantıkta düşünme şekli DOĞRU veya FLASE'i kanıtlamaktır.
Ancak belirli belirsiz önermelerin fikrini ölçmek için olasılığı da kullanabiliriz. Fikir şu şekilde değiştirilir: "Bu olayın gerçekleşeceğinden daha emin olabilir miyiz?" Kesinlik derecesi 0 ile 1 arasında bir değerle ifade edilebilir.
Bilgisayar bilimi alanının ilk gelişimini sonuna kadar okursanız, Turing ve von Newman gibi devlerin ve Newell gibi erken Turing Ödülü kazananlarının (bilgisayar bilimindeki en yüksek onur) şu andaki yapay zeka araştırmalarına yönelik araştırma yönlerini öğrenin. Fikrinizi değiştirirseniz, bulacaksınız ... Bu ne büyük bir ilerleme!
Bu, günümüzün en popüler konusu olan "Makine Öğrenimi" dir.
"Makine öğrenimi", bilgisayar bilimi, istatistik, olasılık teorisi, oyun teorisi ve diğer alanları kapsayan bir disiplindir. 1980'den beri gelişmiştir.
Makine öğreniminin yükselişi, donanım depolama maliyetlerinin azalması, bilgi işlem gücünün (yerel ve bulut bilgi işlem dahil) ve işlenebilecek büyük miktardaki veriden kaynaklanmaktadır.
Bilgisayarlar, "makine öğrenimi" olarak adlandırılan ve "veri bilimi" nin popüler teknolojilerinden biri olan "öğrenmeye" kadar büyük miktarda veriden kuralları öğrenirler.
Makine öğrenimini inceleyen en eski teoriler istatistikçiler veya olasılıklar tarafından yayınlandı. Daha sonra, bilgisayar bilimi topluluğundaki insanlar şunu keşfetti: "Ah, bu teoriler bazı sorunları çözmemize yardımcı olabilir!" Araştırmaya eklendi. "İstihdam + İstatistik" için Çift Alanlı Knowhow.
Ek olarak, bu nedenle "makine öğrenimi" yapay zekanın bir dalı olarak adlandırılıyor. Yapay zekayı gerçekleştirmenin pek çok yolu vardır.Örneğin erken sembolik mantık, yapay zekanın pratik yönüdür.
O halde artık popüler olan "yapay zeka" hakkında konuşmayı bırakın! Yapay zeka alanındaki birçok unsur da çok kapsamlıdır ve 1950'lerin başlarında popüler olmuştur.
Derin öğrenme nedir? Makine öğreniminin bir dalı
Ancak makine öğrenimine ek olarak, "derin öğrenme" terimi ne anlama geliyor? Sinir ağları, derin sinir ağları ve derin öğrenme farklı şeyler mi?
Bir tekerleme olmasına rağmen, lütfen benimle bir kez okuyun: Makine öğrenimi, yapay zekanın bir dalıdır. Derin öğrenme, makine öğreniminin bir dalıdır.
Yani yapay zeka paketi en dış katmanda, makine öğrenimi paketi ikinci katmanda ve derin öğrenme üçüncü katmanda yer alıyor.
Temmuz 2013'te Google, yalnızca bir yaşında olan DNNresearch adlı bir şirketi satın aldı. Bu şirketin bile sadece üç çalışanı var. Profesör Geoffrey Hinton ve Toronto Üniversitesi'ndeki iki öğrencisi.
Google'ın bilinmeyen bir şirkette çok para harcamaya istekli olmasını sağlayan sihir nedir? DNNresearch'ü hiç duymamış olabilirsiniz veya şirketin kurucusu Geoffrey Hinton'u tanımıyor olabilirsiniz, ancak bilmeniz gereken şey Google'ın arkasındaki derin öğrenme teknolojisine açgözlü olduğudur.
AlphaGo'nun takibinde, DeepMind'in önde gelen araştırma ve geliştirmesinin yanı sıra, Hinton'un da yardımı olduğu söylenebilir.
Derin öğrenme nedir ve neden çeşitli sektörlerde popülerdir? Öyleyse derin öğrenme "Sinir Ağı" (Sinir Ağı) gelişiminin öncülü hakkında konuşalım.
Bu makalenin ilk yarısında, bilgisayar 1950'lerde icat edildiğinde, insanların insanlardan daha fazla bilgi işlem gücüne sahip ve insanlardan daha akıllı, yapay zeka denilen makinelerin olmasını umduğunu kısaca açıkladık. 1950'lerde matematiksel mantığa odaklandı.
Makine öğrenimi, istatistiksel olasılık ve bilgisayar bilimi yöntemlerinin bir uzantısıdır. Matematiksel mantık araştırmalarının başarısızlığından sonra, makine öğrenimi 1980'lerden 2006'ya kadar araştırmanın ana akımı haline geldi.
Ancak destek vektör makinesi (SVM), karar ağacı (Karar Ağacı), AdaBoost, rastgele orman gibi birçok makine öğrenimi teorisi vardır ...
1980'lerin başında "Yapay Sinir Ağı" adı verilen bir şube ortaya çıktı.
Sinir ağlarının düşüşü ve sığ makine öğrenimi yöntemlerinin yükselişi
1943'te bilim adamları, biyolojik beyinlerin sinir ağlarını simüle etmek için matematiksel modeller kullandılar. Bu araştırma daha sonra iki gruba ayrıldı, bir grup biyolojik nörolojiye, diğer grup yapay zekaya döndü.
1980'lerde, o zamanki tıpta Nobel Ödülü sahibi, beynin içindeki sinir devrelerini incelediğinde bir sansasyon yarattı. Ayrıca bilim adamlarının "insan beyninin bir hesaplama modelini simüle etme" konusunda yüksek beklentileri olmasını sağladı.
1986'da Rumelhar ve Hinton gibi bilim adamları, sinir ağlarının araştırma artışına neden olan sinir ağlarının gerektirdiği karmaşık hesaplamalar sorununu çözen Geri Yayılma algoritmasını önerdiler.
Bununla birlikte, bir süre sonra, geri yayılma yönteminin bir darboğazla - geri yayılmanın optimizasyonu (minimum hatayı bulma) problemiyle karşılaştığı, sinir ağını 3 katmanı aştığı sürece neredeyse etkisiz hale getirdiği keşfedildi.
Bu makale yapay zekanın gelişiminin kısa tarihçesini, "geri yayılım", "minimum hata" ve "gradyan yok oluşunun" ne olduğunu açıklamayı amaçladığından, gelecekte sinir ağlarının ilkelerini açıklamak için başka bir makale yayınlanacaktır. Okuyucuların sadece önce yapması gerekenler Sadece bir kavramı hatırlayın: şu anda çok katmanlı sinir ağı başarısız oldu.
Sinir ağı çok katmanlı işlemleri başaramazsa, 3'ten daha az sayıda katmana sahip diğer makine öğrenimi algoritmalarını kullanmak ve SVM, rastgele orman vb. Gibi daha iyi sonuçlar kullanmak daha iyidir. Şu anda, SVM bir süredir sıcaktı. Sınıflandırma çok iyi.
Aynı zamanda, akademik topluluk bir zamanlar benzer sinir ağlarının araştırma yönünden vazgeçti ve "Sinir Ağı" olarak işaretlenmiş makaleler veya araştırmalar olduğu sürece, okumaya veya yayınlamaya pek istekli değiller.
2006 yılında HINTON, derin öğrenme adı verilen çok katmanlı bir sinir ağını başarıyla eğitti
Hinton o sırada hala çok gençti ve sinir ağları üzerine yaptığı araştırmayı hala bırakmadı. Onu 30 yıl boyunca sıkı çalıştıran ve nihayet 2006'da bir çözüm bulan ve çok katmanlı bir sinir ağını başarılı bir şekilde eğitmek için sınırlı bir Boltzmann makinesi (RBM) modeli öneren bu coşkuydu.
Bu, sinir ağı modellerinin yeniden canlanmasının bir başka baharını getiriyor. Sinir Ağı uzun süredir bu kadar kötü şöhrete sahip olduğundan Hinton, çok katmanlı sinir ağını (Derin Sinir Ağı) Derin Öğrenme olarak yeniden adlandırmaya karar verdi.
(Aynı zamanda, Sinir Ağı dışındaki makine öğrenme yöntemlerini ve SVM dahil olmak üzere 3'ten az katman sayısını "Sığ Öğrenme" olarak adlandırmak için biraz ironi kullandı. Yixue, SVM tarafından uzun süredir kullanılıyor olabilir. Başınızın üstünde rahatsızlık hissedin (´_ ) ...)
(Açıkça söylemek gerekirse, yapay zeka sadece bir kelimedir ... Sorunları çözmek için bilgisayar modeli hesaplamalarını kullanın, bir daha sormayın: yapay zeka bir gün insanlara bilinçli olarak aşık olacak mı?)
Hinton bu nedenle "derin öğrenmenin babası" olarak adlandırılır. Başka bir deyişle, bu ilham verici bir hikaye. Herkes pes ettiğinde, 30 yıl daha geri dönüş olacak! (Öksürük öksürük
Bununla birlikte, Hinton 2006 yılında RBM modelini önermiş olsa bile, derin öğrenme hala popüler olmamıştır. Herkes bilir: "Ah, sinir ağları tamamen işe yaramaz değildir." Çünkü uzun süredir ihmal etmeye alışmışlardır ve hesaplama miktarı çok fazladır:
O zaman hesaplama için CPU kullanıldı. Sonunda bir modeli çalıştırmak 5 gün sürdü ve bir sorun olduğu ortaya çıktı ve model parametrelerini değiştirmek için 5 gün daha beklemek zorunda kaldım ... Eğitimin gerçekte ne zaman bittiğini bilmiyorum.
Sadece 2006'daki atılımın sadece bir ışık parıltısı getirdiği söylenebilir. Gerçek dönüm noktası 2012 olacak. O yılın Ekim ayında, makine öğrenimi topluluğunda büyük bir olay oldu.
2012'de derin öğrenme + GPU ilk savaşta ünlendi ve yapay zeka patlaması patlak verdi
ImageNet, dünyanın en büyük görüntü tanıma veritabanıdır. Her yıl Stanford Üniversitesi ImageNet görüntü tanıma yarışmasını düzenler.Katılımcılar arasında Google, Microsoft, Baidu ve diğer büyük şirketler yer alır.Yarışmada görüntü tanıma tahtı için rekabet etmenin yanı sıra, kendi sistemlerinin etkinliğini ve sınırlarını da test ederler.
Aslında, ImageNet yarışmasının 2007'de başlamasından bu yana, her yılki rekabetin sonuçları benzer oldu ve hata oranı kabaca% 30,% 29,% 28'e düştü ... Darboğaz aşılamadı.
Sonuç olarak 2012 yılında iki Hinton öğrencisi SuperVision adı altında yarıştı ve% 16,42 hata oranıyla% 26,22 ile ikinci sırayı geride bıraktı. Derin öğrenme teknolojisini kullanıyor.
Bu sahne çıkar çıkmaz herkes çıldırdı! O zamandan beri derin öğrenme patlaması patlak verdi. Google, 2013 yılında Hinton ve iki öğrencisini satın aldı ve bir grup şirket derin öğrenme araştırma alanına yatırım yapmak için acele etti.
2015 şampiyonu Microsoft,% 3,5 hata oranı ile kategoriyi% 5 geride bırakarak şampiyonluğu kazandı. Gelişme hızlı olarak tanımlanabilir.
Derin öğrenmenin 2006'da gerçekten popüler olmamasının nedeni, donanım hesaplama gücünün yetersiz olmasıdır - geleneksel olarak herkes bilgi işlem için CPU kullanır, ancak hız yavaştır.
Derin öğrenme, çok sayıda matris işlemi kullanacaktır ve en uygun donanım aslında grafik işlemeden sorumlu GPU'dur. 2012 yılına kadar iki Hinton öğrencisi, GPU'nun gücünü gerçekten kullanmak için "derin öğrenme + GPU" kombinasyonunu kullandı.
Peki neden kimse bilgi işlem için bu kadar uzun süredir GPU kullanmadı? Çünkü derlemenin zorlukları var.
Hesaplamalar yapmak için CPU'yu kullanabilmemizin nedeni, CPU'nun, mühendislerin bir program yazmasına ve CPU'nun anlayabileceği mekanik bir koda çevirmesine olanak tanıyan bir derleyici (Derleyici) gibi bir tasarıma sahip olmasıdır.
Ancak, genel GPU'nun benzer bir tasarımı yoktur, bu nedenle mühendislerin doğrudan GPU'nun çalışması için programlar yazmaları zordur. NVIDIA, 2006 ile 2007 yılları arasında yeni bir bilgi işlem mimarisi CUDA'yı piyasaya sürene kadar, NVIDIA, derin öğrenme hesaplaması için gerekli donanımın anahtarı haline geldi.
Kullanıcılar C dilinde yazabilir ve ardından bunu GPU'nun CUDA'nın temel mimarisi aracılığıyla anlayabileceği bir dile çevirebilir.
Bu aynı zamanda, GPU'ların büyük ölçekli hesaplamalar için kullanılabileceği kavramının ortaya çıkmasından bu yana ilk kez, insanlar GPU'ların uzun süredir devam eden güçlü bilgi işlem yeteneklerini kullanmak için C dilini kullanabilirler.Bu nedenle NVIDIA, GeForce 8 serisinden sonra tüm grafik kartlarından CUDA teknolojisini desteklemeye başladı.
CUDA'nın başarısı, doğrudan tüm derin öğrenme işlemlerinde NVIDIA GPU'ların kullanılmasına yol açtı. Bu inanılmaz etki, ister derin öğrenme, makine öğrenimi, otonom araçlar, sanal gerçeklik (VR), e-spor oyunları olsun, her şey NVIDIA öğrenimiyle ilgilidir.
Bu aynı zamanda NVIDIA'nın GPU'sunun fırlamasına izin verdi ve hisse senedi fiyatı da yükseldi.NVIDIA, geçen yılın Aralık ayından bu yana 9 ardışık işlem günü için rekor bir kapanış rekoru kırdı ve yıl sonunda% 255.95'e kadar yükseldi. MarketWatch ayrıca NVIDIA'nın 2016'da SP 500 endeksinin en iyi performans gösteren bileşeni olduğunu bildirdi.
Ağustos 2016'da, yıllık GTC konferansında (genellikle Lao Huangın Misyon Konferansı olarak bilinen GPU Teknoloji Konferansı) NVIDIA CEO'su Huang Renxun, NVIDIAnın yapay zeka alanındaki derin gelişimini ve en eksiksiz yazılım ve donanım çözümlerini sağlayabileceğini vurguladı.
Tüm konferansta, derin öğrenme ana baş kahramandı Aynı zamanda, derin öğrenmeye adanmış dünyanın ilk süper bilgisayarı olan DGX-1 sunucusunun 129.000 ABD Doları fiyatlandırıldığı açıklandı.
Bu yılın Mayıs ayında NVIDIA, yeni bir DGX iş istasyonunun piyasaya sürüldüğünü bir kez daha duyurdu.En büyük satış noktası, Vota mimarisine sahip Tesla V100 ile donatılmasıdır. 400 CPU'ya eşdeğer sağlamak için tek bir sistemde dört Tesla V100 ile donatılabilir.
Bugün yapay zeka, makine öğrenimi ve derin öğrenmenin kökenlerini açıkladık. Bu resmi tekrar gözden geçirelim:
-
Üçünün kapsayıcı ilişkisi: yapay zeka > Makine öğrenme > Derin öğrenme
-
1950'de matematiksel mantığa dayanan yapay zekanın gelişimi
-
1980'de çok katmanlı sinir ağları başarısız oldu ve sığ makine öğrenimi yöntemleri (SVM, vb.) Ortaya çıktı.
-
Hinton, 2006 yılında çok katmanlı bir sinir ağını başarıyla eğitti
-
2012 yılında ImageNet yarışması nedeniyle derin öğrenme akademik görüş alanına geri döndü ve aynı zamanda bilgi işlem için vazgeçilmez bir donanım olarak NVIDIA GPU'nun kapısını açtı
