Yapay zeka darboğaza ulaştı! Akademisyen "ortaklaşa" anti-derin öğrenme, yapay zekanın gelecekteki gelişim yönüne işaret etti
Kaynak: Algoritmaların ve Matematiğin Güzelliği
Bu makale yaklaşık 3800 kelimedir , Önerilen Okuma 10+ dakika.
Derin öğrenmenin teknik darboğazını hedefleyen Tsinghua Üniversitesi'nden Zhang Bo gibi birçok akademisyen ve profesör kendi araştırma fikirlerini verdi.
Önsöz
Henüz tamamlanan CCF-GAIR konferansında, Tsinghua, California Üniversitesi, Berkeley, Stanford, Harbin Teknoloji Enstitüsü ve diğer en iyi yerli ve yabancı bilim ve teknoloji üniversitelerinden akademisyenler, son araştırmalarını paylaşmak için Shenzhen'de bir araya geldi. Kendi araştırma alanlarının alt bölümleri farklı olsa da, teknik sunumlar yoluyla, birçok akademisyenin doğrudan veya dolaylı olarak "kritik" derin öğrenme algoritmaları olması kaçınılmazdır.
Konuşmada, derin öğrenmenin eksikliklerine bir kez daha işaret ettiler ve daha sonra, öngörülebilir gelecekte araştırmanın ilerlemesiyle mevcut derin öğrenme algoritmalarının kademeli olarak sunaktan çekileceğine işaret ettiler.
Bununla birlikte, akademik çevreden endüstriyel uygulamalara doğru ilerledikten sonra, endüstrinin odak noktasının teknolojinin uygulanması olduğunu göreceksiniz. Sözde iniş, esasen sayısız uygulama senaryosunun bir araya getirilmesidir. Bu nedenle, AI şirketleri için, iş keşfi ve pratik sorunları çözmek için uygun teknolojinin kullanılması, en büyük darbeyi çekenlerdir.
Bu nedenle, derin öğrenmenin eksiklikleri vardır.Bu sorun, AI'nın kısa vadede durdurulamaz gelişimini engellemeyecektir.Teknolojinin sınırlamaları, AI şirketlerinin yapacak bir şeyleri olmayacağı anlamına gelmez.
Bununla birlikte, Yangchun Baixue'nin araştırması her zaman AI endüstrisinin teknolojik trendine öncülük etmiştir ve aynı zamanda kurumsal karlılık ve endüstriyel dönüşüm için önemli bir itici güçtür.
Bu nedenle derin öğrenmenin abartıldığı bir zamanda akademisyenlerin omuzlarına çıkmaya ve daha uzağa bakmaya çalışmalıyız. Girişimciler ayaklarını yerde tutarken yıldızlara da bakmayı unutmamalıdır.
Bu yeni bir konu olmamasına rağmen sektördeki soruna bir çözüm bulunamamıştır. Bu makale akademik araştırmacılar tarafından sağlanan bazı yeni fikirleri aktarmayı amaçlamaktadır.
Makine öğreniminin tuzakları
Bir "büyük" yanlış anlaşılmasındanŞu anda en sık bahsedilen terimler makine öğrenimi, derin öğrenme ve sinir ağıdır. Bu üçü arasındaki ilişkiyi anlamak için matematik setindeki kavramları kullanın ve aralarındaki ilişki, yani makine öğrenimi derin öğrenmeyi içerir. Derin öğrenme, sinir ağlarını içerir. Bunlar arasında, dörtten fazla katmana sahip bir sinir ağı derin öğrenme olarak adlandırılabilir ve derin öğrenme tipik bir makine öğrenimidir.
1950'lerde sinir ağı algoritma yapısı ortaya çıktı.O zamanlar, resmi adı perceptron olarak adlandırılmalıydı, ancak giriş katmanı, gizli katman ve çıktı katmanının klasik genel yapısını zaten içeriyordu. Katman sayısı ne kadar derinse, şeylerin tanımı o kadar doğru olur.
Bununla birlikte, bir sinir ağı girdi odaklı bir algoritmadır, bu nedenle yüksek kaliteli sonuçlar "sonsuz" büyüklüğe yakın verilere bağlı olmalıdır. Dolayısıyla 2000 yılında İnternet devrimi patlak vermeden önce kimsenin ilgilenmediği bir aşamadaydı.
Herkesin bildiği gibi, İnternet çağında biriken büyük miktarda veri ve bulut bilişimin getirdiği bilgi işlem gücündeki önemli artış, derin öğrenme algoritmalarının (derin sinir ağları) potansiyelini büyük ölçüde serbest bıraktı ve bu da yapay zeka çağının tam patlamasına yol açtı. Uygulamalar gelişebilir. Veriler, 2017 yılında Çin'in yapay zeka pazarı ölçeğinin yıllık% 52,8 artışla 21,69 milyar yuan'a ulaştığını gösteriyor. 2018'de pazar büyüklüğünün 33,9 milyar yuan'a ulaşması bekleniyor.
Bununla birlikte, endüstriyel uygulamaların olgunlaşması ve herkesin gerçek "zeka" arzusuyla, bilgi işlem gücünün ve derin öğrenme algoritmalarının kendilerinin sınırlamaları şüphesiz ortaya çıkıyor.
"Sıradan insan kavramındaki 'büyük veri' bizim büyük veri olarak düşündüğümüzden tamamen farklıdır. Görüntü işlemeyi ele alın. Milyarlarca veri miktarı çok yüksek gibi görünüyor, ancak bizim için aslında Bu bir "küçük örnek". İyi bir modeli gerçekten eğitebilecek veri miktarı sonsuz olma eğiliminde olduğundan, modeli eğitmek için çok fazla veriniz olsa bile ideal akıllı model arasında temel bir fark vardır. "Algoritmanın doğası gereği, Berkeley Kaliforniya Üniversitesi Elektronik Mühendisliği ve Bilgisayar Bölümü'nde profesör olan Ma Yi de mevcut sıcak teknolojinin sınırlamalarına dikkat çekti.
Bu nedenle, akademisyenlerden, yatırımcılardan yapay zekaya sahip şirketlere kadar yeni teknolojiler ve yönler bulmak güncel odak noktası haline geldi.
Konferansın açılış raporunda, Tsinghua Üniversitesi'nden akademisyen Zhang Bo, herkesi, üç günlük konferansın ana notu haline gelen ve aynı zamanda sektörün mevcut gelişim aşamasındaki herkesin taleplerini yansıtan "gerçek yapay zekaya nasıl geçileceği" konusunda düşünmeye çağırdı.
Yeni yönleri keşfedin
Veri işleme yöntemleri, temel fikirler ve teknik fikirler1. Veri işleme seviyesinde, anlamsal vektör uzayı girişi daha da genişletebilir.
Teknolojinin "tavanını" gören birçok uzman ve akademisyen, "küçük veri" kavramını ortaya atmaya başladı. Ancak Tsinghua Üniversitesi Yapay Zeka Okulu Dekanı olan akademisyen Zhang Bo, veri miktarının şu anda temel sorun olduğunu düşünmüyor. Yapay zekanın üç unsuru gerçek zeka getirmeyecek.
"Yapay zekanın sonuçlarını değerlendirmek için şu beş şeyden görebiliyoruz: Deep Blue, insan satranç şampiyonunu yendi; IBM, TV yarışmasında Amerika Birleşik Devletleri'nin ilk iki şampiyonunu yendi; 2015'te Microsoft, ImageNet'te görüntü tanıma yaptı. , Yanlış tanıma oranı insanlarınkinden biraz daha düşük; Baidu ve Xunfei ayrıca tek cümlelik Çince konuşma tanımanın tanıma doğruluğunun insanlarınkinden biraz daha düşük olduğunu ve AlphaGo'nun Li Shishi'yi mağlup ettiğini duyurdu. İlk iki şey bir kategoriye ayrılır ve son üç şey olabilir Başka bir kategoriye koyun.
Herkes bu beş şeyin gerçekleşmesi için üç unsurun büyük veri, artan hesaplama gücü ve çok iyi yapay zeka algoritmaları olduğunu kabul ediyor. Ancak herkesin bir faktörü gözden kaçırdığını düşünüyorum, yani tüm sonuçlar uygun bir senaryo üzerine inşa edilmelidir. "
Başka bir deyişle, yapay zekanın mevcut gelişimi çeşitli kısıtlamalardan kaçınamaz, bu nedenle akıllı makineler, herhangi bir esneklik olmadan ancak kurallara göre hareket edebilir ve insanların istediği zekaya ulaşamazlar ve bu, yapay zekanın mevcut gelişme durumudur.
"Mevcut temel yapay zeka yöntemlerimiz kusurlu ve kavrama yetenekleriyle yapay zekaya doğru ilerlemeliyiz. Bu gerçek bir yapay zeka." Akademisyen Zhang Bo konuşmasında dikkat çekti.
Çözüm nedir? Kademeli ilerleme sayesinde Akademisyen Zhang, konuşmasında fikir verdi ve anlamsal vektör uzayının teknik yönüne dikkat çekti.
"Öncelikle, mevcut makinenin muhakeme yeteneğinden yoksun olmasının sebebinin, hiçbir sağduyuya sahip olmaması olduğu açık olmalıdır."
Akademisyen Zhang Bo, deneyler yoluyla, sağduyu tesisinin makinenin performansını gerçekten büyük ölçüde artıracağını doğruladı. Makineler için bir bilgi tabanının oluşturulması, yapay zeka şirketlerinin sistem performansını daha da iyileştirmesi için ilk adım haline geldi. "Amerika Birleşik Devletleri 1984 yılında böyle bir sağduyu kütüphanesi projesi başlattı ve henüz tam olarak tamamlanmadı. Gerçek yapay zeka ve yapay zekayı anlamak için uzun bir yol olduğu görülebilir."
Ancak bir sağduyu veritabanı oluşturmaya dayanarak bile, anlama yeteneği ile yapay zeka elde etmek hala kolay değil. Akademisyen Zhang'ın görüşüne göre, zekayı geliştirmenin ikinci adımı, algı ve bilgi dünyasını birleştirmektir ve bu, yapay zekanın gelişiminde niteliksel bir sıçrama getirecektir.
"Derin öğrenmenin yapay zekanın gelişimini büyük ölçüde desteklemesinin nedeni, teknolojinin anahtarının, insanların elde edilen skaler verileri daha sonra makinelerde kullanılabilecek vektörlere dönüştürebilmesidir. Ancak şimdiye kadar, davranış (özellik vektörü) ve veriler ( Sembol vektörünün kombinasyonu) bilimsel araştırmada her zaman zor bir noktadır ve bu, makinenin daha 'akıllı' hale gelmesini sınırlar. "
Sadece bu değil, güvenlik açısından bakıldığında, salt veriye dayalı sistemlerin de büyük sorunları vardır - zayıf sağlamlık ve büyük müdahaleye duyarlılık. Bu nedenle, çok sayıda numunenin eğitimi altında, sistem yine de büyük hatalar yapacak. Shangtang ve Megvii gibi ana şirketler de eğitilmiş sistem modelinin doğruluğu pratik uygulamalarda% 99 kadar yüksek olsa bile sistemin yine de birçok "zihinsel engelli" hatası yapacağını belirtti.
"Şimdi bulduğumuz çözüm, bu özellik vektör uzayını ve simge vektörünü, anlamsal vektör uzayı dediğimiz bir boşluğa yansıtmaktır."
Nasıl yapılır? Akademisyen Zhang şunları söyledi:
- İlki Gömme yoluyla sembolleri vektörlere dönüştürün , Anlambilimin kaybolmamasını sağlamaya çalışın;
- İkincisi Sinirbilim ile birlikte yetiştirme , Özellik uzayını anlamsal alana yükseltmek.
"Yalnızca bu problemleri çözerek, birleşik bir teori oluşturabiliriz. Çünkü geçmişte, algılama ve bilişin işleme yöntemleri farklıdır, bu nedenle ikisi aynı boyutta değildir ve birleşik bir şekilde ele alınamaz. Ancak algılama ve tanımayı birleştirebilirsek Bilgiyi aynı alana yansıtarak, birleşik bir teorik çerçeve oluşturabilir ve anlamsal vektör uzayında anlama sorununu çözebiliriz. Bu bizim amacımız, ancak bu iş çok zor. "
2. Temel fikirlerin, belirsiz hesaplamanın veya geleceğin yıkılması.
"Bilgi grafikleri, anlamsal vektör uzayları veya diğer derin öğrenme eğitimleri bugün olsun, bunların tümü olasılık ve istatistik teorisine dayanırken, bulanık mantık değildir. Bulanık küme teorisine dayanmaktadır." Amerika Birleşik Devletleri'ndeki Utah Eyalet Üniversitesi'nde bilgisayar bilimleri alanında kadrolu bir profesör olan Cheng Hengda ideolojik seviyeden çok cesurca yıkıcı bir fikir verdi.
Aslında bulanık mantık tamamen yeni bir kavram değildir. 1931'de Kurt Gödel, biçimsel sayı teorisi (yani aritmetik mantık) sisteminin "eksiklik teoremini" kanıtlayan bir makale yayınladı ve bulanık mantık doğdu. 1965'te, California Üniversitesi'nden Dr.L.A. Zadeh, bulanık kümeler üzerine bir makale yayınladı ve bu, insanların belirsizliği matematiksel teorilerle başarılı bir şekilde tanımladığını ilk kez işaret etti.
"Mevcut bilgisayar alanında, 0 veya 1 ve 0 ile 1 arasında birçok belirsizlik bileşeni tanımlıyoruz. Aslında, bu süreç sonucun nedenini açıklıyor. Örnek olarak iki şişe su alın, bir şişe Su işaretinin saf su olma olasılığı 0,91 ve başka bir şişe su işareti su saflığı 0,91 , hangisini seçerdiniz? Açıkçası, ikincisini seçersiniz. İşte düşünme ve yargılama süreci Bu bulanık bir mantıktır, çünkü ikincisinin derece tanımı esasen belirsizdir. "
Şu anda, klasik mantık sistemine (matematik, doğrusal cebir ve biyoloji gibi türev disiplinler) benzer şekilde, bulanık mantık yavaş yavaş kendi mantık sistemini oluşturmuştur.
Ancak, teknoloji ne kadar iyi olursa olsun, avantajlarını göstermesi için uygulama ile birleştirilmesi gerekiyor. Profesör Cheng de bu konuya özel önem verdi, bu yüzden meme kanserinin erken teşhisi alanını seçti. "Şimdiye kadar, tasarım örneklerimiz dünya çapında 20'den fazla ülkede 50'den fazla ekip tarafından kullanıldı."
Profesör Cheng'in görüşüne göre, mevcut teknolojinin çok bariz eksiklikleri var.Herkesin sorunu analiz etmesi ve onu iyileştirmenin yollarını araştırması gerekiyor. "Şimdi herkes beyin dalgalarında elektrik sinyallerini simüle ediyor, ama aslında sadece elektrik sinyalleri değil, beyinde de kimyasal reaksiyonlar var. Ve birçok insanın yaptığı tıbbi görüntü işleme aslında görüntü işlemedir, ancak ilaç değildir. Görüntü işleme aralarında çok farklı. "
3. Teknik fikirler: büyükten basite
Şu anda, teknolojide herhangi bir ilerleme olmadığı düşünüldüğünde, AI şirketlerinin endişesi ortada. Yukarıda akademisyenler ve profesörler tarafından verilen spesifik teknik fikirlerin aksine, Profesör Ma Yi, bilim ve teknoloji çevrelerinin "Lu Xun" larına daha çok benziyor.PPT'deki konuşmalardaki yüksek kaliteli kağıtları örnek olarak, herkesin AI anlayışını yeniden canlandırmak için kullandı. Düşünme.
"Sinir ağı, eğer içe aktarılan veride küçük bir değişiklik olursa, sınıflandırmada büyük bir değişiklik olacaktır. Bu yeni bir keşif değil. 2010 yılında herkes böyle bir sorunla karşılaştı, ancak şu ana kadar çözülmedi." Konuşmanın başında Ma Yi, "eski klişeleri" çıkardı ve yapay zeka konusunda körü körüne iyimser olan birçok insana acımasızca soğuk su döktü.
Ma Yi ayrıca yanlış teknoloji algısını düzeltmek için elinden geleni yaptı.
"Yüz tanıma alanında, algoritmayı güçlü kılmak AlphaGo yazmaktan bin kat daha zordur."
"Sinir ağı ne kadar büyükse o kadar iyi, bunun saçma olduğu söyleniyor."
Güldükten ve azarladıktan sonra, birkaç yıllık araştırmadan sonra, Ma Yi kendi düşünme yönünü verdi: "Gerçek yüksek kaliteli algoritma, yineleme, özyineleme ve klasik ADMM gibi en basit olmalıdır. Bu basit algoritmalar çok iyidir. Aynı zamanda çok kullanışlı. "
Sonuç
Daha sonra yapay zeka teknolojisinin gelişimi iyimser olmayacak, özellikle endüstriyel gelişme bir durgunluk dönemine girecek ancak bu, akademik ve endüstriyel çevrelerin yapacak bir şeyi olmayacağı anlamına gelmiyor.
Akademisyen Zhang Bo'nun belirttiği gibi, "Gerçek yapay zekaya giden yoldayız ve şu andan itibaren başlangıç noktasına yakın değiliz. Ancak yapay zeka her zaman yolda, herkesin zihinsel olarak hazırlıklı olması gerekiyor ve bu yapay zekanın cazibesi. "
- Bitiş -Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
