Baidu Silikon Vadisi Yapay Zeka Laboratuvarı Direktörü: Yapay zeka araştırmaları ve ürünlerinin kendi tuzakları var
Tang Xu derleyin ve organize edin
Qubit Üretildi | Genel Hesap QbitAI
Adam Coates, Baidu'nun Silikon Vadisi Yapay Zeka Laboratuvarı'nın başkanıdır. Mayıs 2014'te Stanford Üniversitesi'nden doktora sonrası olarak ayrıldığından beri Coates, şimdiye kadar Baidu'nun Silikon Vadisi Yapay Zeka Laboratuvarı'ndan sorumlu ve Baidu'nun derin öğrenme konuşma tanıma sistemi Derin Konuşma'nın geliştirilmesine liderlik ediyor.
Yakın zamanda Coates, YC podcast'inin canlı yayın odasına davet edildi ve burada geçmiş, şimdiki ve gelecekteki çalışmaları, karşılaştığı zorluklar ve sektörün mevcut durumu ve gelecekteki eğilimleri hakkında konuştu.
Orijinal metin çok uzundur ve Qubit içeriği aşağıda düzenlenmiştir. İlgilenen öğrenciler, röportajın videosunu ve orijinal İngilizce metni görüntülemek için orijinal bağlantısını tıklayabilirler.
Baidu Silicon Valley AI Lab'ın çalışmaları hakkında
Sunucu: Herkese merhaba. Y Combinator podcast'ini dinliyorsunuz. Sunucu Craig Cannon'um. Bugün davet edilen konuk, Baidu'nun Silikon Vadisi Yapay Zeka Laboratuvarı'nın yöneticisi Adam Coates. Adam, bilmeyenler için Baidu'ya kısa bir giriş yapabilir misin?
Coates: Elbette ... (Burada iki yüz kelime atlanmıştır)
Moderatör: Tamam, o zaman esas olarak neden sorumlusunuz?
Coates: Silikon Vadisi Yapay Zeka Laboratuvarı'nın yöneticisiyim. Silikon Vadisi Laboratuvarı, Baidu Araştırma Enstitüsü'ndeki dört laboratuvardan biridir. (Qubit Notu: Silicon Valley AI Lab, Deep Learning Lab, Big Data Lab, Augmented Reality Lab)
Baidu yavaş yavaş bir yapay zeka şirketi haline geldikçe, mevcut tüm araştırmaları anlamak ve kendi başına çok sayıda temel araştırma yapabilmek ve aynı zamanda bunları işe ve ürünlere nasıl dönüştüreceğini düşünmek için alanın ön saflarında bir ekibe ihtiyacı var. Etki altında. Bunlar gittikçe daha önemli hale geliyor, bu yüzden Baidu Araştırma Enstitüsü var; özellikle AI laboratuvarında, bu sorunların ne kadar zor olacağını ilk kez fark ettik.
Mevcut derin öğrenme araştırması ve yapay zeka araştırmasının çok hızlı bir şekilde ileriye doğru sıçradığı göz önüne alındığında, aynı anda her iki niteliğe sahip ekiplere olan ihtiyaç daha da acil hale geliyor. Bu nedenle, bu şirketin daha hızlı ilerlemesine yardımcı olmak için bir yapay zeka laboratuvarı kurduk.
Moderatör: Vaktinizi temel araştırma ve ürün uygulama gibi iki görev için nasıl bölüyorsunuz?
Coates: Bu konuda katı veya sabit kurallar yoktur. Her gün kendimize şunu hatırlatıyoruz: Görev odaklıyız. Kesin olmak gerekirse, AI Lab'ın misyonu, en az 100 milyon insan üzerinde derin bir etkiye sahip olabilecek AI teknolojileri oluşturmaktır. Nihai hedefe geri dönmemiz için sürekli olarak kendimize, yaptığımız tüm araştırmaların nihayetinde kullanıcıların eline geçeceğini hatırlatmak için kullanırız.
Bazen bu, olması gereken bir şeyi bulacağımız, gerçekten teknolojik ilerleme kaydedebileceğimiz ve aynı zamanda Baidu'ya yardımcı olabileceğimiz anlamına gelir, ancak kimse bunu nasıl yapacağını bilmiyor. Bu, temel bir araştırma problemi sunuyor. Birisi bunu çözmek için ortaya çıkarsa, daha yüksek bir pozisyona geri döneriz, uzun vadeli düşünürüz ve sonra araştırmaya yatırım yaparız.
Bunda başarıya ulaştıktan sonra dikkatimizi başka bir konuya çevireceğiz. Tüm sonuçları gerçek bir uygulamaya girmekten sorumlu olacağız ve konulan şeylerin sadece% 90 çözülmesini değil, sadece bir kağıt yazmak için yeterli olmasını sağlayacağız -% 99,9'u çözeceğiz.
Sana bir örnek vereyim. Konuşma tanıma için çok zaman harcıyorduk. Ses tanıma, birkaç yıl önce "çok iyi ama yeterince iyi olmayan" teknolojilerden biriydi. Geleneksel olarak, ses tanıma sistemleri büyük ölçüde mobil arama gibi şeyler için optimize edilmiştir.Telefonunuzu dudaklarınıza götürürseniz kısa bir soru sorun ...
Moderatör: İnsan olmayan bir sesten yanıt alacak.
Coates: İşte bu. Sistem bu sorunu çözebilir ve oldukça iyi iş çıkardılar. Bence Baidu'da yaptığımız Deep Speech adlı konuşma motoru, bu kısa problemlerle başa çıkmada aslında insanları geride bıraktı. Bu bağlam eksikliği nedeniyle, insanların da güçlü bir aksanları olabilir.
Aslında, bu konuşma motoru başlangıçta temel bir araştırma projesiydi.
O sırada bu soruya baktık ve düşündük ... Kullandığınız her üründeki konuşma tanıma insan seviyesine ulaşabilseydi nasıl olurdu? İster evde ister arabada, yakın veya uzak olsun, ben mutfaktayım ve çocuğum bana bağırıyorsa, yine de sesli etkileşimi kullanabilir miyim? Bizi insanlar gibi anlayabilir mi?
Moderatör: İlerlemesini destekleyen temel araştırma nedir?
Coates: Konuşma alanında pek çok ilerlemeyi engelleyen şeyin bir ölçek meselesi olabileceğine dair bir hipotezimiz var.
Mevcut araştırma literatürüne bakabilir, temel yöntemlerini öğrenebilir, araştırma ölçeğini büyük ölçüde genişletebilir, çok daha fazla veri koyabilir, hesaplama problemlerini çözmek için daha fazla zaman ayırabilir ve sonunda Çok daha büyük modellere sahip sinir ağları ile temelde daha iyi performans elde edebiliriz.
Görüyorsunuz, çok çalıştıktan sonra, bu harika konuşma tanıma modeline sahibiz Dediğim gibi, en azından Çince'de, insanlardan daha güçlü.
Farz edin ki, belirli bir kişiden gelen bir sesli arama talebini dinliyorsunuz ve bir grup yerel insan Nabarabara'da yaşam ve ölüm için tartışıyor ve siz "Bu kişi Mao'dan mı bahsediyor?" Diye düşünüyorsunuz. Şu anda, konuşma motoru doğru bir cevap verdi ve sonra herkes aniden bunun Çin'deki belirli bir kırsal bölgeden gelen güçlü bir lehçe olduğunu fark etti.
Veri hacminin teknik zorluğu hakkında
Moderatör: Bu modeli eğitmek için ne kadar veriye ihtiyacınız var? Yukarıdaki sahnede sadece İngilizce ve Çince olabileceğini düşünüyorum, değil mi? Almanca dilini istiyorsam, ona ne kadar veri vermem gerekiyor?
Coates: Bu tür şeylerdeki en büyük zorluklardan biri, tonlarca veriye ihtiyaç duymalarıdır. İngilizce sistemimiz 10.000 ila 20.000 saatlik ses kullanır En iyi sonuçları elde etmek için Çin sistemi daha da fazlasını kullanır.
Bu, bu teknolojilerin öyle bir durumda olduğu anlamına gelir ki, insan performansını aşmak istiyorsanız, gerçekten onlar için çok çaba harcamanız gerekir.
Baidu'nun sesli arama ve haritaları şirketin amiral gemisi ürünleridir ve sermayemizi ve enerjimizi bunlara yatırabiliriz.
Ama aynı zamanda temel araştırma alanında heyecan verici bir soruyu da gündeme getiriyor - bu engelleri nasıl aşabiliriz? Her üründe insan performansını aşan sistemler geliştirmek için çok daha az miktarda veriyi nasıl kullanabiliriz?
Moderatör: Lyrebird ürünlerine dikkat ettiniz mi? Sesi taklit etmek veya taklit etmek için çok fazla zamana ve çok fazla ses verisine ihtiyaç duymadıklarını söylüyorlar. Devam eden benzer projeleriniz var, değil mi?
Coates: Evet, metin okuma çalışmamız var.
Moderatör: Bu etkiyi neden çok az veriyle elde edebiliyorlar?
Coates: Tüm bunların arkasındaki teknik zorlukları çözmek için iki şey yapabileceğimizi düşünüyorum.
Birincisi, verileri olabildiğince çok farklı uygulamalar arasında paylaşmaktır. Örnek olarak metinden konuşmaya bakın. Sistem birçok insanın çeşitli seslerini simüle etmeyi öğrenirse ve siz ona 1001'inci sesini verirseniz, önceki 1000 sesten dil hakkında her şeyi öğrenmiştir ve gerisi sadece Çok az veri ile bazı çok özel değişiklikler öğrenilebilir.
Öte yandan, daha önce bahsettiğimiz konuşma tanıma gibi pek çok benzer sistem için çok daha önemli olan konu, denetimli öğrenmeden denetimsiz öğrenmeye geçiş yapmayı ummamızdır ve benim sadece vermem gerekiyor. Bir sürü orijinal ses, yeni bir dil öğrenmesini istemeden önce konuşmanın mekaniğini öğrenebilir. Bu yaklaşım aynı zamanda ihtiyacımız olan veri miktarını azaltmak için de çok umut verici.
Moderatör: Daha önce ekibinizin bu üniversiteler tarafından yapılan araştırma sonuçlarını analiz edeceğini ve sonra nasıl uygulanacağını bulacağını, sonra tüm yeni şeyleri test edeceğinizi söylemiştiniz?
Coates: Aslında, belli bir dereceye kadar karışım olmalıdır. Bizim rolümüz sadece yapay zeka araştırmasını düşünmek değil, aynı zamanda yapay zeka ürünlerini ve bunların nasıl işe yarayacağını düşünmektir. Bence her gün pek çok yapay zeka araştırmasının yapıldığı aşikar ve bunların her birini incelememiz imkansız. Ancak şu anda en büyük zorluklardan biri sadece her şeyi sindirmek değil, aynı zamanda gerçekten önemli şeyleri de belirlememiz gerekiyor.
Ses ürünlerinin sorunları ve eğilimleri
Moderatör: Peki hangi ürün daha fazla insanı etkileyebilir?
Coates: Konuşma tanımayı seçtik çünkü genel olarak böyle bir potansiyele sahip olduğunu düşünüyoruz.
Yapay zeka ürünleri dalgasını başlatırken, maruz kaldığımız şeyin bu gelişen yapay zeka özelliklerinden gerçekten sürükleyici yapay zeka ürünlerine dönüşeceğini düşünüyorum.
Bu mobil giriş yöntemlerinin birkaç yıl önce nasıl tasarlandığına bakarsanız, insanların klavyeye bir mikrofon simgesi eklediklerini ve ses API'larına bağlandıklarını göreceksiniz.
O zamanki teknoloji düzeyinde, bu oldukça iyi hissettirdi. Ama şimdi, teknoloji gittikçe daha iyi hale geldikçe, artık ses girişini öne doğru itebiliriz ve sese öncelik veren bir giriş yöntemi oluşturabiliriz Aslında, AI laboratuvarımız böyle bir prototip yapıyor. TalkType olarak adlandırılan Android telefonunuza indirebilirsiniz.
Kullanıyordum, daha önce yapacağımı hiç düşünmemiştim. Kullanıcı alışkanlıklarını nasıl değiştirdiğini keşfedeceğiz ve konuşma tanımanın ürünlerdeki bir özellik olmaktan insanları daha derinden etkilemeye nasıl dönüştüğünü anlayabiliriz.
Bu, tüm alanda çözülmesi gereken ses sorunlarına dikkat etmeye başlamamız için bizi motive ediyor.Ses tanıma senaryoları, cep telefonuna yaklaşmaktan ve bir arama terimi söylemekten insanların cihazla her zaman, her yerde etkileşime girmesine izin vermeye kadar uzanıyor.
Moderatör: Yani bunu geniş bir kullanıcı grubuna aktaracak ve sonra geri bildirimlerini toplayacaksınız? Birçok insanın bunun hakkında konuştuğunu biliyorum, bazıları bunun anlamsız olduğunu söylüyor. Ne kadar etkili olduğuna şaşıracağınız özel bir kullanım senaryosu veya hangi etkiyi yaratacağından emin olmadığınız bazı senaryolar var mı?
Coates: Açıkçası, mesajlaşma en popüler kullanımdır. Geri bildirim açısından, benim için en ilginç kısım, güçlü aksanlara sahip insanların şu yorumu yapacak olmasıdır: "Oh, çok vahşi bir aksanla büyüdüm. Benim için hiçbir şey etkili değil, ama bunu denedim Yeni giriş yönteminden sonra beni kör etti! "
Artık her şey farklı aksanlara uygun çünkü tamamen veri odaklı. Bu farklı kullanıcılara nasıl hizmet vereceğimizi düşünmemize gerek yok, veri setine yansıtılabilirlerse ve bazı metinler alabilirsek, onlara manuel olarak yapılamayacak şekilde hizmet edebiliriz.
Moderatör: Konuşma tanıma ve sentezleme işlevleri gelecekte yerel olarak tamamlanacak mı? Yoksa her zaman API'yi aramanız mı gerekecek?
Coates: Yerel olarak hesaplamanın kesin olduğunu düşünüyorum.
Bir şey çok ilginç: Teknoloji hakkında pek bir şey bilmeyen sıradan insanlara bakın.YZ teknolojisi ile etkileşim sürecinde, genellikle birbirlerini insan olarak gören bazı tepkiler veriyorlar.
Diğer bir deyişle, insanlar gibi ürünlerle etkileşim kurmayı umarak "mutlu" AI ürünleri için çok yüksek bir standart belirledik.
Deep Speech'i ürün olarak başlattığımızda bir sorunla karşılaştık: gecikme.
50-100 milisaniyelik bir gecikme, algıda 200 milisaniyelik bir gecikmeden açıkça farklıdır. Gecikmeyi azaltmak, kullanıcı deneyimi üzerinde büyük bir etkiye sahiptir, bu nedenle araştırmacılarımız ve ürün ekibi, gecikmeyi azaltmak için bir çözüm bulmak için birlikte çalıştı.
Moderatör: Teknik düzeyde nasıl daha hızlı tepki vermesini sağlarsınız?
Coates: Başlangıçta Deep Speech için temel araştırma ve makale yazarken en yüksek doğruluk oranına sahip modeli seçtik. Daha sonra bu modelin ürünlerde kullanım için çok uygun olmadığını keşfettik.
Daha sonra, bu konuyu ürün gereksinimleri açısından ele aldık, benzer performansa sahip ancak gelecekte çok fazla bağlamsal bilgi gerektirmeyen bir model aradık.
Orijinal modelimizin doğru bir geri bildirim vermesi için cümlenin tamamını dinlemesi gerekir, bu nedenle doğruluk oranı yüksektir, ancak gecikme de yüksektir ve üründeki kullanıcı deneyimi iyi değildir. Çünkü ses sistemiyle etkileşim kurduğunuzda, dinlediğini bilmenizi sağlamak için herhangi bir zamanda size geri bildirim vermesi gerekecek.
Bu nedenle, sinir ağını tüm cümleyi dinlemeden iyi bir cevap verecek şekilde değiştirmeli ve ardından cümlenin tamamını dinledikten ve aşağıdaki uyarı bilgilerini anladıktan sonra cevabı güncellemeliyiz.
Moderatör: Son yıllarda, bu AI sistemlerini barındırmayı öğrendiğimizi öğrendim. Örneğin, Siri ile konuştuğumda doğru grameri kullanmak için elimden gelenin en iyisini yapacağım; seyahat ederken Google Translate'i kullandığımda, kelimeleri çevirmesine ve cümleleri çevirmesine izin vermemeye çalışacağım.
Makinelerle iletişim kurduğumuzda onları yerleştirmemiz gerektiğini düşünüyor musunuz? Veya amacınız insanlar gibi mükemmel bir şekilde iletişim kuran bir makine yapmak mı?
Coates: En azından yüksek değerli uygulamalar için, aslında insan seviyesine ulaşmayı umuyorum, bu hedefe giden yolda büyük engeller olduğunu düşünmüyorum.
Hala yapacak çok araştırmamız var, ancak içtenlikle inanıyorum ki konuşma tanıma birkaç yıl içinde hiç sorun olmayacak.
Moderatör: Şu anda en zor olan şey nedir? Neyin yeterince kararlı olmadığını düşünüyorsunuz?
Coates: Büyük miktarda etiketli veri elde edebileceğimiz soruna gelince, hala iyileştirmek için biraz yerimiz var, ancak sonunda bu sorunları çözebiliriz. Ancak, insanların genellikle düşünmeden yapabileceği şeylerin büyük bir kısmı hala var ve mevcut konuşma motoru bunu kaldıramıyor.
Sohbeti birkaç kişi aynı anda konuşurken veya arka planda çok fazla gürültü olduğunda tamamlayabiliriz. Benimle evin diğer tarafından konuşursanız, çok fazla yankı olsa bile sohbetimiz devam edebilir. Temelde bu insanları etkilemeyecektir. Büyük bir etki yaratın. Ancak bu noktada, mevcut ses sistemleri sık sık mücadele ediyor, ancak yeni nesil AI ürünleri için bu sorunları çözmelisiniz.
Şu anda yaptığımız pek çok şey bu sorunları çözüyor. İnsanlar arasındaki diyalog nasıl çözülür? Birden fazla farklı konuşmacı ile çok rahat bir sohbete ne dersiniz? Konuşma sırasında bir şeyi yanlış anladığımı fark etmek için konuşma gibi uzun yapıları nasıl yazabilirim? Ayrıca bazı jargonu anlamam ve yazmam gerekiyor. Burası ürünlerimizi yenilememiz için çok faydalı bir yer.
Kısa bir süre önce, kısa formun daha verimli çalışmasını sağlamak için Swift Scribe adında bir ürün sürümünü yayınladık. Amacı, uzun biçimli kayıtlar gerektiren senaryoları anlamaktır.
Yapay zekanın beklentileri ve yetenekleri hakkında
Moderatör: Birinin sesini taklit etmekten bahsetmişken, sahtecilik konusunda endişeleriniz var mı? Bu tür bir yüz simülasyonu gördünüz mü? Makineye hem video hem de ses besleyin ve bir kişinin havadan konuştuğu bir sahne oluşturabilirsiniz. Böyle bir dünyayla nasıl yüzleşmeliyiz?
Coates: Hayır, bir anlamda sosyal bir mesele olduğunu düşünüyorum. Kültürel olarak konuşursak, hepimiz çok fazla eleştirel düşünme eğitimi veriyoruz. Hepimiz başkalarının makalelerini okuruz, yazı stilini göremezsek, nereden geldiğini bilemeyiz. Bence böyle bir sahneyle nasıl başa çıkılacağı konusunda bir alışkanlık edindik ve bundan makul ölçüde şüphe duyabiliriz; benzer şekilde, bu yeni dünyaya adapte olmanın bir yolunu bulacağımızı düşünüyorum.
Ortaya çıkmaya devam eden büyük zorluklar hakkında düşüneceğim, ancak aynı zamanda AI'nın getireceği birçok olumlu etkiyi de düşünüyorum. Genelde bunun hakkında çok konuşmam.
Aslında annem kas distrofisinden muzdarip. İPad'de yazı yazmak onun için çok zor.Ses veya dil arayüzü onlar için çok değerli. Bunlar genellikle hakkında fazla düşünmediğimiz sorunlardır, ancak bu teknolojilerin önümüzdeki birkaç yıl içinde gerçekten çözeceği sorunlardır.
Bir kullanıcı olarak ortaya çıkan bu zorluklarla nasıl yüzleşiyorsunuz? Geçmişte bunlarla yüzleşirken çok iyi iş çıkardığımızı düşünüyorum - gelecekte de yapmaya devam edeceğiz.
Moderatör: Yapay zekanın insanlar için yeni işler yaratacağını düşünüyor musunuz? Yoksa verileri sisteme mekanik olarak mı besliyoruz?
Coates: İyi değilim. Bu, Amerika Birleşik Devletleri'ndeki işsizlik oranının her çeyrekte çok yüksek olması gibi, bu da işgücü piyasası için bir şok. Sanırım bu süreç gittikçe hızlanıyor. AI laboratuarında bu fenomenden bahsediyoruz. Burada derin öğrenme araştırmaları hızla gelişiyor ve yenilik yapmaya devam edebilmemiz için bu hıza ayak uyduruyoruz. Bunun aslında herkes için biraz aydınlanma olduğunu düşünüyorum ve öğrenmeye devam etmek gelecekte giderek daha önemli hale gelecektir.
Moderatör: O halde, AI tarafından elinizden alınmamak için, kendinizi öğrenmeye nasıl devam ediyorsunuz?
Coates: Bence işimizin yerini robotlar alma riski taşımıyor. Aslında çok ilginç. Bunların kariyerimizi nasıl etkileyeceği hakkında çok düşündük. Bir şey doğru: Yeni bir laboratuvar açmak istiyorsanız, yapılacak ilk şey, bu AI uzmanlarını işe almak ve burayı her gün yaşadıkları ve AI teknolojisini soludukları bir yer haline getirmektir. Bence bu çok önemli.
Temel araştırma için bu tür bir uzmanlık kazanmanız gerekir. Ancak bu alan çok hızlı geliştiği için artık farklı yeteneklere ihtiyacımız var. Aynı zamanda esnek ve değişken, bilimsel araştırma projelerini anlayabilen ve bunlara katkıda bulunabilen, aynı zamanda diğer tarafa dönüp GPU yazılımı ve üretim sistemleriyle nasıl etkileşim kuracağımızı düşünenlere de ihtiyacımız var. Çoğu zaman, günümüzün ürün ekibi, kullanıcı deneyimini daha iyi hale getirmek için makine öğrenimi algoritmasını nasıl geliştireceğinizi söyleyemez.
Sınır, ölçülmesi zor bir şeydir ve algoritmayı ayarlama sürecinde bunları dikkate almalısınız. Ayrıca bilimsel araştırma topluluğuna da dikkat etmeli ve neyin mümkün olduğunu ve neyin ortaya çıkacağını düşünmelisiniz. Sonunda, harika bir tam yığın makine öğrenimi mühendisi ortaya çıktı.
Moderatör: Bu insanlar nereden geliyor? 18 yaşındayım ve böyle bir insan olmak istiyorsam şimdi nasıl hazırlanmalıyım?
Coates: Bu insanları artık bulmak zor. Yapay zeka laboratuvarında bu tür yetenekleri kendimiz yaratmaya çalışıyoruz. Önce bu tür birkaç örnek bulmamız, bu grup insanın ne kadar garip olduğunu görmemiz ve ardından insanların nasıl öğrenmesini sağlayacağımızı ve sonunda bu tür uzmanlar haline gelmemiz gerekiyor. Aslında, ekibimizin bir kültürü, kendi kendini yöneten ve öğrenmeye aç insanlar bulmaktır.
100 milyon insanın hedefinden gerçekten sorumlu, gerçekten kendi kendini yönetebilen, bu belirsiz faktörlerle başa çıkabilen ve bunları gerçekten öğrenmeye istekli insanlara ihtiyacımız var.Sadece yapay zeka araştırması değil, aynı zamanda kendi rahatlarıyla Alanın dışına çıkın, GPU ve yüksek performanslı bilgi işlem hakkında bilgi edinin ve bir ürün yöneticisinin sorunlar hakkında nasıl düşündüğünü öğrenin.
Moderatör: 666. Birisi işinizle ilgili veya sizin için çok önemli olan şeyler hakkında daha fazla bilgi edinmek isterse, onlara çevrimiçi olarak ziyaret etmelerini tavsiye edeceğiniz şey nedir?
Coates: Eyvah, bunun hakkında düşünmem gerekiyor. Bende büyük etkisi olan şeylerin aslında girişimcilik üzerine kitaplar olduğunu düşünüyorum. Bence girişimcilik çemberindeki en büyük fikirlerden biri, yaptığınız şeyin büyük bir kısmının öğrenmek olduğu. Bir eğilim olmalı, özellikle o mühendisler için bir şeyler inşa etmek istiyorsak, kendimi onlardan biri olarak göreceğim.
Bu nedenle, hatırlamamız gereken çok önemli bir ilke, zihinlerimizin çok net olması, her zaman şu anda bilmediğimiz şeyleri düşünmesi ve bu yapay zeka araştırmalarını bulmak için olabildiğince hızlı öğrenmeye odaklanmamız gerektiğidir. Sahada yaşanan en önemli kısım, insanların gerçekte yaşadıkları deneyimlerdeki en önemli acı noktalarını bulmak ve bunları hızla birbirine bağlamak.
Kendi düşüncem üzerindeki etkinin büyük bir kısmının girişimci çevreden geldiğini düşünüyorum. Bu benim deneyimim.
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
