g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Fiziksel zekadan mikrodalga görmeye

Özet Yapay zeka teknolojisi, son on yılda bilim, teknoloji ve endüstriden büyük ilgi görerek insan uygarlığının zeka çağına gireceğini gösteriyor. Ancak akıllı çağın temeli olan "akıllı bilim" şekillenmekten çok uzak. Elektromanyetik fiziksel bilgi algılama teknolojisinin benzersiz bakış açısıyla, bu makale zeka biliminin nasıl geliştiğine dair bazı içgörüleri tartışıyor.İnsan zekası ve dış dünyanın ikili problemler olduğuna ve birbirinden ayrılamaz olduğuna dikkat çekiyor.Bu nedenle, yapay zekanın nesnelere ve ilgili disiplinlerine göre Matematik, fizik, psikoloji ve bilincin 4 aşamasına ayrılmıştır. Yazarın profesyonel elektromanyetik bilgi algılama alanını birleştirerek, fiziksel zeka için yeni bir mikrodalga vizyon kavramı ve bununla ilgili çağrışım ve temel teknoloji önerileri önerin. Yazarın ekibinin bu yöndeki ön çalışmasını örnek alarak fiziksel zekaya dayalı zekayı tartışın Bilimsel araştırma ve geliştirme.

Ünlü Moore Yasası, entegre devrelerin üstel büyüme yasasını başarıyla öngördü.Aslında, insan uygarlığının ve teknolojinin gelişimi, kabaca üstel büyüme yasasını izler. İnsan sosyal gelişiminin tarihi bir eğri olarak çizilirse, apsis zamandır ve ordinat medeniyet ve teknolojik düzey ise, o zaman üstel bir büyüme eğrisidir (Şekil 1). Bugün tarihe dönüp baktığımızda, 30 yıl önceki bilgisayar teknolojisi, 100 yıl önceki görelilik ve kuantum mekaniği ve 500 yıl önceki modern bilimin kökeni gibi insanlığın her bilimsel ve teknolojik devriminin gelişi arasındaki zaman aralığının katlanarak azaldığını bulmak zor değil. Örneğin, iki sanayi devrimi, tarım devrimi ve bilgi endüstrisi devrimi bu yasayı doğruladı.

Bazıları yapay zekanın bir sonraki sanayi devrimi ve belki de insan uygarlığının akıllı çağı olduğunu söylüyor. Bilim ve teknoloji insan uygarlığının özlerinden biridir.Medeniyetin ilerleyişi kaynaklar, enerji, bilgi ve zeka olmak üzere dört aşamadan geçmiştir. Soğuk silahlar çağında insan uygarlığı, doğal kaynakların avantajlarına güvenir.Sıcak silahlar çağının zaferi, nükleer silahlar gibi kitle imha silahlarında yatar.Bilgi çağına girdikten sonra bilgi edinme kabiliyetine yansır.Gelişmiş ülkeler keşif, gizlilik, siber gibi bilişim teknolojilerine güvenirler. Bilgi asimetrisinin diğer ülkelere göre avantajını elde etmek için gelecekte belirleyici faktörün yapay zeka seviyesi olacağı tahmin edilebilir.

Bilgi çağının anahtarı, keşif, gizlilik ve yüzleşme için askeri teknoloji dahil olmak üzere kapsamlı ve çok sayıda doğru bilgiyi hızlı bir şekilde elde etme ve bunlara karşı elde etme becerisidir. Büyük veriyi elde etme yeteneği belli bir yüksekliğe ulaştığında, büyük verinin fiziksel bilgileri fiziksel dünyanın arkasındaki bilinç dünyasına daha da girmeli, yapay zeka ve süper yapay zeka geliştirmeli ve çatışmaya dayalı akıllı algılama, işleme, çıkarım ve karar verme teknolojisini gerçekleştirmelidir. , Akıllı teknolojinin gelecekteki çağında öncü bir konuma sahip olun.

Şekil 1 İnsan uygarlığının gelişiminin yeni aşaması

Sinir ağı araştırmalarında öncü olan Hinton tarafından on yıldan fazla bir süre önce "Science" da yayınlanan bir makale, yapay zeka alanında derin bir öğrenme patlamasını tetikledi. Google'ın yan kuruluşu DeepMind tarafından geliştirilen AlphaGo, Güney Koreli Go dokuz dan oyuncusu Lee Sedol'ü 4: 1 mağlup ederek yapay zekaya büyük ilgi ve ilgi gösterdi. Yapay zekada son 10 yılda kaydedilen önemli ilerleme, temelde derin öğrenme teknolojisi, güçlü bilgi işlem gücü, büyük veri desteği ve geliştirilmiş öğrenme yöntemleri gibi üç koşul altında başarılı bir şekilde atılımlar gerçekleştiren bir yapay zeka teknolojisi sayesinde oldu.

Yalnızca 10 yıl içinde, derin öğrenme, yaşamın her alanında yapay zekanın araştırılmasını ve uygulanmasını tetikledi. Bilgi teknolojisi, biyolojik bilimler, malzeme teknolojisi vb. Alanlarda derin öğrenme yapay zeka uygulama araştırmaları gerçekleştirilmiştir. Endüstri ve devlet daireleri de birbiri ardına gişe rekorları kıran planlar başlatarak yapay zeka için ayrı planlar belirledi. Derin öğrenme teknolojisi, çeşitli alanlarda giderek daha fazla dikkat çeken uygulamalar bulmuştur.

Bununla birlikte, derin öğrenme teknolojisinin arkasındaki teori birikimi, teknolojik geliştirme ve uygulama gereksinimlerinin patlayıcı büyümesini destekleyemez. Derin sinir ağlarının arkasındaki teori, temelde 30 yıl önceki yapay sinir ağı teorisidir, derinlemesine temsil ve stokastik gradyan inişinde yalnızca kısmi gelişmeler. Akıllı çağın gelişini desteklemek için acilen akıllı bir bilime ihtiyaç var. Beyin bilimi ve bilişsel bilim gibi birçok insan beyni işlevi konusu ile ilgilidir ve doğrudan fiziksel dünyanın ve sosyal bilimlerin uygulama ihtiyaçları ile karşı karşıyadır. Akıllı bilimin zorluğu ile yapay zeka teknolojisinin sıcak uygulaması arasındaki karşıtlık, yapay zekanın son birkaç kez yaşadığı soğuk kışı anımsatıyor. Bu şiddetli eğilim aynı zamanda birçok ünlü bilim adamının derinlemesine düşünmesine neden oldu.

Bu makale, yapay zekanın nesnelerine ve ilgili konularına göre dört aşamaya ayrılan akıllı bilimin yeni konu yönünü kısaca tartışmaktadır.Yazarın önceki araştırmalarıyla birlikte, yeni kavram ve bilgi algısı için mikrodalga vizyonunun ilgili çağrışımı önerilmektedir. Ve anahtar teknolojiler.

Akıllı Bilim

Derin öğrenme

Derin öğrenme, makine öğrenimine aittir ve makine öğrenimi, yapay zekanın önemli bir dalıdır. Derin öğrenmenin ana teknolojisi, yapay sinir ağı alanında ortaya çıkan bir araştırma yönü olan derin sinir ağıdır. Yapay sinir ağı, insan beyni zekasını simüle edebilen bir model oluşturmak için beyin bilimi, matematik, bilgisayar bilimi, bilgi işleme, psikoloji vb. Gibi çoklu araştırma alanlarını kesişir ve birleştirir. İnsan beyni zekası üzerine yapılan araştırmanın 100 yıldan az bir gelişim geçmişi olmasına rağmen, makine görüşü, yüz tanıma, konuşma tanıma, akıllı arama ve genetik programlama alanlarında önemli ilerleme kaydetmiş ve çok çeşitli başarılar elde etmiştir. Anlamlı uygulama.

Yapay sinir ağının araştırması 1950'lerde ortaya çıktı.En eski yapay sinir ağı modeli basitçe bir nöronun bir uyarıcıya tepkisini simüle etti. Bununla birlikte, teori eksikliği ve bilgisayar teknolojisinin sınırlamaları nedeniyle, yapay sinir ağları etkili bir şekilde geliştirilememiştir. 1980'lere kadar, Back Propagation (BP) mekanizmasına dayanan sinir ağları hızla gelişti. Ancak eğitimde zorluk gibi sorunlar nedeniyle yine de 3 katmanlı bir sinir ağı ile sınırlıdır ve çözülebilecek sorunlar oldukça sınırlıdır. Bundan sonra, makine öğreniminin ana akım yöntemleri çoğunlukla vektör makinelerini destekleyen sığ yapı algoritmalarıdır ve çok az kişi üçten fazla katman içeren derin algoritmalara dikkat eder.

2006 yılında Hinton, sinir ağı alanındaki derin ağlara olan araştırma ilgisini yeniden canlandıran çok katmanlı otomatik kodlayıcıların eğitimini gerçekleştirmek için "açgözlü öğrenme" fikrini önerdi. 2012 yılında, Hinton ekibi ImageNet görüntü sınıflandırma görevinde derin evrişimli ağı kullandı ve makine öğrenimi alanının dikkatini çeken önceki sığ algoritmalardan çok daha yüksek iyi sonuçlar elde etti. O zamandan beri, makine öğreniminin ana akımı çok katmanlı otomatik öğrenme algoritmalarına geçti. Üçten fazla katmana sahip makine öğrenimi algoritmalarına derin öğrenme adı verilir. 2016 yılında Google DeepMind, pekiştirmeli öğrenmeye derin sinir ağları uyguladı ve hayatın her kesiminden insanların ilgisini çeken Koreli Go 9-dan oyuncusu Lee Sedol 4: 1'i mağlup eden AlphaGO bilgisayar Go programını geliştirdi. Hayatın her alanında yapay zekaya olan ilgi patladı. Özellikle sektörde derin öğrenme, bilgisayarla görme, konuşma tanıma, makine çevirisi, arama motorları, otonom sürüş, robotik gibi çeşitli alanlarda yaygın olarak kullanılmaktadır.

Aslında şu anda derin öğrenme için en başarılı algoritma, derin evrişimli ağ, görüntü ve video benzeri uzamsal bilgilerin işlenmesi ve derin döngüsel ağın konuşma ve metin benzeri dizi bilgisini işlemesi olmalıdır. Örneğin, bazı derin pekiştirmeli öğrenme uygulamaları, ham girdi verilerinin bu iki çekirdek sinir ağı algoritması tarafından işlenmesinden yararlanır. Evrişimli sinir ağının ve tekrarlayan sinir ağının iki ağ yapısı 1990'ların başlarında önerildi. Derin sinir ağının veya derin öğrenmenin özünün "derinlikte" yattığı, yani derin yapının orijinal verileri temsil etmek için kullanıldığı görülebilir.

Derin öğrenmenin temel fikri, yapıyı hiyerarşik özellikler aracılığıyla çıkarmaktır (Şekil 2) Örneğin, derin evrişimli ağlar, memeli görsel sinir sistemini taklit eder ve hiyerarşik özellik çıkarımının bilgi işleme modunu kullanır. İlk olarak, giriş bilgilerinde düşük seviyeli özellik çıkarma işlemi gerçekleştirin, düşük seviyeli özellikleri yüksek seviyedeki daha yüksek seviyeli özellik bilgileriyle birleştirin ve çok tabakalı özellik aktarımı yoluyla yeterince yüksek seviyeli özellik bilgileri elde edin ve ardından son çıktıyı hesaplayın. Eğitim yoluyla, ilgilenilen özellikler büyük verilerden otomatik olarak çıkarılır ve veri etiketi eşlemesi, oldukça doğrusal olmayan bir işleve yerleştirilir. Bu nedenle, derin sinir ağının özü, ağı stokastik gradyan iniş algoritması aracılığıyla akıllıca uygun bir uydurma doğruluğuna eğiten, çok katmanlı iç içe yerleştirilmiş doğrusal olmayan bir uydurma işlevi olarak kabul edilebilir. Bununla birlikte, "derinlik" kavramı yeni önerilmemiştir ve 3'ten fazla çok katmanlı sinir ağı katmanıyla uydurma yöntemi de denenmiştir. Bu nedenle, akademik çevreler genellikle derin öğrenme patlamasının üç tesadüfi faktörle ilişkili olduğuna inanırlar: hesaplama gücünün üstel büyümesi, veri hacminin patlayıcı büyümesi ve sinir ağı algoritmalarının iyileştirilmesi. Bu üç koşulun olgunluğu, sinir ağının, pratik uygulamalara daha yakın olan karmaşık sorunları çözebilen derin öğrenme aşamasına girmesini sağlar. Bu açıdan, derin öğrenmenin ortaya çıkışı niteliksel bir değişim değil, yalnızca niceliksel bir değişimdir.

Şekil 2 Derin öğrenmenin ana fikri: hiyerarşik ve birleştirilebilir özellik temsil çerçevesi

Geçmişe dönüp baktığımızda, 21. yüzyılın başındaki bilgi işlem gücü ve veri hacmindeki büyümenin derin sinir ağlarını eğitmeyi mümkün kıldığını ve algoritmaların gelişmesinin ancak son yıllarda ortaya çıktığını görebiliriz. Hinton tarafından 2006 yılında önerilen çok katmanlı otomatik kodlama ağından 2012'deki derin evrişimli ağa kadar başarılı bir uygulama olmamıştır. 2012'den sonra, derin öğrenmenin temsili uygulamaları derinliği gösteren derin evrişimli ağlardır. Sinir ağının temel algoritma iyileştirmesi 2006-2012'de gerçekleşti.

2006 yılında, Hinton tarafından çok katmanlı otomatik kodlayıcıları eğitmek için önerilen "açgözlü algoritma", bir grup insanı LeCun ve Bengio dahil olmak üzere derin sinir ağlarını incelemeye yöneltti. Derin sinir ağlarının büyük başarısının nedeni, yazarın temel algoritma geliştirmesinin basitleştirilmiş bir aktivasyon işlevi, yani düzeltilmiş doğrusal birim (ReLU) kullanımında olduğuna inanmasıdır. Şekil 3'ten ReLU'nun aslında parçalı bir doğrusal fonksiyon olduğu görülebilir y = max (0, x). ReLU'ya benzer aktivasyon fonksiyonu aslında 1975 gibi erken bir tarihte önerilmişti, ancak 1980'lerde tamamen doğrusal olmayan, sürekli türetilebilirlik ve düşük gradyan hesaplama karmaşıklığı ile Sigmoid ve diğer aktivasyon fonksiyonları ile değiştirildi. LeCun ekibi derin sinir ağları üzerinde çalışırken 2009 yılına kadar, ReLU benzeri parçalı doğrusal aktivasyon fonksiyonunun derin ağların uçtan uca eğitimini elde etmede anahtar bir faktör olduğunu keşfettiler. 2011 yılında, Bengio ekibi, derin sinir ağlarının aktivasyon işlevi olarak ReLU kullanmak için en uygun olduğu sonucuna varmıştır. Verilen nedenler arasında ReLU ve insan beyin nöronları arasındaki benzerlik yer almaktadır, çünkü nöronlar belirli girdilere hiç yanıt vermez, ancak bazılarına yanıt verir Girdi tepkisi monotondur ve her an aktif durumdaki nöronlar her zaman seyrektir. Bu çalışmalar, Hinton ekibinin 2012'de ilk kez ImageNet Challenge'ı kazanmak için derin evrişimli ağı kullanması için teorik temeli attı.

ReLU'nun avantajları ile ilgili olarak, Şekil 3'te basit bir açıklama verilmiştir, yani, çok katmanlı ağ, birikimden sonra doygunluğa ulaşılması kolay olan Sigmoid gradyanının aksine, geriye doğru yayıldığında gradyan sabit kalabilir. ReLU ile ilgili teorik araştırmalar 2012'den sonra devam ediyor. Örneğin, 2015'te LeCun ekibi, derin sinir ağlarının kayıp fonksiyonundaki yerel minimumların daha iyi çözümler olduğunu ve stokastik gradyan iniş algoritmasıyla kolayca bulunabileceğini kanıtladı. Teorik olarak, derin sinir ağlarının büyük başarısının ana nedenlerinden birini açıklıyor.

Şekil 3 İki aktivasyon fonksiyonunun (Sigmoid, ReLU) ve bunların tek katmanlı ve çok katmanlı gradyanlarının karşılaştırılması

Derin sinir ağlarının özünün, büyük miktarda veriyi sığdırmak için çok sayıda iç içe geçmiş doğrusal olmayan işlev katmanını kullanmak olduğu görülebilir Denetimli öğrenme, yüksek boyutlu bir veri uzayındaki bir yüzeye sığdırmaktır, denetimsiz öğrenme ise bir nesil ağı gibi bir ağa uymaktır. Bir dağıtım. Şimdiye kadar, ağ yapısında çeşitli yenilikler veya eğitim optimizasyon algoritmasında çeşitli tasarımlar olsun, pratik uygulama sorunlarını gerçekten çözen derin öğrenme teknolojisi, bir moddan kaçamaz, yani büyük miktarlarda kullanır. Eğitim verileri, çok sayıda bilinmeyen içeren karmaşık çok katmanlı bir ağa uymak için kullanılır.

Bu nedenle yazar, 2011 Turing Ödülü'nü kazanan Judea Pearl ile tamamen aynı fikirde: Derin öğrenme teknolojisi ne kadar başarılı olursa olsun ve ilgili araştırma ne kadar çeşitli olursa olsun, eğri / yüzey uydurmanın özünü kırmadık. Aslında pek çok bilim insanı derin öğrenmenin karşılaştığı zorluklar üzerine düşünmeye başlamış, ardında yatan temel teorilerin yetersiz birikimi nedeniyle derin öğrenme teknolojisi hızla bir darboğaz sürecine girmiştir. Mevcut derin öğrenmeyle ilgili teknolojiler, bilgisayarlar tarafından tam olarak yönetilemeyecek kadar basittir. Çeşitli araç kutularının ortaya çıkması nedeniyle, çoğu insan derin sinir ağı uygulama becerilerinde kolaylıkla ustalaşabilir. Bu becerilerde ustalaştıktan sonra, çoğu insan hızla parametre ayarlamasına girer. , Yapısal uyumun darboğazı. Açıkçası, bu başlı başına mekanik bir iştir ve yapay zeka ile değiştirilebilir. Yeterince, 2018'in başlarında Google tarafından başlatılan AutoML aracı, parametre ayarlama rolünü oynadı ve derin sinir ağları uygulayan çok sayıda insanın yerini aldı. Google'ın yeni geliştirilen AlphaGO Zero Go programının yeni sürümü, mekanik arama yoluyla daha iyi çözümler elde etme çalışmasının da değiştirilebileceğini kanıtlıyor. Ağ yapısı ve optimizasyon algoritmaları konusunda yenilik yapan daha fazla bilimsel araştırmacının da değiştirileceği öngörülebilir. Derin öğrenme teknolojisinin ortaya çıkışı, yaratıcılıktan yoksun mekanik işlerin yerini alacağını gösteriyor.

Bu nedenle, derin öğrenmenin ortaya çıkmasının önemi, öncelikle veri kaynaklarının avantajlarından iyi yararlanmak, süper uygun yetenekleri elde etmek ve çeşitli alanlardaki pratik uygulama problemlerini çözmektir. İkincisi, yapay zeka teknolojisi hakkında yaygın endişeler uyandırdı ve akıllı teknoloji üzerine güçlü bir araştırma çağını başlattı. Bununla birlikte, derin öğrenmenin süper uygun yeteneği yüksek beklentilere yol açmıştır.Zeka biliminin temel teorisi ertelenirse, derin öğrenme ya da yapay zeka insanların beklentilerini kısa sürede karşılayamayacaktır.

Akıllı bilimin doğuşu

Yapay zeka derin öğrenme teknolojisinin yaygın olarak uygulanması, kaçınılmaz olarak akıllı bilimin doğuşunu gerektirecektir. Akıllı bilim, doğa bilimleri ve sosyal bilimlerden farklı yepyeni bir disiplin olmalıdır. Doğuşu yalnızca derin öğrenme teknolojisinin patlamasıyla değil, aynı zamanda beyin bilimi, bilişsel bilim, teorik sinirbilim ve veri biliminin gelişmesiyle de yakından ilgilidir.Akıllı bilim, genel doğa bilimleri ve sosyal bilimlerle bile ilgilidir. Bu disiplinler akıllı bilimdir. Başlangıç ve köşe taşı.

Zeka bilimi, yapay zekanın arkasındaki temel bilimdir ve yapay zeka, zeka bilimine dayalı uygulamalı bir disiplindir. Dikkat etmemiz gereken ilk şey, yapay zekayı desteklemek için ne tür bir bilime ihtiyaç olduğudur. Sosyologlar, genelleştirilmiş yapay zekayı üç kategoriye ayırır: zayıf yapay zeka, güçlü yapay zeka ve süper yapay zeka. Zayıf yapay zeka, belli bir yönüyle iyi olan yapay zekayı ifade eder.Bu aşamada geliştirilen yapay zeka zayıf yapay zekadır. Güçlü yapay zeka, insanlarla karşılaştırılabilir olan ve insanların yapabileceği her şeyi yapabilen yapay zekayı ifade eder. Süper yapay zeka, bilim kurgu dünyasında insanların ötesinde zeka ile sıklıkla ortaya çıkan yapay makinedir. Yapay zekanın amacı, insan gibi davranmak, insan gibi düşünmek, mantıklı düşünmek ve mantıklı davranmak olmak üzere dört noktada özetlenebilir. Makinelerin insanlar gibi düşünmesini istiyorsanız, önce insanların nasıl düşündüğünü anlamalısınız. Bu başlı başına karmaşık ve ilginç bir iş. Bu görevi yerine getirmenin üç yolu vardır: iç gözlem yoluyla - insanların düşünme biçimini yansıtmak; psikolojik deneyler yoluyla - ölçülen nesneyi gözlemlemek ve sonra özetlemek; ve beyin görüntüleme - beyin aktivitesinin modelini gözlemlemek. Ancak günümüze kadar insanlar kendi beyinlerinin ve insan düşüncesinin çalışma prensiplerini hala yeterince anlamamıştır ve bilişsel bilimde çözülmesi gereken pek çok sorun vardır.

Derin ağların mevcut muazzam uygulama başarısı, yalnızca insanların görsel sinir ağlarını anlamasından ve biyonikten kaynaklanıyor. İnsanlar tarafından derinlemesine çalışılmamış alanlar olan beyin ve zeka, bilim ve teknoloji çevrelerinin ve hatta endüstri ve devlet dairelerinin dikkatini sürekli olarak çekmiştir. Sistematik beyin bilimi araştırması, temelde aşağıdan yukarıya biyolojik araştırmalara ve yukarıdan aşağıya teorik sinirbilim veya bilişsel bilim araştırmalarına bölünmüştür.Nörobiyoloji, mikro düzeyden biyolojik gözlem ve deney yöntemleriyle başlar ve sürekli olarak temel bilgileri biriktirir. Nöronal hücre dilimlerinin gözlemlenmesi, makro ölçekte beyin aktivitesinin fonksiyonel MRI (fMRI) görüntülenmesi gibi tüm beynin çalışma mekanizmasını anlamak, hepsi nörobiyoloji kategorisine aittir. Nörobiyolojik araştırmalar şu anda beynin çalışmasını tam olarak anlayamıyor. Mekanizma esas olarak canlı beynin gerçek zamanlı aktiviteleri için mikroskobik gözlem yöntemlerinin eksikliği ile sınırlıdır.Son yıllarda geliştirilen floresan etiketlerin yüksek çözünürlüklü optik görüntüleme teknolojisi, bu alandaki bir sonraki atılım olacaktır. Teorik sinirbilim veya bilişsel bilim araştırması, beyin zekasını taklit etmek için insan makroskopik davranışlarının anlaşılması yoluyla matematiksel teorik modeller oluşturur. Newton fiziğini taklit eden teorik sinirbilim, öncelikle beynin çalışma mekanizmasını matematiksel olarak modelliyor ve giderek daha karmaşık beyin çalışma mekanizmalarını varsayımsal temel yasalarla açıklıyor Biyolojik yöntemlerle karşılaştırıldığında teorik sinirbilim üzerine yapılan araştırmalar durgun kalmıştır. . Güvenilir ilerleme elde etmek için deneysel gözlem ve teorik modellemenin üç şeması etkili bir şekilde birleştirilmelidir. Örneğin, gözlem yoluyla keşfedilen nabız zamanı ile ilişkili plastiklik (SDTP) mekanizması, hafıza ve öğrenmenin nörokimyasal temeli olarak kabul edilir ve sinir ağı modellerinin oluşturulmasını teşvik etmede önemli bir rol oynar. Sistematik beyin bilimi araştırmalarına ek olarak, en çok bahsedilenler uygulama seviyesine (yani derin öğrenme) ve bunların uygulanmasına (yani sinir ağı çipleri) daha yakın olan beyin benzeri yapay zeka algoritmaları ve ayrıca robotların çevresel teknolojileridir (mekanik iskeletler, biyonik malzemeler gibi) ). Mevcut beyin benzeri yapay zeka algoritmaları, gerçek anlamda nörobiyoloji ile çok yakından entegre değil, bu yeni nesil yapay zekanın gelişim yönlerinden biri olacak. Robotların periferik teknolojisi, endüstriyel üretim, evde bakım, ulusal güvenlik ve diğer alanlardaki önemli uygulamaları nedeniyle dikkatleri üzerine çekmiş, yapay zeka teknolojisi ile yönlendirilen robotların gerçekleştirebileceği işlevler, daha önce bilim kurgu dünyasında insanlara verilen izlenime hızla yaklaşmıştır.

Amerika Birleşik Devletleri, Avrupa Birliği ve Çin, nörobiyoloji ve beyin benzeri yapay zeka teknolojisinde araştırma yapmak için kendi beyin araştırma planlarını ve yapay zeka stratejilerini başlattı veya başlatmak üzere. Beynin gizemini çözmek, geleceğin akıllı dünyasını açmanın anahtarıdır ve geleceğin teknolojik gelişiminin stratejik komuta yükseklikleridir.Yapay zekayı kim ustalaştırırsa, gelecekteki çekirdek teknolojilerin efendisi olacaktır.

Yapay zeka ve ilgili teknolojiler her geçen gün değişiyor ve ilgili atılım ilerlemeleri her hafta rapor ediliyor. Bununla birlikte, yukarıda tartışıldığı gibi, derin öğrenmenin özü süper güçlü bir işleve uymaktır ve teknik faydaları yakında tükenebilir. Açıkçası, mevcut yapay zeka hala zayıf yapay zeka kategorisinde ve güçlü yapay zeka ve süper yapay zekaya giden yol hala bir sis bulutu. Bu süreçte önce beyin düşüncesinin gizemini çözmek ve sistemin zeki bilimini geliştirmek gerekiyor. Bir kuşun kanatlarının yayılmasını ve insan uçuşunun filizlenmesini görmek gibi, ancak uçakları icat etmek için modern aerodinamik ve havacılık endüstrisi geliştirmeliyiz.

Pek çok bilim insanı, derin öğrenmenin sıcak fenomeni hakkında sakin bir şekilde düşünmüş ve zeki bilim üzerine araştırma önerileri öne sürmüştür. Örneğin, derin öğrenmenin önde gelen figürleri sürekli olarak yansıtıyor. Hinton, derin öğrenme sıcak bir fenomene girdikten sonra yapay zeka hakkında düşünüyordu.Yakın zamanda insan beyninin öğrenmek için gradyan inişine güvenmediğini düşünerek geriye doğru yayılma gradyan iniş algoritmasını devirmeyi önerdi , Yeni "kapsül ağı" konseptini ortaya koyun. Makine öğreniminin geliştirilmesi için LeCun, denetimsiz öğrenmenin ve tahmine dayalı öğrenmenin makine öğreniminin genel bir yönü olduğunu da önerdi.

Buna ek olarak, derin öğrenme, makine öğreniminin diğer alanlarından akademisyenler tarafından da sorgulandı. Örneğin, Google'ın Rahimi NIPS 2017 konferansında mevcut derin öğrenme araştırmasını kamuya açık bir şekilde "simya" ile karşılaştırdı. Asıl amaç, mevcut çok sayıda derin öğrenme araştırmasını yalnızca yüzen Ağ yapısının ve parametrelerinin sürekli olarak ayarlanmasında, titiz, kapsamlı ve doğrulanabilir teoriye dayalı bir bilim kurmaya çalışmadı. Nasıl herkesin şarap yapılacağını bildiği gibi, modern kimyayı üretmek de kolay değildir. LeCun, tıpkı teleskopların optikten, buhar motorlarının termodinamikten ve bilgisayarların hesaplama biliminden önce geldiği gibi mühendisliğin her zaman teoriden önce geldiğine inanır. Bunun için Massachusetts Teknoloji Enstitüsü'nden Poggio, mevcut derin öğrenmenin verilere çok bağlı olduğuna ve insan zekasını, yani beyin bilimi ve sinirbilimini anlamaya geri dönmesi gerektiğine inanıyor, örneğin, önce insan beyni zekasının nasıl üretildiğine dair temel bilimsel sorunu açıklıyor.

2011 Turing Ödülü sahibi ve Bayesian ağ öncüsü Judea Pearl, kısa süre önce makine öğrenimi teorisinin olası gelişim yönünü açıklayan bir makale yayınladı. Mevcut derin öğrenmenin özünün işlev uyumu olduğuna ve bununla ilişkili veri biliminin yalnızca bununla ilgili olduğuna inanıyor Veriler hakkında bilim yoktur. Pearl, güçlü yapay zeka için doğru yolun, üç seviyeye (ilişkilendirme), etkileşime (müdahale) ve hayal gücüne (karşı olgusal) ayırdığı nedenselliği tanıtmak olduğuna inanıyor (Şekil 4). Şu anda derin öğrenme yalnızca çağrışım düzeyinde kalmaktadır Etkileşim düzeyinde etkileşimi başlatmak ve nedensel ilişkisini gözlemlemek gerekirken, hayal gücü düzeyinde mantıksal akıl yürütme yeteneğine sahip olması gerekir. Son olarak, nedenselliği tanımlamak için icat ettiği Bayes ağının ve diğer matematiksel araçların güçlü yapay zekanın bir sonraki adımını incelemek için kullanılması gerektiğini öne sürdü.

Şekil 4 Pearl'ün 3 katmanlı nedenselliği

Los Angeles Kaliforniya Üniversitesi'nde profesör olan Zhu Songchun, yapay zekanın statüko, görevler, mimari ve birlikten sistematik bir açıklamasını yaptı. Yapay zeka konusunu altı yöne ayırdı: bilgisayar görüşü, doğal dil anlayışı ve iletişimi, biliş ve akıl yürütme, robotik, oyun ve etik ve makine öğrenimi. Yapay zeka konusundaki görüşlerinden biri de veri bağımlılığıyla ilgili ... Yapay zekanın büyük miktarda veriye dayanmaması, insan beyninin iç faktörlerine daha fazla dikkat etmesi gerektiğine inanıyor. Zeka biliminin Newton ve Darwin'in teorik sistemlerinin birleşmesi olduğuna inanıyor ve uygulama odaklı yapay zekanın zeka bilimine dönüştürülmesi gerektiğini öne sürdü. Çok iyi bir noktayı ortaya koydu: "Fizik, biyolojinin iradesini araştırmanın dışında tutar ve bu tam olarak zeki bilimin amacıdır. Zeki bilimin incelemek istediği şey, fizik ve biyolojiyi karıştıran karmaşık bir sistemdir. Bu fenomen, bireyler ile doğa ve sosyal gruplar arasındaki etkileşim ve davranışsal süreçte ortaya çıkıyor. Kişisel olarak bu davranışların ve fenomenlerin birleşik bir güç, etkileşim ve temel unsurlarla tanımlanması gerektiğine inanıyorum. "Yazarın anladığı şey budur. Akıllı bilimin en derin kavrayışlarından biri.

Fiziksel zekanın çağrışımı

Akıllı bilim, akıllı çağda gerekli destekleyici temel bilimdir ve çağrışımı, mevcut derin öğrenme teknolojisinden çok daha fazladır. Zeka bilimi, insan ile doğal dünya, insan ve insan toplumu arasındaki çok gövdeli sorunları incelemek için insan beynini dayanak noktası olarak kullanmalıdır. Ancak zeka bilimi, insan beynini inceleyen izole bir bilim olamaz. İnsan beyni evrimin ve edinilmiş öğrenmenin ürünüdür Biyolojik evrim, insanlara bir dizi plastik sinir dokusu vermiştir ve insan zekası, insanlarla dünya ve toplum arasındaki etkileşim yoluyla oluşur. İnsan beyninin yapısı ve çalışma mekanizması, dış dünyanın üzerindeki etkisinden ayrı tutulamaz. Yeni doğmuş bir bebek uzayda herhangi bir malzeme veya bilgi ile etkileşime girmeden yalnız yaşıyorsa insan zekasına sahip olmayacağı düşünülebilir. Dolayısıyla insan zekası, dış dünyanın insan beynine etki etmesinden sonra oluşan tepkidir.Dış dünya ve insan beyni zekası ikili bir sorundur. Mevcut bilim, dış dünyada nispeten olgun bir teorik sistem kurmuştur.

Bu nedenle zeka bilimi, insan beynine odaklanan ve insan beyni ile doğal dünya arasındaki etkileşimi, insan beyni ile insan beyni arasındaki etkileşimi ve insan beyni ile insan toplumu arasındaki etkileşimi inceleyen bir konu olmalıdır. Yalnızca insan beyninin ilkelerini tanımlayabilen bir dizi matematik teorisine dayanmakla kalmaz, aynı zamanda doğal dünyanın tek tek sorunlarını tanımlamak için kullanılan doğa bilimlerini ve insan toplumunun tekil sorunlarını tanımlamak için kullanılan sosyal bilimleri birleştirir.

Bu bakış açısına göre yapay zeka 4 aşamaya ayrılıyor:

İlk aşamada, araştırma nesnesi, insan zekasının doğal beyin dokusu yapısı, yani doğal evrimin verdiği plastik sinir ağıdır.Beyin bilimi ve hesaplamalı sinirbilim yardımıyla, beynin doğal doku yapısını modelleyebilecek bir dizi matematiksel araç geliştirin. Buna matematiksel zeka deyin. Bu aşamanın amacı, yeni doğan bebeğin beyninin genel organizasyon yapısını ve genel öğrenme algoritmasını tanımlamak ve simüle etmek için matematik ve hesaplama araçlarını kullanmaktır.

İkinci aşamada ise araştırma nesnesi, dış fiziksel dünyanın insan beynine kattığı "dış kuvvetin" yani insan beyninin fiziksel dünya ile etkileşime girdikten sonra fiziksel dünyaya uyum sağlama ve hayatta kalma yeteneğinin insan beyninde oluşturduğu "stres" dir. Fiziksel zeka olarak adlandırılabilir. Fiziksel zeka, robotlar gibi nesnel dünyaya uyum sağlayabilen yapay zekadır. Fiziksel zekayı oluşturmak matematiksel zeka ve fiziğe dayanmalıdır. İnsanlar tarafından kurulan güçlü teorik fizik sistemi, daha güçlü fiziksel zeka, yani fiziksel dünyaya insanlardan daha fazla adapte olan akıllı bir beden inşa etmeye yardımcı olur.Bu makalenin ikinci yarısında tartışılan mikrodalga vizyonu bu kategoriye aittir. Fiziksel zeka, geniş anlamda doğal zekaya, yani çeşitli doğal bilimsel olaylara uyum sağlayabilen yapay zeka çalışmasına genişletilebilir.

Üçüncü aşamanın araştırma amacı, başkaları veya toplum tarafından insan beyni üzerinde üretilen "dış güç" ve "stres" dir, yani insan beyninin başkalarıyla nasıl geçinmeyi öğrendiği, insan toplumunda nasıl uyum sağlayacağı ve hayatta kalacağı denilebilir. Zihinsel zeka veya geniş anlamda sosyal zeka. Bu aşamada, zeka ve zeka arasındaki üst düzey etkileşim üzerine yapılan araştırmalara üst düzey zeka da denilebilir; fiziksel zeka birinci dereceden zekaya aittir, çünkü araştırma kapsamı yalnızca tek bir aracı içerir.

Her aşamada, fizyolojik ihtiyaçlar, psikolojik ihtiyaçlar vb. Gibi insan beyninin ilgili itici güçlerini de incelemeliyiz. Bu ihtiyaçlar, genel yapay zeka algoritmalarını doğru bir şekilde öğrenmeye yönlendirmek için gerekli güç kaynağıdır.

Dördüncü aşamanın araştırma nesnesi bilincin özüdür. Bilincin nasıl oluşturulacağı temel bir bilimsel sorudur.Yapay zekanın bilinç üretip üretemeyeceği daha da felsefi bir sorudur.Bu temel soru üzerine yapılan araştırma, insanların aradığı cevabı cevaplamaya yardımcı olacaktır: Nereden geldi. Kesin olan bir şey var: Öz farkındalığı olmayan yapay zeka, insanları geçemez.

Şekil 5 Geleceğin Akıllı Bilim Sistemi

Bu sınıflandırma yöntemi (Şekil 5), zekanın evrimsel büyüme sürecinin farklı aşamalarında farklı nesnelere yanıt verdiğini yansıtır. Zeka bilimi ile ilgili güncel araştırmalar genellikle bu aşamaları ayırt etmez, ancak bu aşamalı büyüme süreci zekanın özünü tanımlar. İnsan zekası, nesnel dünyaya uyum sağlayan fiziksel zekadan, insan toplumuna uyum sağlayan psikolojik zekaya aşamalı bir gelişmedir. Yapay zekanın gelişimi de bu kuralı takip etmelidir. İlk olarak, insan beyninin öğrenme ve hafıza gibi temel işlevlerini modelleyebilecek genel bir yapay zeka algoritması oluşturun. Bu tür bir algoritma, fiziksel zeka üretmek için fiziksel dünya ile etkileşime girer, örneğin, bir robot Newton mekaniğiyle başa çıkabilir. Matematiksel zeka tam olarak çalışılmadan önce ilgili fiziksel zeka araştırması gibi farklı aşamalarda araştırmalar paralel olarak yürütülebilir. Örneğin, mevcut derin sinir ağı teorisine dayanarak, hesaplamalı fizik, derin öğrenmeye dayalı fiziksel zeka araştırmasıyla birleştirilebilir. Matematiksel zeka ve fiziksel zeka birbirini tamamlayabilir ve ilerletebilir. Yapay zeka, insan zekasından türetilmiştir, ancak tıpkı antropolojinin uçakları icat etmesi ve uçağın kuşları aşması ve elbette uçamayan insanların yeteneğini aşması gibi, bazı yönlerden insanları geçmek tamamen mümkündür; açıkçası, kurulmuştur. Teorik fizik sistemi, insanların belirli bir şekilde insanları aşan fiziksel zeka icat etmelerine yardımcı olabilir.

İnsanların fiziksel zekayı insanların ötesinde inşa etmelerinin iki yolu vardır: 1) Fiziksel dünya için fiziğin titiz teorik ifadesiyle, onu insanlardan daha uyumlu hale getirmek veya fiziğin üstesinden gelmek için yapay zekada fiziksel ilkeler tasarlayabiliriz. Dünyanın yeteneği; 2) Hesaplamalı fizik simülatörlerinin, genel yapay zeka algoritmalarını, insanların sahip olamayacağı süper güçlere sahip olacak şekilde eğitmek için kullanılması. İlk nokta, dış dünyayı tahmin etmeye yardımcı olmak için yapay zeka beyninin içinde bir model oluşturmak için hesaplamalı bir fizik motoru kullanmaya benzer. İkinci noktaya gelince, Google'ın AlphaGOZero algoritmasının başarısı insanlara belli ölçüde güven veriyor. 3000 yıldan fazla insanın kolektif bilgeliğini 3 gün boyunca Go simülatöründe öğrenerek simülatör eğitiminin uygulanabilir bir yol olduğunu gösteriyor.

Bu nedenle, hesaplamalı fizik simülatörü, fiziksel zekanın anahtarıdır. Fiziksel zeka oluşturmak için simülatörleri kullanma yaklaşımı, insani gelişme tarihindeki iki devrimin kazanımlarını kullandı: 1) Bilimsel devrim, insanların fiziksel dünya yasalarının doğru temsiline ilişkin teori ve teknolojik yeniliği oluşturdu; 2) bilgi devrimi, bilgisayarların fiziksel dünyada kullanımını tesis etti. Düzenli olarak hesaplama simülasyonları yapabilme. Bu, binlerce yıllık insan bilgeliğini yapay zeka beyninde bir araya getirmeye eşdeğerdir. Fiziksel zeka, insan zekasını aşacaktır çünkü fizik tarafından tanımlanan fenomenler insan duyularının kapsamının dışındadır. Örneğin, fiziğin kapsadığı ölçek aralığı ve hız aralığı, insanların adapte olabileceği aralığı çok aşıyor ve elektromanyetik dalgaların kapsadığı spektrum, insanların algılayabileceği spektral aralığı çok aşıyor (Şekil 6).

Fiziksel zekanın tipik bir örneği olarak, mekanik modellerle oluşturulan yapay zeka, robotların hareketini mükemmel şekilde kontrol edebilir. Diğer bir örnek, insanlar gibi mikrodalga bilgilerini işleyen ışık bilgisini işleyen hesaplamalı bir elektromanyetik motora dayalı fiziksel bir zeka olan "Mikrodalga Görüntü" dür.

Şekil 6 Fiziksel zeka, fiziksel dünyaya uyum sağlama kabiliyetinde insan zekasını aşacaktır.

Mikrodalga görüşü

Çağrışım

İnsan görüşü ışığı görebilir, ancak mikrodalgaları göremez. Bir uzaylının gözleri mikrodalgaları görebiliyorsa, o zaman "mikrodalga gözleri" vardır ve optik sinir merkezi, "mikrodalga görüşü" olarak adlandırılabilecek insan görüşünden farklı olmalıdır. İkinci Dünya Savaşı sırasında icat edilen radar ve diğer teknolojiler, insanların mikrodalga bilgisini hissetmelerini sağladı.Ayrıca yapay zeka temelli bilgi algılama ve anlayışa dayalı "mikrodalga vizyon" geliştirebilir miyiz?

Güneşte yüz milyonlarca yıllık evrimin ardından insanlar, optik bilgilere uyum sağlayan doğuştan bir beyin oluşturdular.Yenidoğan bebeklerin beyinleri daha sonra öğrenmek için optik dünyayla etkileşime giriyor ve nihayet dünyayı algılayabilen ve kendini tanıyan bir insan vizyonu oluşturuyor. İnsan görüşü, optik bilgileri verimli bir şekilde anlayabilir, otonom konumlandırma ve navigasyonu gerçekleştirebilir ve aynı zamanda öz farkındalık oluşturmada kilit bir faktördür.

En son derin öğrenme teknolojisi AlphaGOZero insanlara ilham veriyor. Akıllı algoritmaların sanal Go dünyası ile etkileşimi ve öğrenimi, insanların ötesinde zeka elde edebilir. AlphaGO'nun ilk sürümü, eğitim ve öğretim için insan satrancını kullandı ve AlphaGO Zero'nun sürümü, Go oyun simülatöründe tamamen birbirine karşı oynandı ve sonra birbirini öğrenip optimize etti. 3 günlük bir öğrenmeden sonra, insan şampiyon seviyesine ulaştı. AlphaGO Zero'nun bu sonuca ulaşmasının temel ön koşulu, simülatörün Go oyun dünyasının kurallarını doğru bir şekilde simüle etmesidir, yani fiziksel dünyayı doğru bir şekilde simüle edebilen bir simülatör varsa, insanların eğitim için mevcut derin öğrenme teknolojisini de kullanabileceğine inanıyorum. Pratik yapay zeka.

Açıkçası, fiziksel zekanın yollarından biri (veya şu anda uygulanabilir olan yolu), derin öğrenmeye dayalı yapay zeka yetiştirmek için doğru ve verimli hesaplamalı fizik simülatörleri kullanmaktır ve bu fikir Batı ülkelerinde uygulanmıştır. Örneğin, otonom sürüş alanındaki çoğu şirket, otonom sürüş algoritmalarını gerçek toplanmış verilerle eğitmek için sanal gerçeklik simülatörlerini kullanıyor. 2017'nin sonunda, ABD Savunma İleri Araştırma Projeleri Ajansı (DARPA), koordineli operasyonlar için yüzlerce insansız hava aracını otomatik olarak kontrol edebilen yapay zeka teknolojisini geliştirmeyi amaçlayan "Saldırı Kolonisini Etkinleştiren Taktikler" OFFSET araştırma projesini başlattı. Projenin ana teknik yaklaşımı, bu yapay zeka teknolojisini eğitmek için sanal gerçeklik uçuş simülatörü AirSim'e güvenmektir.

Mevcut derin öğrenme teknolojisine dayanarak, elektromanyetik bilgilere uyum sağlayan ve elektromanyetik dünyayı simüle etmek için süper hesaplamayı kullanan, elektromanyetik simülatörlerle etkileşim yoluyla öğrenmeyi geliştiren ve yapay mikrodalga vizyonunu gerçekleştiren bilişsel akıllı algoritmalar geliştirmek mümkündür. Mikrodalga görüşü üzerine yapılan araştırmalar, radar görüntüleri ve karmaşık elektromanyetik ortamlar gibi mikrodalga bilgilerini otomatik olarak yorumlayabilir ve mikrodalga görüşün otonom konumlandırmasını ve navigasyonunu gerçekleştirerek bilincin özünü keşfetmek için bir temel oluşturabilir.

Şekil 7, mikrodalga görmenin ana kavramını göstermektedir.Optik görüş, ışık dünyasında insanın evrimi ve öğrenmesiyle elde edilir ve benzer ışık görüşü, ancak tamamen farklı elektromanyetik bilgi algısı ve bilişi elde etmek için elektromanyetik (mikro) dalga dünyasını simüle etmeyi öneriyoruz. Mikrodalga görüşü. Ana teknik yaklaşım, AlphaGO / OFFSET'ten öğrenmek ve mikrodalga vizyonunu geliştirmek ve eğitmek için elektromanyetik teoriye dayalı bir mikrodalga dünya simülatörü inşa etmektir.

Şekil 7 Mikrodalga görüşü kavramı ve çağrışımı

Yapay zeka mikrodalga vizyonunu geliştirmek için insan beyninin ışık vizyonundan yararlanarak, insan beyninin ışık vizyonu üretmesi için gerekli üç koşul şunlardır: dış optik dünyanın varlığı; doğal evrim tarafından üretilen hafif görsel sinir ağı; insanların öğrenmek ve gelişmek için ışık dünyasıyla etkileşime girme yeteneği . Bu nedenle, mikrodalga vizyonun geliştirilmesinin hala üç problemi incelemesi ve bunlara karşılık gelmesi gerekmektedir: yüksek performanslı elektromanyetik fizik simülatörü, elektromanyetik bilgiyi işlemek için mikrodalga vizyon sinir ağı ve akıllı vücut ile elektromanyetik simülatör arasındaki etkileşimli öğrenme mekanizması Bu üç problem mikrodalga vizyonun elektromanyetiğini oluşturur. Fiziksel temel, nörobiyolojik temel ve bilişsel öğrenme temeli, mikrodalga görmenin üç unsuru olarak adlandırılır.

1) Mikrodalga görüşünün elektromanyetik fizik temeli yarı gerçek zamanlı yüksek-sadakat elektromanyetik fizik simülatörü.

İlk olarak, mikrodalga vizyonun sanal eğitim ortamı problemini çözün ve mikrodalga vizyonunun gelişimi ve öğrenilmesi için sanal bir ortam sağlayın. Bu sorunun anahtarı yalnızca yüksek doğrulukta simülasyon sonuçları elde etmek değil, aynı zamanda kaynak kısıtlamaları altında yarı gerçek zamanlı etkileşim gereksinimlerini karşılamaktır.Bu, sanal bir ortamda yapay zeka eğitimi için uygun bir koşuldur. Doğru geometrik fiziksel modelleme ve mevcut hesaplamalı elektromanyetik yöntemler kullanılırsa, model hassasiyeti sınırlı insan gücü koşullarında yüksek doğruluk gereksinimlerini karşılayamaz ve algoritma karmaşıklığı neredeyse gerçek zamanlı gereksinimleri karşılayamaz.

synthetic aperture radarSAR

SARSARSAR

SARSAR

SARCNNSARSARSARCNNCNNCNN99%