Herkes | Akademisyen Zhang Bo: Yapay Zeka, bilgi odaklı ve veriye dayalı bir kombinasyona başlayacak
Geçtiğimiz iki yılda, blockchain kavramı tüm toplumda sıcak bir konu haline geldi, ancak çoğu insan Bitcoin ve Ethereum gibi şifrelenmiş dijital para birimlerine daha fazla önem veriyor ve blockchain teknolojisinin kendisini görmezden geliyor. Blockchain teknolojisi matematikten ayrılamaz.
17-18 Aralık tarihleri arasında Pekin'de Blockchain Matematik Bilimi Konferansı düzenlendi. Bu konferans, matematikçiler, kriptograflar, bilgisayar bilimcileri, ekonomistler ve çeşitli alanlardaki diğer uzmanlar için akademik bir değişim platformu sağlar.İlk aşamada, mevcut blok zinciri matematiğini ve kombinasyon alanını sökme paradigmasını keşfetmeye odaklanacağı umulmaktadır. Blok zincir teknolojisinin matematiksel araçları ve analoji, analiz, tümevarım vb. Yoluyla "blok zinciri matematiksel varsayımı" ortaya kondu.
Çin Bilimler Akademisi'nden hesaplamalı bilim adamı ve akademisyen Zhang Bo, "Açıklanabilir ve Sağlam Yapay Zekaya Doğru" başlıklı konuşmasında şunları söyledi:
Herkese merhaba, bugünkü konuşmamın konusu "Açıklanabilir ve Sağlam Yapay Zekaya Doğru". Yeni sonuçlar üretmek için farklı disiplinlerin çatışmasının gerekli olduğuna çok katılıyorum. 1956'da Yapay Zeka (Yapay Zeka) Amerika Birleşik Devletleri'nde doğdu ve "Araştırma ve Tasarım Ajanları (Akıllı Ajanlar)" olarak tanımlandı.
Bu tanımda, bu alanı tanımlamak için iki kelime araştırma ve tasarım kullanılmıştır, bu da bu alanın hem bilim hem de mühendislik olduğunu göstermektedir. Bu nedenle yapay zeka sadece bilimsel kısma değil, teknoloji ve uygulama kısmına da dikkat etmelidir. Diğeri ise aracı veya "akıllı makinedir" Akıllı makine, çevreyi algılayabilen ve başarı şansını en üst düzeye çıkarmak için düşündükten sonra harekete geçebilen bir sistemi ifade eder. Ama yapay zekanın bir makine olduğunu söylemek zor ve bunun bir sistem olduğunu söylemek de zor, bu yüzden Ajan denen bir kelime icat ettim Buradaki tercümemin adı Ajan.
Yapay zeka üç şey yapar: algılama, düşünme, karar verme ve eylem. İlk şey, insanların rasyonel davranışını simüle etmek, yani orta kısım, içerik rasyonel davranışı, bir bilgisayarla simüle etmeliyiz. Diğeri duyarlılık, algılama, duyma, görme vb. Ve son olarak eylemdir.
Yapay zekanın mevcut durumu ve sembolik modeli
Yapay zekayı iki aşamaya ayırabiliriz: 1956'dan 2000'e, geleneksel yapay zekanın aşaması; 2000'den 2015'e, derin öğrenme aşaması.
İnsan rasyonel davranışının temeli ikidir: bilgi, deneyim ve muhakeme yeteneği. İnsan bilgisini ve deneyimini bilgisayarın bilgi tabanına koyabilirsek ve muhakeme mekanizmasında muhakeme yeteneğimizi gösterebilirsek, insan rasyonel davranışını veya yapay zeka sistemlerini taklit eden sistemler kurabiliriz.
Herkes için çok basit görünüyor, doktorun bilgi birikimini ve klinik deneyimini bilgi tabanına koyabilirsek, teşhis sürecini bir muhakeme sürecine çevirebilir ve mekanizmaya koyabilirsek, sistem doktoru, hatta 70'li ve 80'li yıllarda görebilecek. O sırada Amerika Birleşik Devletleri ve Çin benzer tıbbi teşhis sistemleri yapmışlardı ve kullanıyorlardı.
Ayrıca o dönemde önerilen bir başka modeldi de şu anda herkesin bahsettiği sözde yapay sinir ağı ve makine öğrenimi bu modeldir. Bu model insan algısını taklit etmek için kullanılır. Bir düşünün, algısal bilgi nereden geliyor? Bilgiden değil, başkalarından değil, gözlemden gelir. Bu nedenle, gözlem yoluyla insan öğrenme süreci bir sinir ağı makine öğrenimi ile taklit edilir.Şimdi tüm görüntü tanıma ve konuşma tanıma bu modeli kullanıyor.
Geleneksel modellerin avantajları ve dezavantajları
Buradaki sorun, özellik girişinin manuel giriş olmasıdır.Manuel olarak seçilen özellik girişi, geleneksel yapay zekanın en büyük eksikliklerinden biridir, öyleyse yapay kış neden daha sonra ortaya çıktı. Bunun nedeni, özellikleri manuel olarak girmenin çok zor olması ve bazen mümkün olmamasıdır. Örneğin insan bilgi ve deneyimini tarif edemezsiniz, bu yüzden bu yapay zekanın pratik bir sistem kurmasını zorlaştırır.Sonra herkes ona büyük umutlar beslemiyor, sadece oyuncak dünyasında veya laboratuvarda. İçinde küçük bir sistem yapmak ve pratik bir sistem yapmak zordur.
O dönemde Amerika Birleşik Devletleri'nde bir tıbbi teşhis sistemi kurmak için uzmanların bilgilerini bilgisayara aktarmak altı yıl sürdü ve sistem daha sonra kullanılmadı.
Bu sistemin avantajı, insan sistemiyle aynı olması, dolayısıyla anlaşılabilir, yorumlanabilir ve sağlam olmasıdır. Dezavantajı, daha önce bahsedildiği gibi eldeki bilginin, pahalı ve tanıtılması zor olan uzmanlardan bilgi gerektirmesidir.
Derin öğrenme dönemi
Bu konudaki önemli bir değişiklik derin öğrenmedir. Herkes bu derin öğrenmenin aslında sadece sinir ağının seviyesini artırdığını biliyor. Sadece bir katmana sahip olduğu ortaya çıktı ve ikiden fazla katman haline geldi. Bu, makine öğreniminde köklü bir değişiklik yaptı. Herkesin beklemediği ve beklenmedik bir şey buydu. nın-nin. Bu temel değişiklik, girdinin özelliklerin manuel olarak seçilmesini değil, ham verileri gerektirmesidir.
Ama şimdi durum farklı. On yıldır yüz tanımayı yaptınız ve yüz tanımaya yeni girdiniz. Herkes başlangıç çizgisinde çünkü verilere sahip olduğunuz sürece, onun hangi özellikleri olduğunu bilmiyorum ve makine otomatik olarak öğreniyor. Bu nedenle, sorun derin öğrenmenin orijinal modelin doğasını tamamen değiştirmesi ve evrensel bir araç haline gelmesidir. Evrenseldir, bu da yüz tanımanın yüz tanımayı öğrendiğini söylemeye eşdeğerdir.Finansı öğrenmek için büyük veri yaparsanız, yalnızca orijinal modeli değiştirmeniz gerekir. Sadece verileri girin ve çok fazla finansal bilgiye ihtiyacınız yok.
Bu nedenle, yapay sinir ağlarının doğası değişti Basit fonksiyon haritalamadan temsil öğrenmeye, temsil yöntemleri otomatik olarak öğrenilir. Bu, şu anda çok sayıda derin öğrenme uygulamasını yaygın bir şekilde yaymamızın önemli bir nedenidir ve herkes bunu kullanabilir. Ancak bu problem yaklaşık üç veya dört yıl önce keşfedildi.Herkes bunun mükemmel bir araç olduğunu düşündü, aslında artık çok kusurlu bir araç olduğu anlaşıldı.
Doğal konuşma tanıma modeli
Derin öğrenmenin etkisi ne kadar büyük? Konuşma tanıma ile meşgul olduğumuzda, özellikleri manuel olarak seçmemiz gerekiyordu. Bu özellik işlendikten sonra çok karmaşık hale geliyor. Kullanılan model bu modeldir. Kullanılan özellik tersine çevrilmiş bulmaca ilerlemesidir. Bir süre sonra ses bir bulmacaya dönüşecek ve bulmaca entegre olmak için geri dönecek , Ne olduğunu bilmiyordum. Şimdi farklı: Derin öğrenme, orijinal bulmacalar ve orijinal dalga formlarıyla, sadece onları girin.
Bu değişiklik çok önemlidir, yani 2001 yılında bu modeli kullanmak, daha önce bu modeli kullanmak temelde sadece% 80'e ulaşabilir, neredeyse kullanılamaz, şimdi bir meta haline geldi, tüm mallar derinlemesine model kullanılıyor , Tanıma oranı genellikle% 95 veya daha yüksektir ve insandan daha iyi olan bazıları eklenebilir. Bu problem, orijinal modelden derin bir modele doğru tek adımlı bir değişikliktir ve katman sayısını arttırır.
Mevcut yapay zeka yöntemlerinin sınırlamaları
Mevcut yapay zeka yöntemlerinin sınırlaması, yalnızca aşağıdaki senaryolar için geçerli olmalarıdır:
Yeterli bilgiye (açıkça ifade edilebilen sorunlar) veya verilere sahip olma · Kesinlik · Eksiksiz bilgi · Statik (belirli kurallara göre gelişir) · Belirli etki alanı (açık alan sınırları) ve tek görev
Bunları açıklamaya gerek yok, herkes bir bakışta anlayacak, sadece tam bir mesajı açıklayacağım. Bir bakalım, geçmişin lacivert AlphaGo neden bu kadar başarılı? Çünkü bu satranç tam bir bilgi oyunu, tam bilgi ise bilgisayarlar için son derece kolaydır ve kesinlikle insanları geçecektir. Bu nedenle, Go and Chess makinelerinin nihayetinde insanları geçmesi sadece bir zaman meselesidir.
Ama ister dört oyunculu briç ister dört oyunculu mahjong olsun, kartlar gibi eksik bilgiler haline gelirseniz, bilgisayarlar hiçbir şekilde insan rakip değildir. Nedeni eksik bilgidir. Aynı şey karar verme için de geçerlidir Kararınız eksiksiz bir bilgi kararı ise, makine kesinlikle insanları geçecektir. Ancak eksik bilgiyle kararlar verirseniz, bilgisayarlar hala insanların çok gerisinde kalır. Ne yazık ki, tüm karar verme senaryoları eksik bilgidir ve gerçek karar verme senaryoları insana aittir.
Ayrıca kesinlik, statik gelişim, belirli alanlar ve sınırlı alanlar vardır Alan sınırlı değilse, o zaman bu çalışmayacaktır.
Derin öğrenmeye ve insan algısına dayalı tanıma sistemi
Bunda, başlığımda bahsettiğim iki eksiklik olan birçok örnek var: açıklanamazlık (en büyük eksiklik) ve zayıf sağlamlık, çok kırılgan.
Büyük hatalar ve açıklanamazlık
Çok basit bir örnek vereyim. Bir nesne tanıma sistemiyle, insanlarınkini bile aşabilen bir tanıma oranı elde edebilirsiniz Şu anda, belirli bir görüntü mimarisi altında, bilgisayarların tanınma oranı insanlarınkini aşabilir. Öyle bir sistem ki ona ses veriyorsun, onu bir robin olarak tanıyabilirsin. İstediğiniz zaman gürültü yapabilir, ses çıkarabilir, çita olarak tanınmasına izin verebilirsiniz.
Diğer bir deyişle, örüntü tanıma sistemi dediğimiz bu sistem insan algısı değil, mekanik bir sınıflandırıcıdır.Bir robini çitadan ayırt edebilir, ancak çitanın ne olduğunu veya robinin ne olduğunu kesinlikle bilmez. kuş. Diğer bir deyişle, insan seviyesine değil, sadece daha düşük hayvan seviyesine ulaşmıştır.
Zayıf sağlamlık
Bu, doktora öğrencilerimiz tarafından yapılmıştır, burası Alpler, bilgisayar Alplere benziyor ve insan Alplere benziyor.
Sadece biraz gürültü yapmamız gerekiyor. Bu resimdeki Alpler ile bu resim arasındaki tek fark biraz daha fazla gürültü olması.Elbette insanlar Alpler'e benziyor, bilgisayar bir köpeğe benziyor ve kendimize güvenebiliriz Derecesi% 99,99'a ulaşır ve köpek olduğundan% 99,99 emin olur.
Veriye dayalı çalışmanın temel kusuru, semantik özellikleri değil, yalnızca yinelenen bölümleri öğrenebilmesidir. Bu, bugün herkesin çok tartıştığı yapay zekanın güvenlik meselesidir.Birleşmiş Milletler de bu konuyu tartışacak. Bunun sebebi yapay zekanın insanları geçebileceğini söylemek değil, bu tehlikeli. Hayır, tehlike sistemin aşırı savunmasızlığında yatmaktadır.
Dolayısıyla ne tür bir sistemden bahsediyor olursanız olun, bu şekilde kurarsanız saldırıya uğramanız çok kolaydır. Pek çok tür yapay zeka sisteminin felç olmasına neden olan bu saldırıyı herkesin kullandığı yöntemdir. Sadece sizi felç etmekle kalmıyor, artık başka şeyler yapmanıza izin veren bir saldırı yöntemi var. İşte bu yapay zeka tehlikesi, işte burada.
Bu sorunun ciddiyeti, bunun özünden kaynaklanıyor olması, onu iyi programlamadığımızdan ya da dikkate almadığımızdan değil, hayır, tamamen özünden, yani derin öğrenme ve büyük veriden kaynaklanıyor.
Bahsettiğimiz büyük verinin, eskiden bahsettiğimiz büyük veriyle aynı şey olmadığını bilmemiz gerekiyor. Şu anda bahsettiğimiz büyük veriler, İnternetteki düşük kaliteli büyük miktardaki verilerdir. Buna derin veri denir. Endişelendiğimiz şey bu. İnternette çok fazla veri olmasına rağmen, çoğu düşük kalitede ve birçok söylenti ve dolandırıcılık var. Çok düşük kaliteli veriler kullanıyorsunuz ve öğrenmek için olasılık ve istatistik kullanıyorsunuz Ne öğrenebilirsiniz? Anlamsal özelliklere sahip parçalar değil, sadece tekrar eden parçalar öğrenilebilir.
Bu, insanlardan tamamen farklı bir sonuçtur. İnsanlar inekleri ve atları nasıl tanır? Atının başını, kuyruğunu ve gövdesini görebiliyor. Bilgisayar göremiyor. Sadece çok düşük seviyeli dokuları ve çizgileri görebiliyor Bu sıradan nesneleri ayırt etmek için kullanılıyor.
Şuna bir bakalım. Derin öğrenmenin öğrendiği şey bu. Bunu, ineğin neyin at olduğunu ayırt etmek için kullanın. Bu durumda, karar verme kullanılıyorsa, buna kesinlikle izin verilmez, öyle olması için örüntü tanımayı kullanırız. Başka bir deyişle, insanlardan farkı nedir? İnsanlar bir katırı bir eşek olarak düşünebilir, ancak bir bilgisayar tamamen bir eşeği düşünebilir, bu da prensipte büyük bir anlam hatası yapacağı anlamına gelir, insanlar yapmayacaktır.
Bu nedenle, bu karar verme için mevcut değildir, ancak örüntü tanıma kullanılabilir.Örüntü tanımayı bir hata olarak görmek de bir hatadır.Ayrıca, katırı, hatanın boyutu ne olursa olsun, eşek olarak görmek de bir hatadır.
Bu problemle ne yapmalı? Aslında şimdi bununla ilgili birçok sorun var:
Tıbbi görüntü tanıma: Artık herkes tıbbi teşhis yapıyor ve birçok görüntü tanıma yapıyor ve tanınma oranı doktorların seviyesine ulaşabilir. Bu doğru ama doktorlar bunu kullanmaya cesaret edemez. Onun kanser olduğunu söylüyorsunuz. Neye dayandığını bilmiyorsunuz. Buna kanser denir. Açıklanamaz, ne kadar iyi yaparsan yap, işe yaramayacak.
Konuşma tanıma: Şimdi insanları aşmaktan bahsediyoruz. Bu çok kısıtlayıcı koşullar altında. Sesinizde herhangi bir gürültü olmamalı. Tüm ses tanıma için mikrofona konuşmalısınız. Biraz daha uzak konuşursam, tanıma oranı çok düşük olacaktır. Hayır Herhangi bir müdahaleye izin verilir, bu da çok kırılgan olduğu anlamına gelir. Önce bir göz atalım. Veriye dayalı çok büyük bir avantaja sahiptir.Vektörleri kullanır.Tüm matematiksel araçlar kullanılabilir. Geçmişteki yapay zeka neden çalışmadı? Matematik kullanışlı değildir, tesadüfen ifade edilir, mantıksal akıl yürütme kullanırsanız, matematiksel araçlarınız çok sınırlıdır.
Gördüğünüz derin öğrenmenin tamamı matematiktir, dolayısıyla herkesin çözümü çok basittir. Bu büyük bir problemdir. Bir yorumlanabilirliği nasıl çözebiliriz, ikisini, bilgiye dayalı ve veriye dayalı olarak birleştirmektir.
Metin dili bu şekilde işlenir, görüntü ve ses bu şekilde ele alınır.Güncel yöntem çok basittir.Semantik vektör uzayı, sembolleri vektörlere, özellikleri anlambilime dönüştürür. Tüm matematik araçları kullanılabilir, ne yapmalıyım? Semboller nasıl vektörlere dönüştürülür.
Derin öğrenme sonrası dönem
Bu şekilde, matematikle başa çıkmak için birleşik bir teori kurabiliriz, bu yüzden yapay zekanın artık bir bilim olduğunu söyleyebilecek nitelikte olduğunu düşünüyorum.Yapay zekanın bir bilim olmadığı konusunda hemfikirdim. Benim imajım ve dilim aynı mekanda, bu da insanlarla uyumlu.
Hepsi matematiksel bir problem haline geliyor.Bunun için bir açıklama olmadığı için çeşitli optimizasyon yöntemleri kullanılıyor.Bunu yapmak için makine çevirisinin de kullanabileceğini söylüyoruz.Geçmişte makine çevirisi matematik kullanmıyordu. Bu matematik ve hepsi optimizasyon yöntemleriyle yapılıyor, bu aynı zamanda araştırma enstitümüzde yapılan çalışmadır.
Ancak herkes, genel olarak etkinin geliştiğini, tüm dünyada pek bir gelişme olmadığını da gördü, bu da bu çalışmada yapılacak çok iş olduğu anlamına geliyor ve başka bir yol da imzalamak. Ancak, çok fazla veriyi değiş tokuş etmemiz gerekiyor ve Watson bu işi yapıyor.
En kritik problemler ikidir, eğer çözebilirsek, bu modeli çözmek için de kullanabiliriz yani matematikten öğrenmek için.
Yapay zeka açısından bu sistem en iyisi bence Herkes iyi bir AlphaGo görüyor ama AlphaGo onun kadar iyi değil. Birçoğu ilkellik duygusuyla sadece bu kaynakları kullanır ve edebi eserler işlenmez, bu onun sistemidir.
Bir özellik uzayından bir uzaya gitmek için insanlardan öğrenmemiz gerekiyor.İnsanlar ayrıca sinir ağlarını kullanarak anlambilim öğrenebilirler.Bilgisayarlar anlambilim öğrenemezler. Bunun nedeni bunların eksik olmasıdır. Yapay sinir ağları çok basit olduğu için burada sinir ağları kullanılmalıdır. Bunları ekleyin, bu bizim de yaptığımız bazı işler, ekledikten sonra anlambilimle bir şeyler öğrenebiliriz.
Az önce insan rasyonel zekasının en önemli tezahürlerinden birinin, bilgi ve deneyiminiz dışında muhakeme yeteneğiniz, yargılama yeteneğiniz olduğunu söylemiştik. Amerikalılar bunu yapmak için çok çaba sarf ettiler. Ülkemiz geçen sefer bilgi haritası toplantısında bizim de yapmamız gerektiğini vurguladı. Çin'in yapay zekasının dünyanın önüne geçmesini veya başkalarına ayak uydurmasını istiyorsunuz, siz Bu işi yapmamak imkansız olabilir.
Kelime dağarcığında olmayan kelimeleri diyalog kurmaya çalışarak çözebiliriz ve bilgisayar, içindeki bilgi aracılığıyla kelimenin yaklaşık anlamını yargılayabilir.
Kaynak: 2019 Dijital Para Trendi
