Pekin Üniversitesi Bilgisayar Bilimleri Bölümü'nden Huang Tiejun tarafından yapılan CCF-ADL atölye çalışmasının ilk bölümü: Bilgisayar geliştirme-beyin benzeri bilgi işlem tarihinden süper yapay zeka
Lei Feng'e göre: 28-30 Temmuz 2017'de China Computer Federation (CCF) -China Computer Federation Advanced Disciplines Lectures (CCF Advanced Disciplines Lectures, ADL) No. 81 sponsorluğunda üst düzey akademik etkinlik Pekin Çin Bilimler Akademisi'nde düzenlendi. Bilgisayar Teknolojisi Enstitüsü tarafından barındırılmaktadır.
Bu atölyeye, Pekin Üniversitesi Bilgisayar Bilimi ve Teknolojisi Bölümü dekanı ve Bilgi Bilimi ve Teknolojisi Okulu profesörü Huang Tiejun ev sahipliği yaptı. Akademi ve endüstriden diğer altı uzman, yüzlerce öğrenciye "beyin benzeri hesaplamanın" sınırlarını ve uygulamalarını anlattı . Leifeng.com da konferansa katıldı.
Profesör, Bilgi Bilimi ve Teknolojisi Okulu, Peking Üniversitesi, Bilgisayar Bilimi ve Teknolojisi Bölümü Dekanı, Ulusal Bilim Fonu Seçkin Genç Akademisyenler Ödülü sahibi, Eğitim Bakanlığı Yangtze Nehri Bilim İnsanları Değerli Profesörü
Profesör Huang Tiejun, bilgisayarların ve yapay zekanın gelişimini gözden geçirdi ve şu anda nöromorfik hesaplama beyin benzeri bilgisayarların ilk yılında olduğumuzu önerdi. Yapay zekanın doğuş çerçevesine dayanan beyin benzeri hesaplamayı açıklıyor, güçlü yapay zeka oluşturuyor, beyin haritaları çiziyor, nöromorfik hesaplama ve yapay zeka açılış gözleri. Huang Tiejun, Brain Inspired Computing ile karşılaştırıldığında, Brain Like'ın bir atılım yapmak için uygun bir yol olduğuna ve "güçlü yapay zeka" için gerekli bir aşama olduğuna ve "yapay zeka" dan (yapay olarak tasarlanmış) daha iyi olabileceğine inanıyor. Zeka) ve "bilişsel bilim" (düşünme mekanizmasını anlamak) daha önce gerçekleştirildi.
Leifeng.com, konuşmasının tam metnini orijinal niyetini değiştirmeden düzenledi ve şu şekilde sundu:
Herkese merhaba! Herkesin beyin benzeri bilgi işlem ve nöromorfik hesaplama gibi yeni konularla ilgilenmesine sevindim. Geçen yıl bu konudan bahsetmeme rağmen, bu yıl bazı yeni gelişmeler oldu ve ilgili bazı ulusal konuşlandırmalar çoktan başladı. Bu yüzden bence bu ders, devam eden bilimsel araştırma çalışmalarını desteklemeli ve teşvik etmelidir.
Beyinden ilham alan bilgisayar kavramı ve bu yönde ve alanda hangi işin yapılması gerektiği ve hangi düzeydeki çalışmalar herkes için farklı olabilir, ancak şimdi yavaş yavaş belirli bir fikir birliği oluşturuyor. Bu ders için 7 konuşmacıyı davet ettik.Bu sabah ilk olarak anladığım beyin benzeri bilgisayar kavramlarını ve yurtiçi ve yurtdışındaki bazı gelişmeleri tanıtacağım.
İngilizce konusunu kullanıyorum Beyin Benzeri Hesaplama Bazı öğretmenler buna beyin ilhamlı hesaplama olan Beyin ilhamlı hesaplama adını vermeyi severler, ancak ben buna beyin benzeri hesaplama demeyi tercih ederim. Nöromorfik hesaplama terimi daha profesyonel ve akademik olmakla birlikte, medyaya tanıtıldığında beyin benzeri hesaplama halk tarafından daha iyi anlaşılabilir. Ama bunun arkasında da pek çok belirsizlik var: Herkes beyin benzeri ve nasıl beyin benzeri olunacağı hakkında konuştuğunda, hemen birçok anlayışa ve açıklamaya sahip olurlar. Nöromorfik hesaplama terimi daha doğrudur.Yaptığımız yeni hesaplama modeli ve hesaplama paradigması aslında bir nöromorfiktir. Nöromorfiği daha sonra açıklayacağım. Eğer akademik makaleler yazıyorsanız, "nöromorfik hesaplama" terimini kullanmanızı öneririm. Daha önceki veya daha doğru literatürü bulacaksınız.
Aslında bilgisayarla uğraşan herkesin zihninde bir yapay zeka hayali olması gerektiğini düşünüyorum. Bilgisayarın insanlık tarihindeki en etkili icat olduğu söylenebilir, bu buluş ne yapabilir? Bilgisayarla uğraşan insanlar, beynin yerini alıp beyni geçip geçemeyeceklerini her zaman bilgisayarların daha güçlü hesaplama mantığı ve çeşitli bilgi işleme yetenekleri yapabileceğini düşüneceklerdir. Bir bilgisayarı bir beyinle karşılaştırdığımızda, genellikle ulaşılamaz hissederiz.
Hawking ve Musk'ın yapay zeka hakkında konuştuğunu medyada gören herkes, yapay zeka geliştirirseniz kesinlikle insan toplumu üzerinde büyük bir etkiye sahip olacağını, ancak süper yapay zeka ortaya çıkarsa biz insanlar yok olacağız. . Pek çok insan süper yapay zekanın imkansız olduğunu düşünerek Hawking ve Musk'a karşı çıkıyor, ancak yeterli kanıt yok.
2014 civarında, bu yolun kesinlikle var olduğunu düşündüm, bu yüzden bunu başarmak için bu yolu takip etmeliyim. 7 Ocak'ta, süper beyinlerin yaratılmasından kaynaklanan Çin Okuma Haberleri üzerine bir makale yayınladım. Daha sonra Şubat ayında "Süper Zeka" adlı bir kitap yayınlandı.
Genel olarak, temelde giderek daha fazla insan süper zekanın mümkün olduğuna ve böyle bir yolun var olduğuna inanıyor. Bilgisayar bilimine geri dönersek, geçen yıl Turing bilgisayar modelini 80 yıldır önerdi, ilk bilgisayar 70 yıldan fazla bir süredir icat edildi, yapay zeka kavramı 60 yıldan fazla bir süredir önerildi ve derin öğrenme konulu bilim makalesinin yayınlanmasının 10. yıl dönümü oldu. Geçen yıl beyin benzeri hesaplamada veya sinirsel platform hesaplamasında birçok dönüm noktası olayı yaşandı, bu da bizi yeni nesil bilgisayarların ortaya çıktığına ve bilgisayarların yeni bir tarihsel döneme girdiğine inandırdı. Yani bugün odak noktamız, şimdiye kadar meydana gelen, kabaca beş yöne bölünmüş bazı şeyler.
1. Yapay zeka doğru yolda
İlki yapay zeka.Ben buna doğru yolda yapay zeka diyorum.Elbette yapay zeka 60 yıldır doğru yolda. Neden bugün nihayet doğru yönde ilerliyor? Geçmişte hepimiz yanlış olduğumuzdan değil, sadece çeşitli fikirlerin önceki kıvrımları ve dönüşleri giderek daha ana akım bir yön oluşturdu ve bu yön bizim nihai sorunumuz ve bir atılım yapmak mümkün. Bugün yapay zeka hakkında konuştuğumuzda elbette herkes bilgisayarların yapay zekayı gerçekleştirmek için bir platform olarak kullanılabileceğini düşünüyor ve bu temelde bir düşünce biçimine dönüşüyor. Ama aslında bugünün bilgisayarlarına dönüp baktığımızda bu kadar tarihi bir görevi tamamlayabilir miyiz? Bu soru, düşünmemiz gereken ilk soru - gelecekte yapay zeka veya güçlü yapay zeka nasıl gerçekleştirilebilir?
Bilgisayarlar, kökeninden günümüze bilgisayarlarımızın yapay zeka için uygun bir platform olmadığını belirlemiştir. Turing o sıralarda bilgisayarlardan bahsetti, Turing asla bir bilgisayardan bahsetmek istemedi.O sırada matematiksel bir problemi çözmeye çalışıyordu: Hilbert'in 23 probleminin onuncu problemi, sayı alanında hesaplanmamış bir sayı yok. . Bu problemi kanıtlamak için kavramsal bir model önermeli ve genel amaçlı bir makine inşa etmeliyiz Bu genel amaçlı makine tüm matematiksel işlemleri yapabilir, ancak böyle bir makine az önce bahsedilen hesaplanmamış sayıları ifade edemez. Hepimiz bilgisayarla uğraşıyoruz ve hepimiz Turing makinesi konseptini biliyoruz, ancak Turing makinesi bir yan üründür, Turing bilgisayar tasarlamak için tasarlanmamıştır. Turing, 1980'lerden önce bilgisayarların sınırlarını çok netleştirmişti. Bugün pek çok insan, iyi bir program ve iyi bir algoritma tasarımı yaptığım sürece bilgisayarın her şeyi yapabileceğini söylüyor. Bir düşünün, bu soruyu yanıtladığınızda, ne tür bir mantığa dayanarak, bilgisayarların her şeyi yapabileceğini söylüyorsunuz? Bu hiç de böyle değil, kesinlikle imkansız.
Tabii ki büyük bir katkıdan, Shannon'ın katkısından bahsetmek zorundayız. Matematiksel modeller soyuttur ve yürütülemez. Shannon, bilgisayarların inşa edilebilmesi için matematik ve fiziği birbirine bağlar. Bu katkıyı herkes biliyor, ancak yine de vurgulamak istiyorum: matematiksel bir kavramsal model, basit bir makine modeli çeşitli karmaşık matematik problemlerini ifade edebilir. Onun büyüklüğü her türlü çatışmayı, her türlü mantığı ve matematiksel hesabı tek bir cihazla çözebilir. Bu 1947 veya 1948 yılındaydı. O zamanlar transistör yoktu. Fiziksel olarak her zaman anahtarlar vardı. Işıklar da anahtarlardı. İstediğimiz hesaplama mantığı işlevini birleştirmek için birden fazla anahtar kullandım. Sorunu aşırı derecede soyutlamak ve sonra sorunu netleştirmek.
Tabii ki, yazılım ve donanımı ayıran tarihi bir katkı olan von Neumann mimarisi de var. Bilgisayarlarla ilgili harika olan şey, temel mantık ve uygulamaları yapabilen evrensel hesaplama mantığı makineleri olmalarıdır. Ancak görevleri, yazılımı ve talimatları tamamlamak için programlara güvenmeniz gerekir. Bu durumda bir makine satın alıp farklı programlar yüklerseniz farklı görevler gerçekleştirebilirsiniz. Elbette, çok yönlülüğü elde etmek için, verimlilikte bir kayıp vardır.Bir problemi çözerseniz, ayrılmış devre daha basittir ve evrenselin bazı sembolik maliyetleri olacaktır, ancak bu maliyetler, uygulama kapsamını büyük ölçüde genişletir, bu da bir katkıdır.
Bu yüzden Turing'in modeli, Shannon'ın devresi ve von Neumann mimarisi hakkında konuşmak için zaman ayırdım.Bu üç şey, yeni nesil bilgisayarlar tasarladığımız için beyin benzeri hesaplama ve benzer problemler dikkate alınmalıdır. Matematiksel modelin ne olduğunu, onu gerçekleştirmek için ne tür bir cihaz kullanıldığını, nasıl bir sistem yapısı olduğunuzu, yapay zekanın bazı görevlerini gerçekleştirmek için düşünmemiz gerekiyor, aksi takdirde bilgisayar güçlü yapay zekayı gerçekleştiremez. İlk bilgisayarın geliştirilmesinin üzerinden 70 yıl geçti, arkasındaki mantık çok açık, matematiğin, fiziğin ve fiziksel gücün yapısı açıkça oradadır. Ancak istihbarat için uygun bir platform değil, ancak geçmişi görerek gelecekte ne yapacağınızı bilebilirsiniz.
Daha sonra yapay zekaya bakıyoruz Turing, makinelerin 1951'de düşünebileceğini öne sürdü. Bu elbette bir yapay zeka problemi ama o zamanlar terim henüz icat edilmemişti. 1956'da bazı Turing Ödülü sahipleri yapay zeka terimini ortaya attı. Araştırma finansmanı için başvurduklarında şunları yazmışlardır: Bazı fikirlerimiz var, yani makine simülasyonu yoluyla öğrenme ve zekanın diğer yönleri doğru bir şekilde tanımlanabilir. Şimdiye kadar, bu fikir hala birçok insanın yapay zeka hakkında anladığı klasik bir fikir. Nasıl zeki oluruz ve nasıl öğreniriz? Aslında, önce onu resmileştirip, bir bilgisayar tarafından gerçekleştirilebilecek kesin bir tanım veriyoruz. Mevcut bilgisayar hızının ve depolama kapasitesinin hala çok yavaş olduğunu düşünüyorlar, bu bir sorun değil, sorun şu ki programı yazıyoruz, bu yazılım zeka sorununu çözebilir. Bugünkü fikirlerimizin birçoğu hala bu düşünce çizgisini takip ediyor ve tabii ki, bu düşünce biçimi doğru ya da yanlış, onu dikkate almalıyız.
Yapay zeka, son 60 yılda birçok teknik rota geliştirdi ve birçok ilerleme kaydetti. En eski sembol sisteminden günümüzün Alfa Köpeğine kadar pek çok ikonik olay yaşanıyor.İnsanlar, yapay zekanın bu kadar hızlı geliştiğini her söylediğinde, insanları hemen geçip geçemeyeceğini söylese de, daha sonra bunun gerçekleşmediğini keşfetti. Tarihsel gelişimde, kabaca konuşursak, üç okul rekabet halindedir: Klasik yapay zeka olan ilk sembolizm, sembolize edilmeli, resmileştirilmeli, hassaslaştırılmalı, tanımlanmalı ve daha sonra makineler tarafından gerçekleştirilmelidir. İkincisi sinir ağı, bağlantısallık, aslında arkasındaki fikir insan zekasının sinir ağı tarafından üretilmesi, zeka üretebileceğini umarak bir sinir ağı da yapıyorum, zeka ne üretilirse eğitim ve model. Her şeyden önce teknik rotamız sinir ağıdır, bu nedenle bu alana biyonik veya fizyoloji de denir. Üçüncüsü, davranışçılık, esas olarak sibernetiktir.Aslında, ister insan, ister hayvan, hatta en eski tek hücreli ilkel yaşam formumuz olsun, herkesin zekası nereden geliyor diye düşündüğünüzü söylediler. Çevre ile etkileşim sürecinde üretilmiştir. Bir çocuk fazla yetenek olmadan doğar, ancak çevre ile etkileşime girdiğinde, yetenek yavaş yavaş gelişecektir. Tabii ki, insanlar kitaplardan bilgi öğrenmek için hala okula gitmek zorundalar.Hayvanlar bunu öğrenmiyor. Etkileşime güvenmek sorun değil.
Ancak, gerçekten beyinden başlamazsanız, nihai sorun yine de çözülemez. Bu fikir yeni değil, 1956'da düşündüm. Bu insanlar 7 konuyu tartıştı: otomatik bilgisayarlar, programlama dilleri, sinir ağları, hesaplamalı ölçek teorisi, kendini geliştirme, soyutlama, rastgelelik ve yaratıcılık. Şu anda, otomatik bilgisayarlar, programlama dilleri ve hesaplama ölçeği teorileri açıklığa kavuşturuldu, ancak sinir ağları, kendini geliştirme, soyutlama, rastgelelik ve yaratıcılık gibi konular hala belirsiz. Bir grup nöronun nasıl bir kavram oluşturduğunu düşünüyorlardı ve bugün derin öğrenmemiz bir kavram oluşturamıyor, beşinci bir soru var, bir zeka kendini nasıl geliştirebilir? Şimdi derin öğrenme, belli bir ölçüde geliştirilebilen büyük veri eğitimine bağlıdır. Evet, verileri kullandığınız sürece, zekam üretilecek ve otomatik olarak geliştirilecek, ancak henüz ego ve seçicilik yok. Geleceğin bilgisayarı, eğer hala bir bilgisayar olarak adlandırılıyorsa, yaratıcı olmadan önce gerçek bir rastgeleliğe sahip olmalıdır. Bu sistemde var olmayan şeyler rastgele ortaya çıkabilir.
Sonraki soruların neden bu kadar sınırlı olduğunun arkasında iki ilke var. Birincisi, bilgisayarları zeka, sinir ağları ve bilgisayarlarda derin öğrenme için kullanıyor olmamız, Von Neumann mimarisine dayalı bir sinir ağı modelidir. Bir sinir ağının merkezi yoktur.Karmaşık etkileşim için çok sayıda düğümü olan bir ağ, bir bilgisayar sistemiyle aynı değildir. İkincisi, bir sinir ağları mimarisi için donanım olmadığından, transistörler bilgisayarların hızlı gelişimini teşvik etti, ancak uygun bir nöron cihazı yok ve umduğumuz modeli karşılayabilecek sert bir sinir ağının fiziksel bir yaratımı yok. Shannon gibi hiçbir karakter, bu fikirleri gerçekleştirmeniz için fiziksel bir köprü sağlamıyor gibi görünmüyor.Matematik ve sinir ağı fikirleri, bilgisayarların geliştiği kadar hızlı değildir.
Ama yine de sinir ağını gerçekleştirmek için böyle bir yol bulmamız gerekiyor. Yani sinir ağı uzun yıllardır gelişiyor, inişler ve çıkışlar var ama her zaman ısrar eden insanlar var. 1985 yılında Hinton, boltzman makine modelini önerdi. Bugün, herkes boltzman makinesi ve çok katmanlı ağ hakkında konuşmak için derin öğrenmeyi kullandığında, bu çok yeni gibi görünüyor. 1985'ten 2006'ya kadar kimse yapmıyorken bunu yapmakta ısrar ettim, yani böyle bir zihniyetle, sinir ağları yapmakta ısrar ettim. Ben 1995'te doktora öğrencisiydim ve konuyu 1996'da seçtim. O zamanlar 11 doktora öğrencisinden sadece bir kişi sinir ağları yapıyordu.Bu tür bir ruh, her şeyden önce mantığınız doğruysa, doğru olduğuna karar verirseniz ısrar edersiniz. Başkaları benim hakkımda ne düşünürse düşünsün, neden böyle bir ruh var? Hinton, Boolean'ın çocuğu olan Boolean'ın torunu olduğu için, bu insanlar aristokrat bir ruha sahip ve popüler geleneklerden etkilenmeyecekler. Bence bu doğru yön. Ona sadık kalacağım ve yavaş yavaş alışacağım. Birisi para verecek. Ben sadece yapıyorum Kimse para vermiyor, bir kişi veriyor, bazıları veriyor ve birkaç kişi veriyor.
2006 yılında, Geoffrey Hinton "Science" da derin sinir ağları üzerine bir makale yayınladı ve şimdi derin öğrenme aşırı ısındı. 2011'de, derin öğrenmenin pek popüler olmadığı bir dönemde, Stanford'a yaptığım altı aylık ziyaret sırasında, görüntü tanıma, konuşma tanıma ve doğal dil işleme için katmanlar kullandılar.Tabii ki, bunların hepsi birkaç yüzde puanıydı,% 10'dan fazla değil. Daha sonra Li Feifei tarafından düzenlenen derin öğrenme, yarışmada görüntü tanıma yeteneğini% 11 artırdı. Artık daha fazla verinin kullanımı, daha derin bir ağ, parametrelerin ayarlanması ve bir sonuç haline geldi Bu hiçbir şey ve araştırma açısından pek mantıklı değil, ama hepimiz bunu yapmaktan hoşlanıyoruz.
Bir dönüm noktası olayı olan Alpha go'nun uygulanmasında birçok yeni fikir var, ancak bu güçlü bir yapay zeka, otonom zeka değil, ancak geleneksel yapay zeka anlayışımızın ötesindedir - her zaman birçok şey vardır. Resmileştirin ve ifade edin. Onun atılımı, Go'nun insan tanıma sürecine benzer bir görüntü olarak tanınmasında yatmaktadır. Öyleyse ustanın satranç duygusu olduğunu söylüyoruz, satranç duygusu nereden geliyor? Bu, oynadığınız hamle sayısı, ne kadar çok oynarsanız ve o kadar çok izlersiniz demektir.Alpha Dog 30 milyon oyun izledikten sonra, satranç duygusu insanın ötesinde. Satranç duygusunun, genellikle sadece insanların sahip olduğunu ve makinelerin sahip olabileceğini düşündüğümüz bir şey olduğunu söylediniz. Benzersiz olduğunu düşündüğümüz bu gizem, yavaş yavaş makinelere bırakılıyor.
Bu nedenle, 2030'daki büyük ulusal bilim ve teknoloji projelerinde, Akademisyen Pan beş ana yön önerdi: büyük veri zekası, çapraz medya zekası, grup zekası, hibrit gelişmiş zeka ve otonom insansız sistemler. Bilgisayarlar 2030'da ne tür yeteneklere ulaşacak? O zamanlar, insan beyninin bilgi işleme yeteneğine, öz farkındalığa sahip, otonom genel yapay zeka ile yaklaşmak için bir hedef belirlendi.
Yukarıdakiler biraz arka plan. Çok zaman aldı. Daha sonra, hakkında konuşmak nispeten kolay olacak.
2. Güçlü yapay zeka üretmek
İkinci konu, güçlü yapay zekanın oluşturulmasıdır. Güçlü yapay zeka aynı zamanda genel yapay zeka olarak da adlandırılır.Şimdiye kadar Alphago da dahil olmak üzere zayıf yapay zeka. Özel yapay zeka. Adanmış yapay zeka, belirli bir zeka problemini çözmek için bir gerçektir. Güçlü yapay zeka, insan düzeyine ulaşması gereken ve dış çevrenin zorluklarına uyum sağlayabilen, kendinden haberdar bir yapay zekadır. İnsan seviyesine ulaştığında, insan seviyesini aşacak, bu yüzden güçlü yapay zeka, uğraşmamız gereken bir zorluk. Bu zorluk, insanlığın ortaya çıkışından beri uğraşmamız gereken en büyük zorluk olabilir.
Aslında dünyada süper yapay zeka var.Biz aslen insanız.Aslında güçlü bir yapay zekayız.Güçlü yapay zekamız beyin ve sinir sistemimize dayanıyor. Şimdiye kadar, insan beyni dışında, yeni ortamlara ve yeni zorluklara uyum sağlayabilecek doğal veya yapay zeka sistemi yok.İnsanlar, güçlü yapay zeka ile en tipik olanlardır.
İnsanlar buna sahip olabileceğine göre, makinelerin sahip olmasına nasıl izin vereceğiz? Başlangıçta beyinden ilham alan hesaplama terimini söyledim, onu farklı açılardan anlamak kolay mesela beyinden ilham alan hesaplama, beyinden ilham alan hesaplama bu şey yapay zeka ile başladı, herkes yapıyor, beyin bize verdi. Bazı model ilkeleri çok sınırlı olmasına rağmen, biraz kavrayış kazandık Bilişsel bilim bize biraz ilham verdi ve gizemli algoritmalar ve çeşitli yeni algoritmalar tasarlayabiliriz. Aslında, arkasında az çok bilişsel uygulamalar var. Ama böyle bir anlayış, bahsettiğim güçlü yapay zeka sorununu çözemez, böyle bir fikir bizi yanlış yola yönlendirdi.
Az önce insan beyninin güçlü bir yapay zekaya sahip olduğunu söyledik, insan beyninin güçlü zekası nasıl ortaya çıktı? Başka bir deyişle, insan bilincinde neler olup bittiği veya insan düşüncesinde neler olduğu, insan bilincinin kökeni nedir ve bilincin arkasındaki ilkenin ne olduğu böyle bir sorudur. Böyle bir sorun, insanlığımızın üç büyük bilimsel sorunudur. İnsanoğlu en büyük üç bilimsel problemle karşı karşıyadır, ilk evrenin kökeni, yaşamın kökeni ve bilincin kökeni Bu üç bilimsel sorun zor problemlerdir, aksi takdirde büyük problemler olarak adlandırılmazlar. Bu kadar büyük bilimsel bir problem ne zaman çözülecek, bir beyin bilimcisine sormalısınız.Beyin bilimcisi ne kadar muhafazakar olursa olsun, size 100 yıl içinde çözülebileceğini söylemeyecektir.Genel olarak konuşursak, birkaç yüz yıl sürecektir. 1000 yıl sonra olacağı ve asla çözülemeyeceği söyleniyor. Bu tür büyük bir problem nedeniyle uygulanabilir bir çözüm bulamadılar, ancak bu yönde araştırmaya devam edebildiler, bu yüzden size kesin bir cevap veremediler çünkü çok zordu. Beynin bilincimizi, güçlü bir yapay zekayı nasıl ürettiğini bize söyleyemezlerse ne yapmalıyız?
Başkaları size bir model vermedi, biz yapmadan önce modelin çıkmasını bekliyor muyuz? Yıllardır o kadar eğitildik ki bilim temeldir ve teknoloji bilime dayanır, ancak o zaman yeni teknolojiler geliştirebiliriz. Dolayısıyla bu düşünce tarzı bazı durumlarda doğrudur, ancak çoğu durumda sorunludur. Örneğin, uçaklar ve aerodinamik Wright kardeşler uçakları 1903'te inşa ettiler, ancak aerodinamik ancak uçakların neden uçabildiğini açıklamak için 1939'da ortaya çıktı. Ancak bugünün uçakları ancak aerodinamik ile yönlendirilirse daha iyi olabilir, ancak bu daha iyi. İlk uçak bilimsel teoriye dayanmıyordu. Geriye dönüp baktığımızda, insanlık tarihimizdeki teknolojik ilerleme ve bilimsel ilerlemenin, teknolojik ilerlemenin neredeyse bilimsel ilerlemenin önünde, orijinal ve yıkıcı olduğu söylenebilir. Çin'deki dört büyük icattan hiçbirinin bilimsel ilkeleri yok. Çin'in bilim ve teknolojiye sahip olmadığını ve Çin'in teknolojiye sahip olduğunu söylediniz. Pusulanın uzun zaman önce kullanıldığını söylediniz. Zheng Dünyanın yuvarlak olduğunu bilmiyordu, pusulanın da gerçekten yol gösterici olduğunu bilmiyordu, ama biz sadece Bitti. Daha sonra, manyetizma bilimi yavaş yavaş tanındığında, bu dünyalarda neler olup bittiğini anladık ve pusulanın neden rehberlik edebileceğini anladık.
Peki, genel yapay zeka ve güçlü yapay zeka yaptığımızda, şu soruyu cevaplamak zorunda mıyız - zeka nedir? Beyin nasıl zeka üretir, bu soruya cevap vermek zorunda mıyız, cevap yüzlerce yıl bekledikten sonra yapılırsa bu konuyu tartışmaya gerek yoktur. Aslında durum böyle değil. Beynin esinlendiği hesaplama, Beynin ilham verdiği hesaplama değildir. Beyinden ilham alan hesaplama, Beyin benzeri Beyin benzeri bilgi işlem nedir? Beynin neden bu kadar gelişmiş, yaratıcı algılar ürettiğini bilmiyoruz. Ancak bu işlevi ne tür bir fiziksel sistemin ürettiğini biliyoruz. Fiziksel anlamda beyin nedir, maddede ne var, ruh ya da düşünme zekası hakkında konuşmuyoruz, sinir sistemi hakkında konuşuyoruz, nasıl bir biyolojik sistem, nasıl bir sinir ağı , Böyle karmaşık bir fenomen oluyor. Yani bu beynin analitik simülasyonudur.Beynin parçalara ayrılıp çizilebileceğini anlamalıyız, ne tür bir yapının yaptığını ve böyle bir davranışın gerçekleştiğini açıkça görmeliyiz. Yani bunu yapabilirsek, resmin boyutu hakkında daha sonra konuşacağız.
İkincisi, beynin nöronlarının ve sinir ağının gelişmiş işlevleri olduğunu bilirsek, bir tane yapmak için elektronları da kullanabilir miyiz? Elbette artık biyolojik bir şeyi kopyalamak zorunda değiliz. Aynı sistemi kurmak için nöronların, sinir ağlarının ve bağlantıların işlevlerini kullanabiliriz. Nöron da bir sinyal işleme olduğu için, harita sinyal işlemedir.Bu tür işlevleri yapmak için elektronik cihazlar kullanabiliriz.İnsan beyni aslında aynıdır.Belirli bir yapısal benzerlik derecesini kavrarsanız, benzer işlevler ortaya çıkacaktır. Yapının benzerliği belli bir dereceye kadar doğru olduğunda karmaşıklık ortaya çıkabilir. Yani kabak resmine göre bir şey yapmak, neden diye sormuyoruz.
Böyle bir sistemi eğitebilirsiniz, tıpkı bugün kimsenin derin öğrenmeye inanmadığını söylediğimiz gibi, derin öğrenmenin işlevi orada ve çok katmanlı ağ orada, çok fazla veri ile eğitirseniz, soyut yeteneği olacaktır. , Çeşitli yeteneklerin sınıflandırılması ve tanınması. Onu eğitmek için bir beyin sinir ağı yaparsanız, onu eğitmek için gerçek zamanlı ve çeşitli uyaranlar kullanırsanız, benzer bir fenomene sahip olmalıdır. Karmaşık bir ağ, daha karmaşık fenomenler üretecektir. Basit sinir ağlarının basit fenomenler üreteceği gibi, karmaşık ağlar da karmaşık fenomenler üretecektir. İnsanlar önce makine zekasını anlamalı ve sonunda kendi zekamızı anlamalı. Çünkü ulaşılabilir olması açısından öyle olmalı. Böylece dört adımı atabilir ve sonunda anlayışın bilincini kavrayabilirsiniz, ancak önce geleneksel bilimi izlerseniz, bilinçte neler olup bittiğini soracaksınız Bu dört adımı atmanıza gerek yok ve biz sadece yerinde bekleriz. Beyin benzeri bilgi işlem olmayacak, gerçek yeni nesil bilgisayarlar olmayacak.
Çünkü bugün herkes bana konuşmak için üç saat verdi, bu yüzden bunu detaylı olarak konuşabileyim. 2015'te Pekin'e açıklık getirmek için üç cümle özetledim, netleştirdiler, öyle yapın. Yapı seviyesi beyni taklit eder, cihaz seviyesi beyne yaklaşır ve zeka seviyesi beyni aşar. Beynin sinir ağı yapısını netleştiren ve beyni simüle eden yapı seviyesinde taklit, beynin tersine mühendisliğidir. İkincisi, boyut ve işlev açısından biyolojik nöronlara yaklaşan nöromorfik cihazlar yapmak, bu nöromorfik mühendisliktir. Beyni aşan zeka seviyesi, tıpkı bugün bir sinir ağını eğitmek gibidir.Büyük veri ve çeşitli duyular kullanıyoruz.Elbette, onu uyarmak ve karmaşık davranışlar üretmesini sağlamak için sanal gerçeklik ve sanal ortamı kullanabiliriz. Davranışçı eğitim. Bu üç seviye tamamlandıktan sonra, sistem gelişmiş karmaşık işlevlere sahip olacaktır. Muhtemelen böyle bir yol.
Yani sözde beyin benzeri bilgi işlem, beyin benzeri bilgisayar, biyolojik bir sinir ağını taklit eden ve zamansal ve mekansal bilgileri işlemek için nöromorfik cihazları kullanan akıllı bir makinedir. Neden uzay-zamansal bilgi işlemeyi vurgulamalıyız, çünkü her zaman karmaşık ortamlardan bahsediyoruz. Turing makinesi tarafından işlenen veri akışı aslında ödünç alınan uzay-zamansal bilgidir, ancak video, görsel ve karmaşık görevler için kullanılabilir. Ancak sonunda zaman ve mekan paramparça olur ve birlikte devam eden bir veri akışı haline gelir. Zaman ve mekan bir kez yok edildiğinde, birçok akıllı görevin yapılması zordur. Biyolojik vizyonumuz ve biyolojik işitme duyumuz, zaman ve mekanı asla tahrip etmedi.Dünyayı gözlerimizle gördüğümüzde, zaman ve mekan hiçbir zaman kör bir akıntı haline gelmedi.Aslında bunları paralel olarak uyguluyoruz. Bu yeni makinenin doğrudan çıkıp bilgiyi bu şekilde işleyebilmesi, zamansal ve uzamsal bilginin işlenmesi, zaman ve mekanın yok edilememesi ve tahribatsız zaman ve mekân koşullarının karşılanabilmesi koşulunun doğrudan işlenebilmesi koşuluyla işleyebilmesi gerekiyor.
Bu nedenle, bu tür nöromorfik bilgisayar veya beyin benzeri bilgisayar, az önce bahsettiğimizden farklıdır.Klasik bilgisayarla karşılaştırıldığında, her düzeyde bazı değişiklikler gereklidir. Yeni nöromorfik bilgisayarın temel cihazı, transistörler yerine nöronlar ve sinir sinapslarıdır.Bu, tabii ki yapay ve elektronik bir nöromorfik cihazdır. İkinci olarak, klasik bilgisayar insanlar tarafından tanımlanır ve von Neumann tarafından tanımlanan mimaridir. Nöral bilgisayar, biyolojik benzeri bir sinir ağıdır, zaten bu işleve sahip bir yapıdır.Biz onu elektronik çipler kullanarak uygulamak için kullanıyoruz.Böyle bir ağ için, bugünkü işletim sistemimiz gibi yönetilmesi gerekiyor. Ağ yapısı yapılandırması gibi donanım yönetiminin birçok işlevi aynıdır, çünkü donanım bir kez yapıldıktan sonra isteğe göre değiştirilemez. Ancak yukarıda çeşitli ağları uygulamanız gerekir, herhangi bir biyolojik ağ modelini böyle bir sabit donanıma, ağ yapılandırmasına ve yönetimine nasıl eşleyebilirsiniz. Yumuşak sinir ağlarının sert sinir ağlarıyla eşleştirilmesi temel bir gerekliliktir.
Yani son analizde, böyle bir makine için, zeki olduğunu söylediğimizden vazgeçiyor ve bilişsel bilim adamlarına neyin zeki olduğunu sorması gerekiyor. Size bazı şeyler söyleyebilir, bu şeylerin gerçekten bilgisayar modeli olması gerekir ve sorunu çözemezler. Tıpkı Çin tıbbı gibi, size bazı doğrular söyleyebilirsiniz, ancak bu gerçek hiçbir sorunu çözemez. Ben de pes ettim ve onlarla tartışmaktan vazgeçtim, yoksa insanlar yaşlanacak ve bu sorun gelecekte bile çözülmeyecek.
Üç saatlik bir konuşma olduğu için içerik oldukça zengindir. Bu ilk bölümdür. Takip içeriği için lütfen sonraki bölüme bakın "Pekin Üniversitesi Bilgisayar Bilimleri Bölümü Huang Tiejun'un CCF-ADL atölye çalışmasının ikinci bölümü: Nöromorfik hesaplamanın ve yapay zeka biyolojik vizyonunun sınırlarının ayrıntılı açıklaması"
Bu kurs ücretli bir kurstur. Ağustos 2017'de yalnızca AI MOOC Academy'de başlatılacaktır. Orijinal fiyatı 2500 yuan olan (CCF üyeleri) çevrimdışı kurs artık sınırlı bir süre için 699 yuan özel bir fiyatla ön satışa sunulmuştur. İlgileniyorsanız lütfen tıklayın: http: // www .mooc.ai / course / 114 veya izlemek için aşağıdaki QR kodunu tarayın.
