Derin öğrenme kışı ne zaman gelecek?
AlphaGo'nun Li Shishi'yi mağlup ettiği 2016'dan itibaren derin öğrenme çılgınlığı başladı ve şimdi derin öğrenme soğuk kışta. Sadece iki ya da üç yıl içinde derin öğrenme parçalandı. Şimdi endüstriyel internetin hızlı gelişmesiyle birlikte derin öğrenme nereye gitmeli? Gelecekteki gelişme yönü nerede?
Şekil | "Derin Öğrenme", 2013'te MIT Technology Review'de "En İyi On Çığır Açan Teknolojiden" biri seçildi
Derin öğrenme teknolojisinin kendisinin sınırlamaları
Sonuçta, derin öğrenme makine öğrenimidir ve insanlar gibi düşünmez, bu da derin öğrenmenin büyük sınırlamaları olmasını sağlar. Çoğu görev için, ya görevi çözebilecek karşılık gelen bir derin sinir ağı yoktur ya da böyle bir ağ olsa bile, öğrenilemez.
Mevcut derin öğrenme teknolojisini daha fazla katman istifleyerek ve daha fazla eğitim verisi kullanarak genişletmek, yalnızca yüzeydeki bazı sorunları hafifletebilir, ancak daha temel sorunları çözemez. Örneğin, bir derin öğrenme modelinin temsil edebileceği içerik çok sınırlıdır.Örneğin, öğrenmek istediğiniz programların çoğu, veri manifoldlarının sürekli geometrik dönüşümleri olarak temsil edilemez.
Şekil | 1990'dan 2015'e kadar birçok büyük derin öğrenme mimarisini gösteren grafik zaman çizelgesi
Daha öne çıkan bir diğer sorun ise derin öğrenmenin genelleme yeteneğinin yeterli olmaması ya da sadece kısmi genelleme yeteneği olarak adlandırılmasıdır. Ama biz insanlar yapmayız.Bir şeyleri soyutlayarak ve akıl yürüterek birkaç örnekle veya sıfır örnekle öğrenebiliriz. Biz insanlar için aşırı genelleme yeteneklerimiz var.
Örneğin, bir roketin aya giriş yapması için doğru fırlatma parametrelerini öğrenmek istiyoruz.
Bu görevi tamamlamak için derin ağlar kullanırsak ve ağı eğitmek için denetimli öğrenim veya pekiştirmeli öğrenmeyi kullanırsak, o zaman binlerce hatta milyonlarca başlatma deneyi girmemiz gerekir. Buna karşılık, biz insanlar fiziksel modeller (roket bilimi) önermek için soyut yetenekleri kullanabiliriz ve sadece bir veya birkaç deneyle, aya roket inişi için doğru bir çözüm elde edebiliriz. Benzer şekilde, insan vücudunu kontrol edebilen ve şehirde araba çarpmadan güvenli bir şekilde yürümeyi öğrenmesini uman derin bir ağ geliştirirseniz, ağın çeşitli senaryolarda arabanın tehlikeli olduğu sonucuna varmak için binlerce kez ölmesi gerekir. Ve uygun kaçınma davranışları yapın. Bu ağı yeni bir şehre koymak, bilinen bilgilerin çoğunu yeniden öğrenmek zorunda kalacak. Ancak, güvenli davranışı öğrenmek için insanların ölmesine gerek yok, bu aynı zamanda varsayımsal senaryoların soyut modelleme yeteneğimizden de kaynaklanıyor.
Derin öğrenme ile gerçek zeka arasında büyük bir boşluk var gibi görünüyor. Konuşma tanıma, akıllı çeviri, görüntü tanıma, AlphaGo, otonom sürüş ... İnsanlar derin öğrenme alanında önemli ilerlemeler kaydetmiş olsalar da, insan seviyesindeki yapay zekadan alınacak uzun bir yol var.
Derin öğrenme teknolojisi nereye gitmeli?
Derin öğrenme, yapay zekanın üçüncü dalgasını ortaya çıkardı.Yapay zeka alanına büyük miktarda sermaye ve yetenek aktı ve yapay zeka girişimleri hızla büyüdü. En son "Çin'in Yeni Nesil Yapay Zeka Teknolojisi Sektörü Geliştirme Raporu" istatistiklerine göre, 2018 yılında küresel yapay zeka alanındaki patent başvuru sayısı 130.000'i aştı. Çinli yapay zeka şirketleri, dünyadaki yapay zeka şirketlerinin% 21,67'sini oluşturarak dünyada ikinci sırada yer alıyor. .
Teknoloji bilimsel araştırmalardan farklıdır ve er ya da geç geri dönüşler aramalıyız. Yapay zeka trendi altındaki girişimler, ancak ürün ihtiyaçlarını yoğun bir şekilde geliştirir ve müşteri sorunlarını daha çok çözen çözümler üretirse teknolojinin değerini oynayabilir.
Başka bir veri, Çin'deki AI şirketlerinin% 90'ının ticari nakit elde etmenin bir yolunu bulamadıkları için zarar gördüğünü gösteriyor. Bununla birlikte, bazı şirketler yenilikçi teknoloji, güçlü güç ve tam zincirli endüstri iniş modellerinden yararlandı ve endüstriyel İnternet çağında sermaye tarafından tercih edildi ve dördüncü paradigma, bayt atışı ve Kambriyen gibi endüstri tek boynuzlu atları haline geldi. Teknoloji, Yuncong Technology, Yushi Technology, Megvii Technology, Shangtang Technology, Tucson Future, Yitu Technology ve diğer yüksek teknoloji şirketleri.
İster yabancı Google, Amazon, Facebook, ister Baidu, Ali, Tencent gibi yerli teknoloji devleri olsun, büyük yerli ve yabancı teknoloji devleri, kendi derin öğrenme çerçevelerini açık kaynaklı hale getirdiler. Endüstriyel İnternet çağında, daha fazla yapay zeka şirketi ticari iniş peşinde koşuyor ve senaryoları teknolojiyle güçlendiriyor.
Derin öğrenmenin sınırlamalarının üstesinden nasıl gelebilir ve genel zekaya nasıl yol açabiliriz? Pek çok bilim adamı da şu cevabı verdi:
Gelecekte, model, algoritma modüllerini ve geometrik modülleri entegre edecek, ilki resmi akıl yürütme, arama ve soyutlama yetenekleri sağlar ve ikincisi, resmi olmayan sezgi ve örüntü tanıma yetenekleri sağlar. "Python Derin Öğrenme"
AlphaGo (bu sistem, çok sayıda manuel yazılım mühendisliği ve insan tasarım kararı gerektirir), yapay zeka ve geometrik yapay zekanın bu birleşiminin erken bir örneğidir.
Ek olarak, bu model, yeniden kullanılabilir alt yordamlardan oluşan küresel bir kitaplıkta depolanan modüler bileşenleri kullanarak otomatik olarak büyüyebilir (bu kitaplık, binlerce önceki görev ve veri kümesinde yüksek performanslı modeller öğrenildikçe gelişmeye devam eder) , İnsan mühendislerinin sabit kodlamasına gerek kalmadan. Meta-öğrenme sistemi sıklıkla ortaya çıkan problem çözme modellerini belirlediğinden, bu modeller yeniden kullanılabilir alt programlara (tıpkı yazılım mühendisliğindeki fonksiyonlar ve sınıflar gibi) dönüştürülecek ve küresel kütüphaneye eklenecektir. Bu şekilde soyutlama ve aşırı genelleme yetenekleri elde edilebilir.
Bu nedenle, bu kalıcı öğrenme modeli büyüme sistemi, bir tür AGI yapay genel zekası olarak kabul edilebilir.
Bu amaca ulaşmak için derin öğrenme alanı, uzun yıllardır sözde yapay zeka devriminin ön saflarında yer almaktadır. Pek çok insan, derin öğrenmenin bizi genel AI çağına götüreceğine inanıyor. Ancak geçmişte fırtınanın zirvesinden bugünkü toza inişe kadar dalgalar tekrar tekrar geri çekildi. Bilgisayar görüşü ve yapay zeka uzmanı Filip Piekniewski, yapay zekanın kışını tahmin etmenin bir borsa çöküşünü tahmin etmek gibi olduğu konusunda uyardı - tam olarak ne zaman olduğunu bilmek imkansız, ancak borsa çöküşünden önceki gibi, neredeyse kesin olarak bir noktada olacak, işaretler var. Bir kriz olacağını gösteriyor ama o dönemde çevrede herkes tarafından görmezden gelinmesi kolay.
Derin öğrenme, bariz düşüş belirtileri göstermiştir. Yapay zeka nereye gidecek? Derin öğrenme nereye gidecek?
19 Ekim 2019'da Çin Bilgisayar Konferansı, forumun başkanı olarak Çin Bilimler Akademisi Bilgisayar Teknolojisi Enstitüsü'nden bir araştırmacı olan Shan Shiguang ile "Derin öğrenme kışı ne zaman gelecek" konulu bir forum düzenleyecek. "İstihbarat + Öncü Sosyal Gelişim" teması ile bu konferans yurtiçi ve yurtdışında bilgisayar alanında çok sayıda tanınmış uzman ve girişimciyi özel raporlar vermeye davet edecek, aynı zamanda 80'den fazla teknik forum, 20 etkinlik, sergi vb. .
Gelecek belirsizliklerle dolu ama bu kış için daha fazla hazırlık yapabiliriz.
Forum Başkanının Tanıtımı
Shan Shiguang: Çin Bilimler Akademisi, Akıllı Bilgi İşlem Anahtar Laboratuvarı Yönetici Müdür Yardımcısı / Araştırmacısı, Bilgisayar Teknolojisi Enstitüsü Doktora süpervizörü, China Science TV'nin kurucusu / Başkanı
Araştırmacı Shan Shiguang, son 20 yıldır yüz tanıma ve duygu tanıma ile temsil edilen bilgisayarla görme, örüntü tanıma ve makine öğrenimi alanlarında son derece temel araştırmalar ve uygulamalı araştırmalar yürüttü ve önerilenler gibi birçok kayda değer akademik katkı yaptı. Deneyim ve verilerin ortak yönlendirilmesine dayanan çeşitli görsel özellik çıkarma ve temsil öğrenme yöntemleri; Riemann manifoldlarını video yüz gösterimleri olarak kullanan teorik yöntem, dünyada daha önce geliştirildi ve akranları Riemann manifold gösterimi ve ölçüm öğrenimi perspektifinden çalışmaya yönlendirdi. Video tanıma sorunu: Çok görüntülü / etki alanı yerel yapısının tutarlılığıyla kısıtlanan, heterojen verilerin kamuya açık bir temsilini aramak, heterojen örüntü karşılaştırması ve alanlar arası bilgi aktarımı sorununu daha iyi çözebilir.
Bu yılki konferansın teması "İstihbarat + Öncü Sosyal Gelişim". Günümüzde, ister geleneksel endüstrilerin akıllı dönüşümü ve iyileştirilmesi sürecinde, ister yükselen endüstrilerin hızlı gelişme sürecinde, hatta sosyal üretim ve yaşamın tüm yönlerinde olsun, istihbarat + her yerde ve zeka teknolojinin temelini oluşturuyor. Toplumun gelişimine öncülük eden gelecekteki toplum akıllı bir toplum olacak ve AI ile dans eden bir toplum olacak.
CNCC2019 sergisine teknoloji devleri, endüstri tek boynuzlu atları, üniversite bilimsel araştırma kurumları ve yeni başlayanlar tam olarak katılacak. Tüm yeni akademik gelişmeler, yeni teknolojilerin uygulanması ve bilgi işlem alanındaki yeni fikirler için bir platform sağlayacak. Ayrıca iş için bir platform sağlayacak İşbirliği, yatırım, finansman ve girişimcilik müzakereleri için verimli bir iletişim platformu sağlayın.
2019 Çin Bilgisayar Konferansı sizi bekliyor!
Stratejik işbirliği medyası
