Tsinghua Profesörü Tang Jie'nin ayrıntılı raporu: yapay zekanın gelecek on yılı! [PPT ile]
25 Mart 2020'de Zhiyuan Enstitüsü ve Tsinghua Üniversitesi Bilgisayar Bilimleri Bölümü akademik dekan yardımcısı Profesör Tang Jie, size "Yapay Zekanın Gelecek On Yılı" tema raporunu getiren ilk Çin Bilimler Akademisi'ne konuk oldu. Yapay zeka gelişimi tarihinden başlayarak son on yılda yapay zekanın gelişimini analiz eden Bay Tang, yapay zekanın algıdaki önemli kazanımlarını anlattı.Özellikle algoritmaların bu algı çağının en önemli ve temsili içeriği olduğunu belirtti. BERT, ALBERT ve MoCo2 gibi hızlı hareket eden algoritmalara odaklanır. Son olarak, bir sonraki yapay zeka dalgasının yükselişi söz konusu olduğunda, akıl yürütme, yorumlanabilirlik ve biliş ile yapay zekayı gerçekleştirmektir.
Zeka iç referansının bu sayısında, Tsinghua Üniversitesi'nin yapay zekanın son on yıldaki gelişimini analiz eden, yapay zekanın algıdaki önemli başarılarını ortaya koyan ve yapay zekanın bir sonraki dalgasını öngören "Yapay zekanın önümüzdeki on yılı hakkında konuşmak" raporunu öneriyoruz. Akıllı dalganın yükseliş yönü. Bu makalenin raporunu toplamak istiyorsanız (yapay zekanın gelecek on yılı hakkında konuşarak), ZhiDongTouTiao özel mesajındaki "ZhiDong 452" anahtar kelimesine cevap verebilirsiniz.
Bu döneme katılım kaynağı: Tsinghua Üniversitesi AMiner resmi web sitesi
orjinal başlık:
"Yapay zekanın gelecek on yılında"
Yazar: Prof. Tang Jie
Son yıllarda yapay zeka üçüncü bir dalga başlattı ve çeşitli ülkeler yapay zeka geliştirme stratejileri formüle etti.
2019 itibariyle Çin hükümeti, çeşitli biçimlerde yapay zeka gelişimini desteklemeye devam ediyor. Bundan önce Çin, Bilim ve Teknoloji Bakanlığı, Ulusal Kalkınma ve Reform Komisyonu, Çin Merkezi Siber Uzay İdaresi, Sanayi ve Bilgi Teknolojileri Bakanlığı ve Çin Mühendislik Akademisini içeren bir yapay zeka ortak tanıtım mekanizması oluşturdu. 2015 yılından bu yana yapay zekanın gelişimini destekleyen bir takım politikalar çıkarılmış, yapay zeka teknolojisinin geliştirilmesi ve uygulanması için çok sayıda proje geliştirme fonu sağlanmış, yapay zeka yetenekleri ve kurumsal yeniliklerin tanıtılması için destek sağlanmıştır. Bu politikalar, endüstri gelişimi için sağlam politika rehberliği sağlarken, aynı zamanda sermaye piyasasına ve endüstri paydaşlarına olumlu sinyaller gönderir. Pazar uygulamalarını teşvik etme açısından Çin hükümeti, yapay zeka teknolojisinin uygulanmasıyla ilgili yerli ürünleri doğrudan satın alma girişimini başlattı ve art arda bir dizi akıllı şehir ve akıllı hükümet projesine imza attı.
Diğer ülkelerden farklı olarak Amerika Birleşik Devletleri yapay zeka alanında en güçlü güce sahip olsa da şu anda ulusal düzeyde bir yapay zeka tanıtım planı bulunmuyor. Eski Başkan Barack Obama'nın son birkaç ayında Beyaz Saray, üç bağımsız raporda ABD AI stratejisinin temelini attı. İlk raporlardan biri olan "Yapay Zekanın Geleceğine Hazırlanmak" (Yapay Zekanın Geleceğine Hazırlık), yapay zeka düzenlemelerinin formülasyonu, araştırma ve geliştirme için finansman, otomasyon, etik, adalet ve güvenlik ile ilgili içeriği açıkça ortaya koydu. Ulusal Yapay Zeka Araştırma ve Geliştirme Stratejik Planı adlı başka bir rapor, YZ araştırma ve geliştirmesinin hükümet tarafından finanse edilmesi için ABD stratejisinin ana hatlarını çiziyor. Son rapor olan "Yapay Zeka, Otomasyon ve Ekonomi", otomasyonun toplum üzerindeki etkisini ve yapay zekanın yararlı yönlerini genişletmek için hangi yeni politikaların gerekli olduğunu daha fazla açıklıyor.
Trump göreve başladığından beri ABD hükümeti tamamen farklı, serbest piyasa odaklı bir yapay zeka stratejisi aramaya başladı. Beyaz Saray, Mayıs 2018'de endüstri, akademi ve bazı hükümetlerden temsilcileri bir yapay zeka zirvesine katılmaya davet etti. Beyaz Saray Bilim ve Teknoloji Politikaları Dairesi müdür yardımcısı Michael Kratsios toplantıda yaptığı konuşmada, mevcut başkanın yapay zekaya yönelik tutumunu özetledi. Hükümetin şu anda dört ana hedefi olduğunu açıkladı: (1) ABD'nin yapay zeka alanındaki liderliğini sürdürmek; (2) Amerikalı işçileri destekleyin; (3) Devlet tarafından finanse edilen araştırma ve geliştirmeyi teşvik edin; (4) Yeniliğin önündeki engelleri kaldırın. Kratsios, bu hedefe ulaşmak için, hükümete, özel şirketlere ve bağımsız araştırmacılara ortaklıklar kurmalarında yardımcı olurken, Beyaz Saray'a yapay zeka araştırma ve geliştirme konusunda hükümet düzeyinde önerilerde bulunacak bir AI özel komitesi kurulduğunu duyurdu. Ayrıca, ABD hükümetinin inovasyonun önündeki düzenleyici engelleri kaldırmaya odaklanacağına, böylece şirketlerin inovasyon ve geliştirmede daha fazla esnekliğe sahip olacağına dikkat çekti.
Nisan 2018'de Avrupa Komisyonu "Yapay Zeka Bülteni" ni geçti. Bu, AB'nin AI'ya yönelik tutumunu açıklayan 20 sayfalık bir belgedir. Komitenin hedefleri şunlardır: (1) AB'nin teknik ve endüstriyel yeteneklerini geliştirmek ve yapay zekanın kamu ve özel sektör tarafından benimsenmesini artırmak; (2) Avrupalıları YZ'nin getirdiği sosyo-ekonomik değişikliklere hazırlamak; (3) uygun olmasını sağlamak Etik ve yasal çerçeve. Ana önlemler arasında 2017'de 500 milyon avrodan AB yatırımını 2020'nin sonunda 1,5 milyar avroya çıkarma taahhüdü, Avrupa Yapay Zeka İttifakı'nın kurulması (insanlar şimdi katılabilir) ve yeni bir yapay zeka etiğinin geliştirilmesi yer alıyor. Adalet, güvenlik ve şeffaflık sorunlarını çözmek için. Yeni bir "Yüksek Düzeyli Yapay Zeka Grubu", Avrupa Yapay Zeka İttifakı için yönlendirme grubu görevi görecek ve üye devletlerin değerlendirmesi için etik kodlar hazırlayacak.
Ulusal AI politikaları
Bu çağda Önümüzdeki on yıl içinde yapay zekanın nasıl gelişeceğini düşünmemiz gerekiyor. Öncelikle yapay zeka tarihinden ilham almamız gerekiyor.
1. AI gelişiminin tarihi
Claude Shannon'un (Claude Shannon) 1950'de bilgisayar oyunu önermesi ve Alan Turing'in (Alan Turing) 1954'te "Turing testi" önermesiyle yapay zeka kavramı insanların görüş alanına girmeye başladı.
1960'larda yapay zeka, doğal dil işleme ve insan-makine diyalog teknolojilerinin gelişmesiyle birlikte ilk doruk noktasına ulaştı. Temsili olaylar, Daniel Bobrow tarafından 1964'te yayınlanan bir bilgisayar problem çözme sistemi için Natural dil girdisi ve Joseph Weizenbaum tarafından 1966'da yayınlanan bir bilgisayar olan ELIZA'dır. insan ve makine arasındaki doğal dil iletişiminin incelenmesi için bir program.
Ek olarak, önemli bir gelişme var - bilgi tabanı. 1968'de Edward Feigenbaum (Edward Feigenbaum), ikinci yapay zeka dalgasının yükselişi için fırsat anlamına gelen bilgi tabanının ön tanımını verirken ilk uzman sistemi DENDRAL'ı önerdi.
Bundan sonra, yapay zeka neredeyse on yıla yayılan soğuk bir kışa girdi.
1980'lerde yapay zeka ikinci dalgaya girdi. Temsili çalışma, 1976'da Randall Davis ve 1980'de Drew Mack tarafından inşa edilen ve sürdürülen büyük ölçekli bilgi tabanıydı. Drew McDermott ve Jon Doyle tarafından önerilen monoton olmayan mantık ve daha sonra ortaya çıkan robot sistemi.
1980'de Hans Berliner'in tavla dünya şampiyonuna karşı bilgisayar zaferi bir dönüm noktası olayı haline geldi. Daha sonra, davranış temelli robotik, Rodney Brooks'un ivmesi altında hızla gelişti ve yapay zekanın önemli bir geliştirme dalı haline geldi. Bunların arasında Gerry Tesauro ve diğerleri tarafından oluşturulan kendi kendine öğrenen tavla programı, daha sonra gelişmiş öğrenmenin geliştirilmesi için temel oluşturdu.
1990'larda yapay zekada iki önemli gelişme yaşandı: İlk içerik, 1998'de Tim Berners-Lee tarafından önerilen ve semantiğe dayanan Anlamsal İnternet Yol Haritasıydı. Bilgi ağı veya bilgi ifadesi. Daha sonra OWL dili ve diğer ilgili bilgi tanımlama dilleri ortaya çıktı. İkinci içerik, Geoffrey Hinton ve diğerleri tarafından önerilen ve yapay zekanın üçüncü dalgasının yükselişine işaret eden derin öğrenmedir.
Bu dalgaya birçok şirketin de katıldığını gördük. Örneğin, Sebastian Thrun (Sebastian Thrun) Google'da sürücüsüz araçların lansmanına öncülük etti ve 2011'de IBMden Watson "Jeopardy" şampiyonluğu kazandı ve Apple'ın doğal dil soru ve cevap aracı Siri, 2011'de piyasaya sürüldü.
Yukarıdakiler, 60 yılı aşkın gelişim tarihinde yapay zekanın ikonik başarılarından ve teknolojilerinden bazılarıdır.
iki, Yapay zekanın son on yılda gelişimi
Son on yılda yapay zekanın gelişimini daha fazla analiz edersek, önemli bir işaret göreceğiz: Yapay zeka, algıda önemli sonuçlar elde etti. Yapay zeka, konuşma tanıma, metin tanıma ve video tanıma konusunda insanları geride bıraktı.YZ'nin algıda kademeli olarak insan seviyesine yaklaştığını söyleyebiliriz. Gelecekteki eğilimler açısından bakıldığında, yapay zeka, aşağıdaki şekilde gösterildiği gibi, algıdan bilişe doğru temel bir aşamalı gelişim eğilimine sahip olacaktır:
İlk olarak, yapay zekanın algılamada ne yaptığına bir bakalım. Algılama açısından, AlphaGo, insansız sürüş ve metin ve resimler arasındaki çapraz medya hesaplamaları hızlı bir gelişme kaydetti. Makro açıdan bakıldığında, algoritmalar bu algılama çağının en önemli ve temsili içeriğidir. Son on yıldaki en önemli algoritmaları kategorize edip derin öğrenmeyi örnek olarak kullanırsak aşağıdaki şekilde gösterilen geliştirme bağlamını elde edebiliriz.
Şeklin üst kısmındaki açık mor kısım, ileri ağ tarafından temsil edilen derin öğrenme algoritmasıdır. İkinci katmanın açık yeşil kısmının içeriği, kendi kendine öğrenme ve kendi kendine kodlama ile temsil edilen bir öğrenme çağını temsil eder. Üçüncü katmanın turuncu kısmı, kendi kendine dolaşan sinir ağının algoritmasını temsil eder (olasılıklı grafik modelinin geliştirilmesi). En alttaki pembe kısım, gelişmiş öğrenmeyle temsil edilen gelişim bağlamıdır.
Genel olarak konuşursak, derin öğrenme algoritmalarını bu dört bağlamda sınıflandırabiliriz ve bu dört alanda hızlı ilerleme sağlanmıştır.
Son yıllardaki en önemli gelişmeye geri dönerseniz, BERT'nin tipik bir temsilci olduğunu göreceksiniz (daha fazla bilgi edinmek isteyen okuyucular https://arxiv.org/pdf/1810.04805.pdf okuyabilir). BERT tarafından temsil edilen ön eğitim algoritması hızla gelişmektedir. Temel olarak tüm algoritmalar, aşağıdaki şekilde gösterildiği gibi ön eğitim + ince ayar + İnce ayar yöntemini benimser:
BERT, 2018'in sonunda ön eğitim yoluyla NLP'deki 11 görevin klasik algoritmasını yendi; XLNet, 2019'da BERT'yi iki yönlü bir ağ aracılığıyla aşmayı önerdi (daha fazla bilgi edinmek isteyen okuyucular https://arxiv.org/pdf okuyabilir. /1906.08237.pdf), aşağıdaki şekilde gösterildiği gibi:
Daha sonra ALBERT, XLNet'i ve orijinal BERT'i geçti (daha fazla bilgi edinmek isteyen okuyucular https://arxiv.org/pdf/1909.11942.pdf okuyabilir). Tüm BERT'nin gelişimi bir dizi takip çalışmasını tetikledi.
Diğer alanlarda, birçok temsili iş de ortaya çıktı. Örneğin, 2018'in sonunda Nvidia, ön eğitim modelleri aracılığıyla yüksek çözünürlüklü videoların otomatik olarak oluşturulmasını gerçekleştirdi. Daha fazla ayrıntı öğrenmek isteyen okuyucular https://arxiv.org/abs/1808.06601 okuyabilir.
DeepMind, grafik_net içinde temsili ilişki ilişkileri oluşturur, böylece ağda belirli çıkarımlar gerçekleştirilebilir ve yapısı aşağıdaki şekilde gösterilmektedir. Daha fazlasını öğrenmek isteyen okuyucular https://arxiv.org/abs/1806.01261 okuyabilir.
Facebook'tan He Kaiming ve diğerleri, denetimsiz öğrenmenin pek çok sonucunda denetimli öğrenmeyi geride bırakan kontrastlı öğrenmeye dayalı MoCo ve MoCo2'yi önerdiler. Bu, aynı zamanda Ön eğitim yeni bir boyuta ulaştı. Daha fazlasını öğrenmek isteyen okuyucular https://arxiv.org/abs/1911.05722 okuyabilir.
Jeffrey Hinton ve diğerleri, karşılaştırmalı öğrenmenin basitleştirilmiş bir versiyonuyla MoCo'yu geçmek için SimCLR'yi kullandı. Daha sonra MoCo2, SimCLR'yi geçtiğini iddia etti. Daha fazla bilgi edinmek isteyen okuyucular https://arxiv.org/abs/2002.05709 okuyabilir .
Genel olarak, algoritmalar çağında, ön eğitim algoritmaları hızlı ilerleme kaydetmiştir. Peki önümüzdeki on yıl içinde yapay zeka nereye gidecek?
üç, Önümüzdeki on yılı dört gözle bekliyorum
Burada, Akademisyen Zhang Bo tarafından önerilen üçüncü nesil yapay zeka teorik sisteminden alıntı yapmak istiyorum.
2015 yılında Akademisyen Zhang Bo, üçüncü nesil yapay zeka sisteminin prototipini önerdi.
2017'de DARPA, XAI projesini başlattı. Asıl fikir, yorumlanabilir yapay zeka sistemleri hakkında üç yönden kapsamlı araştırma yürütmektir: yorumlanabilir makine öğrenimi sistemleri, insan-bilgisayar etkileşimi teknolojisi ve yorumlanabilir psikolojik teoriler.
2018'in sonunda, üçüncü nesil yapay zekanın teorik çerçeve sistemi resmen ortaya atıldı. Temel fikirler şunlardır:
Açıklanabilir ve sağlam yapay zeka teorileri ve yöntemleri oluşturun. Güvenli, güvenilir, inanılır ve ölçeklenebilir yapay zeka teknolojisi geliştirin. Yapay zekanın yenilikçi uygulamalarını teşvik edin. Spesifik uygulama yol haritası aşağıdaki gibidir:
Beyinden ilham alan yapay zeka teorisi geliştirmek için beyin bilimiyle bütünleşin. Yapay zeka teorisi ve veri ve bilgi füzyon yöntemi. Bu ideolojik çerçeve altında, bilişsel harita dediğimiz bazı derinlemesine araştırmalar yaptık. Temel kavram bilgi grafiği + bilişsel akıl yürütme + mantıksal ifadedir.
Aşağıda açıklayın.
Bilgi grafiği herkese aşinadır ve 2012'de Google tarafından önerilmiştir. Bunların arasında gişe rekorları kıran iki Turing Ödülü sahibi var: biri 1960'larda bilgi tabanı için bazı teorik sistemler ve çerçeveler öneren Edward Feigenbaum (1994 Turing Ödülü sahibi); Diğeri ise 1994'teki Tim Berners Lee'dir (2016 Turing Ödülü sahibi, WWW'nin kurucusu ve Anlamsal Web'in kurucusu). Bilgi mühendisliği ve uzman sistemlere ek olarak, temsili bir sistem CYC de vardır.CYC'nin tarihteki en uzun ömürlü proje olduğu söylenebilir .. 1985 yılından itibaren bu proje bugüne kadar devam etmiştir.
Bilgi grafiğinden bahsettikten sonra bilişsel grafikten bahsedelim.
Pek çok kişinin bilişsel haritalara görece yabancı olduğuna inanıyorum Burada bir örnek veriyoruz. "Los Angelestaki The Quality Cafede çekilmiş sahneleri olan 2003 filminin bir yönetmenini bulun" sorununu çözmek istediğimizi varsayalım. Birisi bu sorunu çözecekse, Quality Cafe'nin tanıtım belgesi, Los Angeles'taki Wikipedia sayfası vb. Gibi ilgili belgelerin izini sürmek olabilir. Bu filmin girişinde Old School gibi ilgili filmleri bulabiliriz. Belgede, Todd Phillips filminin yönetmenini de bulabiliriz. 2003 yılında filmin çekim zamanını karşılaştırdıktan sonra, son cevap Todd Phillips. Spesifik süreç aşağıdaki şekilde gösterilmiştir:
Sorunu çözmek için geleneksel algoritmaları (BIDAF, BERT, XLNet gibi) kullandığımızda, bilgisayar yalnızca kısmi parçaları bulabilir ve yine de bilgisayarlarda çok eksik olan bilgi düzeyinde bir muhakeme yeteneğinden yoksundur. İnsanlar bu açıdan avantajlara sahipken, bilgisayarlar benzer yeteneklerden yoksundur.
Yukarıdaki problemleri çözme sürecinde, insanlar akıl yürütme yollarına, muhakeme düğümlerine sahiptir ve tüm süreci anlayabilirler.Al sistemleri, özellikle mevcut AI sistemlerinde, derin öğrenme algoritmaları bu problemlerin çoğunu kara kutu olarak ele alır. ,Aşağıda gösterildiği gibi:
Bu temel fikir, bilişsel bilimdeki çift kanallı teori ile birleştirilmiştir. İnsan beyninin bilişsel sisteminde iki sistem vardır: Sistem 1 ve Sistem 2, aşağıdaki şekilde gösterildiği gibi. Sistem 1, bir kişinin ilgili bilgileri sezgisel olarak eşleştirmesiyle cevapları bulabilen bir sezgi sistemidir.Çok hızlı ve basittir; Sistem 2 ise belirli akıl yürütme ve mantıkla cevapları bulan bir analiz sistemidir.
Geçen yılki NIPS'de Turing Ödülü sahibi Bengio, konferansın açılış konuşmasında, Sistem 1'den Sistem 2'ye bilişin, aşağıdaki şekilde gösterildiği gibi, derin öğrenmenin gelecekteki gelişimi için önemli bir yön olduğunu belirtti:
Bu nedenle, muhtemelen bilişsel harita dediğimiz bu yeni yöntemi inşa etmek için bu fikri kullandık. Sistem 1'de esas olarak bilgi genişletme yapıyoruz. Sistem 2'de, aşağıdaki şekilde gösterildiği gibi mantıksal akıl yürütme ve karar verme yapıyoruz:
Sistem 1'de bilgi genişletme yaptığımız görülüyor. Örneğin, önceki problem için önce ilgili videoları buluyoruz, sonra karar vermek için Sistem 2'yi kullanıyoruz. Standart cevap ise, tüm muhakeme süreci sona erer. Standart bir cevap değilse ve ilgili bilgi yararlıysa, bunu Sistem 1'e faydalı bilgi olarak sunacağız.Sistem 1 bilgiyi genişletmeye devam edecek ve Sistem 2, cevap nihayet bulunana kadar kararlar verecektir.
Şimdi, bu iki sistemde, Sistem 1 sezgisel bir sistemdir.Onu uygulamak için BERT kullanıyoruz.Uygulamadan sonra ilgili bilgileri eşleştirebiliriz; Sistem 2 bir grafik evrişimli ağ ile uygulanır. Evrişimli ağlarda belirli akıl yürütme ve karar verme yapılabilir. Bu fikir sayesinde, belirli bir muhakeme + karar vermeyi başarabiliriz.
Bu genel bir fikirdir: Bilgiyi ve muhakemeyi gerçekten gerçekleştirmek için, aslında aşağıdaki şekilde gösterildiği gibi trilyon seviyeli bir bilgi tabanının desteğine ihtiyaç duyar. Başka bir deyişle, Feigenbaum'un 40 veya 50 yıl önce yaptığı şeyi, belki şimdi tekrar yapmalıyız, ancak daha büyük ölçekli bir sağduyu bilgi haritası oluşturmalı ve bu yöntemi ve bu sağduyu bilgisini kullanmalıyız. Grafik, yapay zekanın geleceğini gerçekten gerçekleştirmek için yukarıdaki derin öğrenmenin hesaplanmasını desteklemektedir.
Dolayısıyla bu nesil yapay zeka dalgası, sonunda akıl yürütme veya açıklama yeteneğine sahip olmayabilir. Yapay zekanın bir sonraki dalgasının yükselişi, akıl yürütme, yorumlanabilirlik ve bilişle yapay zekayı gerçekleştirmektir.Bunun, AI için gelişmesi için önemli bir yön olduğuna ve önümüzdeki 10 yıl içinde kesinlikle gelişeceğine inanıyoruz.
Akıllı şeyler Tang Jie'nin Çin'deki Tsinghua Üniversitesi Bilgisayar Bilimi ve Teknolojisi Bölümü'nde profesör olduğuna inanılıyor. Raporu aynı zamanda akademik dünyanın yapay zekanın gelecekteki gelişme eğilimine ilişkin otoriter tahminini de temsil ediyor. Birkaç dalgadan sonra yapay zeka temelde Algısal yetenek kazanılmış, ancak bilişsel yetenek (akıl yürütme, yorumlanabilirlik vb.) Elde edilememiştir; bu nedenle, bir sonraki yapay zeka dalgası ortaya çıktığında, akıl yürütme, yorumlanabilirlik ve biliş içeren yapay zeka esas olarak gerçekleşecektir. . Bilişsel zekanın yapay zekanın gelişmesi için önemli bir yön olduğunu ve önümüzdeki 10 yıl içinde kesinlikle gelişeceğini öne sürdü.
Okuduğunuz için teşekkürler. Gemide takip etmek ve sizi teknolojide ön plana çıkarmak için tıklayın ~
