
Ho un grazie quindi spero la maggior parte di
hai sentito che è il termine artificiale
intelligenza o generale artificiale
l’intelligenza il tipo di libro di testo
la definizione sarebbe una sorta di studio di
agente immobiliare come li chiamiamo a risolvere
una varietà una grande varietà di molto
compiti complessi prima senza bisogno di
essere riprogrammato quindi è molto lungo
ricerca che abbiamo intrapreso e c’è
ancora una lunga strada da percorrere per noi per tipo
vederlo fatto ma in modo cruciale è già
mostrato un sacco di progressi e un sacco di
progresso che abbiamo già visto i nostri giorni
oggi ma questo pensiero lo voglio davvero
per spiegare come siamo i ricercatori
in realtà cercando di raggiungere questo obiettivo
quindi non solo come definirlo ma in realtà
come stiamo ridacchiando al giorno d’oggi costruendo
idea quindi immagina per un secondo che io
ti ha chiesto di essere un po ‘un po’
ingegnere forse e fare qualcosa di simile
a noi sembra estremamente banale lo facciamo
ogni giorno quindi c’è un robot e lo chiedo
stai bene, costruisci un algoritmo a
sequenza di istruzioni per farlo
il robot apre la porta ora è molto
comune a sorta di uscire da questo problema
in più pezzi e ciò che si potrebbe
fare è tipo di dire farlo bene così
apri trova la porta trova dove
manico della porta è afferrarlo spingendolo
giù e aprilo io a turno
se in realtà si parla strettamente
questo tipo di regole e gerarchico
modo per risolvere un problema complesso rottura
giù in più piccolo non così complesso
problemi si finisce con qualcosa che
forse non è così ottimale
quindi se semplicemente provi a quello che succederà
Accade se qualcuno non ti apre
tenendo conto di questi il terreno non lo è
come ora sai come tu hai la speranza e il
concetto chiave qui è quello del tuo algoritmo
non generalizza alla complessità di
il mondo questo dal modo è dal
concorrenza più oscura nel 2015
questi programmi non sono così semplici
come le quattro linee che ti ho mostrato
mostra davvero che sta cercando di costruire
algoritmi a questi come basati su regole
catena di regole
Jorge in realtà è destinato al fallimento
in errori ovviamente erano come
quelli divertenti proviamo ad andare al
la prossima linea sì così ecco come si potrebbe
fallo forse in modo leggermente diverso
come chiamo questo approccio di apprendimento
e questo sta studiando molta conoscenza quindi
prendi il problema di trovare la porta
giusto come avresti programmato quello giusto?
quindi se tu fossi forse tu li hai
pixel si tenta di trovare questi rettangolari
oggetti che sembrano porte forse e
come hai visto , non canalizzerà
occhi a tutte le condizioni che potresti non aver
immaginato e poi devi provare
errore iterare e questo in realtà non lo è
scala perché ora stai aprendo
porte e che ne dici di fare qualsiasi altra cosa
quindi il modello qui è che sto andando invece
prova ad avere un sacco di foto di porte
e ho lavoratori umani che etichettano dove
le porte sono e quello che farò è che lo sono
imparerò che aspetto ha una porta molto
invece di programmare in termini di regole
ed è molto molto importante quindi
sfortunatamente in computer vision persone
preoccuparsi di altri oggetti bussare porte e
la gente generalmente non fotografa
dopo qualcosa ti ho mostrato l’esempio
di trovare in realtà cani e gatti che
sono oggetti molto popolari e nel
comunità di ricerca, quindi come siamo
lo farò davvero così, il primo passo
per trovare quel gatto se un’immagine
contiene diciamo che un gatto o un cane deve
costruire un grande database di immagini che
contenere gatti o cani di ferro e poi
letteralmente come umani per etichettare migliaia di persone
o decine di migliaia
esempi di immagini come questo che
in realtà è un cane anche se questo è
piuttosto difficile direi così come lo farebbe
ancora si sa codificare questi e andare
attraverso le immagini e così via così
il primo pezzo è ottenere questi database di
esempi etichettati una volta che hai questi
il secondo passo è consentire un generico
programma per essere in grado di imparare il
caratteristiche o i modelli su questi
database e questo è esattamente ciò che è profondo
apprendimento e in particolare dare neurali
le reti ci stanno abilitando a farlo qui
vedere una grande rete neurale che in realtà
elabora l’immagine che era pixel e
attiva alcuni neuroni in questo
architettura che potrebbe benissimo essere
per esempio rilevando la dimensione del
animale il pavimento enos se ha maiale
orecchie e così via e in modo cruciale questi
caratteristiche di questa rete neurale
attivando su questa immagine e non
preparati da noi questi sono pienamente appreso
da questi dati torna così di nuovo che abbiamo
nel database abbiamo questo modello che è
abbastanza potente da rappresentare ogni sorta
di caratteristiche interessanti che alla fine
portare a un output che è il
probabilità che l’immagine contenga
attacco o dock e cosa sei essenzialmente
fare è nutrire un’immagine per volta
rete del database di formazione e chiedere
per predire l’etichetta corretta tutto il
tempo alla fine tutti questi tipi di
i collegamenti si stabiliscono su una configurazione
funziona bene e generalizza oltre
le immagini che significa essere allenatore e
internamente così bene che in effetti il
miliardi di immagini ogni singolo giorno
vengono analizzati attraverso questo tipo di
algoritmo quindi il prossimo e uno dei
una sorta di scoperte nel 2014 che io
gli incorporatori e altri gruppi sono in ordine
di scoperto non è solo questa idea di
prendendo un’immagine e producendo a
Probabilità ma anche prendere una sorta di
sequenza di simboli e mappatura
attraverso l’apprendimento di esempi a un altro
sequenza di simboli e questo è molto
potente
perché ora possiamo anche imparare
esempio per fare la traduzione automatica così
qui la sequenza la sequenza di input
sarebbero i fattori cinesi e il
l’output sarebbe opere inglesi e
in modo cruciale imparate questi senza nessuno
conoscenza di una lingua o di quali parole
corrisponde a quali parole tutto ciò di cui hai bisogno
è un grande database di coppie di
frasi in cinese e in inglese
traduzioni reciproche e da a
alcune di queste coppie di esempi
essenzialmente raggiungere un sistema che
in realtà generalizza l’ intelligenza artificiale migliora
il vero patrimonio dell’arte così di fatto
Google Traduttore è stato aggiornato
recentemente per usare questo tipo di neurale
le reti si avvicinano essenzialmente
raggiungere il divario tra il precedente migliore
sistemi e traduzioni di qualità umana
di F del 50% essenzialmente così di nuovo questi
è già utilizzato ed è una sorta di già
là fuori per tutti da beneficiare
un altro esempio di questo tipo
interessante è generare discorso così noi
in realtà capisco come è il linguaggio
generato proprio lì è un tratto vocale
che essenzialmente è un mucchio di tubi
controllare la modifica della forma e potresti farlo
in realtà modella questo e questo è uno di
questi approcci parametrici che vedi
lì a sinistra ma puoi anche fare è
basta registrare questo audio acustico
file essenzialmente da molte persone che
Farà molto complesso dal fuoco c’è
come decine di migliaia di punti per
secondo discorso ma di nuovo te lo permetti
una rete neurale capisce il tipo di
schemi in questo segnale e ciò che ottieni
finire con è un ottimo naturale
sistema vocale che suona ancora
il divario tra il precedente migliore e
discorso umano di circa il 50% del fattore, quindi questo
è un po ‘come drastic già sorta di
edera ben sviluppata
l’ apprendimento supervisionato ci consente di fare
e si tratta di questa idea di
imitazione imparando a imitare gli umani
attraverso questi potenti modelli profondi
reti neurali quindi ora ce n’è un’altra
paradigma volevo descrivere quale è
cosa succede se non possiamo ottenere un grande database
di questi esempi o anche meglio vogliamo
per andare oltre le capacità umane
giusto se in realtà vogliamo battere gli umani
se prendiamo che siamo un po ‘limitati
da quanto sono bravi e questo è il
paradigma dell’apprendimento rinforzato e per
istanza nel gioco dell’oro questo era
molto usato per il risultato recente
che ho dimenticato chief de la fere così è
estremamente semplice come funziona
quasi come ovvio, il primo passo è noi
avere un agente che è in questo caso il
strato superiore e questo agente vive in un
ambiente in modo che l’immagine sarebbe il
cane o o nel caso del robot il mondo
e questo agente ha un cane per esempio
vuole vincere al gioco di Dio e il
il modo in cui funziona è piuttosto semplice l’agente
osserva l’ambiente così osserva
diciamo il tabellone o la porta o
ciò che non è e può anche agire su
l’imbarco può ad esempio giocare a
pezzo del porto che sarebbe uno
azione giusta Io gioco in posizione quattro
lotta di coma per esempio in quello
tipo di gioco e alla fine mi aggrappo a sei
a questi finisce il gioco e lì il mio
ambiente come creazione che ronza ha vinto il
gioco o no e dopo che è stato insegnato
se aggiorna o meno i suoi modi per
assicurare che essenzialmente il premio
che ottiene la probabilità di vincere
è massimizzato
quindi questo agente è molto simile a
la rete neurale che stava classificando
cani da cancro ma in questo caso prende come
l’input queste osservazioni così esso
sarebbe un tabellone
videogiochi più puliti o meno e il
le uscite sono semplicemente la probabilità di
ogni azione o quale posizione del joystick
vuoi giocare e attraverso questo
processo è possibile ottenere superumani
performance nel suonare andrò e così
su così molto importante è la maggior parte di questi
gli algoritmi sono stati sviluppati
sviluppando giochi um siamo solo tipo di
divertente perché da bambino giocavo
giochi di video e ora mi sorta di lavoro su
fare algoritmi per i videogiochi. I
non giocare, ma nonostante questi
profondo sai realizzazioni quello che tu
in realtà riesci a fare quando lo fai
questi due videogiochi è in grado di
scalare, perché come si può immaginare questo
cerchia di osservazioni e azioni
inizialmente non è molto buono quindi in altri
parole se si agisce in modo casuale che non farebbe
otterrò i lavori molto spesso così tu
Devo giocare molto per raggiungere
buona prestazione ma se esci
il mondo reale
le cose saranno molto lento se si sta per
costruisci 10.000 prodotti che vorresti
crash e alla fine si impara come fare
questo che non spaventerebbe tutti così
i videogiochi sono molto importanti perché
non puoi eseguirli in parallelo in a
cluster e se si perde non è un grande
affare ma alla fine si sta testando sort
di idee sull’intelligenza attraverso questo
video ragazzi che sono stati progettati facendo
essenzialmente gli umani che sai immaginare e
piano e così via quindi questo è il nostro genere di
piattaforma di ricerca è stata finora
fino a poco tempo Alex sta andando essere in
futuro pure, ma qual è il problema
bene l’ambiente se l’ambiente
è molto semplice impareremo per semplice
agenti così l’ ambiente e gli agenti
vai fianco a fianco e come puoi immaginare
il
è estremamente complesso quindi ci sono
conosci i predatori là fuori che potrebbero
voglio mangiarti hai bisogno di energia così
potresti voler mangiare piante o altro
altro essere umano non essere umano
esseri e ed è molto vario e
molto complesso, così sembra
creare ambienti e creare
gli agenti vanno entrambi a mano e lui
non ne aveva bisogno quindi una delle idee
ecco se stiamo simulando il
mondo naturale e vogliamo per esempio
per convincere questo ragazzo a sopravvivere
inverno abbiamo bisogno di simulare la neve e
cibo e così via e questo è un duro
problema da solo e comunque te
sapere cosa si può effettivamente provare a fare è
bene noi ricercatori non solo costruiamo
agenti ma in realtà stiamo anche vedendo
sugli ambienti che faranno
gli agenti avanzano e tra molti nuovi
ambienti che le persone creano per ultimi
anno abbiamo creato questo ambiente che
è chiamato il laboratorio minerario che sembra
tridimensionale conosci i ricercatori
può impostare tutti i tipi di attività da testare
prova idee sulla pianificazione della memoria
immaginazione e così via, e io vi mostrerò
solo un semplice esempio in cui un agente
essenzialmente andrò in giro e cercherò di
mangi le mele ma non mangi i limoni questo è
un altro video dove c’è effettivamente
come più video dall’aspetto naturalistico e
c’è un agente là fuori che è una specie
di navigare questi lavori complessi
capire che potrebbero apparire mele
di nuovo perché crescono e così via e così via
avanti così questi ambienti stanno diventando
più complesso e di conseguenza i nostri agenti
sarà anche naturalmente imparare meglio che siano
ora una sorta di nota finale è una specie di
ovvio che abbiamo bisogno dell’IA è molto
utile per sapere essere in grado di avere
sistemi di traduzione che potresti avere a
persona
sistema nel tuo telefono come ti aiuta
organizzare le strade e così via, ma
sembra anche un amico di cui ha bisogno un’IA
natura abbiamo bisogno di codificare questi complessi
regole per l’intelligenza artificiale per essere utili a noi
altrimenti siamo solo vincolati dal
complessità dell’ambiente in cui
gli agenti vivono e quindi li abbiamo annotati
Vorrei solo ringraziarti per il tuo
attenzione sarò felice di chattare con te
fuori Grazie
[Musica]
hai sentito che è il termine artificiale
intelligenza o generale artificiale
l’intelligenza il tipo di libro di testo
la definizione sarebbe una sorta di studio di
agente immobiliare come li chiamiamo a risolvere
una varietà una grande varietà di molto
compiti complessi prima senza bisogno di
essere riprogrammato quindi è molto lungo
ricerca che abbiamo intrapreso e c’è
ancora una lunga strada da percorrere per noi per tipo
vederlo fatto ma in modo cruciale è già
mostrato un sacco di progressi e un sacco di
progresso che abbiamo già visto i nostri giorni
oggi ma questo pensiero lo voglio davvero
per spiegare come siamo i ricercatori
in realtà cercando di raggiungere questo obiettivo
quindi non solo come definirlo ma in realtà
come stiamo ridacchiando al giorno d’oggi costruendo
idea quindi immagina per un secondo che io
ti ha chiesto di essere un po ‘un po’
ingegnere forse e fare qualcosa di simile
a noi sembra estremamente banale lo facciamo
ogni giorno quindi c’è un robot e lo chiedo
stai bene, costruisci un algoritmo a
sequenza di istruzioni per farlo
il robot apre la porta ora è molto
comune a sorta di uscire da questo problema
in più pezzi e ciò che si potrebbe
fare è tipo di dire farlo bene così
apri trova la porta trova dove
manico della porta è afferrarlo spingendolo
giù e aprilo io a turno
se in realtà si parla strettamente
questo tipo di regole e gerarchico
modo per risolvere un problema complesso rottura
giù in più piccolo non così complesso
problemi si finisce con qualcosa che
forse non è così ottimale
quindi se semplicemente provi a quello che succederà
Accade se qualcuno non ti apre
tenendo conto di questi il terreno non lo è
come ora sai come tu hai la speranza e il
concetto chiave qui è quello del tuo algoritmo
non generalizza alla complessità di
il mondo questo dal modo è dal
concorrenza più oscura nel 2015
questi programmi non sono così semplici
come le quattro linee che ti ho mostrato
mostra davvero che sta cercando di costruire
algoritmi a questi come basati su regole
catena di regole
Jorge in realtà è destinato al fallimento
in errori ovviamente erano come
quelli divertenti proviamo ad andare al
la prossima linea sì così ecco come si potrebbe
fallo forse in modo leggermente diverso
come chiamo questo approccio di apprendimento
e questo sta studiando molta conoscenza quindi
prendi il problema di trovare la porta
giusto come avresti programmato quello giusto?
quindi se tu fossi forse tu li hai
pixel si tenta di trovare questi rettangolari
oggetti che sembrano porte forse e
come hai visto , non canalizzerà
occhi a tutte le condizioni che potresti non aver
immaginato e poi devi provare
errore iterare e questo in realtà non lo è
scala perché ora stai aprendo
porte e che ne dici di fare qualsiasi altra cosa
quindi il modello qui è che sto andando invece
prova ad avere un sacco di foto di porte
e ho lavoratori umani che etichettano dove
le porte sono e quello che farò è che lo sono
imparerò che aspetto ha una porta molto
invece di programmare in termini di regole
ed è molto molto importante quindi
sfortunatamente in computer vision persone
preoccuparsi di altri oggetti bussare porte e
la gente generalmente non fotografa
dopo qualcosa ti ho mostrato l’esempio
di trovare in realtà cani e gatti che
sono oggetti molto popolari e nel
comunità di ricerca, quindi come siamo
lo farò davvero così, il primo passo
per trovare quel gatto se un’immagine
contiene diciamo che un gatto o un cane deve
costruire un grande database di immagini che
contenere gatti o cani di ferro e poi
letteralmente come umani per etichettare migliaia di persone
o decine di migliaia
esempi di immagini come questo che
in realtà è un cane anche se questo è
piuttosto difficile direi così come lo farebbe
ancora si sa codificare questi e andare
attraverso le immagini e così via così
il primo pezzo è ottenere questi database di
esempi etichettati una volta che hai questi
il secondo passo è consentire un generico
programma per essere in grado di imparare il
caratteristiche o i modelli su questi
database e questo è esattamente ciò che è profondo
apprendimento e in particolare dare neurali
le reti ci stanno abilitando a farlo qui
vedere una grande rete neurale che in realtà
elabora l’immagine che era pixel e
attiva alcuni neuroni in questo
architettura che potrebbe benissimo essere
per esempio rilevando la dimensione del
animale il pavimento enos se ha maiale
orecchie e così via e in modo cruciale questi
caratteristiche di questa rete neurale
attivando su questa immagine e non
preparati da noi questi sono pienamente appreso
da questi dati torna così di nuovo che abbiamo
nel database abbiamo questo modello che è
abbastanza potente da rappresentare ogni sorta
di caratteristiche interessanti che alla fine
portare a un output che è il
probabilità che l’immagine contenga
attacco o dock e cosa sei essenzialmente
fare è nutrire un’immagine per volta
rete del database di formazione e chiedere
per predire l’etichetta corretta tutto il
tempo alla fine tutti questi tipi di
i collegamenti si stabiliscono su una configurazione
funziona bene e generalizza oltre
le immagini che significa essere allenatore e
internamente così bene che in effetti il
miliardi di immagini ogni singolo giorno
vengono analizzati attraverso questo tipo di
algoritmo quindi il prossimo e uno dei
una sorta di scoperte nel 2014 che io
gli incorporatori e altri gruppi sono in ordine
di scoperto non è solo questa idea di
prendendo un’immagine e producendo a
Probabilità ma anche prendere una sorta di
sequenza di simboli e mappatura
attraverso l’apprendimento di esempi a un altro
sequenza di simboli e questo è molto
potente
perché ora possiamo anche imparare
esempio per fare la traduzione automatica così
qui la sequenza la sequenza di input
sarebbero i fattori cinesi e il
l’output sarebbe opere inglesi e
in modo cruciale imparate questi senza nessuno
conoscenza di una lingua o di quali parole
corrisponde a quali parole tutto ciò di cui hai bisogno
è un grande database di coppie di
frasi in cinese e in inglese
traduzioni reciproche e da a
alcune di queste coppie di esempi
essenzialmente raggiungere un sistema che
in realtà generalizza l’ intelligenza artificiale migliora
il vero patrimonio dell’arte così di fatto
Google Traduttore è stato aggiornato
recentemente per usare questo tipo di neurale
le reti si avvicinano essenzialmente
raggiungere il divario tra il precedente migliore
sistemi e traduzioni di qualità umana
di F del 50% essenzialmente così di nuovo questi
è già utilizzato ed è una sorta di già
là fuori per tutti da beneficiare
un altro esempio di questo tipo
interessante è generare discorso così noi
in realtà capisco come è il linguaggio
generato proprio lì è un tratto vocale
che essenzialmente è un mucchio di tubi
controllare la modifica della forma e potresti farlo
in realtà modella questo e questo è uno di
questi approcci parametrici che vedi
lì a sinistra ma puoi anche fare è
basta registrare questo audio acustico
file essenzialmente da molte persone che
Farà molto complesso dal fuoco c’è
come decine di migliaia di punti per
secondo discorso ma di nuovo te lo permetti
una rete neurale capisce il tipo di
schemi in questo segnale e ciò che ottieni
finire con è un ottimo naturale
sistema vocale che suona ancora
il divario tra il precedente migliore e
discorso umano di circa il 50% del fattore, quindi questo
è un po ‘come drastic già sorta di
edera ben sviluppata
l’ apprendimento supervisionato ci consente di fare
e si tratta di questa idea di
imitazione imparando a imitare gli umani
attraverso questi potenti modelli profondi
reti neurali quindi ora ce n’è un’altra
paradigma volevo descrivere quale è
cosa succede se non possiamo ottenere un grande database
di questi esempi o anche meglio vogliamo
per andare oltre le capacità umane
giusto se in realtà vogliamo battere gli umani
se prendiamo che siamo un po ‘limitati
da quanto sono bravi e questo è il
paradigma dell’apprendimento rinforzato e per
istanza nel gioco dell’oro questo era
molto usato per il risultato recente
che ho dimenticato chief de la fere così è
estremamente semplice come funziona
quasi come ovvio, il primo passo è noi
avere un agente che è in questo caso il
strato superiore e questo agente vive in un
ambiente in modo che l’immagine sarebbe il
cane o o nel caso del robot il mondo
e questo agente ha un cane per esempio
vuole vincere al gioco di Dio e il
il modo in cui funziona è piuttosto semplice l’agente
osserva l’ambiente così osserva
diciamo il tabellone o la porta o
ciò che non è e può anche agire su
l’imbarco può ad esempio giocare a
pezzo del porto che sarebbe uno
azione giusta Io gioco in posizione quattro
lotta di coma per esempio in quello
tipo di gioco e alla fine mi aggrappo a sei
a questi finisce il gioco e lì il mio
ambiente come creazione che ronza ha vinto il
gioco o no e dopo che è stato insegnato
se aggiorna o meno i suoi modi per
assicurare che essenzialmente il premio
che ottiene la probabilità di vincere
è massimizzato
quindi questo agente è molto simile a
la rete neurale che stava classificando
cani da cancro ma in questo caso prende come
l’input queste osservazioni così esso
sarebbe un tabellone
videogiochi più puliti o meno e il
le uscite sono semplicemente la probabilità di
ogni azione o quale posizione del joystick
vuoi giocare e attraverso questo
processo è possibile ottenere superumani
performance nel suonare andrò e così
su così molto importante è la maggior parte di questi
gli algoritmi sono stati sviluppati
sviluppando giochi um siamo solo tipo di
divertente perché da bambino giocavo
giochi di video e ora mi sorta di lavoro su
fare algoritmi per i videogiochi. I
non giocare, ma nonostante questi
profondo sai realizzazioni quello che tu
in realtà riesci a fare quando lo fai
questi due videogiochi è in grado di
scalare, perché come si può immaginare questo
cerchia di osservazioni e azioni
inizialmente non è molto buono quindi in altri
parole se si agisce in modo casuale che non farebbe
otterrò i lavori molto spesso così tu
Devo giocare molto per raggiungere
buona prestazione ma se esci
il mondo reale
le cose saranno molto lento se si sta per
costruisci 10.000 prodotti che vorresti
crash e alla fine si impara come fare
questo che non spaventerebbe tutti così
i videogiochi sono molto importanti perché
non puoi eseguirli in parallelo in a
cluster e se si perde non è un grande
affare ma alla fine si sta testando sort
di idee sull’intelligenza attraverso questo
video ragazzi che sono stati progettati facendo
essenzialmente gli umani che sai immaginare e
piano e così via quindi questo è il nostro genere di
piattaforma di ricerca è stata finora
fino a poco tempo Alex sta andando essere in
futuro pure, ma qual è il problema
bene l’ambiente se l’ambiente
è molto semplice impareremo per semplice
agenti così l’ ambiente e gli agenti
vai fianco a fianco e come puoi immaginare
il
è estremamente complesso quindi ci sono
conosci i predatori là fuori che potrebbero
voglio mangiarti hai bisogno di energia così
potresti voler mangiare piante o altro
altro essere umano non essere umano
esseri e ed è molto vario e
molto complesso, così sembra
creare ambienti e creare
gli agenti vanno entrambi a mano e lui
non ne aveva bisogno quindi una delle idee
ecco se stiamo simulando il
mondo naturale e vogliamo per esempio
per convincere questo ragazzo a sopravvivere
inverno abbiamo bisogno di simulare la neve e
cibo e così via e questo è un duro
problema da solo e comunque te
sapere cosa si può effettivamente provare a fare è
bene noi ricercatori non solo costruiamo
agenti ma in realtà stiamo anche vedendo
sugli ambienti che faranno
gli agenti avanzano e tra molti nuovi
ambienti che le persone creano per ultimi
anno abbiamo creato questo ambiente che
è chiamato il laboratorio minerario che sembra
tridimensionale conosci i ricercatori
può impostare tutti i tipi di attività da testare
prova idee sulla pianificazione della memoria
immaginazione e così via, e io vi mostrerò
solo un semplice esempio in cui un agente
essenzialmente andrò in giro e cercherò di
mangi le mele ma non mangi i limoni questo è
un altro video dove c’è effettivamente
come più video dall’aspetto naturalistico e
c’è un agente là fuori che è una specie
di navigare questi lavori complessi
capire che potrebbero apparire mele
di nuovo perché crescono e così via e così via
avanti così questi ambienti stanno diventando
più complesso e di conseguenza i nostri agenti
sarà anche naturalmente imparare meglio che siano
ora una sorta di nota finale è una specie di
ovvio che abbiamo bisogno dell’IA è molto
utile per sapere essere in grado di avere
sistemi di traduzione che potresti avere a
persona
sistema nel tuo telefono come ti aiuta
organizzare le strade e così via, ma
sembra anche un amico di cui ha bisogno un’IA
natura abbiamo bisogno di codificare questi complessi
regole per l’intelligenza artificiale per essere utili a noi
altrimenti siamo solo vincolati dal
complessità dell’ambiente in cui
gli agenti vivono e quindi li abbiamo annotati
Vorrei solo ringraziarti per il tuo
attenzione sarò felice di chattare con te
fuori Grazie
[Musica]
Please follow and like us:
Be First to Comment