[Musica]
Ciao
circa 60 anni fa il campo di
l’ intelligenza artificiale è stata creata e
fin dall’inizio l’obiettivo era quello di
costruire software più intelligente
che gli esseri umani sono e da allora abbiamo
è stata la domanda più intelligente di intelligenza artificiale
che gli esseri umani ben voglio passare che
domanda a voi per un secondo tutti
chi pensa che tu sia ancora più intelligente
che AI alzi la mano alla grande tutti
chi pensa che l’intelligenza artificiale sia più intelligente di
alzi la mano
vedere questo è esattamente quello che mi aspettavo
le opinioni sono molto divise e questo è per
una buona ragione perché recentemente abbiamo
visto molte applicazioni che semplicemente
sovraperformare le prestazioni umane, ma ancora
ancora non vediamo robot in giro
essendo intelligente come siamo che non abbiamo
IA che comprende l’ umorismo e ci sono
molte altre cose che rimangono irrisolte
quindi quello che sto cercando di provare con questo
TED talk ti dà un aspetto più decisivo
rispondi bene che non è un si e no
un no a questa domanda iniziamo da
guardando alcune cose in cui l’IA in realtà
sembra essere sovrumano questo è il
gioco di Go a game che noi umani abbiamo
Ho suonato da 2.500 anni e a
gioco che dal 2016 un’IA è migliore
ma non è come se questo fosse un gioco semplice
questo è in realtà un gioco molto complesso
quella era una sfida principale per l’ intelligenza artificiale
decenni prima e in effetti 2014 nel 2014
il programmatore dell’IA che era il migliore
che andare in quel momento pensato che sarebbe
impiega altri 10 anni ma ancora nel 2016
alphago sviluppato da google deepmind
battere il campione del mondo e quello che trovo
il più affascinante di questo esempio è
che nel 2017, solo un anno dopo, noi
effettivamente trovato quella versione 2 di questo
lo stesso algoritmo ha battuto la versione vinta da
un margine ancora più grande rispetto alla versione 1
battere il campione del mondo da così questa cosa
sta migliorando molto rapidamente e
questo non è l’unico esempio di giochi
l’ unico esempio è vedere alcuni computer
compiti di visione come un singolo oggetto
classificazione che significa ottenere un
immagine e tu dici ciò che il prominente il
l’ oggetto più importante in quelle immagini sono
ha anche ottenuto risultati migliori dell’IA dall’IA
dagli umani e in effetti funziona bene
a migliaia di categorie di immagini che
è piuttosto maledettamente intendo
dal 2015
computer vision o sub K sub task di
singolo oggetto classificazione AI è
meglio così bene che è così tanto per
super-umana, ma una cosa che trovo
particolarmente interessante per lo stato
di IA è che l’intelligenza artificiale può effettivamente parlare a
single wavenet può catturare il
caratteristiche di molti diversi
oratori con la stessa fedeltà ora è
veloce vedere questo discorso non è stato creato da
corde vocali è stato creato da Google
versione wavenet – questo è completamente
simulato ma sono 48.000 campioni per
secondo, suona piuttosto realistico
venendo dal nulla non dalle corde vocali
quindi torniamo alla nostra domanda è AI
super umano bene, sì, lo vediamo chiaramente
in alcune applicazioni è ma in alcuni
è solo no e per avere un’idea
perché questo è lasciare che ti mostri cosa AI
in realtà è e come funziona questo è un
la rete neurale è il nucleo
tecnologia che è alla base di
quasi tutte le innovazioni che accadono in
il campo dell’apprendimento automatico e
intelligenza artificiale oggi e
contrariamente a ciò che molti di voi potrebbero pensare
sapere che la tecnologia di base non è complessa
è in realtà super semplice è composto
di input che potrebbero essere i pixel di
un’immagine potrebbe anche essere qualsiasi altra cosa il
l’unica cosa che importa è che è un
numero
ha delle uscite che potrebbero essere
le probabilità dicono nel caso dell’immagine
classificazione che cosa si sta mangiando
i pixel dell’immagine dentro e fuori di te
otterrebbe la probabilità per ciascuno
oggetto che la rete neurale sa
esiste quindi se c’è un cane un gatto in
auto ci sarebbe una probabilità per
ognuno di questi oggetti le cose dentro
tra sono un po ‘ come sinapsi e
i neuroni nel nostro cervello o almeno
loro provano a
sii che le sinapsi le linee
collegare i neuroni è il reale
cose che possiamo imparare è questo che
è cambiato
quando la rete neurale impara quando
quando ti allena hai anche solo
i numeri ancora non c’è nient’altro che
numeri in questa immagine hai numeri
che cambiamo durante l’allenamento quando noi
voglio adattare l’uscita a seconda di a
alcuni input e le note in mezzo
tutte queste connessioni le nostre funzioni
molto semplici funzioni che dire guardare
questo è semplice ciò che fanno sono loro
riassumere tutti i neuroni del precedente
strato moltiplicato per i pesi
collegando quel livello al nodo al
il neurone lo riassume così prendi la somma di
tutto questo e spingerlo attraverso questo
funzione semplice se è negativa
diventa zero se è positivo rimane
lo stesso così e se lo gestisci
calcolo per un input eseguito attraverso
l’intera rete quindi hai un
l’output è come una rete neurale
predice qualcosa è abbastanza semplice
giusto ma c’è una domanda
rimanente come addestriamo quella cosa
come come si impara in realtà bene per
scopi esplicativi lasciaci costruire a
semplice auto a guida automatica questa cosa bene
si ottiene è l’ inserimento di immagini da a
la videocamera dice che hai una guida autonoma
auto che ha cinque telecamere e tu te
inserisci tutte le immagini nel neurale
rete e quello che vuoi uscire è
l’angolo per il volante e il
velocità che l’auto dovrebbe andare con va bene
questo è un caso d’uso fantastico come ci alleniamo
un modo per allenarlo è usando
i conducenti professionisti dicono che abbiamo un
paio di persone che conosciamo sono molto buone
alla guida e li lasciamo guidare
quella stessa macchina che la rete neurale
dovrei guidare presto registreremo tutto
i dati del sensore vorremmo registrare tutti i
riprese della videocamera proprio mentre la persona è
guidando e vorremmo anche registrare il
azioni che ha deciso di prendere così se lui
deciso di andare veloce e sterzare a sinistra dato
una certa immagine o dato un certo
situazione che registriamo e con ciò noi
stanno costruendo un set di dati di input e
coppie di output e ora arriva il trucco
destra diamo la rete neurale che
stessa situazione che l’umano era
addestrato stava affrontando osservare quello che sarebbe
ho fatto gestendo tutto
calcolo che ti ho mostrato prima
e poi confrontiamo i due bene
in modo ottimale sarebbero uguali giusti
questo è ciò che vogliamo ottenere con questo
come si arriva a quel bene ovviamente come
ti ricordi quando cambi i pesi
o
il calcolo della rete neurale
dipende dai pesi quindi se cambiamo
i pesi l’uscita cambia e
questo è quello che vogliamo fare noi vogliamo
cambia l’output in un particolare
direzione quindi cambiamo semplicemente il
pesi un po ‘giusto, aggiungiamo
o sottrarre un po ‘da questi numeri e
facendo ciò otteniamo l’output del
rete neurale più vicina a ciò che l’umano
fatto se lo facciamo nella giusta direzione
e questo è facile da fare con a
procedura matematica chiamata gradiente
la discesa è un calcolo super facile
in realtà se ci stai guardando in matematica
è abbastanza facile ma non per un 18 minuto
TED parla sì, ma c’è un problema
con questo probabilmente qualcuno di voi lo vede
potrebbe non essere il miglior driver giusto potrebbe
non essere perfetto causa ancora incidenti
non vorremmo davvero imparare da
qualcosa che non è perfetto, quindi possiamo
risolvere questo problema possiamo aggiustare il fatto che il nostro
i dati di addestramento potrebbero non essere perfetti e
in questo caso sarebbe molto male se
non potevamo perché allora il nostro neurone
la rete avrebbe imparato da qualcuno
tenendo uno smartphone mentre sono
guidando non un buon esempio giusto così noi
vuoi risolvere questo problema come possiamo risolvere questo problema
beh, dobbiamo in qualche modo sbarazzarci di
dati esperti e ciò viene fatto usando un
procedura di apprendimento chiamata rinforzo
imparando se si desidera disegnare a
confronto con gli umani, quello che ho mostrato
prima che sia un po ‘come i bambini
fare con i loro genitori pensano che siano loro
i genitori sono perfetti e semplicemente ci provano
imitare tutto ciò che fanno bene
ma man mano che invecchiano , scoprono
quello potrebbe essere quello che potrebbe non essere
perfetto e iniziano a esplorarli
fare cose che i loro dati non hanno fatto
dai loro e loro vedono quanto bene loro
eseguono ricevono il feedback dal
mondo e se è stato buono cercano di fare
quello più spesso che se fosse cattivo loro
non farlo più
questo è l’apprendimento di rinforzo in a
in poche parole quindi quello che fai è prendere il
uscite dalla rete neurale in realtà
eseguirli nel mondo reale e ora
arriva il punto che dobbiamo definire cosa
buono e cosa cattivo significa quindi dobbiamo
definisci quello per una macchina, per esempio
raggiungere la tua destinazione è buono
guidare su qualcuno è cattivo e
in qualche modo ha trasformato questo in un matematico
funzione che emette qualcosa che chiamiamo
possiamo chiamare la ricompensa che è il numero
ancora come solo buono o cattivo
fondamentalmente è così che cerchiamo di imparare
da quello che proviamo
per imparare dalla nostra nozione definita di cosa
bene ciò che è buono e ciò che è male non lo facciamo
imparare da una strategia che è stata data da
esempi umani ma da quando proviamo a caso
le cose nel mondo reale di solito no
risultato in felicità in caso di
auto a guida autonoma perché così sarebbe
probabilmente costano un paio di vite, di solito
fai queste cose in simulazione e questo è
perché l’apprendimento di rinforzo è focalizzato su
giochi così tanto che è il motivo per cui ci sono così
molti articoli pubblicati che mi interessano
sui giochi oggi
i giochi hanno queste fantastiche funzioni per
AI per esempio quel punteggio è molto
ben definito c’è un molto chiaro
nozione di ricompensa che è filosofica
problema come lo si definisce con i giochi
è una specie di inerente e tu hai un
osservazione molto chiara con macchine che vorresti
di solito hanno i dati del sensore corretti
avresti sensori lidar e fotocamera
sensori e tutte queste cose complesse
con i giochi hai una schermata di gioco e
è così che possiamo concentrarci sull’IA e
anche i pulsanti sono proprio come alcuni
un paio di pulsanti che potresti premere
quindi è facile, ma come funziona?
impara fammi vedere di nuovo il grafico
è in realtà più semplice di uno prima di noi
prendere lo schermo eseguire il calcolo
attraverso la rete neurale vedi cosa
farebbe giusto solo l’azione che il
la rete neurale prenderebbe esecuzione
direzione nell’ambiente e quello
in realtà lascia che pac-man si muova davvero
fallo e poi osserva la ricompensa
osservare il punteggio ora arriva la cosa
invece di cambiare i pesi in modo che
le azioni si avvicinano a ciò che è umano
avremmo fatto proveremo a cambiare il
pesa in modo che le azioni che accadono
per darci una ricompensa più alta della
la media diventa più probabile, quindi guarda questo
come probabilità vogliamo aumentare il
Probabilità di azioni che erano più
gratificante della media giusta
ha senso e vogliamo diminuire di
Ovviamente la probabilità di azioni che
risultano essere meno gratificanti del
media buona azioni cattive azioni carine
semplice quindi cambiamo nuovamente i pesi
cambia questa formula matematica e
la rete neurale non è altro che questo
genera una probabilità più alta per il bene
le azioni piuttosto semplici eseguono questo per a
un paio di milioni di iterazioni e tu
in realtà hanno un programma che suona
pac-man meglio di qualsiasi codice umano e
quello ha funzionato per andare questo è perché l’andare
programma che Google ha creato alphago è così
molto meglio degli umani perché questo
non l’ha fatto
imparare o diversione da cui non ho imparato
esempi umani che è il contrasto D tra
le due versioni della versione 1 imparano da
la versione 2 degli esempi umani ha imparato in questo modo
ma aspetta che ci siano due giocatori in uno
Manca la cosa giusta, pac-man è un
gioco single-player come potremmo
incorporare ciò come potremmo includere
più giocatori in questo sistema
beh, risulta essere molto semplice tu
basta addestrarli l’uno contro l’altro e
nel caso di aprire gli occhi recenti
ricerca sembra questo e quello che tu
vedere è abbastanza interessante come prima di
tutto ovviamente perché il motore fisico
non è perfetto si muovono un po ‘strano ma
quello che noterai è che in realtà si ordinano
di loro non danno via quello che vogliono
fai bene loro aspettano il loro avversario
fa qualcosa e solo allora li fanno
comunicare quale direzione sarà così
loro si sfruttano davvero a vicenda
comportamenti che cercano davvero di fare
sviluppare politiche solide che funzionano bene
non importa se il loro avversario è
stupido o non molto e di
l’apprendimento, imparando questi sistemi continuano
migliorando parallelamente tra loro
avere sempre un concorrente che è sul
stesso livello e perché hai sempre un
concorrente allo stesso livello che puoi
mantenere sempre meglio provando
per vedere cosa vince contro quel concorrente
sullo stesso livello in modo da migliorare e
meglio è per questo che alphago versione due
alphago pari a zero si chiama stato così tanto
meglio così ancora
perché l’ intelligenza artificiale dell’IA non è giusta?
abbiamo appena visto tante cose interessanti
e in effetti la prima procedura che ho mostrato
tu questa cosa di apprendimento supervisionato bene
tu dove impari da dati che non lo sono
uno scherzo è effettivamente usato per la pelle
rilevamento del cancro e perché solo loro
usa i risultati di laboratorio per i dati che è
meglio di quello che fanno i medici umani e
quello che ha enormi implicazioni per noi
per quanto a noi come società ma ancora il
la domanda rimane perché non abbiamo super
robot intelligenti che potrebbero fornire questo
discorso per esempio non so che non posso
Mi chiamerò super intelligente, questo è
non è quello che ho inteso qualsiasi cosa così
in realtà elementi che ho solo fare questo in su, sì ok
quindi perché non abbiamo un aspetto sovrumano di IA
a questa immagine cosa vedi bene tu
vedere un proiettore con un’immagine su di esso se io
dai questo a un’IA
questi nove numeri zero per ogni campo
se non c’è nulla in esso uno se ci
è un cerchio in esso e un due se c’è
un’ascia in essa dovrebbe essere la sua uscita
una delle nove azioni mette la tua X in questo
campo questo campo questo campo questo campo
o come no, come sarebbe questa cosa?
mai sviluppare una comprensione complessa di
il mondo reale delle connessioni
tra compiti diversi e diversi
problemi giusti sarà sempre giusto
capisci questo problema così è
intrinsecamente necessario per presentare la nostra intelligenza artificiale
algoritmi con molto complesso e generale
problemi per loro di sviluppare molto
comprensione complessa e generale del
mondo se guardiamo come esseri umani che abbiamo
Giusto, facciamo sempre dei muscoli
i movimenti non posso effettivamente dire parole
quello che posso fare è che posso muovere i muscoli
in modo che le mie corde vocali vibrino in a
un certo modo di generare suoni con
varie frequenze che percepisci come
parole è ciò che il mio corpo è in grado di fare
e non sono in grado di muovere il braccio da A
a B sono in grado di contrarre i muscoli e
non contrarre i muscoli
questa è l’ attrice che posso
eseguirlo non importa se io suono
scacchi o se corro, ho ancora il
stessi muscoli e devo usare lo stesso
muscoli quindi abbiamo sempre la stessa strada
per agire anche noi abbiamo sempre lo stesso
tipo di osservazione che vediamo con lo stesso
occhi abbiamo la stessa risoluzione che
non cambia che non migliora per
un gioco se ci piace scoprire che un gioco
è meglio visto come in questo modo e uno
è meglio visto in questo modo non vediamo
in questo modo si sente ascoltiamo sentiamo l’odore che
gusto sentiamo sempre lo stesso input
segnale indipendentemente dal problema che cerchiamo di
risolvere e credo che questo è uno dei più
ragioni chiave per il fatto che non potevamo
includilo nei nostri attuali sistemi di intelligenza artificiale
che non abbiamo un super umano generale
AI, ma ci stiamo muovendo in quella direzione
e uno di questi si sta muovendo in quella direzione
passo sta aprendo gli occhi retro dataset della palestra
questo è un set di dati di mille giochi
mentre sempre mentre tutti giocano su
la stessa console sono abbastanza
diverso in termini di meccanica in termini
di obiettivi che devono essere raggiunti e
cosa vogliono fare con questo
il set di dati è che vogliono incoraggiare
ricercatori cercano di allenarsi su 900
di questi giochi e per testare il tuo
prestazioni sull’altro 1000, così faresti
piace avere una comprensione generale in
l’algoritmo di ciò che un obiettivo in
il gioco è e come imparare in modo efficiente
per raggiungerlo perché è quello che facciamo
se ci viene presentato un nuovo problema
non abbiamo bisogno di allenarci da zero noi
non è necessario addestrare una strategia specifica
solo per quel gioco possiamo usare il nostro passato
conoscenza per applicarlo ai problemi noi
Serviamo a risolvere oggi e questo è ciò che
vogliono incoraggiare e penso
questo è uno dei motivi principali per cui noi
sono in realtà su un buon percorso per il
la tecnologia che la ricerca IA voleva
forma all’inizio 60 anni fa
intelligenza che è in realtà più intelligente
di noi siamo solo un’ultima cosa e io
voglio chiudere con quell’IA e
l’ intelligenza artificiale sovrumana, in particolare, ha
molte implicazioni è importante
capire i principi di esso e di
capire da dove proviene
e per capire a cosa serve
essere in grado di partecipare alle decisioni che
speriamo che siano democratici nel
futuro che la ragione di queste decisioni
sono importanti che le decisioni saranno come
questo è usato prima di tutto perché questo è
usato e dove è stato sviluppato in questo momento
un AGI è il principale campo di ricerca in
molte società e molte grandi
aziende in molte grandi aziende e così
possiede alcuni rischi perché se tu hai
profitto come il tuo obiettivo principale come ricercatore
si tende a trascurare la sicurezza e con
intelligenza che si moltiplica più rapidamente
come l’ intelligenza delle ragazze alfa lo ha fatto
potrebbe essere un problema e questo è anche un
motivo per cui aperto AI è un così grande in
un’istituzione si concentrano sulla sicurezza e
Penso che le decisioni sulla sicurezza non dovrebbero essere
fatto da alcuni ricercatori selezionati e
oggi dal modo in cui queste decisioni di sicurezza
non sono ancora molto importanti ma loro
Presto penserò e per voi
partecipare a queste decisioni sulla sicurezza
la sicurezza la sicurezza ai, è importante che
capisci i principi dell’IA e
questo è esattamente il motivo per cui io
contrabbandato il pezzettino di educazione all’IA in
questo oggi e spero che ti sia piaciuto
grazie
Ciao
circa 60 anni fa il campo di
l’ intelligenza artificiale è stata creata e
fin dall’inizio l’obiettivo era quello di
costruire software più intelligente
che gli esseri umani sono e da allora abbiamo
è stata la domanda più intelligente di intelligenza artificiale
che gli esseri umani ben voglio passare che
domanda a voi per un secondo tutti
chi pensa che tu sia ancora più intelligente
che AI alzi la mano alla grande tutti
chi pensa che l’intelligenza artificiale sia più intelligente di
alzi la mano
vedere questo è esattamente quello che mi aspettavo
le opinioni sono molto divise e questo è per
una buona ragione perché recentemente abbiamo
visto molte applicazioni che semplicemente
sovraperformare le prestazioni umane, ma ancora
ancora non vediamo robot in giro
essendo intelligente come siamo che non abbiamo
IA che comprende l’ umorismo e ci sono
molte altre cose che rimangono irrisolte
quindi quello che sto cercando di provare con questo
TED talk ti dà un aspetto più decisivo
rispondi bene che non è un si e no
un no a questa domanda iniziamo da
guardando alcune cose in cui l’IA in realtà
sembra essere sovrumano questo è il
gioco di Go a game che noi umani abbiamo
Ho suonato da 2.500 anni e a
gioco che dal 2016 un’IA è migliore
ma non è come se questo fosse un gioco semplice
questo è in realtà un gioco molto complesso
quella era una sfida principale per l’ intelligenza artificiale
decenni prima e in effetti 2014 nel 2014
il programmatore dell’IA che era il migliore
che andare in quel momento pensato che sarebbe
impiega altri 10 anni ma ancora nel 2016
alphago sviluppato da google deepmind
battere il campione del mondo e quello che trovo
il più affascinante di questo esempio è
che nel 2017, solo un anno dopo, noi
effettivamente trovato quella versione 2 di questo
lo stesso algoritmo ha battuto la versione vinta da
un margine ancora più grande rispetto alla versione 1
battere il campione del mondo da così questa cosa
sta migliorando molto rapidamente e
questo non è l’unico esempio di giochi
l’ unico esempio è vedere alcuni computer
compiti di visione come un singolo oggetto
classificazione che significa ottenere un
immagine e tu dici ciò che il prominente il
l’ oggetto più importante in quelle immagini sono
ha anche ottenuto risultati migliori dell’IA dall’IA
dagli umani e in effetti funziona bene
a migliaia di categorie di immagini che
è piuttosto maledettamente intendo
dal 2015
computer vision o sub K sub task di
singolo oggetto classificazione AI è
meglio così bene che è così tanto per
super-umana, ma una cosa che trovo
particolarmente interessante per lo stato
di IA è che l’intelligenza artificiale può effettivamente parlare a
single wavenet può catturare il
caratteristiche di molti diversi
oratori con la stessa fedeltà ora è
veloce vedere questo discorso non è stato creato da
corde vocali è stato creato da Google
versione wavenet – questo è completamente
simulato ma sono 48.000 campioni per
secondo, suona piuttosto realistico
venendo dal nulla non dalle corde vocali
quindi torniamo alla nostra domanda è AI
super umano bene, sì, lo vediamo chiaramente
in alcune applicazioni è ma in alcuni
è solo no e per avere un’idea
perché questo è lasciare che ti mostri cosa AI
in realtà è e come funziona questo è un
la rete neurale è il nucleo
tecnologia che è alla base di
quasi tutte le innovazioni che accadono in
il campo dell’apprendimento automatico e
intelligenza artificiale oggi e
contrariamente a ciò che molti di voi potrebbero pensare
sapere che la tecnologia di base non è complessa
è in realtà super semplice è composto
di input che potrebbero essere i pixel di
un’immagine potrebbe anche essere qualsiasi altra cosa il
l’unica cosa che importa è che è un
numero
ha delle uscite che potrebbero essere
le probabilità dicono nel caso dell’immagine
classificazione che cosa si sta mangiando
i pixel dell’immagine dentro e fuori di te
otterrebbe la probabilità per ciascuno
oggetto che la rete neurale sa
esiste quindi se c’è un cane un gatto in
auto ci sarebbe una probabilità per
ognuno di questi oggetti le cose dentro
tra sono un po ‘ come sinapsi e
i neuroni nel nostro cervello o almeno
loro provano a
sii che le sinapsi le linee
collegare i neuroni è il reale
cose che possiamo imparare è questo che
è cambiato
quando la rete neurale impara quando
quando ti allena hai anche solo
i numeri ancora non c’è nient’altro che
numeri in questa immagine hai numeri
che cambiamo durante l’allenamento quando noi
voglio adattare l’uscita a seconda di a
alcuni input e le note in mezzo
tutte queste connessioni le nostre funzioni
molto semplici funzioni che dire guardare
questo è semplice ciò che fanno sono loro
riassumere tutti i neuroni del precedente
strato moltiplicato per i pesi
collegando quel livello al nodo al
il neurone lo riassume così prendi la somma di
tutto questo e spingerlo attraverso questo
funzione semplice se è negativa
diventa zero se è positivo rimane
lo stesso così e se lo gestisci
calcolo per un input eseguito attraverso
l’intera rete quindi hai un
l’output è come una rete neurale
predice qualcosa è abbastanza semplice
giusto ma c’è una domanda
rimanente come addestriamo quella cosa
come come si impara in realtà bene per
scopi esplicativi lasciaci costruire a
semplice auto a guida automatica questa cosa bene
si ottiene è l’ inserimento di immagini da a
la videocamera dice che hai una guida autonoma
auto che ha cinque telecamere e tu te
inserisci tutte le immagini nel neurale
rete e quello che vuoi uscire è
l’angolo per il volante e il
velocità che l’auto dovrebbe andare con va bene
questo è un caso d’uso fantastico come ci alleniamo
un modo per allenarlo è usando
i conducenti professionisti dicono che abbiamo un
paio di persone che conosciamo sono molto buone
alla guida e li lasciamo guidare
quella stessa macchina che la rete neurale
dovrei guidare presto registreremo tutto
i dati del sensore vorremmo registrare tutti i
riprese della videocamera proprio mentre la persona è
guidando e vorremmo anche registrare il
azioni che ha deciso di prendere così se lui
deciso di andare veloce e sterzare a sinistra dato
una certa immagine o dato un certo
situazione che registriamo e con ciò noi
stanno costruendo un set di dati di input e
coppie di output e ora arriva il trucco
destra diamo la rete neurale che
stessa situazione che l’umano era
addestrato stava affrontando osservare quello che sarebbe
ho fatto gestendo tutto
calcolo che ti ho mostrato prima
e poi confrontiamo i due bene
in modo ottimale sarebbero uguali giusti
questo è ciò che vogliamo ottenere con questo
come si arriva a quel bene ovviamente come
ti ricordi quando cambi i pesi
o
il calcolo della rete neurale
dipende dai pesi quindi se cambiamo
i pesi l’uscita cambia e
questo è quello che vogliamo fare noi vogliamo
cambia l’output in un particolare
direzione quindi cambiamo semplicemente il
pesi un po ‘giusto, aggiungiamo
o sottrarre un po ‘da questi numeri e
facendo ciò otteniamo l’output del
rete neurale più vicina a ciò che l’umano
fatto se lo facciamo nella giusta direzione
e questo è facile da fare con a
procedura matematica chiamata gradiente
la discesa è un calcolo super facile
in realtà se ci stai guardando in matematica
è abbastanza facile ma non per un 18 minuto
TED parla sì, ma c’è un problema
con questo probabilmente qualcuno di voi lo vede
potrebbe non essere il miglior driver giusto potrebbe
non essere perfetto causa ancora incidenti
non vorremmo davvero imparare da
qualcosa che non è perfetto, quindi possiamo
risolvere questo problema possiamo aggiustare il fatto che il nostro
i dati di addestramento potrebbero non essere perfetti e
in questo caso sarebbe molto male se
non potevamo perché allora il nostro neurone
la rete avrebbe imparato da qualcuno
tenendo uno smartphone mentre sono
guidando non un buon esempio giusto così noi
vuoi risolvere questo problema come possiamo risolvere questo problema
beh, dobbiamo in qualche modo sbarazzarci di
dati esperti e ciò viene fatto usando un
procedura di apprendimento chiamata rinforzo
imparando se si desidera disegnare a
confronto con gli umani, quello che ho mostrato
prima che sia un po ‘come i bambini
fare con i loro genitori pensano che siano loro
i genitori sono perfetti e semplicemente ci provano
imitare tutto ciò che fanno bene
ma man mano che invecchiano , scoprono
quello potrebbe essere quello che potrebbe non essere
perfetto e iniziano a esplorarli
fare cose che i loro dati non hanno fatto
dai loro e loro vedono quanto bene loro
eseguono ricevono il feedback dal
mondo e se è stato buono cercano di fare
quello più spesso che se fosse cattivo loro
non farlo più
questo è l’apprendimento di rinforzo in a
in poche parole quindi quello che fai è prendere il
uscite dalla rete neurale in realtà
eseguirli nel mondo reale e ora
arriva il punto che dobbiamo definire cosa
buono e cosa cattivo significa quindi dobbiamo
definisci quello per una macchina, per esempio
raggiungere la tua destinazione è buono
guidare su qualcuno è cattivo e
in qualche modo ha trasformato questo in un matematico
funzione che emette qualcosa che chiamiamo
possiamo chiamare la ricompensa che è il numero
ancora come solo buono o cattivo
fondamentalmente è così che cerchiamo di imparare
da quello che proviamo
per imparare dalla nostra nozione definita di cosa
bene ciò che è buono e ciò che è male non lo facciamo
imparare da una strategia che è stata data da
esempi umani ma da quando proviamo a caso
le cose nel mondo reale di solito no
risultato in felicità in caso di
auto a guida autonoma perché così sarebbe
probabilmente costano un paio di vite, di solito
fai queste cose in simulazione e questo è
perché l’apprendimento di rinforzo è focalizzato su
giochi così tanto che è il motivo per cui ci sono così
molti articoli pubblicati che mi interessano
sui giochi oggi
i giochi hanno queste fantastiche funzioni per
AI per esempio quel punteggio è molto
ben definito c’è un molto chiaro
nozione di ricompensa che è filosofica
problema come lo si definisce con i giochi
è una specie di inerente e tu hai un
osservazione molto chiara con macchine che vorresti
di solito hanno i dati del sensore corretti
avresti sensori lidar e fotocamera
sensori e tutte queste cose complesse
con i giochi hai una schermata di gioco e
è così che possiamo concentrarci sull’IA e
anche i pulsanti sono proprio come alcuni
un paio di pulsanti che potresti premere
quindi è facile, ma come funziona?
impara fammi vedere di nuovo il grafico
è in realtà più semplice di uno prima di noi
prendere lo schermo eseguire il calcolo
attraverso la rete neurale vedi cosa
farebbe giusto solo l’azione che il
la rete neurale prenderebbe esecuzione
direzione nell’ambiente e quello
in realtà lascia che pac-man si muova davvero
fallo e poi osserva la ricompensa
osservare il punteggio ora arriva la cosa
invece di cambiare i pesi in modo che
le azioni si avvicinano a ciò che è umano
avremmo fatto proveremo a cambiare il
pesa in modo che le azioni che accadono
per darci una ricompensa più alta della
la media diventa più probabile, quindi guarda questo
come probabilità vogliamo aumentare il
Probabilità di azioni che erano più
gratificante della media giusta
ha senso e vogliamo diminuire di
Ovviamente la probabilità di azioni che
risultano essere meno gratificanti del
media buona azioni cattive azioni carine
semplice quindi cambiamo nuovamente i pesi
cambia questa formula matematica e
la rete neurale non è altro che questo
genera una probabilità più alta per il bene
le azioni piuttosto semplici eseguono questo per a
un paio di milioni di iterazioni e tu
in realtà hanno un programma che suona
pac-man meglio di qualsiasi codice umano e
quello ha funzionato per andare questo è perché l’andare
programma che Google ha creato alphago è così
molto meglio degli umani perché questo
non l’ha fatto
imparare o diversione da cui non ho imparato
esempi umani che è il contrasto D tra
le due versioni della versione 1 imparano da
la versione 2 degli esempi umani ha imparato in questo modo
ma aspetta che ci siano due giocatori in uno
Manca la cosa giusta, pac-man è un
gioco single-player come potremmo
incorporare ciò come potremmo includere
più giocatori in questo sistema
beh, risulta essere molto semplice tu
basta addestrarli l’uno contro l’altro e
nel caso di aprire gli occhi recenti
ricerca sembra questo e quello che tu
vedere è abbastanza interessante come prima di
tutto ovviamente perché il motore fisico
non è perfetto si muovono un po ‘strano ma
quello che noterai è che in realtà si ordinano
di loro non danno via quello che vogliono
fai bene loro aspettano il loro avversario
fa qualcosa e solo allora li fanno
comunicare quale direzione sarà così
loro si sfruttano davvero a vicenda
comportamenti che cercano davvero di fare
sviluppare politiche solide che funzionano bene
non importa se il loro avversario è
stupido o non molto e di
l’apprendimento, imparando questi sistemi continuano
migliorando parallelamente tra loro
avere sempre un concorrente che è sul
stesso livello e perché hai sempre un
concorrente allo stesso livello che puoi
mantenere sempre meglio provando
per vedere cosa vince contro quel concorrente
sullo stesso livello in modo da migliorare e
meglio è per questo che alphago versione due
alphago pari a zero si chiama stato così tanto
meglio così ancora
perché l’ intelligenza artificiale dell’IA non è giusta?
abbiamo appena visto tante cose interessanti
e in effetti la prima procedura che ho mostrato
tu questa cosa di apprendimento supervisionato bene
tu dove impari da dati che non lo sono
uno scherzo è effettivamente usato per la pelle
rilevamento del cancro e perché solo loro
usa i risultati di laboratorio per i dati che è
meglio di quello che fanno i medici umani e
quello che ha enormi implicazioni per noi
per quanto a noi come società ma ancora il
la domanda rimane perché non abbiamo super
robot intelligenti che potrebbero fornire questo
discorso per esempio non so che non posso
Mi chiamerò super intelligente, questo è
non è quello che ho inteso qualsiasi cosa così
in realtà elementi che ho solo fare questo in su, sì ok
quindi perché non abbiamo un aspetto sovrumano di IA
a questa immagine cosa vedi bene tu
vedere un proiettore con un’immagine su di esso se io
dai questo a un’IA
questi nove numeri zero per ogni campo
se non c’è nulla in esso uno se ci
è un cerchio in esso e un due se c’è
un’ascia in essa dovrebbe essere la sua uscita
una delle nove azioni mette la tua X in questo
campo questo campo questo campo questo campo
o come no, come sarebbe questa cosa?
mai sviluppare una comprensione complessa di
il mondo reale delle connessioni
tra compiti diversi e diversi
problemi giusti sarà sempre giusto
capisci questo problema così è
intrinsecamente necessario per presentare la nostra intelligenza artificiale
algoritmi con molto complesso e generale
problemi per loro di sviluppare molto
comprensione complessa e generale del
mondo se guardiamo come esseri umani che abbiamo
Giusto, facciamo sempre dei muscoli
i movimenti non posso effettivamente dire parole
quello che posso fare è che posso muovere i muscoli
in modo che le mie corde vocali vibrino in a
un certo modo di generare suoni con
varie frequenze che percepisci come
parole è ciò che il mio corpo è in grado di fare
e non sono in grado di muovere il braccio da A
a B sono in grado di contrarre i muscoli e
non contrarre i muscoli
questa è l’ attrice che posso
eseguirlo non importa se io suono
scacchi o se corro, ho ancora il
stessi muscoli e devo usare lo stesso
muscoli quindi abbiamo sempre la stessa strada
per agire anche noi abbiamo sempre lo stesso
tipo di osservazione che vediamo con lo stesso
occhi abbiamo la stessa risoluzione che
non cambia che non migliora per
un gioco se ci piace scoprire che un gioco
è meglio visto come in questo modo e uno
è meglio visto in questo modo non vediamo
in questo modo si sente ascoltiamo sentiamo l’odore che
gusto sentiamo sempre lo stesso input
segnale indipendentemente dal problema che cerchiamo di
risolvere e credo che questo è uno dei più
ragioni chiave per il fatto che non potevamo
includilo nei nostri attuali sistemi di intelligenza artificiale
che non abbiamo un super umano generale
AI, ma ci stiamo muovendo in quella direzione
e uno di questi si sta muovendo in quella direzione
passo sta aprendo gli occhi retro dataset della palestra
questo è un set di dati di mille giochi
mentre sempre mentre tutti giocano su
la stessa console sono abbastanza
diverso in termini di meccanica in termini
di obiettivi che devono essere raggiunti e
cosa vogliono fare con questo
il set di dati è che vogliono incoraggiare
ricercatori cercano di allenarsi su 900
di questi giochi e per testare il tuo
prestazioni sull’altro 1000, così faresti
piace avere una comprensione generale in
l’algoritmo di ciò che un obiettivo in
il gioco è e come imparare in modo efficiente
per raggiungerlo perché è quello che facciamo
se ci viene presentato un nuovo problema
non abbiamo bisogno di allenarci da zero noi
non è necessario addestrare una strategia specifica
solo per quel gioco possiamo usare il nostro passato
conoscenza per applicarlo ai problemi noi
Serviamo a risolvere oggi e questo è ciò che
vogliono incoraggiare e penso
questo è uno dei motivi principali per cui noi
sono in realtà su un buon percorso per il
la tecnologia che la ricerca IA voleva
forma all’inizio 60 anni fa
intelligenza che è in realtà più intelligente
di noi siamo solo un’ultima cosa e io
voglio chiudere con quell’IA e
l’ intelligenza artificiale sovrumana, in particolare, ha
molte implicazioni è importante
capire i principi di esso e di
capire da dove proviene
e per capire a cosa serve
essere in grado di partecipare alle decisioni che
speriamo che siano democratici nel
futuro che la ragione di queste decisioni
sono importanti che le decisioni saranno come
questo è usato prima di tutto perché questo è
usato e dove è stato sviluppato in questo momento
un AGI è il principale campo di ricerca in
molte società e molte grandi
aziende in molte grandi aziende e così
possiede alcuni rischi perché se tu hai
profitto come il tuo obiettivo principale come ricercatore
si tende a trascurare la sicurezza e con
intelligenza che si moltiplica più rapidamente
come l’ intelligenza delle ragazze alfa lo ha fatto
potrebbe essere un problema e questo è anche un
motivo per cui aperto AI è un così grande in
un’istituzione si concentrano sulla sicurezza e
Penso che le decisioni sulla sicurezza non dovrebbero essere
fatto da alcuni ricercatori selezionati e
oggi dal modo in cui queste decisioni di sicurezza
non sono ancora molto importanti ma loro
Presto penserò e per voi
partecipare a queste decisioni sulla sicurezza
la sicurezza la sicurezza ai, è importante che
capisci i principi dell’IA e
questo è esattamente il motivo per cui io
contrabbandato il pezzettino di educazione all’IA in
questo oggi e spero che ti sia piaciuto
grazie
Please follow and like us: