[Музыка]
и ощущение , что есть довольно много
путаница, когда мы говорим об искусственном
интеллект Я имею в виду, например , посмотреть на
эта картина уже
вот почему они выбрали медузу
чтобы представить интеллект, я был освобожден
знать, что это было особенно
умные медузы, но в целом
искусственный интеллект создает все
вид страхов у людей, поэтому текущий ИИ
цвет и искусственный интеллект
создавая всякие разговоры все
своего рода диалог и диалог между
люди от самозанятых автомобилей до
пример будущего человечества
сосуществует с интеллектуальными машинами, поэтому
что вы на самом деле думаете об этом
ты испугался , ты чувствуешь себя обеспокоенным, ты
чувствовать себя энтузиазм вы чувствуете любопытны
другие термины, что приходит вам на ум, когда
вы слышите термин искусственный
интеллект — на самом деле легко
сказать термин искусственный интеллект
является просто плохим выбором для описания того, что
сегодня, и я уверен, что
Стенли Кубрик согласился бы со мной, если бы я
скажу вам просто забыть о космосе
Одиссея или любая другая научная фантастика
фильм научной фантастики, который у вас может быть
недавно видел об ИИ о советах по
Разумеется, я должен сказать, что
много предсказаний, содержащихся в
этот фильм Space Oddity
Odyssey стала реальностью, например , в
IPAD или Алави л автоматический
перевод, но не
интеллект слово искусственное
интеллект восходит к 50-м годам
самого начала информатики и
по существу прогресс не был достигнут
так как тогда текущий ИИ не о
создание машины мышления о
о создании нашей когнитивной способности
совсем другое дело
поэтому сегодня, когда мы говорим, мы говорим о
искусственный интеллект, что мы действительно
означает машинное обучение
а также машинное обучение не нова
большая часть результатов возвращается к 30 или 40
лет назад, однако новизна в том, что в
машина обучения последнего десятилетия
испытали впечатляющий рост
благодаря комбинированному
эффект новых вычислительных инструментов огромный
и богатые наборы данных и новые алгоритмы
очень важно заметить, что
когда машинное обучение достигает определенных
возможности достигают возможности
с человеческой точностью в определении
объект на картинке или любой другой
вычислительная задача, тогда она может
массового масштаба и в этом смысле
супер человек, поэтому машинное обучение
конечно, не только один метод
существует множество различных методов, которые
используются во многих разных контекстах
однако большая часть недавнего прогресса
был вызван одним из таких инструментов, что мы
это называется глубоким обучением, и я
обсудите это через минуту, но прежде
делая это, я хотел бы уточнить один
точечное обучение машин
возможность извлечения информации
из данных, и если вы думаете об этом
является очень важной задачей является своим родом
предпосылка для интеллекта даже
прежде чем начинать думать о создании
вам нужна человекоподобная машина мышления
чтобы быть в состоянии создать машину, которая
способный придавать смысл данным
он получает вход, который он получает
из внешнего мира и что
постоянно учится у них
это совершенно естественно для животных
благодаря эволюции их мозга
и всю их визуальную систему они могут
мгновенно обнаруживать любую аномалию
наличие любого объекта в визуальном
но это всегда было очень
сложно для компьютера, давайте попробуем это
прежде чем мы вступаем в дискуссии о том, как
машинные обучающие работы давайте попробуем
написать компьютерный код, который вы знаете
выполняет распознавание объектов, например
предположим, что вы хотите написать код, который
признает наличие стула в
изображение, то, что вам нужно будет сделать, это
чтобы написать несколько строк, предположите, что вы
инженер-программист с несколькими линиями
коды, которые говорят что-то вроде, если
объект на картинке имеет четыре ноги или
если он имеет плоскую поверхность, и если он имеет
плоской поверхности, чтобы сидеть или
спинка, то это стул, и это
будет отлично работать для первого
пример стула в этом слайде
все в порядке, однако уже для второго
стул не собирается работать, а
причина в том, что у него нет четырех ног
поэтому вам придется вернуться назад и изменить
ваш код и напишите строку, в которой говорится:
хорошо, если у него четыре ноги или пять колес
то это будет стул для
другие условия выполняются, но снова, если
вы показываете стул, созданный дизайнером
то вы полностью потеряли, вы не
даже знаю, как закодировать это, так что нам нужно
нам нужна совершенно другая стратегия
учиться на примерах, а не на
конечный априори, что объекты
и это то , что машина обучение
примерно сейчас, когда машина учится
признать объект, то у человека
человеческая точность тогда становится супер
человека в этом смысле в том смысле, что
может сделать это в массовом масштабе, чтобы это позволяло
я обсуждаю пример приложения
предположим, что вы хотите сделать рак молочной железы
скрининг в вашем регионе и то, что вы
придется делать то, что каждый год вы
придется анализировать и обнаруживать
аномалии в миллионах и миллионах
маммографических изображений, и вы просто не
для этого достаточно рентгенолога
и я сомневаюсь , что радиологи бы
действительно нравится делать это как полный рабочий день
так что вам действительно нужно, как
машина, которая с человеческой точностью
способных обнаруживать наличие
аномалии, и это действительно выполнимо
сегодня, поэтому машины , которые способны
делать это
машина, которая учится у предыдущего человека
информация, а именно тысячи изображений
которые были изучены аннотированными
классифицируется по радиологии человека
и затем опираясь на эту информацию
они становятся сверхчеловеческими при анализе новых
изображения, так как я сказал, что машинное обучение
набор инструментов, и я не могу описать все
из них я собираюсь сосредоточиться на
единственный инструмент, который вызвал большинство
интерес к этому в прошлом году и
это называется эта техника называется
глубокое обучение — это нейронные сети
которые выполняли определенный тип
и я попытаюсь обсудить это
глубокая нейронная сеть состоит из
во многих слоях у вас есть входной слой и
выходной слой, а затем у вас много
промежуточные слои, которые обрабатывают
информации, с которой
слева и выходит вправо для
если вы подключите изображение
стул, который вы хотите прочитать на выходе
слой ответ , который говорит , что есть
стул, чтобы выходной слой
расскажите, как сеть классифицирует
поэтому каждая сеть состоит из
многие слои каждого слоя состоят из
тысячи узлов, которые называются
маленькие искусственные нейроны, они ведут себя как
стилизованная модель биологических нейронов и
то общая сеть состоит из
миллионы и миллионы
Связь между нейронами может быть
слабый или сильный, в зависимости от того, насколько
соединить нейроны, влияют друг на друга сейчас
эта картина просто напоминает булавочную головку в
эта комната, так что настоящая глубокая сеть может иметь
вы знаете десятки миллионов подключений
поэтому есть огромные огромные объекты, так что
это обучение пройдет в этом виде
системы хорошо участвуют в
довольно просто, вы предоставляете много
примеров для этой сети вводов
и соответствующий выход, а затем
вы постепенно, и я ужасно меняюсь
все силы соединения до
точка, в которой сеть способна
правильно классифицируя все примеры
что
при условии, что у вас есть эйдетический процесс
в котором вы меняетесь в автоматическом режиме
способ представления миллионов соединений
миллион примеров, и вы повторяете это
миллионы раз, так что это
довольно тяжелый процесс, и именно поэтому все
эта исследовательская деятельность была
вызванное возможностью иметь
много вычислительной мощности сейчас, когда
сеть научилась классифицировать все
примеры, например, углы всех фаз
то это становится помощью, после чего вы можете остановить
и использовать его для прогнозирования и
точка становится полезной, она научилась
классифицировать все примеры и
укажите, что вы остановили, и вы загружаете новое изображение
например, что сеть никогда не
раньше, и вы собираетесь прочитать
ответ, и это будет
прогнозирования и этой машины,
продемонстрировали, что
эффективный при выполнении такого рода задач
у них действительно есть сверхчеловеческие
в том смысле, что не только
они могут сделать это в массовом масштабе, но
даже точность, с которой они это делают
очень высока и по
обрабатывать уровень значений, специализированный в
делая разные вещи, первые слои
специализируются на добыче всех
фундаментальные особенности, характеризующие
вход и последний слой выполняют
классификация, например, это изображение
способен распознать меня
25 лет назад , не до никогда не имея
никогда не видел эту фотографию в порядке, и это
будет и сможет это сделать для
по существу , все из вас теперь есть
ничего особенного в образах все эти
методы могут применяться к любому полю
деятельности человека науки , в которой
данные присутствуют и важны
поэтому это повлияет на нашу
будущее на 360 градусов вся наша деятельность
которые нам необходимы для обработки информации,
мы изменим, мы знаем, что рабочие места
собирается измениться, и общество собирается
так что очень важно, чтобы мы
понять, о чем мы говорим в
этот контекст в случае
наука, например, вы могли бы сделать
в настоящее время эти методы
используется для анализа данных, которые приводят к
изменения климата они аккуратно используются для
оптимизировать процесс редактирования гена
очень продвинутая молекулярная биология
техники, которые они использовали для
трехмерная структура из из
мозг, мы все еще не знаем
и это , мы надеемся , будет в том , чтобы
имеют огромное влияние, и он даже используется в
астрофизики, поэтому весь спектр
наука включена, и я не
упоминание, что вы знаете все приложение
в человеке в повседневной человеческой жизни это
все прекрасно, однако, как исполнитель, как все
эти вещи могут показаться я должен сказать
что мы только на очень предварительном
стадии, есть открытые проблемы и
проблемы, которые впереди нас, например
о функционировании этих видов
устройствам, нам еще нужно понять, как
они могут быстрее ускорить обучение
производительность прогнозирования может быть
совершенствоваться и действовать более фундаментально
мы должны понять, что делает
этот вид устройств специального по сравнению с
других типов устройств ,
склонность к обучению и обобщению
из них — математический вопрос
что я не хочу проследить здесь, но
это открытые проблемы , которые мы все
работа, то наши проблемы позволяют мне упомянуть
две проблемы, которые очень важны
и они собираются дать вам четкую
Идея о том, что может быть воздействие в
Будущее такого рода технологий
Первая задача — научиться учиться
без надзора, так что
большинство данных в мире не может
аннотироваться классифицированными людьми и
они содержат много информации,
люди не могут быть поняты
поэтому нам нужно разработать алгоритм, который
алгоритмы , способные извлекать
информации для выявления закономерностей сделать
Предсказание без контроля человека ок
так что это вы знаете вызов и все
исследование, которое я только что начал
для работы над этим работают над этим и
это полностью открытый вызов
Еще одной важнейшей задачей является такого рода
сетей может
предсказать не может идентифицировать
отношения между причинами и последствиями
в данных, поэтому каким-то образом эта машина должна
стать способными идентифицировать причинность
шаблоны в данных в исходных данных
когда это станет возможным, тогда
инструмент предоставит много информации
о системах моделирования и
сложное предсказание и
знать новые инструменты, доступные в качестве примера
из этого я имею в виду, что вы можете использовать наконечник
сеть для распознавания изображений — для речи
признание, которое вы можете использовать для игры
игр и т. д., и вы можете использовать его для
автоматический перевод можно перевести
с языка на другой язык, который
аналогичны, и этот перевод просто
на основе статистики, но вы не можете использовать
такие инструменты для создания любых новых
тип предложения, потому что они не получают
логическая связь между словами
хорошо попробуйте настроить беседу
между Сири и помощником Google и
вы увидите, что разговор
становится полностью банальным и скучным
сразу же как исследователь все же
такие открытые проблемы на самом деле
мы не унываем, когда мы
найти открытые проблемы, которые мы фактически получаем
и я думаю, что они дают
причина в том, что они ясно показывают, что
есть огромное пространство для улучшения
и для применения во всех
дисциплин, поэтому есть некоторые
основные проблемы, которые у вас есть
знайте, что есть огромное пространство для
улучшение пространства для исследований
и много последствий впереди нас так
что должен изучать учащийся, чтобы
быть готовым внести вклад в эту область
это вопрос, который иногда возникает
на мой взгляд, и на самом деле довольно часто и
какой ответ, на мой взгляд, прост
и я должен сказать , что много
мои коллеги согласны
этих учеников не хватает
знать основы, которые им необходимы для
знать математику, они должны знать физику, они
нужно знать компьютерную науку, в которой они нуждаются
знать биологию, которую им нужно знать
химию им нужно знать экономику
у них не было всех
методологические инструменты, позволяющие им
анализировать сложные системы, которые им необходимы для
имеет этот фон это единственное
они могут реально использовать когнитивные
которые обеспечиваются этими новыми инструментами, поэтому
сообщение для студентов на самом деле не
специализироваться слишком рано, вам нужно стать
сильный из методологической точки
представление моделировать сложную систему
понять все инструменты, а затем использовать
этот инструмент или даже продвинуть этот инструмент, чтобы я
надеюсь, что это обсуждение
выяснено, какое текущее состояние
искусство в области искусственного интеллекта
Настоящее искусственного интеллекта
не о мышлении машин машин
о расширении нашего познавательного
возможности с помощью этого инструмента, которые
уже на работе и которые имеют огромный
возможность дальнейшего прогресса
так как исследователь , я бы очень хотел
сидеть на другой стороне сцены
вместе со студентами и
причина в том, что есть фантастические и
широкие проблемы перед нами и
поэтому это поистине замечательный
время быть студентом
[Аплодисменты]
вы
и ощущение , что есть довольно много
путаница, когда мы говорим об искусственном
интеллект Я имею в виду, например , посмотреть на
эта картина уже
вот почему они выбрали медузу
чтобы представить интеллект, я был освобожден
знать, что это было особенно
умные медузы, но в целом
искусственный интеллект создает все
вид страхов у людей, поэтому текущий ИИ
цвет и искусственный интеллект
создавая всякие разговоры все
своего рода диалог и диалог между
люди от самозанятых автомобилей до
пример будущего человечества
сосуществует с интеллектуальными машинами, поэтому
что вы на самом деле думаете об этом
ты испугался , ты чувствуешь себя обеспокоенным, ты
чувствовать себя энтузиазм вы чувствуете любопытны
другие термины, что приходит вам на ум, когда
вы слышите термин искусственный
интеллект — на самом деле легко
сказать термин искусственный интеллект
является просто плохим выбором для описания того, что
сегодня, и я уверен, что
Стенли Кубрик согласился бы со мной, если бы я
скажу вам просто забыть о космосе
Одиссея или любая другая научная фантастика
фильм научной фантастики, который у вас может быть
недавно видел об ИИ о советах по
Разумеется, я должен сказать, что
много предсказаний, содержащихся в
этот фильм Space Oddity
Odyssey стала реальностью, например , в
IPAD или Алави л автоматический
перевод, но не
интеллект слово искусственное
интеллект восходит к 50-м годам
самого начала информатики и
по существу прогресс не был достигнут
так как тогда текущий ИИ не о
создание машины мышления о
о создании нашей когнитивной способности
совсем другое дело
поэтому сегодня, когда мы говорим, мы говорим о
искусственный интеллект, что мы действительно
означает машинное обучение
а также машинное обучение не нова
большая часть результатов возвращается к 30 или 40
лет назад, однако новизна в том, что в
машина обучения последнего десятилетия
испытали впечатляющий рост
благодаря комбинированному
эффект новых вычислительных инструментов огромный
и богатые наборы данных и новые алгоритмы
очень важно заметить, что
когда машинное обучение достигает определенных
возможности достигают возможности
с человеческой точностью в определении
объект на картинке или любой другой
вычислительная задача, тогда она может
массового масштаба и в этом смысле
супер человек, поэтому машинное обучение
конечно, не только один метод
существует множество различных методов, которые
используются во многих разных контекстах
однако большая часть недавнего прогресса
был вызван одним из таких инструментов, что мы
это называется глубоким обучением, и я
обсудите это через минуту, но прежде
делая это, я хотел бы уточнить один
точечное обучение машин
возможность извлечения информации
из данных, и если вы думаете об этом
является очень важной задачей является своим родом
предпосылка для интеллекта даже
прежде чем начинать думать о создании
вам нужна человекоподобная машина мышления
чтобы быть в состоянии создать машину, которая
способный придавать смысл данным
он получает вход, который он получает
из внешнего мира и что
постоянно учится у них
это совершенно естественно для животных
благодаря эволюции их мозга
и всю их визуальную систему они могут
мгновенно обнаруживать любую аномалию
наличие любого объекта в визуальном
но это всегда было очень
сложно для компьютера, давайте попробуем это
прежде чем мы вступаем в дискуссии о том, как
машинные обучающие работы давайте попробуем
написать компьютерный код, который вы знаете
выполняет распознавание объектов, например
предположим, что вы хотите написать код, который
признает наличие стула в
изображение, то, что вам нужно будет сделать, это
чтобы написать несколько строк, предположите, что вы
инженер-программист с несколькими линиями
коды, которые говорят что-то вроде, если
объект на картинке имеет четыре ноги или
если он имеет плоскую поверхность, и если он имеет
плоской поверхности, чтобы сидеть или
спинка, то это стул, и это
будет отлично работать для первого
пример стула в этом слайде
все в порядке, однако уже для второго
стул не собирается работать, а
причина в том, что у него нет четырех ног
поэтому вам придется вернуться назад и изменить
ваш код и напишите строку, в которой говорится:
хорошо, если у него четыре ноги или пять колес
то это будет стул для
другие условия выполняются, но снова, если
вы показываете стул, созданный дизайнером
то вы полностью потеряли, вы не
даже знаю, как закодировать это, так что нам нужно
нам нужна совершенно другая стратегия
учиться на примерах, а не на
конечный априори, что объекты
и это то , что машина обучение
примерно сейчас, когда машина учится
признать объект, то у человека
человеческая точность тогда становится супер
человека в этом смысле в том смысле, что
может сделать это в массовом масштабе, чтобы это позволяло
я обсуждаю пример приложения
предположим, что вы хотите сделать рак молочной железы
скрининг в вашем регионе и то, что вы
придется делать то, что каждый год вы
придется анализировать и обнаруживать
аномалии в миллионах и миллионах
маммографических изображений, и вы просто не
для этого достаточно рентгенолога
и я сомневаюсь , что радиологи бы
действительно нравится делать это как полный рабочий день
так что вам действительно нужно, как
машина, которая с человеческой точностью
способных обнаруживать наличие
аномалии, и это действительно выполнимо
сегодня, поэтому машины , которые способны
делать это
машина, которая учится у предыдущего человека
информация, а именно тысячи изображений
которые были изучены аннотированными
классифицируется по радиологии человека
и затем опираясь на эту информацию
они становятся сверхчеловеческими при анализе новых
изображения, так как я сказал, что машинное обучение
набор инструментов, и я не могу описать все
из них я собираюсь сосредоточиться на
единственный инструмент, который вызвал большинство
интерес к этому в прошлом году и
это называется эта техника называется
глубокое обучение — это нейронные сети
которые выполняли определенный тип
и я попытаюсь обсудить это
глубокая нейронная сеть состоит из
во многих слоях у вас есть входной слой и
выходной слой, а затем у вас много
промежуточные слои, которые обрабатывают
информации, с которой
слева и выходит вправо для
если вы подключите изображение
стул, который вы хотите прочитать на выходе
слой ответ , который говорит , что есть
стул, чтобы выходной слой
расскажите, как сеть классифицирует
поэтому каждая сеть состоит из
многие слои каждого слоя состоят из
тысячи узлов, которые называются
маленькие искусственные нейроны, они ведут себя как
стилизованная модель биологических нейронов и
то общая сеть состоит из
миллионы и миллионы
Связь между нейронами может быть
слабый или сильный, в зависимости от того, насколько
соединить нейроны, влияют друг на друга сейчас
эта картина просто напоминает булавочную головку в
эта комната, так что настоящая глубокая сеть может иметь
вы знаете десятки миллионов подключений
поэтому есть огромные огромные объекты, так что
это обучение пройдет в этом виде
системы хорошо участвуют в
довольно просто, вы предоставляете много
примеров для этой сети вводов
и соответствующий выход, а затем
вы постепенно, и я ужасно меняюсь
все силы соединения до
точка, в которой сеть способна
правильно классифицируя все примеры
что
при условии, что у вас есть эйдетический процесс
в котором вы меняетесь в автоматическом режиме
способ представления миллионов соединений
миллион примеров, и вы повторяете это
миллионы раз, так что это
довольно тяжелый процесс, и именно поэтому все
эта исследовательская деятельность была
вызванное возможностью иметь
много вычислительной мощности сейчас, когда
сеть научилась классифицировать все
примеры, например, углы всех фаз
то это становится помощью, после чего вы можете остановить
и использовать его для прогнозирования и
точка становится полезной, она научилась
классифицировать все примеры и
укажите, что вы остановили, и вы загружаете новое изображение
например, что сеть никогда не
раньше, и вы собираетесь прочитать
ответ, и это будет
прогнозирования и этой машины,
продемонстрировали, что
эффективный при выполнении такого рода задач
у них действительно есть сверхчеловеческие
в том смысле, что не только
они могут сделать это в массовом масштабе, но
даже точность, с которой они это делают
очень высока и по
обрабатывать уровень значений, специализированный в
делая разные вещи, первые слои
специализируются на добыче всех
фундаментальные особенности, характеризующие
вход и последний слой выполняют
классификация, например, это изображение
способен распознать меня
25 лет назад , не до никогда не имея
никогда не видел эту фотографию в порядке, и это
будет и сможет это сделать для
по существу , все из вас теперь есть
ничего особенного в образах все эти
методы могут применяться к любому полю
деятельности человека науки , в которой
данные присутствуют и важны
поэтому это повлияет на нашу
будущее на 360 градусов вся наша деятельность
которые нам необходимы для обработки информации,
мы изменим, мы знаем, что рабочие места
собирается измениться, и общество собирается
так что очень важно, чтобы мы
понять, о чем мы говорим в
этот контекст в случае
наука, например, вы могли бы сделать
в настоящее время эти методы
используется для анализа данных, которые приводят к
изменения климата они аккуратно используются для
оптимизировать процесс редактирования гена
очень продвинутая молекулярная биология
техники, которые они использовали для
трехмерная структура из из
мозг, мы все еще не знаем
и это , мы надеемся , будет в том , чтобы
имеют огромное влияние, и он даже используется в
астрофизики, поэтому весь спектр
наука включена, и я не
упоминание, что вы знаете все приложение
в человеке в повседневной человеческой жизни это
все прекрасно, однако, как исполнитель, как все
эти вещи могут показаться я должен сказать
что мы только на очень предварительном
стадии, есть открытые проблемы и
проблемы, которые впереди нас, например
о функционировании этих видов
устройствам, нам еще нужно понять, как
они могут быстрее ускорить обучение
производительность прогнозирования может быть
совершенствоваться и действовать более фундаментально
мы должны понять, что делает
этот вид устройств специального по сравнению с
других типов устройств ,
склонность к обучению и обобщению
из них — математический вопрос
что я не хочу проследить здесь, но
это открытые проблемы , которые мы все
работа, то наши проблемы позволяют мне упомянуть
две проблемы, которые очень важны
и они собираются дать вам четкую
Идея о том, что может быть воздействие в
Будущее такого рода технологий
Первая задача — научиться учиться
без надзора, так что
большинство данных в мире не может
аннотироваться классифицированными людьми и
они содержат много информации,
люди не могут быть поняты
поэтому нам нужно разработать алгоритм, который
алгоритмы , способные извлекать
информации для выявления закономерностей сделать
Предсказание без контроля человека ок
так что это вы знаете вызов и все
исследование, которое я только что начал
для работы над этим работают над этим и
это полностью открытый вызов
Еще одной важнейшей задачей является такого рода
сетей может
предсказать не может идентифицировать
отношения между причинами и последствиями
в данных, поэтому каким-то образом эта машина должна
стать способными идентифицировать причинность
шаблоны в данных в исходных данных
когда это станет возможным, тогда
инструмент предоставит много информации
о системах моделирования и
сложное предсказание и
знать новые инструменты, доступные в качестве примера
из этого я имею в виду, что вы можете использовать наконечник
сеть для распознавания изображений — для речи
признание, которое вы можете использовать для игры
игр и т. д., и вы можете использовать его для
автоматический перевод можно перевести
с языка на другой язык, который
аналогичны, и этот перевод просто
на основе статистики, но вы не можете использовать
такие инструменты для создания любых новых
тип предложения, потому что они не получают
логическая связь между словами
хорошо попробуйте настроить беседу
между Сири и помощником Google и
вы увидите, что разговор
становится полностью банальным и скучным
сразу же как исследователь все же
такие открытые проблемы на самом деле
мы не унываем, когда мы
найти открытые проблемы, которые мы фактически получаем
и я думаю, что они дают
причина в том, что они ясно показывают, что
есть огромное пространство для улучшения
и для применения во всех
дисциплин, поэтому есть некоторые
основные проблемы, которые у вас есть
знайте, что есть огромное пространство для
улучшение пространства для исследований
и много последствий впереди нас так
что должен изучать учащийся, чтобы
быть готовым внести вклад в эту область
это вопрос, который иногда возникает
на мой взгляд, и на самом деле довольно часто и
какой ответ, на мой взгляд, прост
и я должен сказать , что много
мои коллеги согласны
этих учеников не хватает
знать основы, которые им необходимы для
знать математику, они должны знать физику, они
нужно знать компьютерную науку, в которой они нуждаются
знать биологию, которую им нужно знать
химию им нужно знать экономику
у них не было всех
методологические инструменты, позволяющие им
анализировать сложные системы, которые им необходимы для
имеет этот фон это единственное
они могут реально использовать когнитивные
которые обеспечиваются этими новыми инструментами, поэтому
сообщение для студентов на самом деле не
специализироваться слишком рано, вам нужно стать
сильный из методологической точки
представление моделировать сложную систему
понять все инструменты, а затем использовать
этот инструмент или даже продвинуть этот инструмент, чтобы я
надеюсь, что это обсуждение
выяснено, какое текущее состояние
искусство в области искусственного интеллекта
Настоящее искусственного интеллекта
не о мышлении машин машин
о расширении нашего познавательного
возможности с помощью этого инструмента, которые
уже на работе и которые имеют огромный
возможность дальнейшего прогресса
так как исследователь , я бы очень хотел
сидеть на другой стороне сцены
вместе со студентами и
причина в том, что есть фантастические и
широкие проблемы перед нами и
поэтому это поистине замечательный
время быть студентом
[Аплодисменты]
вы
Please follow and like us:
Be First to Comment