[Музыка]
Я очень рад поговорить с тобой сегодня
о настоящем и будущем
искусственного интеллекта, когда есть
модное словечко и сложный предмет
обычно хорошо начинать с
но на самом деле это немного
сложно, потому что определение
кажется, что искусственный интеллект
постоянно, когда мы решаем
проблема, которую мы не совсем называем
искусственный интеллект
он начал с шахмат много умных
исследователи смотрели на других умных людей
и хорошо подумал, что мы действительно хороши в
математика и логика и игра в сложные игры
как шахматы, и поэтому они начали работать
на те виды проблем, которые думают, что
как только они решат им много другого
вещи просто встанут на свои места, но это
не совсем потому, что это были
симулированные среды, которые не имели
право на такой же шум, который
мы имеем в реальном мире
так что теперь исследования действительно сдвинуты
в основном из играющих игр , который является
по-прежнему важная область и может
некоторые вещи — вещи, которые мы не использовали
считать такой большой
интеллект просто понимает разговорный
слова кажутся относительно простыми, мы все можем
но это действительно
трудная проблема вплоть до 2010 года , когда в глубине
обучения изменили его и способно сделать
гораздо больше прогресса в этом, и теперь мы
не называйте это AI больше, это просто Сири
это просто программное обеспечение для распознавания речи
но это была очень сложная проблема,
мы не смогли решить, и
все еще некоторые сложные проблемы в исследованиях
это еще одна область, в которой глубокое обучение
добились огромного прогресса в
последние годы — компьютерное зрение, а именно
классификация изображений, и это
время я попытаюсь объяснить немного к
вы, что делают эти модели и
как они работают один из самых важных
идеи последних лет в ИИ
имеют так называемые сквозные обучаемые
модели, в которых мы принимаем необработанные данные для
экземпляр пикселей изображения и хотите
предсказать окончательный выход для экземпляра
есть кот или собака или дом или
часы в этом изображении и так, как мы ставим
что необработанные вводят пиксели в эти
модели, которые они продолжают пытаться узнать больше
и более сложные представления, так что
Oни
начните смотреть на пиксели
слой может идентифицировать только простые ребра
и сгустки , которые на самом деле оказываются
также имеют хорошую корреляцию с ранними
визуальной коры головного мозга человека, но
затем, когда они переходят на следующий уровень, они
объединить эти капли, цвета и края
к более сложным текстурам, а затем как
они идут дальше и глубже в эти
разные слои будут идентифицировать объект
частей и в конечном итоге объединить эти
части объекта для идентификации полных объектов
и это было действительно очень сложно и
первоначально люди пытались вручную
определить, о, если есть кошка, то, возможно,
их усы здесь, тогда это может
улучшить , чтобы увеличить вероятность
кошка и тому подобное , и теперь это
весь процесс все эти визуализации
что вы видите здесь на этом слайде, они
все узнали автоматически, просто
это много контролируемых данных.
изображение и его пиксели здесь вывод
что мы заботимся
теперь мы действительно смогли объединить
в компьютерном зрении даже с некоторыми
языковая обработка, и мы можем сделать довольно
удивительные вещи в последние пару
лет здесь вы видите визуализацию
недавняя работа моих сотрудников
где мы цветового кода, где алгоритм
обращает внимание, поскольку он пытается
генерировать описание изображения, чтобы
у вас есть маленькая девочка, сидящая на
скамейка держит зонтик, и вы видите
действительно, когда он генерирует
слово девушка смотрит на девушку, когда
он создает скамейку, на которой она фокусируется
его внимание на скамейке или зебре
стоя рядом с зеброй в грязи
это очень фактические описания
мы не будем очень интересны
из них, но в первую очередь
Зебра фокусирует свое внимание на
на переднем плане, а затем на
следующая зебра на самом деле такова в
фон, и вы видите, что цвет
закодированы тоже так алгоритмов компьютерного зрения
получили гораздо более сложные и
на самом деле также говорит нам немного
где они обращают внимание на
они пытаются перевести с визуальных
данных в текст, он получает еще больше
может также делать так называемый визуальный вопрос
Ответ на это интересная задача
где вы в основном как данные обучения
дать ему изображение и
ответьте, и теперь вы хотите
алгоритм вы можете задать ему много
некоторые вопросы об изображении
и вы видите, все еще высушивается или
не такой пример здесь наверху, что
цвет бананы хороший
потому что, если вы не знаете изображение в
90% случаев вы, вероятно , будете
правильно сказать желтое без
но мы имеем визуализацию
также о том, где работает алгоритм
внимание к тому, как он пытается ответить
этот конкретный вопрос, и это
фактически сосредоточив свое внимание на
более яркие области в этом изображении и
понимает, что эти бананы на самом деле
зеленый и дает правильный ответ
еще один интересный, какой шаблон на
кошачий мех на хвосте на самом деле
фокусирует большую часть своего внимания снова
что яркая область на кошачьего хвоста и
правильно идентифицирует это как полосатый и
еще один забавный пример, что такое мальчик
держа его на самом деле
на вопрос, который вам теперь нужен
сосредоточьте внимание на руке и
объект под рукой и правильно
классифицирует это как доски для серфинга , так те ,
являются одними из замечательных приложений, которые
мы теперь в состоянии делать до тех пор , как мы
достаточных данных о тренинге
домен, если вы никогда не показываетесь в бейсболе
изображение, и это время тренировки не будет
в состоянии ответить на любые вопросы о
бейсбол они на самом деле еще больше
мощные приложения, которые мы теперь можем сделать
с компьютерным зрением один из них
что я очень взволнован, как в
области медицины частности , онкология это
является небольшим запуском felis, который
фактически автоматизирует клетки крови
считая, что вы можете сделать его очень маленьким
покалывая пальцем, и вы можете считать
клетки крови с таким же
как тот, который я показал вам
прежде чем это сверточное нейронное
сети, и теперь, когда вы это делаете
дешево это стоило пару сотен
долларов, чтобы люди действительно сидели
там и для каждого количества образцов крови
сколько красных или белых клеток крови они
теперь вы можете сделать так много
дешевле вы можете доказать, что онкология заботится о вас
могут идентифицировать инфекции и помочь
пациентов с лейкемией и т. д.
вообще я думаю, что радиология также будет иметь
огромное влияние на ИИ — проблема с
радиология заключается в том, что нам нужно много
потому что в отличие от крови
сканирование или сканирование патологии, которые вы ищете
за тысячу разных вещей, которые
может быть неправильным в голове CT
сканирование, и нам потребуется некоторое время
прежде чем мы могли бы автоматизировать все это
Процесс так в течение очень долгого времени
ИИ будет работать вместе с радиологами
улучшить этот процесс, и на самом деле мы
уже знают, что мы можем идентифицировать
некоторые вещи, которые могут очень быстро
убейте вас, например, удар или
так называемый внутричерепный мозг геморрагии
которые мы можем идентифицировать очень
быстро , а затем , не зная всех
другие вещи, которые могут быть неправильными в
головная КТ, мы можем поставить их на первое место
очереди в комнате скорой помощи
и уже может спасти жизнь
теперь мы говорили о компьютерном видении и
распознавание речи как два успеха
AI там все еще есть некоторые области
с которыми мы боремся, и это
моторное управление — это DARPA Grand
Вызов и куча примеров
некоторые очень дорогие роботы, которые
пытаясь обойти открытые двери
рычаги и тому подобное , и как вы
может видеть, что мы все еще довольно далеко, как
на самом деле вы могли бы сказать, что
мы даже не на уровне Abby еще
когда дело доходит до управления двигателем,
на самом деле довольно сложный миллион
нейронам необходимо идентифицировать много
разные пути и так далее, и мы не
там еще так, что это очень активная область
исследования одной из самых интересных
проявления человеческого интеллекта I
мышление — это язык и язык
сейчас огромный прогресс, но
все еще есть много способов пойти так
вот пример, я думаю, мы могли бы спать
сделайте лучше сейчас, но это с 2011 года, когда
люди поняли, что всякий раз, когда Энн
Известная актриса Хэтэуэй выиграла пару
Оскар снялся в фильме
неожиданно вышли акции для
компания Berkshire Hathaway поднялась
значительная сумма, так что уже
ясно, что в 2011 году люди пытались использовать
обработка естественного языка для
алгоритмическая торговля и в этом случае
совершила ошибку так называемой сущности
их неоднозначность
Hathaway для компании вместо
актрисы, а затем сделал довольно значительный
денежные решения
где мы получили более НЛП является
фактически только по классификации текста в
факт — вот несколько примеров
предложения, которые до двух лет назад
почти каждый алгоритм там
неправильно классифицировали бы
первое предложение в его оборванной дешевой
и непритязательный способ работы фильма
традиционные алгоритмы сказали бы
хорошо это оборвано и дешево, так что это
вероятно, отрицательное предложение, потому что они
не имели возможности захватить
весь контекст, но теперь и то, что вы видите
здесь мы фактически имеем два прохода над
это предложение, а во втором —
алгоритм фокусирует гораздо больше на работе
фильм действительно работает, несмотря на его недостатки
поэтому он правильно классифицировал это как
положительный, а второй —
напротив, лучший способ
надеяться на любой шанс насладиться этим
фильм — это снижение ваших ожиданий
опять своего рода , например , что довольно
сложно, потому что алгоритмы в прошлом
просто взглянет на отдельные слова и
лучший и надежный, шанс и наслаждение
такое положительное предложение, но вы можете
только туда, если вы уже думаете, что
фильм довольно дерьмовый, так что это
примеры, которые мы теперь можем сделать в основном
из-за успехов снова в глубоких
изучение некоторых областей деятельности
исследования, над которыми мы все еще работаем, и один
из них — сводка текста, это
на самом деле очень сложная проблема
много всякой обработки естественного языка
в модели, которую вы видели в прошлом
может генерировать самое большее предложение
когда-то пытались, когда мы пытались как
сообщества для генерации более длинных последовательностей
полностью автоматически в этом сквозном
модели глубокого обучения, которые обычно
не очень хорошо, так что это результат
от всего пару месяцев назад , когда
наша группа работала над обобщением и
вы видите здесь внизу дольше
документа, а наверху вы видите
и что здесь увлекательно
что на самом деле это сводка
алгоритм, изученный в некоторых случаях, копирование и
вставлять отдельные слова, иногда целые
фразы, но иногда он также выбирает и
выбирает, какие слова выбрать, из которых
области более длинного документа, чтобы
генерировать резюме во многих случаях
фактически генерирует когерентные дольше
документ суммирует резюме и как
правильно написано, чтобы сделать это действительно
все еще остается открытым исследованием
проблема в одной из областей НЛП, которую я
лично больше всего волнует
ответ на вопрос, потому что вы можете
на самом деле думать о вопросе, отвечая как
задача, которая в значительной степени охватывает
в любой другой задаче NLP вы можете спросить, что
перевод предложения в
На французском вы можете спросить, что такое настроение
вы можете спросить, что такое сводное право в
в некотором смысле все становится вопросом
ответ, если у вас есть действительно
мощный вопрос, отвечающий модели и так
здесь мы работали над этим набором данных регрессии
что стэнфорд собрал команду
с данными ответа Стэнфорда
набор, который занимает много википедии
статей, а затем просит работников толпы
собирать вопросы, а затем также
различным работникам охраны для сбора
ответы и модели, которые вы сейчас видите
которые останавливаются на этой задаче, намного больше
сложный , чем модели , которую я показал вам в
начало , что было такое же
слой просто учится более абстрактным
язык представлений сам по себе также
кажется, требует большого количества распределенных
вычисления в нашем мозгу, которые требуют много
различных частей и элементов теперь , что
меня очень возбуждает и смотрит
перейдите к следующему пару
лет это количество людей, которые
теперь, вступая в поле, есть
много волнений в ИИ и только в
эхо класса I беседовал с Крисом Мэннином
ранее в этом году у нас было более 660
студенты в Стэнфорде
класса, хотя это уровень выпускников
класса, и есть сотни
тысячи просмотров на YouTube довольно
технического материала, и это очень
но, поскольку мы видим ИИ на самом деле
мы также должны признать, что
это просто инструмент, и он останется инструментом
в обозримом будущем мы не
действительно нужно беспокоиться о Skynet или
терминаторы типов сценариев, но что
Важно понимать , что инструменты
могут быть использованы хорошими способами и в плохих
в некотором смысле ИИ так же, как
интернет или молоток или автомобили, и вы можете
использовать их в качестве оружия или использовать их
для перевозки больных людей, и это
Для нас важно , чтобы признать , что
инструменты только так хороши, как люди
и политические системы, которые в конечном итоге
используя их на самом деле, если мы будем использовать их хорошо, я
думаю, что ИИ и особенно сила ИИ
языковые возможности позволят нам
улучшить наше общение,
в конечном итоге может иметь Babel Fish в
ближайшие пару лет , когда мы говорим
на одном языке, и мы слушаем в другом
один из них живет на другом конце, мы можем
улучшить доступ к информационному вопросу
ответ — отличный пример для этого
и вообще сделать работу намного больше
Фактически я думаю, что мы сможем
для автоматизации большинства основных человеческих
потребности, как пища, мы можем автоматизировать сельское хозяйство
с компьютерным зрением и некоторыми более простыми
робототехнический контроль, мы можем строить дома
автоматически и т. д. Я думаю, что в
как человеческий интеллект и
производительность повышается. Я надеюсь, что
что приведет нас к будущему, где мы
могут сосредоточиться на уникальных и творческих задачах
и те виды задач, которые требуют
эмпатия и где мы заботимся друг о друге
и мы можем в основном автоматизировать много
скучное предательство, которое там
важно признать, что
AI не хуже, чем данные обучения
что мы даем его, если ваши данные обучения
сексист или расист, тогда я выберу
эти шаблоны и в некоторых случаях
повторить их или даже усилить так, чтобы
мы применяем ИИ все больше и больше
разные области в простых вещах, таких как
кредитные заявки, но и более сложные
таких, как финансовая система или
судебная система и медицинские приложения
и политическая реклама и так далее
они я в конечном итоге будет во всех
эти области, я думаю, важно, чтобы
мы думаем о правилах или, по крайней мере,
рекомендации по предотвращению негативных
последствия, которые могут произойти, и которые могут
уже были в наших учебных данных
и, наконец, это не только данные, которые
может иметь предубеждения, это также общение
себя и сообщество IEEE прямо сейчас
это на самом деле вполне осознает, что у нас есть
проблема разнообразия, и это некоторые
что мы продолжаем работать на всех правах
Спасибо
[Аплодисменты]
Я очень рад поговорить с тобой сегодня
о настоящем и будущем
искусственного интеллекта, когда есть
модное словечко и сложный предмет
обычно хорошо начинать с
но на самом деле это немного
сложно, потому что определение
кажется, что искусственный интеллект
постоянно, когда мы решаем
проблема, которую мы не совсем называем
искусственный интеллект
он начал с шахмат много умных
исследователи смотрели на других умных людей
и хорошо подумал, что мы действительно хороши в
математика и логика и игра в сложные игры
как шахматы, и поэтому они начали работать
на те виды проблем, которые думают, что
как только они решат им много другого
вещи просто встанут на свои места, но это
не совсем потому, что это были
симулированные среды, которые не имели
право на такой же шум, который
мы имеем в реальном мире
так что теперь исследования действительно сдвинуты
в основном из играющих игр , который является
по-прежнему важная область и может
некоторые вещи — вещи, которые мы не использовали
считать такой большой
интеллект просто понимает разговорный
слова кажутся относительно простыми, мы все можем
но это действительно
трудная проблема вплоть до 2010 года , когда в глубине
обучения изменили его и способно сделать
гораздо больше прогресса в этом, и теперь мы
не называйте это AI больше, это просто Сири
это просто программное обеспечение для распознавания речи
но это была очень сложная проблема,
мы не смогли решить, и
все еще некоторые сложные проблемы в исследованиях
это еще одна область, в которой глубокое обучение
добились огромного прогресса в
последние годы — компьютерное зрение, а именно
классификация изображений, и это
время я попытаюсь объяснить немного к
вы, что делают эти модели и
как они работают один из самых важных
идеи последних лет в ИИ
имеют так называемые сквозные обучаемые
модели, в которых мы принимаем необработанные данные для
экземпляр пикселей изображения и хотите
предсказать окончательный выход для экземпляра
есть кот или собака или дом или
часы в этом изображении и так, как мы ставим
что необработанные вводят пиксели в эти
модели, которые они продолжают пытаться узнать больше
и более сложные представления, так что
Oни
начните смотреть на пиксели
слой может идентифицировать только простые ребра
и сгустки , которые на самом деле оказываются
также имеют хорошую корреляцию с ранними
визуальной коры головного мозга человека, но
затем, когда они переходят на следующий уровень, они
объединить эти капли, цвета и края
к более сложным текстурам, а затем как
они идут дальше и глубже в эти
разные слои будут идентифицировать объект
частей и в конечном итоге объединить эти
части объекта для идентификации полных объектов
и это было действительно очень сложно и
первоначально люди пытались вручную
определить, о, если есть кошка, то, возможно,
их усы здесь, тогда это может
улучшить , чтобы увеличить вероятность
кошка и тому подобное , и теперь это
весь процесс все эти визуализации
что вы видите здесь на этом слайде, они
все узнали автоматически, просто
это много контролируемых данных.
изображение и его пиксели здесь вывод
что мы заботимся
теперь мы действительно смогли объединить
в компьютерном зрении даже с некоторыми
языковая обработка, и мы можем сделать довольно
удивительные вещи в последние пару
лет здесь вы видите визуализацию
недавняя работа моих сотрудников
где мы цветового кода, где алгоритм
обращает внимание, поскольку он пытается
генерировать описание изображения, чтобы
у вас есть маленькая девочка, сидящая на
скамейка держит зонтик, и вы видите
действительно, когда он генерирует
слово девушка смотрит на девушку, когда
он создает скамейку, на которой она фокусируется
его внимание на скамейке или зебре
стоя рядом с зеброй в грязи
это очень фактические описания
мы не будем очень интересны
из них, но в первую очередь
Зебра фокусирует свое внимание на
на переднем плане, а затем на
следующая зебра на самом деле такова в
фон, и вы видите, что цвет
закодированы тоже так алгоритмов компьютерного зрения
получили гораздо более сложные и
на самом деле также говорит нам немного
где они обращают внимание на
они пытаются перевести с визуальных
данных в текст, он получает еще больше
может также делать так называемый визуальный вопрос
Ответ на это интересная задача
где вы в основном как данные обучения
дать ему изображение и
ответьте, и теперь вы хотите
алгоритм вы можете задать ему много
некоторые вопросы об изображении
и вы видите, все еще высушивается или
не такой пример здесь наверху, что
цвет бананы хороший
потому что, если вы не знаете изображение в
90% случаев вы, вероятно , будете
правильно сказать желтое без
но мы имеем визуализацию
также о том, где работает алгоритм
внимание к тому, как он пытается ответить
этот конкретный вопрос, и это
фактически сосредоточив свое внимание на
более яркие области в этом изображении и
понимает, что эти бананы на самом деле
зеленый и дает правильный ответ
еще один интересный, какой шаблон на
кошачий мех на хвосте на самом деле
фокусирует большую часть своего внимания снова
что яркая область на кошачьего хвоста и
правильно идентифицирует это как полосатый и
еще один забавный пример, что такое мальчик
держа его на самом деле
на вопрос, который вам теперь нужен
сосредоточьте внимание на руке и
объект под рукой и правильно
классифицирует это как доски для серфинга , так те ,
являются одними из замечательных приложений, которые
мы теперь в состоянии делать до тех пор , как мы
достаточных данных о тренинге
домен, если вы никогда не показываетесь в бейсболе
изображение, и это время тренировки не будет
в состоянии ответить на любые вопросы о
бейсбол они на самом деле еще больше
мощные приложения, которые мы теперь можем сделать
с компьютерным зрением один из них
что я очень взволнован, как в
области медицины частности , онкология это
является небольшим запуском felis, который
фактически автоматизирует клетки крови
считая, что вы можете сделать его очень маленьким
покалывая пальцем, и вы можете считать
клетки крови с таким же
как тот, который я показал вам
прежде чем это сверточное нейронное
сети, и теперь, когда вы это делаете
дешево это стоило пару сотен
долларов, чтобы люди действительно сидели
там и для каждого количества образцов крови
сколько красных или белых клеток крови они
теперь вы можете сделать так много
дешевле вы можете доказать, что онкология заботится о вас
могут идентифицировать инфекции и помочь
пациентов с лейкемией и т. д.
вообще я думаю, что радиология также будет иметь
огромное влияние на ИИ — проблема с
радиология заключается в том, что нам нужно много
потому что в отличие от крови
сканирование или сканирование патологии, которые вы ищете
за тысячу разных вещей, которые
может быть неправильным в голове CT
сканирование, и нам потребуется некоторое время
прежде чем мы могли бы автоматизировать все это
Процесс так в течение очень долгого времени
ИИ будет работать вместе с радиологами
улучшить этот процесс, и на самом деле мы
уже знают, что мы можем идентифицировать
некоторые вещи, которые могут очень быстро
убейте вас, например, удар или
так называемый внутричерепный мозг геморрагии
которые мы можем идентифицировать очень
быстро , а затем , не зная всех
другие вещи, которые могут быть неправильными в
головная КТ, мы можем поставить их на первое место
очереди в комнате скорой помощи
и уже может спасти жизнь
теперь мы говорили о компьютерном видении и
распознавание речи как два успеха
AI там все еще есть некоторые области
с которыми мы боремся, и это
моторное управление — это DARPA Grand
Вызов и куча примеров
некоторые очень дорогие роботы, которые
пытаясь обойти открытые двери
рычаги и тому подобное , и как вы
может видеть, что мы все еще довольно далеко, как
на самом деле вы могли бы сказать, что
мы даже не на уровне Abby еще
когда дело доходит до управления двигателем,
на самом деле довольно сложный миллион
нейронам необходимо идентифицировать много
разные пути и так далее, и мы не
там еще так, что это очень активная область
исследования одной из самых интересных
проявления человеческого интеллекта I
мышление — это язык и язык
сейчас огромный прогресс, но
все еще есть много способов пойти так
вот пример, я думаю, мы могли бы спать
сделайте лучше сейчас, но это с 2011 года, когда
люди поняли, что всякий раз, когда Энн
Известная актриса Хэтэуэй выиграла пару
Оскар снялся в фильме
неожиданно вышли акции для
компания Berkshire Hathaway поднялась
значительная сумма, так что уже
ясно, что в 2011 году люди пытались использовать
обработка естественного языка для
алгоритмическая торговля и в этом случае
совершила ошибку так называемой сущности
их неоднозначность
Hathaway для компании вместо
актрисы, а затем сделал довольно значительный
денежные решения
где мы получили более НЛП является
фактически только по классификации текста в
факт — вот несколько примеров
предложения, которые до двух лет назад
почти каждый алгоритм там
неправильно классифицировали бы
первое предложение в его оборванной дешевой
и непритязательный способ работы фильма
традиционные алгоритмы сказали бы
хорошо это оборвано и дешево, так что это
вероятно, отрицательное предложение, потому что они
не имели возможности захватить
весь контекст, но теперь и то, что вы видите
здесь мы фактически имеем два прохода над
это предложение, а во втором —
алгоритм фокусирует гораздо больше на работе
фильм действительно работает, несмотря на его недостатки
поэтому он правильно классифицировал это как
положительный, а второй —
напротив, лучший способ
надеяться на любой шанс насладиться этим
фильм — это снижение ваших ожиданий
опять своего рода , например , что довольно
сложно, потому что алгоритмы в прошлом
просто взглянет на отдельные слова и
лучший и надежный, шанс и наслаждение
такое положительное предложение, но вы можете
только туда, если вы уже думаете, что
фильм довольно дерьмовый, так что это
примеры, которые мы теперь можем сделать в основном
из-за успехов снова в глубоких
изучение некоторых областей деятельности
исследования, над которыми мы все еще работаем, и один
из них — сводка текста, это
на самом деле очень сложная проблема
много всякой обработки естественного языка
в модели, которую вы видели в прошлом
может генерировать самое большее предложение
когда-то пытались, когда мы пытались как
сообщества для генерации более длинных последовательностей
полностью автоматически в этом сквозном
модели глубокого обучения, которые обычно
не очень хорошо, так что это результат
от всего пару месяцев назад , когда
наша группа работала над обобщением и
вы видите здесь внизу дольше
документа, а наверху вы видите
и что здесь увлекательно
что на самом деле это сводка
алгоритм, изученный в некоторых случаях, копирование и
вставлять отдельные слова, иногда целые
фразы, но иногда он также выбирает и
выбирает, какие слова выбрать, из которых
области более длинного документа, чтобы
генерировать резюме во многих случаях
фактически генерирует когерентные дольше
документ суммирует резюме и как
правильно написано, чтобы сделать это действительно
все еще остается открытым исследованием
проблема в одной из областей НЛП, которую я
лично больше всего волнует
ответ на вопрос, потому что вы можете
на самом деле думать о вопросе, отвечая как
задача, которая в значительной степени охватывает
в любой другой задаче NLP вы можете спросить, что
перевод предложения в
На французском вы можете спросить, что такое настроение
вы можете спросить, что такое сводное право в
в некотором смысле все становится вопросом
ответ, если у вас есть действительно
мощный вопрос, отвечающий модели и так
здесь мы работали над этим набором данных регрессии
что стэнфорд собрал команду
с данными ответа Стэнфорда
набор, который занимает много википедии
статей, а затем просит работников толпы
собирать вопросы, а затем также
различным работникам охраны для сбора
ответы и модели, которые вы сейчас видите
которые останавливаются на этой задаче, намного больше
сложный , чем модели , которую я показал вам в
начало , что было такое же
слой просто учится более абстрактным
язык представлений сам по себе также
кажется, требует большого количества распределенных
вычисления в нашем мозгу, которые требуют много
различных частей и элементов теперь , что
меня очень возбуждает и смотрит
перейдите к следующему пару
лет это количество людей, которые
теперь, вступая в поле, есть
много волнений в ИИ и только в
эхо класса I беседовал с Крисом Мэннином
ранее в этом году у нас было более 660
студенты в Стэнфорде
класса, хотя это уровень выпускников
класса, и есть сотни
тысячи просмотров на YouTube довольно
технического материала, и это очень
но, поскольку мы видим ИИ на самом деле
мы также должны признать, что
это просто инструмент, и он останется инструментом
в обозримом будущем мы не
действительно нужно беспокоиться о Skynet или
терминаторы типов сценариев, но что
Важно понимать , что инструменты
могут быть использованы хорошими способами и в плохих
в некотором смысле ИИ так же, как
интернет или молоток или автомобили, и вы можете
использовать их в качестве оружия или использовать их
для перевозки больных людей, и это
Для нас важно , чтобы признать , что
инструменты только так хороши, как люди
и политические системы, которые в конечном итоге
используя их на самом деле, если мы будем использовать их хорошо, я
думаю, что ИИ и особенно сила ИИ
языковые возможности позволят нам
улучшить наше общение,
в конечном итоге может иметь Babel Fish в
ближайшие пару лет , когда мы говорим
на одном языке, и мы слушаем в другом
один из них живет на другом конце, мы можем
улучшить доступ к информационному вопросу
ответ — отличный пример для этого
и вообще сделать работу намного больше
Фактически я думаю, что мы сможем
для автоматизации большинства основных человеческих
потребности, как пища, мы можем автоматизировать сельское хозяйство
с компьютерным зрением и некоторыми более простыми
робототехнический контроль, мы можем строить дома
автоматически и т. д. Я думаю, что в
как человеческий интеллект и
производительность повышается. Я надеюсь, что
что приведет нас к будущему, где мы
могут сосредоточиться на уникальных и творческих задачах
и те виды задач, которые требуют
эмпатия и где мы заботимся друг о друге
и мы можем в основном автоматизировать много
скучное предательство, которое там
важно признать, что
AI не хуже, чем данные обучения
что мы даем его, если ваши данные обучения
сексист или расист, тогда я выберу
эти шаблоны и в некоторых случаях
повторить их или даже усилить так, чтобы
мы применяем ИИ все больше и больше
разные области в простых вещах, таких как
кредитные заявки, но и более сложные
таких, как финансовая система или
судебная система и медицинские приложения
и политическая реклама и так далее
они я в конечном итоге будет во всех
эти области, я думаю, важно, чтобы
мы думаем о правилах или, по крайней мере,
рекомендации по предотвращению негативных
последствия, которые могут произойти, и которые могут
уже были в наших учебных данных
и, наконец, это не только данные, которые
может иметь предубеждения, это также общение
себя и сообщество IEEE прямо сейчас
это на самом деле вполне осознает, что у нас есть
проблема разнообразия, и это некоторые
что мы продолжаем работать на всех правах
Спасибо
[Аплодисменты]
Please follow and like us:
Be First to Comment