[Музыка]
Здравствуйте
около 60 лет назад поле
искусственный интеллект был создан и
с самого начала цель заключалась в том, чтобы
создать более интеллектуальное программное обеспечение
чем люди , и с тех пор мы имеем
задавали вопрос является ИИ умнее
чем люди, я хочу передать это
вопрос вам на секунду
кто думает, что вы все еще умнее
чем ИИ поднимет руку всем
который считает, что ИИ умнее, чем
ты поднимаешь руку
это именно то , что я ожидал от
мнения очень разделены, и это
это хорошая причина, потому что недавно мы
видел много приложений, которые просто
превосходят человеческие показатели, но все же
все же мы не видим, как роботы ходят
будучи таким же умным, как мы , у нас нет
AI, который понимает юмор и есть
многие другие вещи, которые остаются нерешенными
так что я пытаюсь попытаться с этим
Обсуждение TED дает вам более решительные
ответ, чем хорошо, это не да, а не
нет к этому вопросу, давайте начнем с
глядя на некоторые вещи, где ИИ фактически
оказывается сверхчеловеческим, это
игра Go, игра, которую мы, люди, имеем
играл , так как 2500 лет и
игра, которая с 2016 года AI лучше в
но это не так, как это простая игра
это на самом деле очень сложная игра
это была главная задача ИИ для
десятилетий до и на самом деле 2014 года в 2014 году
программист ИИ, который был лучшим
которые в то время думали, что это будет
еще 10 лет, но еще в 2016 году
alphago, разработанный google deepmind
избили чемпиона мира и что я нахожу
Наиболее захватывающим об этом пример
что в 2017 году только через год мы
фактически обнаружил, что версия 2 этого
тот же алгоритм победил версию, выигранную
еще больший запас, чем версия 1
победил чемпиона мира , так что эта вещь
улучшается очень быстро и
это не единственный пример игры.
единственный пример см. на некоторых компьютерах
задачи видения, такие как одиночный объект
классификация , которая означает , что вы получаете
изображение , и вы говорите , что известный
наиболее заметным объектом в этих изображениях являются
также выполнялся лучше AI с помощью AI, чем
людьми, и на самом деле это работает с
к тысячам категорий изображений, которые
довольно-таки довольно больно, я имею в виду
с 2015 года
компьютерное зрение или подзадача sub K
Классификация отдельных объектов AI
лучше в этом хорошо, что так много для
супер человек, но одно, что я нахожу
особенно интересно о государстве
ИИ состоит в том, что ИИ может
одиночный wavenet может
характеристики многих разных
ораторов с равной точностью теперь
быстро видеть, что эта речь не создана
голосовых связок, созданных Google
wavenet версия — это полностью
имитируется, но это 48 000 образцов в
во-вторых, это звучит довольно реалистично
из ниоткуда не из голосовых связок
так что давайте вернемся к нашему вопросу: AI
супер человек хорошо да, мы ясно видим, что
в некоторых приложениях это только в некоторых
это просто не так и для
почему это позволяет мне показать вам, что ИИ
на самом деле и как она работает это
нейронная сеть , являющаяся ядром
технологии, которая находится в нижней части
почти все нововведения, которые происходят в
поле машинного обучения и
искусственный интеллект сегодня и
вопреки тому, что большинство из вас может подумать
что основная технология не является сложной
это на самом деле супер просто составлено
входов , которые могут быть пиксели
изображение может быть что — нибудь иначе
единственное , что имеет значение, это то, что это
номер
он имеет результаты, которые могут быть
вероятности говорят в случае изображения
классификация того, что вы делаете, — это вы
пиксели изображения внутри и снаружи
получат вероятность для каждого
объект, который нейронная сеть знает
есть поэтому , если есть собака кошка в
будет вероятность для
каждый из этих объектов
между ними вроде как синапсы и
нейроны в нашем мозгу или, по крайней мере,
они пытаются
в том , что в синапсах линии
соединяющие нейроны являются фактическими
вещи, которые мы можем узнать, это то, что
изменился
когда нейронная сеть узнает, когда она
когда он тренируется, вы также просто
номеров все еще нет ничего, кроме
номера на этом рисунке у вас есть номера
что мы меняем во время обучения, когда мы
хотите адаптировать выход в зависимости от
определенный ввод и примечания между
все эти связи наши функции
очень простые функции я имею в виду смотреть на
это просто, что они делают, они
суммировать все нейроны от предыдущего
слой, умноженный на веса
подключение этого уровня к узлу
нейрон сумма, так взять сумму
все это и протолкнуть это
простая функция, если это отрицательно
становится нулевым, если он положителен, он остается
то же самое, и если вы запустите это
вычисление для входа запустить его через
всей сети, то у вас есть
вывода, то как нейронная сеть
предсказывает что- то довольно просто
правильно, но есть один вопрос
оставшиеся, как мы обучаем эту вещь
как он хорошо учится для
объясняющие задачи, давайте построим
простой самостоятельного вождения автомобиля эта вещь хорошо
вы получаете входные изображения из
камера говорит, что у вас есть самостоятельное вождение
автомобиль, который имеет пять камер, и вы
вводить все изображения в нервные
сети, и вы хотите выйти
угол поворота рулевого колеса и
скорость , с которой автомобиль должен идти хорошо
это пример использования, как мы тренируемся
это один из способов обучения
профессиональные водители говорят, что у нас есть
пара людей , которых мы знаем, очень хороши
при вождении, и мы просто позволяем им ездить
тот же автомобиль, что и нейронная сеть
должен скоро ехать, мы будем записывать все
данных датчика мы будем записывать все
в кадре, когда человек
и мы также
действия, которые он решил принять, если он
решил идти быстро и рулить влево дал
определенного изображения или определенного
ситуацию мы записываем , и тем самым мы
строят набор данных ввода и
выходных пар, и теперь идет трюк
правильно мы даем нейронную сеть, что
в той же ситуации, что и человек
обученный сталкивался с тем, что
сделали, запустив что все
расчет, который я показал вам раньше
и затем мы сравниваем две скважины
оптимально они были бы равны
это то, чего мы хотим достичь с помощью этого
как мы получаем , что хорошо видно , как
вы помните, когда вы меняете вес
или
расчет нейронной сети
зависит от веса, поэтому, если мы изменим
веса изменяются и
это то, что мы хотим сделать , мы хотим
изменить выход на конкретный
направлении, поэтому мы просто меняем
веса немного правы, мы просто добавляем
или вычесть немного из этих чисел и
делая это, получаем результат
нейронной сети ближе к тому, что
если мы сделаем это в правильном направлении
и это легко сделать с помощью
математическая процедура, называемая градиентом
спуск это супер легкое исчисление
на самом деле, если вы изучаете математику в
это довольно легко, но не для 18-ти минут
TED говорить да, но есть одна проблема
с этим, вероятно, некоторые из вас видят это
может не быть лучшим правом водителя
не быть совершенным, все еще вызывая несчастные случаи
мы не очень хотим учиться
что-то, что не идеально, так что мы можем
исправить это, мы можем исправить тот факт, что наши
данные обучения могут быть не идеальными и
в этом случае это было бы неплохо, если бы
мы не могли, потому что тогда наш нервный
сеть узнала бы у кого-то
держа смартфон, пока они
не очень хороший пример, поэтому мы
хочу исправить это, как мы можем исправить это
нам нужно как-то избавиться от
экспертные данные, и это делается с использованием
процедура обучения называется подкреплением
если вы хотите нарисовать
сравнение с людьми, что я показал
вы, прежде чем это похоже на то, что дети
делать с их родителями, они думают, что их
родители идеальны, и они просто пытаются
подражать всему, что они делают правильно
но по мере взросления они обнаруживают
что это может быть не возможно
и они начинают изучать их
делать то, что хорошо их данные не
дать им, и они видят, насколько хорошо они
они получают обратную связь от
мир, и если бы это было хорошо, они пытались сделать
что чаще, чем если бы это было плохо, они
не делай этого больше
это усиление обучения в
В общем, вы делаете
выходы из нейронной сети
исполнять их в реальном мире, а теперь
приходит точка, которую мы должны определить, что
хорошо, а что плохо значит, поэтому мы должны
определите, что для автомобиля, например
добраться до места назначения хорошо
ездить по кому-то плохо и
как-то превратили это в математическое
функция, которая выводит то, что мы называем
мы можем назвать вознаграждение , это число
по-прежнему нравится просто хорошо или плохо
в основном, поэтому мы пытаемся учиться
из этого мы пытаемся
научиться из нашего определенного понятия о том, что
хорошо, что хорошо, а что плохо, мы не
узнать от стратегии , который был дан
человеческих примеров, но так как
вещи в реальном мире обычно не
привести к счастью в случае
автомобили с самовозбуждением, потому что это
вероятно, стоила жизни в нескольких жизнях, мы обычно
делайте это в симуляции, и это
почему усиление обучения сосредоточено на
так много , поэтому есть так
опубликовано много статей,
о играх сегодня
игры имеют эти очень большие возможности для
AI, например, оценка очень
четко определена очень четкая
понятие вознаграждения — это философское
проблема, как вы определяете, что с играми
это своего рода неотъемлемый характер, и у вас есть
очень четкое наблюдение с автомобилями, которые вы бы
Как правило , данные вашего сенсора
у вас будут лидарные датчики и камера
датчики и все эти сложные вещи
с играми у вас есть игровой экран и
поэтому мы можем сосредоточиться на ИИ и
также кнопки это как некоторые
пару кнопок, которые вы могли бы нажать
так что это легко, но как это сделать
узнайте, позвольте мне снова перейти к графику
на самом деле проще, чем раньше
на экране запускать расчет
через нейронную сеть посмотреть, что это
будет делать то же самое, что и
нейронная сеть будет принимать Выполняет
направление в окружающей среде и что
на самом деле пусть pac-man действительно движется вправо
сделайте это, а затем соблюдайте награду
наблюдать за счетом теперь приходит вещь
вместо изменения веса, так что
действия приближаются к тому, что
сделали бы мы пытаемся изменить
веса, чтобы действия, которые происходят
чтобы дать нам более высокую награду, чем
средние становятся более вероятными, поэтому
как вероятности, мы хотим увеличить
вероятность действий, которые были больше
чем среднее право, которое
имеет смысл, и мы хотим уменьшить
Конечно, вероятность действий, которые
оказываются менее полезными, чем
Средние хорошие действия
просто, чтобы мы снова меняли вес
измените эту математическую формулу и
нейронная сеть — не что иное, как
вывести большую вероятность для хорошего
действия довольно просто запустить это для
пара миллионов итераций, и вы
на самом деле есть программа, которая играет
pac-man лучше любого человеческого кода и
это сработало, поэтому
программа, которая Google построила Alphago так
намного лучше, чем люди, потому что это
не
узнать или отвлечься, чтобы не учиться на
человеческие примеры, контрасты D
версия две версии 1 узнать из
примеры 2-го примера человека
но подождите, есть два игрока в один
вещь отсутствует. pac-man — это
однопользовательская игра, как мы могли
включите , как мы могли бы включить
несколько игроков в этой системе
ну, оказывается , это просто супер!
просто тренируйте их друг против друга
в случае открытия глаз в последнее время
исследование выглядит так и то, что вы
см. довольно интересный, как первый из
все конечно, потому что физический движок
не идеальны, они двигаются немного странно, но
что вы заметите, они действительно сортируют
они не отдают то, что они будут
делай правильно, они ждут, пока их противник
что-то делает, и только потом
сообщить, какое направление будет
они действительно используют друг друга
они действительно стараются
разрабатывать надежные стратегии, которые хорошо
независимо от того, является ли их противник
глупо или не очень
обучения путем изучения этих систем
улучшая параллель друг с другом, они
всегда есть конкурент, который находится на
на том же уровне, и поскольку у вас всегда есть
конкурента на том же уровне вы можете
все лучше и лучше, пытаясь
видеть, что выигрывает против этого конкурента
на том же уровне, чтобы вы поправлялись и
лучше , поэтому альфаго версия вторая
alphago нуля это называется было так много
так лучше
почему не искусственный интеллект прав человека
мы только что видели как много классных вещей
и на самом деле первая процедура, которую я показал
вы это хорошо изучили
вы, где вы учитесь на данных, которые не являются
шутка, которая на самом деле используется для кожи
выявления рака и потому, что они только
используйте результаты лабораторных исследований для данных, которые
лучше, чем делают докторанты и
что это имеет огромное значение для нас
так как для нас, как для общества, но
вопрос остается, почему у нас нет супер
умные роботы, которые могут
речь, например, я не знаю, я не могу
Я собираюсь назвать себя супер-умным, что
не то , что я намеревался все , так как
действительно предметы, которые я просто делаю, да, хорошо
так почему бы нам не взглянуть на сверхчеловеческий ИИ
на этом изображении, что ты хорошо видишь
см. проектор с изображением на нем, если я
дать это ИИ
эти девять чисел ноль для каждого поля
если нет ничего в ней один , если
это круг в нем и два, если есть
топор в этом его выход должен быть
одно из девяти действий помещает ваш X в это
поле это поле в это поле это поле
или что бы ни было прав, как эта вещь
когда-либо разрабатывают сложное понимание
реальный мир связей
между различными задачами и разными
проблемы правы это всегда будет просто
понять эту проблему ,
по существу необходимо представить наш ИИ
алгоритмы с очень сложными и общими
проблемы для их развития очень
комплексное и общее понимание
мир, если мы посмотрим, как люди, которых мы имеем
это право, мы всегда выполняем мышцы
Я не могу говорить слова
что я могу сделать, это то, что я могу двигать мышцами
так что мои голосовые связки вибрируют в
определенный способ генерировать звуки с
различные частоты, которые вы воспринимаете как
слова, что мой организм способен сделать
и я не могу отвести руку от А
к B Я могу сжимать мышцы и
не судорожные мышцы
это актриса, которую я могу
выполнять его независимо от того, играю ли я
шахматы или я бегу, у меня все еще есть
те же мышцы, и я должен использовать то же самое
мышцы, поэтому мы всегда имеем один и тот же путь
действовать мы также всегда имеем одинаковые
вид наблюдения, который мы видим с тем же
глаза мы имеем такое же разрешение, что
не изменится, что не улучшится для
игра, если нам нравится открывать, что одна игра
лучше рассматривать таким образом и
лучше смотреть таким образом, мы не видим
таким образом мы слышим, что слушаем, что мы чувствуем запах
вкус, мы всегда ощущаем тот же вклад
сигнал независимо от того, какую проблему мы пытаемся
решить , и я считаю , что это один из
основные причины того, что мы не могли
включить это в наши текущие системы ИИ
что у нас нет общего супер человека
AI, но мы движемся в этом направлении
и один такой движется в этом направлении
шаг открывает глаза тренажерный зал ретро- набор данных
это набор данных из тысячи игр
в то время как они всегда в то время как все они играют на
в той же консоли они вполне
разные с точки зрения механики в терминах
целей, которые должны быть достигнуты и
что они хотят делать с этим
набор данных — они хотят поощрять
исследователи пытаются тренироваться, скажем, 900
этих игр и
производительность на другой 1000, чтобы вы
как иметь общее понимание в
алгоритм какой цели в
игра и как эффективно учиться
чтобы добиться этого, потому что это то, что мы делаем
если нам представится новая проблема
нам не нужно тренироваться с нуля, мы
не нужно обучать конкретной стратегии
для этой игры мы можем использовать только наше прошлое
знания, чтобы применить его к проблемам, которые мы
служить нам сегодня, и это то, что
они хотят поощрять, и я думаю
это одна из основных причин, почему мы
на самом деле на правильном пути к
технологии, которую ИИ
форма в начале 60 лет назад
интеллект, который на самом деле умнее
чем мы — всего лишь одна последняя вещь, и я
хотите закрыть этот ИИ и
особенно общий сверхчеловеческий ИИ
большое значение имеет значение для
понять его принципы и
понять , где он будет приходить из
и понять, что для вас
участвовать в принятии решений,
которые, как мы надеемся, являются демократическими в
будущее, что причина этих решений
важно, чтобы решения были такими, как
это используется прежде всего, почему это
используется и где он разрабатывается прямо сейчас
AGI является основной сферой исследований в
многие корпорации и многие крупные
корпораций во многих крупных фирмах и что
имеет некоторые риски, потому что, если у вас есть
как ваша главная цель как исследователь
вы, как правило, игнорируете безопасность и
интеллект, который умножается так же быстро
поскольку интеллект альфа- девушек сделал это
может быть проблемой, и это также
Причина , почему открытая AI такая большая в
учреждения, в котором они сосредоточены на безопасности и
Я считаю, что решения по безопасности не должны
сделанных несколькими избранными исследователями и
сегодня, кстати, эти решения о безопасности
еще не очень важны, но они
скоро я подумаю и для вас
участвовать в принятии решений о безопасности
безопасности и безопасности важно, чтобы
вы понимаете принципы ИИ и
вот именно поэтому я
контрабандных бит образования AI в
это сегодня, и я надеюсь, вам понравилось
Спасибо
Здравствуйте
около 60 лет назад поле
искусственный интеллект был создан и
с самого начала цель заключалась в том, чтобы
создать более интеллектуальное программное обеспечение
чем люди , и с тех пор мы имеем
задавали вопрос является ИИ умнее
чем люди, я хочу передать это
вопрос вам на секунду
кто думает, что вы все еще умнее
чем ИИ поднимет руку всем
который считает, что ИИ умнее, чем
ты поднимаешь руку
это именно то , что я ожидал от
мнения очень разделены, и это
это хорошая причина, потому что недавно мы
видел много приложений, которые просто
превосходят человеческие показатели, но все же
все же мы не видим, как роботы ходят
будучи таким же умным, как мы , у нас нет
AI, который понимает юмор и есть
многие другие вещи, которые остаются нерешенными
так что я пытаюсь попытаться с этим
Обсуждение TED дает вам более решительные
ответ, чем хорошо, это не да, а не
нет к этому вопросу, давайте начнем с
глядя на некоторые вещи, где ИИ фактически
оказывается сверхчеловеческим, это
игра Go, игра, которую мы, люди, имеем
играл , так как 2500 лет и
игра, которая с 2016 года AI лучше в
но это не так, как это простая игра
это на самом деле очень сложная игра
это была главная задача ИИ для
десятилетий до и на самом деле 2014 года в 2014 году
программист ИИ, который был лучшим
которые в то время думали, что это будет
еще 10 лет, но еще в 2016 году
alphago, разработанный google deepmind
избили чемпиона мира и что я нахожу
Наиболее захватывающим об этом пример
что в 2017 году только через год мы
фактически обнаружил, что версия 2 этого
тот же алгоритм победил версию, выигранную
еще больший запас, чем версия 1
победил чемпиона мира , так что эта вещь
улучшается очень быстро и
это не единственный пример игры.
единственный пример см. на некоторых компьютерах
задачи видения, такие как одиночный объект
классификация , которая означает , что вы получаете
изображение , и вы говорите , что известный
наиболее заметным объектом в этих изображениях являются
также выполнялся лучше AI с помощью AI, чем
людьми, и на самом деле это работает с
к тысячам категорий изображений, которые
довольно-таки довольно больно, я имею в виду
с 2015 года
компьютерное зрение или подзадача sub K
Классификация отдельных объектов AI
лучше в этом хорошо, что так много для
супер человек, но одно, что я нахожу
особенно интересно о государстве
ИИ состоит в том, что ИИ может
одиночный wavenet может
характеристики многих разных
ораторов с равной точностью теперь
быстро видеть, что эта речь не создана
голосовых связок, созданных Google
wavenet версия — это полностью
имитируется, но это 48 000 образцов в
во-вторых, это звучит довольно реалистично
из ниоткуда не из голосовых связок
так что давайте вернемся к нашему вопросу: AI
супер человек хорошо да, мы ясно видим, что
в некоторых приложениях это только в некоторых
это просто не так и для
почему это позволяет мне показать вам, что ИИ
на самом деле и как она работает это
нейронная сеть , являющаяся ядром
технологии, которая находится в нижней части
почти все нововведения, которые происходят в
поле машинного обучения и
искусственный интеллект сегодня и
вопреки тому, что большинство из вас может подумать
что основная технология не является сложной
это на самом деле супер просто составлено
входов , которые могут быть пиксели
изображение может быть что — нибудь иначе
единственное , что имеет значение, это то, что это
номер
он имеет результаты, которые могут быть
вероятности говорят в случае изображения
классификация того, что вы делаете, — это вы
пиксели изображения внутри и снаружи
получат вероятность для каждого
объект, который нейронная сеть знает
есть поэтому , если есть собака кошка в
будет вероятность для
каждый из этих объектов
между ними вроде как синапсы и
нейроны в нашем мозгу или, по крайней мере,
они пытаются
в том , что в синапсах линии
соединяющие нейроны являются фактическими
вещи, которые мы можем узнать, это то, что
изменился
когда нейронная сеть узнает, когда она
когда он тренируется, вы также просто
номеров все еще нет ничего, кроме
номера на этом рисунке у вас есть номера
что мы меняем во время обучения, когда мы
хотите адаптировать выход в зависимости от
определенный ввод и примечания между
все эти связи наши функции
очень простые функции я имею в виду смотреть на
это просто, что они делают, они
суммировать все нейроны от предыдущего
слой, умноженный на веса
подключение этого уровня к узлу
нейрон сумма, так взять сумму
все это и протолкнуть это
простая функция, если это отрицательно
становится нулевым, если он положителен, он остается
то же самое, и если вы запустите это
вычисление для входа запустить его через
всей сети, то у вас есть
вывода, то как нейронная сеть
предсказывает что- то довольно просто
правильно, но есть один вопрос
оставшиеся, как мы обучаем эту вещь
как он хорошо учится для
объясняющие задачи, давайте построим
простой самостоятельного вождения автомобиля эта вещь хорошо
вы получаете входные изображения из
камера говорит, что у вас есть самостоятельное вождение
автомобиль, который имеет пять камер, и вы
вводить все изображения в нервные
сети, и вы хотите выйти
угол поворота рулевого колеса и
скорость , с которой автомобиль должен идти хорошо
это пример использования, как мы тренируемся
это один из способов обучения
профессиональные водители говорят, что у нас есть
пара людей , которых мы знаем, очень хороши
при вождении, и мы просто позволяем им ездить
тот же автомобиль, что и нейронная сеть
должен скоро ехать, мы будем записывать все
данных датчика мы будем записывать все
в кадре, когда человек
и мы также
действия, которые он решил принять, если он
решил идти быстро и рулить влево дал
определенного изображения или определенного
ситуацию мы записываем , и тем самым мы
строят набор данных ввода и
выходных пар, и теперь идет трюк
правильно мы даем нейронную сеть, что
в той же ситуации, что и человек
обученный сталкивался с тем, что
сделали, запустив что все
расчет, который я показал вам раньше
и затем мы сравниваем две скважины
оптимально они были бы равны
это то, чего мы хотим достичь с помощью этого
как мы получаем , что хорошо видно , как
вы помните, когда вы меняете вес
или
расчет нейронной сети
зависит от веса, поэтому, если мы изменим
веса изменяются и
это то, что мы хотим сделать , мы хотим
изменить выход на конкретный
направлении, поэтому мы просто меняем
веса немного правы, мы просто добавляем
или вычесть немного из этих чисел и
делая это, получаем результат
нейронной сети ближе к тому, что
если мы сделаем это в правильном направлении
и это легко сделать с помощью
математическая процедура, называемая градиентом
спуск это супер легкое исчисление
на самом деле, если вы изучаете математику в
это довольно легко, но не для 18-ти минут
TED говорить да, но есть одна проблема
с этим, вероятно, некоторые из вас видят это
может не быть лучшим правом водителя
не быть совершенным, все еще вызывая несчастные случаи
мы не очень хотим учиться
что-то, что не идеально, так что мы можем
исправить это, мы можем исправить тот факт, что наши
данные обучения могут быть не идеальными и
в этом случае это было бы неплохо, если бы
мы не могли, потому что тогда наш нервный
сеть узнала бы у кого-то
держа смартфон, пока они
не очень хороший пример, поэтому мы
хочу исправить это, как мы можем исправить это
нам нужно как-то избавиться от
экспертные данные, и это делается с использованием
процедура обучения называется подкреплением
если вы хотите нарисовать
сравнение с людьми, что я показал
вы, прежде чем это похоже на то, что дети
делать с их родителями, они думают, что их
родители идеальны, и они просто пытаются
подражать всему, что они делают правильно
но по мере взросления они обнаруживают
что это может быть не возможно
и они начинают изучать их
делать то, что хорошо их данные не
дать им, и они видят, насколько хорошо они
они получают обратную связь от
мир, и если бы это было хорошо, они пытались сделать
что чаще, чем если бы это было плохо, они
не делай этого больше
это усиление обучения в
В общем, вы делаете
выходы из нейронной сети
исполнять их в реальном мире, а теперь
приходит точка, которую мы должны определить, что
хорошо, а что плохо значит, поэтому мы должны
определите, что для автомобиля, например
добраться до места назначения хорошо
ездить по кому-то плохо и
как-то превратили это в математическое
функция, которая выводит то, что мы называем
мы можем назвать вознаграждение , это число
по-прежнему нравится просто хорошо или плохо
в основном, поэтому мы пытаемся учиться
из этого мы пытаемся
научиться из нашего определенного понятия о том, что
хорошо, что хорошо, а что плохо, мы не
узнать от стратегии , который был дан
человеческих примеров, но так как
вещи в реальном мире обычно не
привести к счастью в случае
автомобили с самовозбуждением, потому что это
вероятно, стоила жизни в нескольких жизнях, мы обычно
делайте это в симуляции, и это
почему усиление обучения сосредоточено на
так много , поэтому есть так
опубликовано много статей,
о играх сегодня
игры имеют эти очень большие возможности для
AI, например, оценка очень
четко определена очень четкая
понятие вознаграждения — это философское
проблема, как вы определяете, что с играми
это своего рода неотъемлемый характер, и у вас есть
очень четкое наблюдение с автомобилями, которые вы бы
Как правило , данные вашего сенсора
у вас будут лидарные датчики и камера
датчики и все эти сложные вещи
с играми у вас есть игровой экран и
поэтому мы можем сосредоточиться на ИИ и
также кнопки это как некоторые
пару кнопок, которые вы могли бы нажать
так что это легко, но как это сделать
узнайте, позвольте мне снова перейти к графику
на самом деле проще, чем раньше
на экране запускать расчет
через нейронную сеть посмотреть, что это
будет делать то же самое, что и
нейронная сеть будет принимать Выполняет
направление в окружающей среде и что
на самом деле пусть pac-man действительно движется вправо
сделайте это, а затем соблюдайте награду
наблюдать за счетом теперь приходит вещь
вместо изменения веса, так что
действия приближаются к тому, что
сделали бы мы пытаемся изменить
веса, чтобы действия, которые происходят
чтобы дать нам более высокую награду, чем
средние становятся более вероятными, поэтому
как вероятности, мы хотим увеличить
вероятность действий, которые были больше
чем среднее право, которое
имеет смысл, и мы хотим уменьшить
Конечно, вероятность действий, которые
оказываются менее полезными, чем
Средние хорошие действия
просто, чтобы мы снова меняли вес
измените эту математическую формулу и
нейронная сеть — не что иное, как
вывести большую вероятность для хорошего
действия довольно просто запустить это для
пара миллионов итераций, и вы
на самом деле есть программа, которая играет
pac-man лучше любого человеческого кода и
это сработало, поэтому
программа, которая Google построила Alphago так
намного лучше, чем люди, потому что это
не
узнать или отвлечься, чтобы не учиться на
человеческие примеры, контрасты D
версия две версии 1 узнать из
примеры 2-го примера человека
но подождите, есть два игрока в один
вещь отсутствует. pac-man — это
однопользовательская игра, как мы могли
включите , как мы могли бы включить
несколько игроков в этой системе
ну, оказывается , это просто супер!
просто тренируйте их друг против друга
в случае открытия глаз в последнее время
исследование выглядит так и то, что вы
см. довольно интересный, как первый из
все конечно, потому что физический движок
не идеальны, они двигаются немного странно, но
что вы заметите, они действительно сортируют
они не отдают то, что они будут
делай правильно, они ждут, пока их противник
что-то делает, и только потом
сообщить, какое направление будет
они действительно используют друг друга
они действительно стараются
разрабатывать надежные стратегии, которые хорошо
независимо от того, является ли их противник
глупо или не очень
обучения путем изучения этих систем
улучшая параллель друг с другом, они
всегда есть конкурент, который находится на
на том же уровне, и поскольку у вас всегда есть
конкурента на том же уровне вы можете
все лучше и лучше, пытаясь
видеть, что выигрывает против этого конкурента
на том же уровне, чтобы вы поправлялись и
лучше , поэтому альфаго версия вторая
alphago нуля это называется было так много
так лучше
почему не искусственный интеллект прав человека
мы только что видели как много классных вещей
и на самом деле первая процедура, которую я показал
вы это хорошо изучили
вы, где вы учитесь на данных, которые не являются
шутка, которая на самом деле используется для кожи
выявления рака и потому, что они только
используйте результаты лабораторных исследований для данных, которые
лучше, чем делают докторанты и
что это имеет огромное значение для нас
так как для нас, как для общества, но
вопрос остается, почему у нас нет супер
умные роботы, которые могут
речь, например, я не знаю, я не могу
Я собираюсь назвать себя супер-умным, что
не то , что я намеревался все , так как
действительно предметы, которые я просто делаю, да, хорошо
так почему бы нам не взглянуть на сверхчеловеческий ИИ
на этом изображении, что ты хорошо видишь
см. проектор с изображением на нем, если я
дать это ИИ
эти девять чисел ноль для каждого поля
если нет ничего в ней один , если
это круг в нем и два, если есть
топор в этом его выход должен быть
одно из девяти действий помещает ваш X в это
поле это поле в это поле это поле
или что бы ни было прав, как эта вещь
когда-либо разрабатывают сложное понимание
реальный мир связей
между различными задачами и разными
проблемы правы это всегда будет просто
понять эту проблему ,
по существу необходимо представить наш ИИ
алгоритмы с очень сложными и общими
проблемы для их развития очень
комплексное и общее понимание
мир, если мы посмотрим, как люди, которых мы имеем
это право, мы всегда выполняем мышцы
Я не могу говорить слова
что я могу сделать, это то, что я могу двигать мышцами
так что мои голосовые связки вибрируют в
определенный способ генерировать звуки с
различные частоты, которые вы воспринимаете как
слова, что мой организм способен сделать
и я не могу отвести руку от А
к B Я могу сжимать мышцы и
не судорожные мышцы
это актриса, которую я могу
выполнять его независимо от того, играю ли я
шахматы или я бегу, у меня все еще есть
те же мышцы, и я должен использовать то же самое
мышцы, поэтому мы всегда имеем один и тот же путь
действовать мы также всегда имеем одинаковые
вид наблюдения, который мы видим с тем же
глаза мы имеем такое же разрешение, что
не изменится, что не улучшится для
игра, если нам нравится открывать, что одна игра
лучше рассматривать таким образом и
лучше смотреть таким образом, мы не видим
таким образом мы слышим, что слушаем, что мы чувствуем запах
вкус, мы всегда ощущаем тот же вклад
сигнал независимо от того, какую проблему мы пытаемся
решить , и я считаю , что это один из
основные причины того, что мы не могли
включить это в наши текущие системы ИИ
что у нас нет общего супер человека
AI, но мы движемся в этом направлении
и один такой движется в этом направлении
шаг открывает глаза тренажерный зал ретро- набор данных
это набор данных из тысячи игр
в то время как они всегда в то время как все они играют на
в той же консоли они вполне
разные с точки зрения механики в терминах
целей, которые должны быть достигнуты и
что они хотят делать с этим
набор данных — они хотят поощрять
исследователи пытаются тренироваться, скажем, 900
этих игр и
производительность на другой 1000, чтобы вы
как иметь общее понимание в
алгоритм какой цели в
игра и как эффективно учиться
чтобы добиться этого, потому что это то, что мы делаем
если нам представится новая проблема
нам не нужно тренироваться с нуля, мы
не нужно обучать конкретной стратегии
для этой игры мы можем использовать только наше прошлое
знания, чтобы применить его к проблемам, которые мы
служить нам сегодня, и это то, что
они хотят поощрять, и я думаю
это одна из основных причин, почему мы
на самом деле на правильном пути к
технологии, которую ИИ
форма в начале 60 лет назад
интеллект, который на самом деле умнее
чем мы — всего лишь одна последняя вещь, и я
хотите закрыть этот ИИ и
особенно общий сверхчеловеческий ИИ
большое значение имеет значение для
понять его принципы и
понять , где он будет приходить из
и понять, что для вас
участвовать в принятии решений,
которые, как мы надеемся, являются демократическими в
будущее, что причина этих решений
важно, чтобы решения были такими, как
это используется прежде всего, почему это
используется и где он разрабатывается прямо сейчас
AGI является основной сферой исследований в
многие корпорации и многие крупные
корпораций во многих крупных фирмах и что
имеет некоторые риски, потому что, если у вас есть
как ваша главная цель как исследователь
вы, как правило, игнорируете безопасность и
интеллект, который умножается так же быстро
поскольку интеллект альфа- девушек сделал это
может быть проблемой, и это также
Причина , почему открытая AI такая большая в
учреждения, в котором они сосредоточены на безопасности и
Я считаю, что решения по безопасности не должны
сделанных несколькими избранными исследователями и
сегодня, кстати, эти решения о безопасности
еще не очень важны, но они
скоро я подумаю и для вас
участвовать в принятии решений о безопасности
безопасности и безопасности важно, чтобы
вы понимаете принципы ИИ и
вот именно поэтому я
контрабандных бит образования AI в
это сегодня, и я надеюсь, вам понравилось
Спасибо
Please follow and like us:
Be First to Comment