ทุกวันนี้ปัญญาประดิษฐ์นั้นเกือบจะเท่ากับการเรียนรู้ของเครื่องโดยเฉพาะอย่างยิ่งการเรียนรู้ลึก บางคนกล่าวว่าการเรียนรู้อย่างลึกซึ้งจะแทนที่ผู้เชี่ยวชาญมนุษย์ซึ่งเป็นเรื่องสำคัญมากสำหรับวิศวกรรมฟีเจอร์ในสาขานี้ มันก็บอกว่าสองนวัตกรรมการสนับสนุนการเพิ่มขึ้นของการเรียนรู้ลึก: บนมือข้างหนึ่งประสาทและneuroplasticityโดยเฉพาะบอกเราว่าเหมือนสมองมนุษย์ซึ่งเป็นพลาสติกสูงสามารถใช้เครือข่ายประดิษฐ์เพื่อทำหน้าที่เกือบทุกแบบ ในทางตรงกันข้ามการเพิ่มขึ้นของพลังการคำนวณโดยเฉพาะอย่างยิ่งการแนะนำของ GPU และ FPGA ได้เพิ่มความฉลาดทางอัลกอริธึมในแบบที่งดงามและได้สร้างแบบจำลองที่สร้างขึ้นมาหลายสิบปีที่ผ่านมา ฉันจะเพิ่มว่าข้อมูลขนาดใหญ่ (ส่วนใหญ่เป็นข้อมูลที่มีป้ายกำกับ) ที่สะสมในช่วงหลายปีที่ผ่านมาก็มีความเกี่ยวข้องเช่นกัน
การพัฒนาดังกล่าวทำให้การมองเห็นคอมพิวเตอร์ (และการจดจำเสียง) เข้าสู่ยุคใหม่ แต่ในการประมวลผลภาษาธรรมชาติและระบบผู้เชี่ยวชาญสถานการณ์ไม่ได้เปลี่ยนแปลงไปมากนัก
การใช้สามัญสำนึกสำหรับเครือข่ายประสาทนั้นเป็นเรื่องที่ค่อนข้างสูง แต่ประโยคการสนทนาและข้อความสั้น ๆ ส่วนใหญ่มีการอนุมานที่ควรดึงออกมาจากความรู้พื้นฐานของโลก ดังนั้นการสร้างกราฟความรู้จึงมีความสำคัญอย่างยิ่งต่อปัญญาประดิษฐ์ โครงข่ายประสาทเทียมสามารถควบคุมได้ในการสร้างฐานความรู้ แต่ดูเหมือนว่าโมเดลโครงข่ายใยประสาทเทียมนั้นมีปัญหาในการใช้ฐานความรู้ที่สร้างขึ้นเหล่านี้
คำถามของฉันคือ:
ฐานความรู้ (ตัวอย่างเช่น "กราฟความรู้" ที่ประกาศโดย Google) เป็นสาขาที่มีแนวโน้มใน AI หรือไม่ ถ้าเป็นเช่นนั้น KB สามารถเสริมศักยภาพการเรียนรู้ของเครื่องได้อย่างไร เราจะรวมตัวแปรแฝงแบบแยกเป็นส่วน ๆ ลงใน NLU และ NLG ได้อย่างไร
เพื่อความอยู่รอดในยุคที่มีการปกครองโดย DL ทิศทางของฐานความรู้ (หรือแนวทางสัญลักษณ์ของคำร่ม) อยู่ที่ไหน? คือวุลแฟรมฐานความรู้แบบไดนามิก Z เหมือนทิศทางใหม่? หรือทิศทางใหม่?
ฉันขาดพื้นฐานบางอย่างหรือมีแนวคิดบางอย่างที่จัดการปัญหาเหล่านี้หรือไม่