ปัญญาประดิษฐ์

ฉันอ่านบทความที่น่าสนใจมาก ๆ เรื่อง"หยุดเรียกมันว่าปัญญาประดิษฐ์"ที่ทำให้คำวิจารณ์ที่น่าสนใจของชื่อ "ปัญญาประดิษฐ์" ปัญญาคำกว้างมากจนยากที่จะพูดว่า "ปัญญาประดิษฐ์" ฉลาดจริงๆ ปัญญาประดิษฐ์จึงมีแนวโน้มที่จะถูกตีความว่าเป็นการเลียนแบบความฉลาดของมนุษย์ซึ่งไม่ใช่ความจริงของปัญญาประดิษฐ์ ปัญญาประดิษฐ์ไม่ใช่ "ปัญญา" จริงๆ ประดิษฐ์แสดงถึงการเลียนแบบของบางสิ่งบางอย่างซึ่งไม่ได้เป็นอย่างที่ปัญญาประดิษฐ์คืออะไร อะไรคือทางเลือกที่ดีสำหรับนิพจน์ "ปัญญาประดิษฐ์"? (คำตอบที่ดีจะไม่แสดงชื่อแบบสุ่มพวกเขาจะให้เหตุผลว่าทำไมชื่อทางเลือกของพวกเขาจึงเป็นชื่อที่ดี)

13 philosophy  terminology 

คำถามนี้มีคำตอบอยู่ที่นี่แล้ว : เราเริ่มเรียนรู้ปัญญาประดิษฐ์ได้อย่างไร [ซ้ำ] (6 คำตอบ) ปิดให้บริการในวันที่ 12 ที่ผ่านมา ภูมิหลังทางคณิตศาสตร์ที่จำเป็นในการเริ่มเรียนรู้ AI คืออะไร? ฉันควรเรียนรู้อะไรอีก

13 ai-basics  math  getting-started 

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? …

13 natural-language-processing  knowledge-representation  symbolic-computing  expert-system 

วิธีการตัดสินใจจำนวนเลเยอร์ที่เหมาะสมที่จะสร้างขึ้นในขณะที่ติดตั้ง Neural Network (Feedforward, back propagation หรือ RNN)

13 neural-networks  hidden-layers 

หากรายการนี้1สามารถใช้เพื่อจำแนกปัญหาใน AI ... ถอดรหัสปัญหาที่เล็กลงหรือง่ายขึ้น ขั้นตอนการแก้ปัญหาสามารถถูกละเว้นหรือเลิกทำ จักรวาลปัญหาที่คาดการณ์ได้ ทางออกที่ดีชัดเจน ใช้ฐานความรู้ที่สอดคล้องกันภายใน ต้องการความรู้มากมายหรือใช้ความรู้เพื่อ จำกัด การแก้ปัญหา ต้องมีการโต้ตอบเป็นระยะระหว่างมนุษย์และคอมพิวเตอร์ ... มีความสัมพันธ์ที่ยอมรับกันโดยทั่วไประหว่างการวางปัญหาตามมิติเหล่านี้และอัลกอริทึม / แนวทางที่เหมาะสมในการแก้ปัญหาหรือไม่ อ้างอิง [1] https://images.slideplayer.com/23/6911262/slides/slide_4.jpg

13 ai-design  algorithm  reference-request 

คำถามประเภทนี้อาจขึ้นอยู่กับปัญหา แต่ฉันได้พยายามค้นหางานวิจัยที่ตอบคำถามว่าจำนวนเลเยอร์ที่ซ่อนอยู่และขนาด (จำนวนเซลล์ประสาทในแต่ละเลเยอร์) มีความสำคัญหรือไม่ ดังนั้นคำถามของฉันคือมันสำคัญไหมถ้าเรามี 1 เลเยอร์ใหญ่ที่ซ่อน 1,000 นิวรอนเทียบกับ 10 เลเยอร์ที่ซ่อนเร้น 100 นิวรอนแต่ละอัน?

13 neural-networks 

หมายเหตุ: ประสบการณ์ของฉันกับทฤษฎีบทของGödelค่อนข้าง จำกัด : ฉันได้อ่านGödel Escher Bach; ไขมันต่ำในครึ่งแรกของทฤษฎีบทเบื้องต้นของ Godel (โดย Peter Smith); และสุ่มบางสิ่งที่นี่และที่นั่นบนอินเทอร์เน็ต นั่นคือฉันมีความเข้าใจในระดับสูงที่คลุมเครือของทฤษฎี ในความเห็นต่ำต้อยของฉันGödelทฤษฎีความไม่สมบูรณ์ (และทฤษฎีบทที่เกี่ยวข้องมากมายเช่นปัญหาการหยุดชะงักและทฤษฎีบทLöbs) อยู่ในการค้นพบทางทฤษฎีที่สำคัญที่สุด อย่างไรก็ตามมันค่อนข้างน่าผิดหวังที่จะสังเกตว่ามีไม่มาก (อย่างน้อยความรู้ของฉัน) การประยุกต์ใช้ทฤษฎีของทฤษฎีบทอาจเป็นส่วนหนึ่งเนื่องจาก 1. ลักษณะป้านของการพิสูจน์ 2. ผลกระทบทางปรัชญาที่แข็งแกร่งคนไม่ได้ เต็มใจที่จะกระทำต่ออย่างง่ายดาย แม้จะมียังมีความพยายามที่จะใช้ทฤษฎีบทในปรัชญาของจิตใจ / บริบท AI ปิดส่วนหัวของฉัน: Lucas-Penrose อาร์กิวเมนต์ : ซึ่งระบุว่าจิตใจไม่ได้ดำเนินการในระบบที่เป็นทางการ (เช่นในคอมพิวเตอร์) (ไม่ใช่ข้อพิสูจน์ที่เข้มงวดมาก) เห็นได้ชัดว่างานวิจัยของ MIRI ใช้Löbs Thereom แต่ตัวอย่างเดียวที่ฉันรู้คือความร่วมมือกับตัวแทนLöbian สิ่งเหล่านี้เจ๋งจริงๆ แต่มีตัวอย่างอีกบ้างไหม? โดยเฉพาะอย่างยิ่งคนที่ได้รับการพิจารณาอย่างจริงจังโดยชุมชนวิชาการ (เปรียบเทียบผลกระทบเชิงปรัชญาของทฤษฎีบทความไม่สมบูรณ์ครั้งแรกของGödelคืออะไร? ใน SE)

13 philosophy 

มีวิธีสอนการเรียนรู้แบบเสริมในแอปพลิเคชั่นนอกเหนือจากเกมหรือไม่? ตัวอย่างเดียวที่ฉันพบบนอินเทอร์เน็ตเป็นของตัวแทนเกม ฉันเข้าใจว่า VNC ควบคุมอินพุตให้กับเกมผ่านเครือข่ายเสริมแรง เป็นไปได้ไหมที่จะตั้งค่าด้วยซอฟต์แวร์ CAD?

13 reinforcement-learning  applications 

ในเกมพีซีล่าสุดThe Turing Testนั้น AI ("TOM") ต้องการความช่วยเหลือจาก Ava ในการผ่านห้องไขปริศนา TOM บอกว่าเขาไม่สามารถไขปริศนาได้เพราะเขาไม่ได้รับอนุญาตให้ " คิดในแนวขวาง " โดยเฉพาะเขาบอกว่าเขาจะไม่คิดที่จะโยนกล่องผ่านหน้าต่างเพื่อแก้ปัญหาห้องแรก ผู้สร้างเรื่องราวของเขากลับกลายเป็นปิดความสามารถนั้นเพราะความคิดดังกล่าวสามารถก่อให้เกิดวิธีการแก้ปัญหา "จริยธรรมไม่ดี" เช่นการตัดแขนเพื่อออกจากแผ่นความดัน ความสามารถในการแก้ปริศนาที่สร้างสรรค์ทั้งหมดจะต้องถูกลบออกจาก AI เพื่อให้ผลลัพธ์ของมันสมเหตุสมผลหรือเราจะได้รับประโยชน์จากการคิดนอกกรอบโดยไม่สูญเสียแขน

13 agi  problem-solving 

ฉันกำลังเขียนโมเดลการเรียนรู้การเสริมแรงด้วยตัวแทน PPO ต้องขอบคุณห้องสมุด Tensorforceที่ดีมากซึ่งสร้างจากส่วนบนของ Tensorflow รุ่นแรกนั้นง่ายมากและตอนนี้ฉันกำลังดำดิ่งสู่สภาพแวดล้อมที่ซับซ้อนมากขึ้นซึ่งการกระทำทั้งหมดไม่พร้อมใช้งานในแต่ละขั้นตอน สมมติว่ามี 5 การกระทำและความพร้อมใช้งานขึ้นอยู่กับสถานะภายใน (ซึ่งกำหนดโดยการกระทำก่อนหน้าและ / หรือพื้นที่รัฐ / การสังเกตใหม่): 2 การกระทำ (0 และ 1) พร้อมใช้งานเสมอ 2 การกระทำ (2 และ 3) จะใช้ได้เฉพาะเมื่อ internal_state == 0 1 การกระทำ (4) ใช้ได้เฉพาะเมื่อ internal_state == 1 ดังนั้นจึงมีการดำเนินการ 4 รายการเมื่อ internal_state == 0 และ 3 การกระทำพร้อมใช้งานเมื่อ internal_state == 1 ฉันคิดว่ามีความเป็นไปได้เล็กน้อยที่จะนำไปใช้ เปลี่ยนพื้นที่การดำเนินการในแต่ละขั้นตอนขึ้นอยู่กับ …

13 deep-learning  reinforcement-learning 

ฉันเลือกฟังก์ชั่นการเปิดใช้งานสำหรับเลเยอร์เอาต์พุตขึ้นอยู่กับเอาต์พุตที่ฉันต้องการและคุณสมบัติของฟังก์ชั่นการเปิดใช้งานที่ฉันรู้ ตัวอย่างเช่นฉันเลือกฟังก์ชัน sigmoid เมื่อฉันจัดการกับความน่าจะเป็น ReLU เมื่อฉันจัดการกับค่าบวกและฟังก์ชันเชิงเส้นเมื่อฉันจัดการกับค่าทั่วไป ในเลเยอร์ที่ซ่อนอยู่ฉันใช้ ReLU ที่มีการรั่วไหลเพื่อหลีกเลี่ยงเซลล์ประสาทที่ตายแล้วแทนที่จะเป็น ReLU และ tanh แทนที่จะเป็น sigmoid แน่นอนฉันไม่ได้ใช้ฟังก์ชันเชิงเส้นในหน่วยที่ซ่อนอยู่ อย่างไรก็ตามตัวเลือกสำหรับพวกเขาในเลเยอร์ที่ซ่อนอยู่ส่วนใหญ่เกิดจากการลองผิดลองถูก มีกฎใด ๆ ของฟังก์ชั่นการเปิดใช้งานที่น่าจะทำงานได้ดีในบางสถานการณ์ ใช้คำว่าสถานการณ์ทั่วไปเท่าที่จะทำได้: อาจหมายถึงความลึกของเลเยอร์ความลึกของ NN กับจำนวนของเซลล์ประสาทสำหรับเลเยอร์นั้นไปยังออพติไมเซอร์ที่เราเลือก เลเยอร์นั้นไปยังแอปพลิเคชันของ NN นี้เป็นต้น ในคำตอบของเขา / เธอ cantordust หมายถึงฟังก์ชั่นการเปิดใช้งานอื่น ๆ ที่ฉันไม่ได้พูดถึงเช่น ELU และ SELU ข่าวสารนี้มีมากกว่ายินดี อย่างไรก็ตามฟังก์ชั่นการเปิดใช้งานเพิ่มเติมที่ฉันค้นพบยิ่งฉันสับสนในการเลือกฟังก์ชั่นที่จะใช้ในเลเยอร์ที่ซ่อนอยู่ และฉันไม่คิดว่าการพลิกเหรียญเป็นวิธีที่ดีในการเลือกฟังก์ชั่นการเปิดใช้งาน

13 neural-networks  machine-learning  math  activation-function 

ฉันได้ดูการเรียนรู้การเสริมแรงและโดยเฉพาะการเล่นกับการสร้างสภาพแวดล้อมของตัวเองเพื่อใช้กับ OpenAI Gym AI ฉันกำลังใช้ตัวแทนจากโครงการ stable_baselines เพื่อทดสอบกับมัน สิ่งหนึ่งที่ฉันสังเกตเห็นได้ในตัวอย่าง RL เกือบทั้งหมดคือดูเหมือนจะไม่มีเลเยอร์ดรอปเอาต์ในเครือข่ายใด ๆ เลย ทำไมนี้ ฉันได้สร้างสภาพแวดล้อมที่จำลองราคาสกุลเงินและตัวแทนง่าย ๆ โดยใช้ DQN ที่พยายามเรียนรู้เวลาที่จะซื้อและขาย ฝึกมันมากกว่าหนึ่งล้าน timesteps นำมาจากชุดของข้อมูลที่เฉพาะเจาะจงซึ่งประกอบด้วยข้อมูลราคา 5 นาทีหนึ่งเดือนที่ดูเหมือนว่าจะมีค่าเกินจำนวนมาก ถ้าฉันประเมินเอเจนต์และโมเดลเทียบกับมูลค่าข้อมูลของเดือนอื่น ๆ ดังนั้นฟังดูเหมือนการโอเวอร์คลาสสิกแบบดั้งเดิม แต่มีเหตุผลทำไมคุณไม่เห็นเลเยอร์การออกกลางคันในเครือข่าย RL หรือไม่ มีกลไกอื่น ๆ ที่จะลองและจัดการกับการสวมใส่เกินได้ไหม? หรือในตัวอย่าง RL หลายเรื่องไม่สำคัญ เช่นอาจมีเพียงวิธีเดียวที่แท้จริงในการทำคะแนนสูงสุดในเกม 'breakout' ดังนั้นคุณอาจจะเรียนรู้อย่างแน่นอนและไม่จำเป็นต้องพูดคุยกัน? หรือถือว่าเป็นธรรมชาติที่วุ่นวายของสภาพแวดล้อมเองควรให้ผลลัพธ์ที่แตกต่างกันมากพอที่คุณไม่จำเป็นต้องมีชั้นการออกกลางคัน

13 machine-learning  reinforcement-learning  overfitting  dropout 

มีทีมวิจัยที่พยายามสร้างหรือสร้างหุ่นยนต์ AI ที่สามารถใกล้เคียงกับความฉลาดเหมือนที่พบในEx MachinaหรือI,ภาพยนตร์หุ่นยนต์หรือไม่? ฉันไม่ได้พูดถึงการตระหนักรู้อย่างถ่องแท้ แต่สิ่งประดิษฐ์ที่สามารถตัดสินใจได้เองและงานทางกายภาพและทางปัญญาที่มนุษย์สามารถทำได้?

13 research  agi  robots 

เมื่อออกแบบวิธีการแก้ปัญหาเช่น Lunar Lander บนOpenAIGymการเรียนรู้การเสริมแรงเป็นวิธีการล่อลวงให้ตัวแทนควบคุมการกระทำที่เพียงพอเพื่อที่จะประสบความสำเร็จในการลงจอด แต่อินสแตนซ์ใดบ้างที่อัลกอริทึมของระบบควบคุมเช่นตัวควบคุม PIDจะทำงานได้อย่างเพียงพอหากไม่ดีกว่าการเสริมแรงการเรียนรู้ คำถามเช่นนี้ทำหน้าที่ได้ดีในการจัดการกับทฤษฎีของคำถามนี้ แต่ทำเพียงเล็กน้อยที่จะกล่าวถึงส่วนประกอบที่ใช้งานได้จริง ในฐานะวิศวกรด้านปัญญาประดิษฐ์องค์ประกอบของโดเมนปัญหาควรแนะนำให้ฉันรู้ว่าตัวควบคุม PID ไม่เพียงพอที่จะแก้ปัญหาและอัลกอริทึมการเรียนรู้การเสริมกำลังควรใช้แทน (หรือในทางกลับกัน)

12 reinforcement-learning  ai-design  control-theory 

อย่างแปลกใจที่เรื่องนี้ไม่ได้ถามมาก่อนอย่างน้อยฉันก็ไม่พบอะไรนอกจากคำถามที่เกี่ยวข้องอย่างคลุมเครือ ดังนั้นเครือข่ายประสาทกำเริบคืออะไรและสิ่งที่เป็นข้อได้เปรียบของพวกเขามากกว่า NNs ปกติ?

12 recurrent-neural-networks