인공 지능으로보다 똑똑 해지는 방법

인공 지능으로보다 똑똑 해지는 방법사람과 기계는 어느 한 요소의 기능 만 능가합니다. metamorworks / Shutterstock.com

인간이나 기계만으로는 미래가 만들어지지 않을 것입니다. 인간의 두뇌가 작동하는 방식을 모델로 한 기술은 이미 사람들의 능력을 향상시키고 있으며 점점 더 유능한이 기계에 사회가 익숙해지면서 더욱 영향력을 발휘할 것입니다.

기술 낙관론자들은 상승하는 세계를 꿈꾸며 인간의 생산성과 삶의 질 인공 지능 시스템이 생명의 고역과 관리를 맡아 감에 따라, 모두에게 이익이되는. 비관론자들은 다른 한편으로는 이러한 진보가 잃어버린 직업과 삶의 혼란에 막대한 비용. 그리고 공포에 사로 잡힌 사람들은 결국 AI가 인간을 쓸모 없게 만든다..

그러나 사람들은 미래를 상상할 수 없을 정도입니다. 유토피아도 최후의 최후의 것도 아니다. 내 새 책에서 "깊은 학습 혁명"나의 목표는이 급성장하는 과학 기술 분야의 과거, 현재, 미래를 설명하는 것이었다. 내 결론은 AI가 당신을 더 똑똑하게 만들 것이지만 당신을 놀라게 할 것입니다.

인식 패턴

깊은 학습은 AI에서 가장 진전을 이룬 부분입니다. 복잡한 문제 해결 이미지에서 물체를 식별하고, 여러 사람의 연설을 인식하고 사람들이 말하거나 쓰는 방식으로 텍스트를 처리하는 것과 같습니다. 깊은 학습은 또한 점점 커지는 데이터 세트에서 패턴을 식별하는 데 유용하다는 것이 입증되었습니다. 센서, 의료 기기 및 과학 기기.

이 접근법의 목표는 컴퓨터가 세상의 복잡성을 표현하고 이전 경험으로부터 일반화 할 수있는 방법을 찾아내는 것입니다. 다음에 일어날 일이 이전에 있었던 일과 정확히 동일하지는 않습니다. 그녀가 전에 보지 못했던 특정한 동물이 실제로 고양이라는 것을 식별 할 수있는 것처럼, 깊은 학습 알고리즘은 측면을 식별 할 수 있습니다 "cat-ness"라고 불릴 수있는 것의 일부를 추출하여 고양이의 새로운 이미지에서 그 속성을 추출합니다.

인공 지능으로보다 똑똑 해지는 방법깊은 학습 시스템은 이들 중 어느 것이 고양이인지를 알 수 있습니다. 젤피 / Shutterstock.com

심층 학습을위한 방법은 인간의 두뇌를 강화시키는 원리들.. 예를 들어, 두뇌는 동시에 여러 프로세싱 유닛에서 다양한 종류의 많은 데이터를 처리합니다. 뉴런은 서로에게 많은 연결 고리를 가지고 있습니다. 그 링크는 사용되는 정도에 따라 강화되거나 약화됩니다., 감각 입력과 개념적 결과 사이의 연관을 확립한다.

가장 성공적인 성공적인 학습 네트워크 시각 피질의 구조에 대한 1960s 연구, 우리가 보는 뇌의 일부, 1980에서 발명 된 알고리즘 학습에 기반을두고 있습니다. 당시 컴퓨터는 실제 문제를 해결할만큼 빠르지 않았습니다. 그러나 이제 그들은 그렇습니다.

또한 학습 네트워크가 서로 겹쳐 져서 연결 고리가 더 가깝게 만들어졌습니다. 시각 피질에서 발견되는 계층의 계층 구조와 닮았다.. 이것은 수렴 사이에 일어나는 인공 및 생물 지능.

인공 지능으로보다 똑똑 해지는 방법네 개의 계층으로 구성된 신경망은 왼쪽에서 입력을 받아들이고 첫 번째 레이어의 출력을 다음 레이어로 전달한 다음 출력을 전달하기 전에 다음과 다음으로 전달합니다. Sin314 / Shutterstock.com

실생활에서 깊은 학습

깊은 학습은 이미 인간의 능력에 추가됩니다. Google 서비스를 사용하여 웹을 검색하거나 앱을 사용하여 한 언어에서 다른 언어로 번역하거나 음성을 텍스트로 변환하면 기술이 더 똑똑 해지고 효과적입니다. 최근 중국 여행에서 한 친구가 Android 휴대 전화로 영어를 말하면서 택시 운전사가 중국어로 말하기 위해 번역했습니다. 유니버설 번역가 "스타 트랙". "

실제 실시간 번역 장치 테스트.

이 시스템과 다른 많은 시스템이 이미 작동하고있어 사용자가 모르는 경우에도 일상 생활에서 도움을줍니다. 예를 들어, 깊은 학습은 X 선 영상 및 피부 병변 사진 판독 암 탐지. 귀하의 지역 의사는 곧 최고의 전문가들에게만 명백한 문제를 발견 할 수있게 될 것입니다.

관련 기계가 있다는 것을 알고 있더라도 실제로 수행중인 작업의 복잡성을 이해하지 못할 수도 있습니다. Amazon Alexa의 뒤편에는 귀하의 요청을 인정하는 깊은 학습 네트워크귀하의 질문에 답변하고 귀하를 대신하여 조치를 취하기 위해 데이터를 살펴보십시오.

학습 향상

깊은 학습은 패턴 인식 문제를 해결하는 데 매우 효과적 이었지만이를 넘어서는 다른 뇌 시스템이 필요합니다. 동물이 행동에 대한 보상을 받으면 그것은 앞으로도 비슷한 행동을 취할 가능성이 높다.. 뇌의 기저핵 (basal ganglia)에있는 도파민 뉴런 (dopamine neuron)은 예상되는 보상과 보상 된 보상의 차이를보고합니다. 보상 예측 오류이것은 미래의 보상을 예측하는 뇌의 연결의 강점을 바꾸는 데 사용됩니다.

보강 학습이라고 불리는이 접근법과 깊은 학습을 결합하면 예기치 않은 가능성을 식별 할 수있는 힘을 컴퓨터에 부여 할 수 있습니다. 패턴을 인식하고 보상을 산출하는 방식으로 패턴에 응답함으로써 기계는 인간의 창의력이라고 불리는 라인을 따라 행동에 접근 할 수 있습니다. 이 결합 된 접근 방식은 DeepMind가 AlphaGo라는 프로그램,에서 2016는 그랜드 마스터 인 Lee Sedol을 물리 쳤습니다. 다음 해 세계를 이길 이동 챔피언, 지 Jie.

게임은 변화하는 불확실성으로 가득 찬 현실 세계만큼이나 지저분하지 않습니다. 마시모 베르가 솔라 캘리포니아 주 샌디에이고 대학에서 최근에 현장에서 글라이더를 가르치기 위해 강화 학습을 사용했습니다. 난기류에서 새처럼 날아 오는 법. 센서는 실제 조류에 부착되어 동일한 큐를 사용하고 같은 방식으로 반응하는지 테스트 할 수 있습니다.

이러한 성공에도 불구하고 연구자들은 아직 깊이있는 학습이 이러한 문제를 해결하는 방법을 완전히 이해하지 못하고 있습니다. 물론, 우리는 두뇌가 그것들을 어떻게 해결할 지 모릅니다.

뇌의 내부 작용은 파악하기 어려울 수 있지만 연구자가 심층 학습 이론을 개발하기까지는 시간 문제 일뿐입니다. 차이점은 컴퓨터를 연구 할 때 연구자는 네트워크의 모든 연결과 패턴에 액세스 할 수 있다는 것입니다. 진행 속도는 빨라서 매일 매일 연구 논문이 게재됩니다. arXiv. 놀랄만 한 진보는 금년 12 월에 열렬히 예상됩니다. 신경 정보 처리 시스템 회의 몬트리올에서 8,000 티켓을 매진했다. 11 분, 대기 목록에 9,000 희망 등록자 떠나.

컴퓨터가 일반적인 인간 지능을 달성하기 전에 갈 길이 멀다. 오늘날 가장 큰 깊은 학습 네트워크는 인간 신경 피질의 힘을 가지고 있습니다. 밥알의 크기. 그리고 우리는 두뇌가 더 큰 뇌 영역 사이의 상호 작용을 어떻게 동적으로 조직 하는지를 아직 모릅니다.

자연은 이미 깊은 수준의 질문을 숙고하고 복잡한 과제를 완수하면서 인체의 모든 측면을 조작 할 수있는 대규모의 뇌 시스템을 만들어내는 수준의 통합을 이미 갖추고 있습니다. 궁극적으로 자율 시스템은 지구상의 무수한 생물과 합쳐져 복잡해질 수 있습니다.대화

저자에 관하여

Terrence Sejnowski, Francis Crick 교수 및 Salk 생물학 연구소의 Computational Neurobiology Laboratory 소장, Neurobiology의 저명한 교수, 캘리포니아 대학교 샌디에이고 캠퍼스

이 기사는에서 다시 게시됩니다. 대화 크리에이티브 커먼즈 라이센스하에 읽기 원래 기사.

관련 서적

{amazonWS : searchindex = Books, keywords = 인공 지능, maxresults = 3}

enafar에서 zh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

InnerSelf을 (를) 팔로우하세요.

페이스 북-아이콘지저귀다 아이콘rss 아이콘

이메일로 최신 정보 얻기

{emailcloak = 오프}