Beginnen wir mit der Debatte zwischen Yann LeCun und Marcus

Die lebhafteste Debatte im KI-Bereich ist in letzter Zeit die Debatte zwischen Yann LeCun und Marcus über die Entwicklungsrichtung der KI. Diese Debatte begann im August und die Nachwirkungen sind noch nicht abgeklungen.

Wenn Sie inländische Selbstmedien und Baidu durchsuchen, finden Sie viele populärwissenschaftliche Artikel, die etwas beängstigend aussehen. Generell glaubt Yang Likun, dass die allgemeine Richtung der Technologie der künstlichen Intelligenz falsch ist und möglicherweise zurückgedrängt werden muss. Einige Leute, die Yann LeCun nicht kennen, denken vielleicht, dass die Aussage einer Person, die wie ein Chinese aussieht, im KI-Bereich für so großes Aufsehen sorgen könnte? Yann LeCun hat einen chinesischen Namen – Yang Likun, aber er ist ein Franzose.

Ich mag es nicht, solche Melonen direkt zu essen. Inländische Selbstmedien nehmen Zitate oft aus dem Kontext und interpretieren die Bemerkungen einiger Meister falsch, um Aufmerksamkeit zu erregen. Also ging ich zu Google und Twitter, um mir die Debatte zwischen Yang Likun und Marcus sowie die dazugehörigen Berichtsmaterialien genau anzusehen. Ich habe herausgefunden, dass diese inländischen Ansichten alle einem Artikel von Tiernan Ray entstammen, einem leitenden Autor bei ZDNET. Tiernan Ray ist seit 28 Jahren in der Technologie- und Wirtschaftsforschung tätig und ist in der Technologie-Risikokapitalbranche bekannt. Seine Artikel sind immer noch sehr einflussreich. Der Titel von Rays Artikel ist beängstigend genug – die meisten heutigen KI-Methoden werden nicht zu echter Intelligenz führen. Dieser Satz stammt tatsächlich aus dem Mund des großen Gottes Yann LeCun.

In einer Diskussion mit ZDNet über Zoom diesen Monat machte LeCun deutlich, dass er vielen der erfolgreichsten aktuellen Forschungswege im Bereich Deep Learning skeptisch gegenübersteht. „Ich denke, sie sind notwendig, aber nicht genug.“ Tatsächlich glaubte LeCun deutlich, dass statistikbasierte Algorithmen keine echte künstliche Intelligenz erreichen können, und als Medium hofft ZDNET definitiv auf eine spannendere Perspektive. Sie müssen einen Schritt zurücktreten und sagen: Okay, wir haben eine gebaut, aber unser Ziel ist es, zum Mond zu fliegen, diese Leiter wird uns nicht dorthin bringen, wir müssen eine Rakete bauen, und ich kann Ihnen die Details nicht sagen wie wir eine Rakete bauen, aber hier sind die Grundlagen. Den vollständigen Inhalt des Interviews finden Sie im Artikel auf der offiziellen ZDNET-Website (https://www.zdnet.com/article/metas-ai-guru-lecun-most-of-todays-ai-approaches-will -nie-zur-wahren-Intelligenz-führen/).

Wenn Sie auf Baidu nach LeCun suchen, können Sie viele chinesische Artikel sehen, die dieses Thema diskutieren. Den in diesen Artikeln wiedergegebenen Aussagen von LeCun nach zu urteilen, scheint LeCun der Ansicht zu sein, dass auf Statistiken basierende Deep-Learning-Algorithmen das ultimative Problem der KI nicht lösen können und dass wir einen Schritt zurücktreten und es noch einmal überdenken müssen. Denn LeCun äußerte einige Zweifel daran, wie man in KI-Anwendungen „Informationen misst“. In einem Interview mit ZDNET erwähnte er sogar, dass er symbolische Argumentationsfunktionen zu neuronalen Netzen hinzufügen wollte, aber er weiß immer noch nicht, wie er diese umsetzen soll.

Tatsächlich hängt dies mit dem Moravec-Paradoxon zusammen, das ich vor einiger Zeit erwähnt habe, und zwar mit ausreichender Schulung. Dies ist der Glaube der meisten Menschen, die heutzutage in der KI arbeiten, aber LeCun hat einiges gesagt bezweifelt dies und sagt, dass neuronale Netze nicht ausreichen. LeCun lehnte Marcus‘ Ansichten sehr ab. Er glaubte sogar, dass Marcus keine echte Person sei, die sich mit KI beschäftigte, sondern ein Psychologiewissenschaftler, der KI nicht verstand.

Dieses Interview hatte einen großen Einfluss auf den Bereich der KI. Sogar LeCun, der behauptet, ein Bayesianer zu sein, glaubt, dass der aktuelle Weg der KI-Erkundung falsch ist und er den Bau von Leitern aufgeben und stattdessen Raketen bauen sollte. Müssen wir also auch darüber nachdenken, alles abzureißen und von vorne zu beginnen? Dies ist nicht der Fall. LeCun hat kürzlich mehrere Tweets gepostet, in denen er wiederholt bekräftigt, dass er die Methoden neuronaler Netze und Statistiken nicht vollständig leugnet. Stattdessen ist er davon überzeugt, dass es kein Problem gibt.

In einem anderen Tweet nutzte LeCun „eine harte Woche für künstliche Intelligenz“, um seine schmerzhaften Gedanken auszudrücken. Vielleicht hat er im ZDNET-Interview doch etwas Pessimismus geäußert. Wir denken sogar darüber nach, ob Deep Learning echte KI erreichen kann. Aus einigen jüngsten Aussagen von LeCun geht hervor, dass er in letzter Zeit tatsächlich die technische Richtung der KI überdacht hat. Nach einer Woche des Nachdenkens ist er jedoch der Meinung, dass die aktuelle allgemeine Richtung, die auf tiefem Lernen basiert, richtig ist, aber überarbeitet werden muss . Völlig subversiv. Dies war auch ein Rückschlag für einige Selbstmedien, die dieses Thema in letzter Zeit hochgespielt haben. Es schien, als hätte sich der Geschmack der Melone plötzlich verändert, als ich sie aß. Die KI-Technologie muss nicht zum Ausgangspunkt zurückkehren und von vorne beginnen. Das ist keine gute Sache für Selbstmedien, aber für KI-Praktiker ist es nicht so schlecht. Um KI-Durchbrüche zu erzielen, müssen der aktuellen Deep-Learning-Technologie einige andere Technologien hinzugefügt werden. Daran besteht kein Zweifel.

Auch im Bereich der intelligenten Bedienung und Wartung können uns diese Debatten Inspiration bringen. Im Bereich der komplexen intelligenten Bedienung und Wartung haben Deep-Learning-Algorithmen große Erfolge erzielt und uns Hoffnung gegeben, Experten durch KI zu ersetzen. Doch das alles reicht nicht aus, denn auf dem Weg nach vorne scheint es einen Berg zu geben, der schwer zu erklimmen ist. So wie LeCun symbolische Argumentationsfunktionen in neuronale Netze einführen muss, benötigt auch der Bereich des intelligenten Betriebs und der intelligenten Wartung die Kombination von Deep Learning und symbolischem Denken, um effektiver zu sein.

Jede Vorstellung, dass auf Statistiken basierende Algorithmen alle Probleme lösen können oder dass eine echte Automatisierung von Betrieb und Wartung auf der Grundlage von Expertenerfahrungen erreicht werden kann, ist falsch. Wie man die Vorteile der beiden voll ausnutzt, eine funktionale Kombination aufbaut und die Cocktailtherapie nutzt, kann in komplexen Szenarien die richtige Richtung für intelligenten Betrieb und Wartung sein. Derzeit versuchen wir auch, uns nicht ausschließlich auf Wissensgraphen zu verlassen, sondern den Umfang intelligenter Algorithmen in den gesamten automatisierten Warn- und Diagnosetools zu erweitern, um den aktuellen Engpass zu überwinden und Probleme für Benutzer besser zu lösen.

Ich habe D-SMART vor einiger Zeit mit einem Kunden getestet. Er war der Meinung, dass das aktuelle D-SMART nicht praktisch genug ist. Eine intelligente Diagnose kann dem Betriebs- und Wartungspersonal zwar sagen, wie groß das ungefähre Ausmaß eines bestimmten Problems ist Seien Sie präzise. Gehen Sie auf bestimmte Probleme ein. Um eine genaue Lokalisierung durchzuführen, müssen Sie nacheinander auf die von der intelligenten Diagnose empfohlenen Diagnosepfade oder die von der Expertenwissensdatenbank bereitgestellten Diagnosevorschläge klicken, was etwas mühsam ist und manchmal die Genauigkeit der Problemlokalisierung nicht hoch genug ist.

In der Tat ist dies das größte Problem, auf das wir bisher gestoßen sind. Derzeit ist die Analyseunterstützung von D-SMART für einige einfache Probleme ziemlich gut, und die Schlussfolgerungen der intelligenten Diagnose reichen für das Betriebs- und Wartungspersonal aus. Wenn Sie auf komplexe Probleme stoßen, können Sie dem Betriebs- und Wartungspersonal weiterhin nur Orientierungshilfen geben und einen Drilldown gemäß dem empfohlenen Diagnosepfad durchführen.

Wenn der Benutzer ein sehr erfahrener Experte ist, ist es einfacher, Vorschläge zu erhalten und dem Experten schnell bei der Problemlokalisierung zu helfen. Wenn der Benutzer nicht über ausreichende Fähigkeiten verfügt oder mit einem bestimmten Problem nicht vertraut ist, kann es sein, dass er sich trotzdem ratlos fühlt. In diesem Fall empfehlen wir dem Benutzer normalerweise, eine „Problemanalyse“ durchzuführen und mir den Bericht zu senden, oder die Überwachungsdaten an dem Tag, an dem das Problem auftrat, über das Holadata-Tool zu exportieren und an uns zu senden, und wir werden aus der Ferne helfen die Analyse.

Das aktuelle AIOPS hat noch lange nicht das Stadium erreicht, in dem die Datenbank wirklich von Experten getrennt werden und Autonomie erlangen kann, daher ist der Aufbau eines Ökosystems aus Menschen und Werkzeugen der Schlüssel. Tools sind nicht allmächtig. Die leistungsstarken Datenverarbeitungsfunktionen, die Tools bieten, können die Analyseeffizienz von Experten verbessern. Nur durch die Interaktion zwischen First-Line- und Third-Line-Experten können wir bei Betrieb und Wartung wirklich gute Arbeit leisten. Und können sich Praktiker, die an der AIOPS-Arbeit beteiligt sind, auch von Yang Likuns Überlegungen inspirieren lassen?

Das obige ist der detaillierte Inhalt vonBeginnen wir mit der Debatte zwischen Yann LeCun und Marcus. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!