


Wissenschaft: Das Stellen dummer Fragen kann künstliche Intelligenz schnell intelligenter machen
Eine neue Studie der Stanford University zeigt, dass künstliche Intelligenz ihnen helfen kann, schlauer zu werden, indem sie ihnen scheinbar dumme Fragen stellt. Ein von Forschern entwickeltes neues System war bei der Beantwortung ähnlicher Fragen auf Instagram um 118 % genauer.
Was wäre, wenn dir jemand ein Bild eines Krokodils zeigen und dich fragen würde, ob es ein Vogel sei? Du könntest laut lachen. Eine neue Studie legt nahe, dass diese Interaktion, die uns albern erscheint, der Schlüssel zum Lernen künstlicher Intelligenz sein könnte.
In der Studie verbesserte dieser Ansatz die Genauigkeit der künstlichen Intelligenz bei der Interpretation neuer Bilder erheblich, was Entwicklern künstlicher Intelligenz dabei helfen könnte, schneller Programme zu entwickeln, die alles von der Diagnose von Krankheiten bis hin zur Steuerung von Robotern oder anderen Geräten zur Navigation im eigenen Zuhause erledigen funktioniert.
1. Lassen Sie die KI proaktiv Fragen stellen und Wissenslücken schließen.
Viele künstliche Intelligenzsysteme wählen eine Methode namens maschinelles Lernen, um sie intelligenter zu machen. Diese Methode verwendet eine große Anzahl von Datensätzen, um künstliche Intelligenz zu trainieren, was einen enormen Zeit- und Arbeitsaufwand erfordert. Das System analysiert beispielsweise Tausende Bilder von Möbeln, damit die KI herausfinden kann, wie ein Stuhl aussieht.
Aber auch riesige Datensätze weisen Lücken auf. Das Objekt im Bild könnte beispielsweise als Stuhl bezeichnet werden, aber woraus besteht es? Kannst du darauf sitzen? Diese Fragen können nicht bekannt sein.
Um künstlichen Intelligenzen dabei zu helfen, ihr Verständnis der Welt zu erweitern, versuchen Forscher nun, ein Computerprogramm zu entwickeln, das Wissenslücken einer KI aufspüren und durch Befragen von Fremden herausfinden kann, wie diese Lücken geschlossen werden können. KI stellt Fremden Fragen, die sie nicht versteht, und erwartet Antworten, so wie ein Kind seine Eltern fragt, warum der Himmel blau ist. Das ultimative Ziel der neuen Forschung besteht darin, künstliche Intelligenz in die Lage zu versetzen, eine Vielzahl von Fragen zu Bildern, die sie noch nie zuvor gesehen hat, richtig zu beantworten.
In früheren Untersuchungen zum Thema „aktives Lernen“ beurteilte die KI ihren eigenen Grad an Unwissenheit und forderte weitere Informationen an. Dieser Ansatz erfordert in der Regel, dass Forscher Online-Mitarbeiter für die Bereitstellung dieser Art von Informationen bezahlen, was sie in gewisser Weise unskalierbar macht.
In dieser neuen Studie haben Forscher der Stanford University unter der Leitung von Ranjay Krishna, einem Wissenschaftler an der Schnittstelle von Computer Vision und Mensch-Computer-Interaktion, ein maschinelles Lernsystem trainiert, um nicht nur Lücken im Wissen des Systems zu finden, sondern auch zu können Lernen Sie auch, indem Sie Fremden dumme Fragen stellen, wie zum Beispiel: „Welche Form hat das Waschbecken?“ um die Antworten zu erhalten. Das maschinelle Lernsystem fragte zum Beispiel: „Welches Dessert ist auf dem Bild?“ Der Fremde antwortete: „Es ist Kokosnusskuchen
▲Beispiel für eine Frage des maschinellen Lernsystems
2. Bilder posten, fragen.“ Fragen stellen und auf einmal lernen. 118 % Verbesserung der Genauigkeit
Kurt Gray, ein Sozialpsychologe an der University of North Carolina in Chapel Hill, sagte: „Eine Sache, die sehr wichtig ist, ist, darüber nachzudenken, wie die KI In diesem Fall möchten Sie, dass es wie ein Kind aussieht, nicht wahr?“ Andernfalls könnten die Leute denken, Sie seien ein Troll, weil die Fragen, die Sie stellen, lächerlich erscheinen. Sein Hauptforschungsinteresse gilt der menschlichen Interaktion mit künstlicher Intelligenz, an dieser Arbeit war er jedoch nicht beteiligt.
Das Team hat außerdem einen „Belohnungs“-Mechanismus für dieses System eingerichtet. Wenn die künstliche Intelligenz Antworten auf die Feedbackfragen der Menschen erhält, ermöglicht sie ihr wiederum, ihre internen Abläufe so anzupassen, dass sie damit verbundene Probleme effektiv bewältigen kann in der Zukunft. Auf dieser Grundlage kann die KI im Laufe der Zeit mehr über Sprache und soziale Normen lernen, sich selbst intelligenter machen und ihre Fähigkeit verbessern, Fragen zu stellen, die leicht zu beantworten und aussagekräftiger sind.
Diese neue Art künstlicher Intelligenz besteht aus mehreren Komponenten, darunter einigen neuronalen Netzen, komplexen mathematischen Funktionen, die von der Struktur des Gehirns inspiriert sind. „Sie bestehen aus vielen Teilen … die alle zusammenarbeiten müssen“, sagte Krishna. Einer würde ein Bild auf Instagram auswählen, beispielsweise einen Sonnenuntergang, und der zweite würde eine Frage zum Foto stellen, zum Beispiel: „War dieses Foto.“ Nachts aufgenommen?“ Der Rest des Abschnitts extrahiert Informationen aus den Antworten des Lesers und bietet Einblicke in den Inhalt des Bildes.
Der gestern in den Proceedings of the National Academy of Sciences veröffentlichte Bericht des Teams zeigt, dass sich die Genauigkeit des Systems bei der Beantwortung ähnlicher Fragen über einen Zeitraum von acht Monaten durch das Stellen von mehr als 200.000 Fragen auf Instagram um 118 % erhöhte. Und ein Vergleichssystem, das Fragen auf Instagram postete, aber nicht explizit darauf trainiert wurde, die Antwortquoten zu verbessern, verbesserte seine Genauigkeit nur um 72 Prozent, teilweise weil die Leute es häufiger ignorierten. 3. KI ist auch aufgerollt? Ergreifen Sie die Initiative und suchen Sie Hilfe bei Menschen
Jaques glaubt, dass die wichtigste Innovation ein System ist, das Menschen für die Beantwortung belohnt. „Aus technischer Sicht ist es nicht verrückt, aber aus Sicht der Forschungsrichtung ist es sehr wichtig, Fragen in großem Umfang auf Instagram zu posten.“ gibt auch Sie war beeindruckt. Alle von der KI generierten Fragen werden vor der Veröffentlichung von Menschen auf anstößige Inhalte überprüft.
Forscher hoffen, dass Systeme wie ihres irgendwann dazu beitragen werden, dass künstliche Intelligenz den gesunden Menschenverstand versteht, Roboter bei der aktiven Interaktion helfen, die Fähigkeit von Chat-Robotern verbessern, mit Menschen zu kommunizieren usw. Künstliche Intelligenz weiß beispielsweise, dass ein Stuhl aus Holz besteht Fragen stellen, künstliche Intelligenz von Staubsaugern einbetten, die nach dem Weg zur Küche fragen, Chatbots, die mit Leuten über Kundenservice oder das Wetter chatten, und mehr.
Soziale Fähigkeiten können der KI auch dabei helfen, sich schnell an neue Situationen anzupassen, sagte Jaques. Beispielsweise könnte ein selbstfahrendes Auto um Hilfe beim Navigieren in einer Baustelle bitten. „Wenn man effektiv von Menschen lernen kann, ist das eine sehr verbreitete Fähigkeit.“
Fazit: Dumme Fragen können die KI auf einen intelligenteren Weg führen
Menschen sind manchmal schockiert über die Lernfähigkeit künstlicher Intelligenz, wie zum Beispiel des Alpha-Hundes . Allerdings ist die Leistung künstlicher Intelligenz bei komplexen Problemen unbefriedigend und sie beantwortet häufig falsche Fragen.
Diese neue Forschung erkundet neue Wege des maschinellen Lernens und wird künstlicher Intelligenz dabei helfen, den gesunden Menschenverstand zu verstehen und intelligenter zu werden. Allerdings muss diese Technologie noch verifiziert werden, um die Fähigkeit der künstlichen Intelligenz zur Bewältigung komplexer Probleme zu verbessern.
Das obige ist der detaillierte Inhalt vonWissenschaft: Das Stellen dummer Fragen kann künstliche Intelligenz schnell intelligenter machen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
