


Point de vue d'expert : la possibilité de l'intelligence artificielle générale
L’un des défis liés au suivi de l’actualité concernant les développements dans le domaine de l’intelligence artificielle est que le terme « intelligence artificielle » est souvent utilisé sans discernement pour désigner deux choses sans rapport.
La première utilisation du terme IA était plus précisément appelée Narrow AI. C'est une technique puissante, mais elle est aussi très simple : vous prenez un tas de données sur le passé, vous utilisez un ordinateur pour les analyser et trouver des modèles, puis vous utilisez cette analyse pour prédire l'avenir. Ce type d’IA touche nos vies plusieurs fois par jour car elle filtre le spam de nos e-mails et nous dirige dans le trafic. Mais comme il est formé sur des données passées, il ne fonctionne que là où le futur est similaire au passé. C'est pourquoi il peut reconnaître les chats et jouer aux échecs, car ils ne changent pas d'un jour à l'autre à un niveau basique.
Une autre utilisation du terme IA est de décrire ce que nous appelons l'IA générale, ou communément appelée AGI. Sauf dans la science-fiction, ça n'existe pas, et personne ne sait comment le faire. L’intelligence artificielle générale est un programme informatique aussi intelligent et polyvalent que les humains. Il peut apprendre des choses complètement nouvelles pour lesquelles il n’a jamais été formé auparavant.
La différence entre l'IA étroite et l'IA générale
Dans les films, AGI est Data dans "Star Trek", C-3PO dans "Star Wars" et les réplicants dans "Blade Runner". Bien qu’il puisse sembler intuitivement que l’IA étroite est la même chose que l’IA générale, mais une mise en œuvre moins mature et complexe, ce n’est pas le cas. L’IA générale est différente. Par exemple, l’identification du spam n’équivaut pas, sur le plan informatique, à une véritable créativité, ce que l’intelligence générale peut faire.
J'ai déjà animé un podcast sur l'intelligence artificielle intitulé "Voices in Artificial Intelligence". C'est intéressant parce que la plupart des grands praticiens scientifiques sont accessibles et disposés à participer à des podcasts. Je me suis donc retrouvé avec plus de 100 grands penseurs de l’IA ayant une discussion approfondie sur ce sujet. Il y a deux questions que je pose à la plupart des invités. La première question était : « L’intelligence artificielle générale est-elle possible ? Presque tout le monde – à seulement quatre exceptions près – a dit que c’était possible ? Ensuite, je leur demande quand nous pourrons le construire. Les réponses varient, certaines sont disponibles dans un délai de cinq ans et d’autres jusqu’à 500 ans.
Pourquoi ?
Pourquoi presque tous nos invités disent que l'intelligence artificielle générale est possible, mais fournissent des estimations aussi larges du moment où nous y parviendrons ? Je ne sais pas comment développer une intelligence générale, donc votre supposition est aussi bonne que celle de n'importe qui d'autre.
"Mais attendez !", pourriez-vous dire : "Si nous ne savons pas comment y parvenir, pourquoi les experts sont-ils massivement d'accord sur le fait que c'est possible ?" que nous construirons des machines véritablement intelligentes. Ceci est basé sur une conviction fondamentale : parce que nous sommes des machines, le raisonnement est comme ça et que nous avons une intelligence générale, il est nécessaire de construire des machines avec une intelligence générale est possible
L'homme contre. Machine
Ce qui est sûr, c'est que si les humains sont des machines, alors ces experts ont raison : l'intelligence générale est non seulement possible, mais inévitable. Cependant, s'il s'avère que les humains sont plus que de simples machines, alors quelque chose chez les gens pourrait ne pas l'être. reproductible dans le silicium
Il est intéressant de voir le décalage entre ces centaines d'experts en IA et tout le monde lorsque je parle à un public général sur ce sujet et que je leur demande qui environ 15 % des gens lèvent la main lorsqu'ils pensent qu'ils sont une machine, en comparaison. à 96% pour les experts en IA
Sur mon podcast, mes invités pointent généralement du doigt lorsque je réfute cette hypothèse sur la nature de l'intelligence humaine. Je suis - très poliment bien sûr - obsédé par un certain type de pensée magique qui est anti-science. à la base. "Que serions-nous sinon des machines biologiques ?"
C'est une question juste et importante que nous connaissons uniquement à propos de l'univers. Comment pourrions-nous avoir une telle créativité ? Nous ne le savons vraiment pas
L'intelligence est un super pouvoir
Essayez de vous souvenir de la couleur de votre premier vélo ou du nom de votre professeur de première année. Peut-être que vous n'avez pensé à aucune de ces choses depuis des années, mais votre cerveau n'en a probablement pas. du mal à les récupérer quand on considère que les "données" ne sont pas comme être stockées sur un disque dur. C'est encore plus impressionnant quand elles sont stockées dans votre cerveau comme ça, en fait, nous ne savons pas comment elles sont stockées, et nous pourrions le découvrir. dans chacun des 100 milliards de neurones de votre cerveau. Aussi complexe que nos superordinateurs les plus avancés
Mais c’est là que le secret de notre intelligence se complique. Il s’avère que nous avons quelque chose qu’on appelle un esprit, qui est différent d’un cerveau. Tout ce que les trois kilos de glu dans votre tête peuvent faire, comme avoir le sens de l'humour ou tomber amoureux, c'est ce qu'il semble que ce n'est pas censé faire, et votre foie non plus. Mais d'une manière ou d'une autre, vous l'avez fait
.Nous ne sommes même pas sûrs que l’esprit soit simplement un produit du cerveau. De nombreuses personnes perdent jusqu'à 95 % de leur cerveau à la naissance, mais possèdent toujours une intelligence normale et ne découvrent souvent leur état qu'après un test de diagnostic plus tard dans la vie. De plus, il semble qu’une grande partie de notre intelligence ne soit pas stockée dans notre cerveau mais soit distribuée dans tout notre corps.
Intelligence artificielle générale : la complexité de la conscience
Bien que nous ne comprenions pas le cerveau ou l'esprit, cela devient en fait plus difficile à partir de là : l'intelligence générale nécessite très probablement la conscience. La conscience est votre expérience du monde. Un thermomètre peut vous indiquer la température avec précision, mais il ne fait pas chaud. La différence entre connaître et expérimenter réside dans la conscience, et nous avons peu de raisons de croire qu’un ordinateur puisse expérimenter le monde comme une chaise.
Alors maintenant, nous avons un cerveau que nous ne pouvons pas comprendre, un esprit que nous ne pouvons pas expliquer, et quant à la conscience, nous n’avons même pas de bonne théorie pour expliquer comment une simple matière peut éventuellement vivre une expérience. Cependant, malgré cela, les partisans de l’IA de l’AGI croient que nous pouvons reproduire toutes les capacités humaines dans les ordinateurs. Cela me semble être une pensée magique.
Je ne dis pas cela pour minimiser les convictions de qui que ce soit. Ils ont probablement raison. Je pense simplement que l’idée d’une intelligence artificielle générale est une hypothèse non prouvée plutôt qu’une vérité scientifique évidente. Construire une telle créature puis contrôler ses désirs est un rêve ancien de l’humanité. Dans les temps modernes, il existe depuis des siècles, commençant peut-être avec Frankenstein de Mary Shelley et se manifestant ensuite dans les 1 000 histoires qui ont suivi. Mais c’est en réalité bien plus ancien que ça. Nous avons imaginé cela dès que nous écrivons, comme l'histoire de Talos, un robot créé par Héphaïstos, le dieu grec de la technologie, pour défendre l'île de Crète.
Quelque part au plus profond de nous aspire à créer cette créature et à contrôler son incroyable pouvoir, mais jusqu'à présent, il n'y a aucun signe que nous y parvenions réellement.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
