


16 grands universitaires débattent de l'AGI ! Marcus, le père du LSTM et le lauréat de la MacArthur Genius Grant se sont réunis
Après une interruption d'un an, le débat annuel sur l'intelligence artificielle organisé par Montréal.AI et le professeur émérite Gary Marcus de l'Université de New York est revenu vendredi soir dernier et s'est à nouveau tenu sous forme de conférence en ligne comme en 2020.
Le débat de cette année – AI Debate 3 : The AGI Debate – se concentre sur le concept d’intelligence artificielle générale, c’est-à-dire des machines capables d’intégrer d’innombrables capacités de raisonnement proches de celles de l’humain.
Lien vidéo : https://www.youtube.com/watch?v=JGiLz_Jx9uI&t=7s
Cette discussion dure trois heures et demie et se concentre sur cinq sujets liés à l'artificiel Intelligence Expansion du sujet : Cognition et neurosciences, bon sens, architecture, éthique et moralité, et politique et contribution.
En plus de nombreux grands noms du domaine de l'informatique, 16 experts, dont le neuroscientifique computationnel Konrad Kording, ont également participé.
Cet article résume brièvement les points de vue de cinq des grands lecteurs intéressés peuvent regarder la vidéo complète via le lien ci-dessus.
Modérateur : Marcus
En tant que critique bien connu, Marcus a cité son article dans le New Yorker "L'apprentissage profond est-il une révolution dans le développement de l'intelligence artificielle ?" 》, a encore une fois versé de l'eau froide sur le développement de l'IA.
Marcus a déclaré que contrairement à la vague d'enthousiasme pour l'intelligence artificielle qui a duré une décennie après que l'équipe de Li Feifei a publié avec succès ImageNet, les "souhaits" de construire des machines omnipotentes ne se sont pas réalisés.
Dileep George, neuroscientifique de DeepMind
Dileep George, neuroscientifique de Google DeepMind, a un jour proposé un concept appelé "innéité".
En termes simples, ce sont certaines idées qui sont « intégrées » dans l'esprit humain.
Alors pour l’intelligence artificielle, faut-il accorder plus d’attention à l’innéité ?
À cet égard, George a déclaré que tout type de croissance et de développement depuis un état initial jusqu'à un certain état stable implique trois facteurs.
Le premier est la structure interne dans l'état initial, le second est les données d'entrée et le troisième est la loi naturelle universelle.
"Il s'avère que les structures innées jouent un rôle remarquable dans chaque domaine que nous découvrons."
Pour ce qui est considéré comme des exemples classiques d'apprentissage, comme l'acquisition du langage, une fois que vous commencerez à le démonter, vous découvrirez que les données n’ont presque aucun impact sur celui-ci.
La langue n'a pas changé depuis l'aube de l'homme, comme en témoigne le fait que n'importe quel enfant, quelle que soit sa culture, peut la maîtriser.
George pense que le langage deviendra le cœur de l'intelligence artificielle, nous donnant l'opportunité de comprendre ce qui fait des humains une espèce si unique.
Professeur Yejin Choi de l'Université de Washington
Professeur d'informatique à l'Université de Washington Yejin Choi prédit que les performances de l'IA deviendront de plus en plus étonnantes au cours des prochaines années.
Mais comme on ne connaît pas la profondeur du réseau, ils continueront à faire des erreurs sur les cas contradictoires et corner.
"Pour les machines, la matière noire du langage et de l'intelligence peut relever du bon sens."
Bien sûr, la matière noire mentionnée ici est quelque chose de facile pour les humains mais difficile pour les machines.
Jürgen Schmidhuber, le père du LSTM
Marcus a déclaré que nous pouvons désormais obtenir une grande quantité de connaissances à partir de grands modèles de langage, mais qu'en fait ce paradigme doit être transformé. Parce que le modèle de langage est en réalité « privé » de plusieurs types d’entrée.
Jürgen Schmidhuber, directeur du laboratoire suisse d'intelligence artificielle IDSIA et père du LSTM, a répondu : "La plupart de ce dont nous avons discuté aujourd'hui, du moins en principe, a été résolu il y a de nombreuses années grâce aux 'réseaux de neurones universels'." Le système est « moins qu’humain ».
Schmidhuber a déclaré qu'à mesure que la puissance de calcul devient moins chère toutes les quelques années, la « vieille théorie » revient. "Nous pouvons faire beaucoup de choses avec ces anciens algorithmes que nous ne pouvions pas faire à l'époque."
Ensuite, Francesca Rossi, chercheuse chez IBM, a posé une question à Schmidhuber : "Comment voyons-nous les systèmes qui n'ont toujours pas la fonctionnalité que nous voulons ? Qu'en pensez-vous ? Ces technologies définies ne sont toujours pas entrées dans le système actuel ? »
À cet égard, Schmidhuber estime que le principal problème est le coût de calcul :
Premièrement, il peut également apprendre des algorithmes d’apprentissage. La grande question est de savoir quels algorithmes peut-il apprendre ? Nous aurons peut-être besoin de meilleurs algorithmes. Options pour améliorer les algorithmes d'apprentissage.
Le premier système de ce type est apparu en 1992. J'ai écrit mon premier article en 1992. Nous ne pouvions pas faire grand-chose à ce moment-là. Aujourd'hui, nous pouvons avoir des millions et des milliards de poids.
Des travaux récents avec mes étudiants ont montré que ces anciens concepts, avec quelques améliorations ici et là, fonctionnent soudainement très bien et que l'on peut apprendre de nouveaux algorithmes d'apprentissage qui sont meilleurs que la rétropropagation.
Jeff Clune, professeur agrégé d'informatique à l'Université de la Colombie-Britannique
Jeff Clune, professeur agrégé d'informatique à l'Université de la Colombie-Britannique, a discuté du sujet "Algorithmes générateurs d'IA : le chemin le plus rapide vers l'AGI".
Clune a déclaré que l'intelligence artificielle d'aujourd'hui suit un « chemin artificiel », ce qui signifie que diverses règles d'apprentissage, fonctions objectives, etc. doivent être complétées manuellement par les humains.
À cet égard, il estime que dans la pratique future, les méthodes de conception manuelles finiront par céder la place à la génération automatique.
Par la suite, Clune a proposé les « trois piliers » pour promouvoir le développement de l'IA : l'architecture de méta-apprentissage, les algorithmes de méta-apprentissage et la génération automatique d'environnements et de données d'apprentissage efficaces.
Ici, Clune suggère d'ajouter un « quatrième pilier », qui consiste à « utiliser les données humaines ». Par exemple, les modèles exécutés dans l'environnement Minecraft peuvent réaliser des « énormes améliorations » en apprenant à partir de vidéos d'humains jouant au jeu.
Enfin, Clune prédit que nous avons 30 % de chances d’atteindre l’AGI d’ici 2030, et cela ne nécessite pas de nouveau paradigme.
Il convient de noter que l'AGI est ici définie comme « la capacité d'accomplir plus de 50 % du travail humain ayant une valeur économique ».
Pour résumer
À la fin de la discussion, Marcus a demandé à tous les participants de répondre à une question dans les 30 secondes : "Si vous pouvez donner un conseil aux étudiants, par exemple, quel problème d'intelligence artificielle nous devons étudier le plus maintenant, Ou comment se préparer à un monde où l'intelligence artificielle devient de plus en plus courante et centrale ? des véritables défis clés auxquels nous sommes confrontés, en abordant des défis tels que la robustesse, la généralisation et l'interprétabilité de manière plus large. » George a donné des conseils du point de vue de l'orientation de la recherche : « Déterminez d'abord l'échelle dans laquelle vous souhaitez vous engager. La recherche chimique ou la recherche fondamentale, car elles ont des trajectoires différentes. »
Clune : "L'AGI arrive. Ainsi, pour les chercheurs développant l'IA, je vous encourage à vous engager dans des technologies basées sur l'ingénierie, les algorithmes, le méta-apprentissage, l'apprentissage de bout en bout, etc., car ce sont les plus susceptibles de être absorbé dans l'AGI que nous créons. Pour les chercheurs non-IA, la question la plus importante est peut-être la gouvernance. Par exemple, quelles sont les règles lors du développement de l'AGI et comment amener les chercheurs du monde entier à suivre cet ensemble de règles ?
Marcus a conclu la soirée en rappelant ce qu'il avait dit lors du débat précédent : "Il faut tout un village pour construire l'intelligence artificielle."
"Je pense que c'est encore plus vrai maintenant", a-t-il déclaré. "Avant, AI était un enfant, mais maintenant c'est un peu comme un adolescent turbulent qui n'a pas encore complètement développé son jugement mature."
Il a conclu : "Ce moment est à la fois excitant et dangereux."
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)

Lors de la conversion des chaînes en objets dans vue.js, JSON.Parse () est préféré pour les chaînes JSON standard. Pour les chaînes JSON non standard, la chaîne peut être traitée en utilisant des expressions régulières et réduisez les méthodes en fonction du format ou du codé décodé par URL. Sélectionnez la méthode appropriée en fonction du format de chaîne et faites attention aux problèmes de sécurité et d'encodage pour éviter les bogues.

Vue et Element-UI Boîtes déroulantes en cascade Points de fosse de liaison V-model: V-model lie un tableau représentant les valeurs sélectionnées à chaque niveau de la boîte de sélection en cascade, pas une chaîne; La valeur initiale de SelectOptions doit être un tableau vide, non nul ou non défini; Le chargement dynamique des données nécessite l'utilisation de compétences de programmation asynchrones pour gérer les mises à jour des données en asynchrone; Pour les énormes ensembles de données, les techniques d'optimisation des performances telles que le défilement virtuel et le chargement paresseux doivent être prises en compte.

Traiter efficacement 7 millions d'enregistrements et créer des cartes interactives avec la technologie géospatiale. Cet article explore comment traiter efficacement plus de 7 millions d'enregistrements en utilisant Laravel et MySQL et les convertir en visualisations de cartes interactives. Exigences initiales du projet de défi: extraire des informations précieuses en utilisant 7 millions d'enregistrements dans la base de données MySQL. Beaucoup de gens considèrent d'abord les langages de programmation, mais ignorent la base de données elle-même: peut-il répondre aux besoins? La migration des données ou l'ajustement structurel est-il requis? MySQL peut-il résister à une charge de données aussi importante? Analyse préliminaire: les filtres et les propriétés clés doivent être identifiés. Après analyse, il a été constaté que seuls quelques attributs étaient liés à la solution. Nous avons vérifié la faisabilité du filtre et établi certaines restrictions pour optimiser la recherche. Recherche de cartes basée sur la ville

Résumé: Il existe les méthodes suivantes pour convertir les tableaux de chaîne Vue.js en tableaux d'objets: Méthode de base: utilisez la fonction de carte pour convenir à des données formatées régulières. Gameplay avancé: l'utilisation d'expressions régulières peut gérer des formats complexes, mais ils doivent être soigneusement écrits et considérés. Optimisation des performances: Considérant la grande quantité de données, des opérations asynchrones ou des bibliothèques efficaces de traitement des données peuvent être utilisées. MEILLEUR PRATIQUE: Effacer le style de code, utilisez des noms de variables significatifs et des commentaires pour garder le code concis.

Afin de définir le délai d'expiration de Vue Axios, nous pouvons créer une instance AxiOS et spécifier l'option Timeout: dans les paramètres globaux: vue.prototype. $ Axios = axios.create ({timeout: 5000}); Dans une seule demande: ce. $ axios.get ('/ api / utilisateurs', {timeout: 10000}).

L'article présente le fonctionnement de la base de données MySQL. Tout d'abord, vous devez installer un client MySQL, tel que MySQLWorkBench ou le client de ligne de commande. 1. Utilisez la commande MySQL-UROot-P pour vous connecter au serveur et connecter avec le mot de passe du compte racine; 2. Utilisez Createdatabase pour créer une base de données et utilisez Sélectionner une base de données; 3. Utilisez CreateTable pour créer une table, définissez des champs et des types de données; 4. Utilisez InsertInto pour insérer des données, remettre en question les données, mettre à jour les données par mise à jour et supprimer les données par Supprimer. Ce n'est qu'en maîtrisant ces étapes, en apprenant à faire face à des problèmes courants et à l'optimisation des performances de la base de données que vous pouvez utiliser efficacement MySQL.

Ingénieur backend à distance Emploi Vacant Société: Emplacement du cercle: Bureau à distance Type d'emploi: Salaire à temps plein: 130 000 $ - 140 000 $ Description du poste Participez à la recherche et au développement des applications mobiles Circle et des fonctionnalités publiques liées à l'API couvrant l'intégralité du cycle de vie de développement logiciel. Les principales responsabilités complètent indépendamment les travaux de développement basés sur RubyOnRails et collaborent avec l'équipe frontale React / Redux / Relay. Créez les fonctionnalités de base et les améliorations des applications Web et travaillez en étroite collaboration avec les concepteurs et le leadership tout au long du processus de conception fonctionnelle. Promouvoir les processus de développement positifs et hiérarchiser la vitesse d'itération. Nécessite plus de 6 ans de backend d'applications Web complexe

L'optimisation des performances MySQL doit commencer à partir de trois aspects: configuration d'installation, indexation et optimisation des requêtes, surveillance et réglage. 1. Après l'installation, vous devez ajuster le fichier my.cnf en fonction de la configuration du serveur, tel que le paramètre innodb_buffer_pool_size, et fermer query_cache_size; 2. Créez un index approprié pour éviter les index excessifs et optimiser les instructions de requête, telles que l'utilisation de la commande Explication pour analyser le plan d'exécution; 3. Utilisez le propre outil de surveillance de MySQL (ShowProcessList, Showstatus) pour surveiller la santé de la base de données, et sauvegarde régulièrement et organisez la base de données. Ce n'est qu'en optimisant en continu ces étapes que les performances de la base de données MySQL peuvent être améliorées.
