Comment faire en sorte que l'intelligence artificielle ait du bon sens comme les humains ?

Par rapport aux machines, les humains utilisent divers sens pour recevoir activement des informations de l'environnement qui les entoure et acquérir d'énormes quantités de connaissances dès leur plus jeune âge. Après avoir acquis une certaine part de bon sens, vous prendrez l'initiative de le classer, établissant ainsi un lien entre « connaissance » et « cognition ».

Mais les machines sont différentes des humains. Leur compréhension du monde dépend en grande partie de la quantité et de la qualité des données alimentées. Cependant, ce type d’apprentissage mécanique ne peut pas leur permettre de comprendre pleinement les liens entre les choses et les règles de fonctionnement spécifiques. Si nous voulons que la machine ressemble à un humain, nous devons les « connecter » artificiellement. Même si cela semble facile, la charge de travail réelle est assez énorme.

Il y a toujours eu une certaine controverse au sein de la communauté universitaire à propos de cette direction d'apprentissage. Une tendance est d'optimiser la structure existante et de combiner la structure neuronale développée avec le modèle actuel ; l'autre tendance est de la re-développer, de former l'intelligence artificielle à imiter les bébés humains pour apprendre des connaissances de base et de leur apprendre à acquérir activement des connaissances

.

Enseigner à l'IA à penser complètement comme les humains est évidemment difficile à réaliser en peu de temps. Par conséquent, l'orientation actuelle de la recherche et du développement est davantage orientée vers la culture en profondeur des champs verticaux afin qu'elle puisse maîtriser les connaissances et les règles de fonctionnement d'un. champ unique. Alors, pourquoi l’IA devrait-elle d’abord apprendre les connaissances scientifiques au lieu du bon sens dans notre cognition ?

Cela implique le domaine des mathématiques. Le fonctionnement de l’IA elle-même est basé sur des modèles mathématiques. D'un point de vue physique, le fonctionnement des formules permet à l'IA de déduire des trajectoires de mouvement pertinentes et de saisir les principes de réalisation de ce phénomène. Après apprentissage, il peut effectuer automatiquement des opérations similaires sans étiquettes. Bien entendu, même si elle est divisée en domaines individuels, la quantité de connaissances impliquées reste énorme.

Simplifier des problèmes complexes peut nous aider à résoudre plus rapidement les difficultés immédiates. Pour les gros problèmes difficiles à résoudre, nous pouvons les diviser en une série de petits problèmes, les aborder un par un et trouver les règles de base pour améliorer l'efficacité de la résolution des problèmes

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!