AI の実装はなぜ常に難しいのでしょうか?
AI の実装が常に難しいのはなぜですか?なぜ人工知能はしばしば批判されるのでしょうか?これは SF 映画、SF 小説、ビデオゲーム、ニュースメディアなどが原因であると言う人もいます。この見方には一定の合理的な要素がありますが、誰もが無視しているもう 1 つのより重要な事実があります。 「人間と機械の環境「システム融合知能」」は、「人工知能 (または一部のアルゴリズム)」とよく誤解されます。
生命と機械は両方とも認知の媒体として使用できますが、認知の性質は異なります。 1 つは生命の認識であり、もう 1 つは機械の認識、つまり特定の人間の特定の物に対する認識です。人間と機械のインテリジェンスは方向性とリスクに焦点を当てますが、人間工学はプロセスと効率に焦点を当てます。コンピューティング - コンピューティング メカニズムの構築は、人間とコンピューターのハイブリッド インテリジェンスの画期的な進歩の鍵です。群知能の鍵は3体以上の協調論理の構築にあり、3体論理の構築は形式的計算論理の範囲を超えており、形式的計算論理体系の確立が必要である。
それが複雑であろうと単純であろうと、自動化された製品であろうとインテリジェントなシステムであろうと、地に足が着いて誰にでも受け入れられるものであれば、よく考えてみれば、その方が優れているということになります。安全性、効率性、快適性。これらの利点を得るために、人間、機械、環境システムのほとんどは、少なくとも特定の分野の単純な AI や特定の分野のインテリジェント アルゴリズムではなく、比較的調和しています。以前、「知能の本質はデータアルゴリズムの計算能力や知識ではないようだ」という記事を書き、それらを生み出す仕組みこそが生きた知能の源であることを強調しましたが、今回も「 」についてお話します。 「才能」は依然として「魂」のない「ロボット」かもしれません。その理由は依然として無味乾燥な「アルゴリズム」によって引き起こされます。メロンはありません、脳(のようなもの)はありますが心はありません、形はありますが意図はありません、存在します。目玉がない…可能性の輪の中をぐるぐる回ることしかできないが、不可能な世界を探求することはできない 探求はあっても家族の類似の範囲内でしかない 遠く離れたまま川底で跳ねる家族以外の実際の類似点については無知です。人間とコンピュータ環境システムの相互作用に加えて、2 番目の側面は、深い状況認識の理解と消化です。たとえば、多くの状況では、時間と空間の間の登録と修正だけがわかっていますが、状況間の調整は理解されていません、可能性、感覚、知識 正確さと修正; 非調整距離の歪み解だけを知っているが、協力距離の曖昧な拡張を忘れている; 周波数と変数だけを知っていて、異常、電位の変化、感覚の変化については考えていない、変化する知識と柔軟性; データチェーンと情報チェーンのみを知っており、ファクトチェーンとバリューチェーン、さらには状態チェーン、ポテンシャルチェーン、センスチェーン、知識チェーンが絡み合って重ね合わされて形成される人間と機械の環境システムチェーンさえ考慮していない; 均質で均一かつ逐次的な状況認識の単一の変調のみを知っており、異質で不均一かつランダムな状況認識のより重要なマルチレベル配列、および最初に感知して後で知るという高速な機動性は無視されます。最初に感知してから知るという正確な柔軟性、および状況、可能性、感覚、知識の間の自己相関相互相関変換確率、機械のモデルではなく人間モデルのモデルのみを知る、シミュレーション検証のみを知る構造上の問題であり、実戦での性能は重視しません。理由 3: 何かが起こると、私たちは意識的または無意識的に、それを今起こったこと、または時々自分の周りで深い印象を与えられたことと関連付け、自分自身の「因果関係」の状況マップ (単なる地図ではありません) を確立します。確かに、関連性のあるものは客観的な事実のつながりと呼ばれ、ありそうなものは可能性のつながりと呼ばれ、無関係なものは主観的な意図的なつながりと呼ばれます...生活の中で頻繁に発生するこれらのつながりはすべて、知的な認知の構成要素です。プログラム可能な部分は AI と呼ばれることが多いですが、可能性相関と主観的意図性相関は除外され、これら 2 つはパーソナライズされた知能の柔軟性の重要な要素です。つまり、AI アルゴリズムを使用して、人間と機械の環境における複雑なシステムの問題を単純化したいと考えています。私たちは状況認識だけを知っていますが、深い状況認識については理解していません。風、馬、牛の間のワームホールの関係を無視しています。 3 つの問題も AI によって引き起こされる可能性がある 軌道に乗るのはいつも大変です!
DARPAの無人機対有人無人機「ドッグファイト」テストが終了したところですが、興奮のあと、テスト後のレビューを見る限り、AIの勝利の鍵はその強い攻撃性と射撃精度にあります。問題は主に判断ミスにある。米軍の試験官らによると、試験中のAIシステムは戦闘機の基本的な操縦でミスをすることが多く、人間の敵機が進むと思われる方向にAIが機体を揺さぶったことが何度もあったという。人間の判断を誤ることが判明したパイロットの思い。これを理解するのは難しいことではありません。人間のパイロットは相手の意図を判断する際にミスをすることがよくあります。さらに、AI システムに欠けているのは創造的な戦術を理解する能力です。そのようなミスが発生するのも不思議ではありません。」しかし、その「優れたターゲティング能力」と相手航空機を追跡する能力により、AIは依然として人間のパイロットに対して全体的な優位性を維持することができ、最終的にはコンピュータシステムが対立全体で優位に立った。
つまり、ドローンAIは「状態」の正確性や「感覚」の速さには優位性がありますが、「可能性」の判断や「知識」の予測にはまだ優位性がありません。将来の有人航空機パイロットには、偽の動き (ジョーダン、コービー、ジェームスなど) やルール違反 (孫子、諸葛亮、蘇游など) にもっと取り組むことをお勧めします。ルールがなければ、すべてのアルゴリズムと (数学的) モデルは境界、条件、制約を失い、すべての計算はもはや正確で信頼できなくなります。確率式が計算から占いに変わると、機械の利点はそれほど良くなくなる可能性があります。バー? !
人間は価値に基づいた意思決定を行い、単に損得を計算するのではなく、大きな善悪を議論しますが、機械は事実に基づいた意思決定を行い、正しいか間違っているかではなく、利益と損失の加算と減算を議論します。状態と潜在力の関係、感覚と知識の関係はいずれも量的・定性的な関係であり、その中の「潜在力」とは一定期間内の最大の可能性を指します。 「可能性」にあるものはすべて「状態」にあり、「知識」にあるものはすべて「感情」にあります。たった一つの火花が草原の火を起こす可能性があると言えます。目的が明確であれば、制御ユニットや機器から構成される大きなシステムを備えたゲームでは、対戦相手は機器を操作する人やシステムを設計・制御する人ではなく、対応するシステムでなければならない、あるいはそうすることしかできません。この点において、私たちには大きな弱点があります。重要なのは、開発環境における長期、中期、短期の目標が動的に変化すると、目標が不明確になったり、曖昧になったりする可能性があるということです。
今日の人工知能は高速列車のようなもので、非常に速いですが軌道が必要です。本当の知能は飛行機のようなものであるべきで、目的地に到達できる限り、特定の軌道は必要ありません。トラックまたはルート。状況認識の誤りは、姿勢、状況、認識、知識の誤りに分けられ、また、事実/価値の誤りにも分けられます。兵器への人工知能の適用は主にマシン間のタスク処理と武器のリアルタイムの再照準に反映されており、典型的な「サービスプロバイダー」への影響のこの優先順位付けは戦術レベルで実行され、サービスプロバイダーの能力に依存します。インテリジェントなマシン 戦場全体からのデータを消化して分析するかどうか。実際、将来の有人対無人の対立の焦点と難しさは、人間と機械の機能の分配において、事実と貴重なデータ、情報、知識、責任、意図、感情を混合/統合した順序で処理することになるでしょう。
以上がAI の実装はなぜ常に難しいのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

7月5日のこのウェブサイトのニュースによると、グローバルファウンドリーズは今年7月1日にプレスリリースを発行し、自動車とインターネットでの市場シェア拡大を目指してタゴール・テクノロジーのパワー窒化ガリウム(GaN)技術と知的財産ポートフォリオを買収したことを発表した。モノと人工知能データセンターのアプリケーション分野で、より高い効率とより優れたパフォーマンスを探求します。生成 AI などのテクノロジーがデジタル世界で発展を続ける中、窒化ガリウム (GaN) は、特にデータセンターにおいて、持続可能で効率的な電力管理のための重要なソリューションとなっています。このウェブサイトは、この買収中にタゴール・テクノロジーのエンジニアリングチームがGLOBALFOUNDRIESに加わり、窒化ガリウム技術をさらに開発するという公式発表を引用した。 G
