“만약 누군가가 (딥 러닝이) 벽에 부딪쳤다고 말한다면 그들이 해야 할 일은 딥 러닝이 할 수 없는 일의 목록을 만드는 것뿐입니다. 5년 안에 우리는 딥 러닝이 그것을 해낸다는 것을 증명할 수 있을 것입니다.
6 3월 1일, 은둔 생활을 하고 있는 Geoffrey Hinton이 UC Berkeley 교수 Pieter Abbeel의 팟캐스트에 게스트로 출연했습니다. 두 사람은 Masked Auto-Encoders, AlexNet, Spiking Neural Network 등에 관해 90분간 대화를 나눴습니다.
쇼에서 힌튼은 "딥러닝이 벽에 부딪쳤다"는 견해에 대해 분명히 의문을 제기했습니다.
"딥 러닝이 벽에 부딪혔다"는 말은 유명한 AI 학자 게리 마커스(Gary Marcus)가 지난 3월에 쓴 글에서 나온 것입니다. 정확히 말하면 '순수한 엔드투엔드 딥러닝'은 거의 종말에 이르렀고 AI 분야 전체가 새로운 탈출구를 찾아야 한다고 본다.
출구는 어디인가요? Gary Marcus에 따르면 기호 처리에는 큰 미래가 있습니다. 그러나 이 견해는 커뮤니티에서 심각하게 받아들여진 적이 없습니다. Hinton은 이전에도 "기호 처리 방법에 대한 투자는 큰 실수입니다."라고 말했습니다.
Hinton의 팟캐스트 공개 "반박"은 분명히 Gary Marcus의 관심을 끌었습니다.
12시간 전에 Gary Marcus는 Twitter에서 Geoffrey Hinton에게 공개 서한을 보냈습니다.
편지에는 다음과 같이 적혀 있었습니다. "저는 Geoffrey Hinton이 도전적인 직업을 찾고 있다는 것을 알았습니다. 목표. 저는 실제로 그런 글을 썼습니다. Ernie Davis의 도움으로 목록에 올랐고 지난주에 Musk에 100,000달러를 베팅했습니다. "
여기 Musk에 무슨 일이 일어나고 있나요? 그 이유는 5월 말 트윗에서 시작된다.
오랫동안 사람들은 AGI를 A Space Odyssey(HAL) 및 Iron Man(JARVIS)과 같은 영화에 묘사된 일종의 AI로 이해해 왔습니다. 특정 작업을 위해 훈련된 현재 AI와 달리 AGI는 인간의 두뇌와 유사하게 작업을 완료하는 방법을 학습할 수 있습니다.
대부분의 전문가는 AGI가 달성하는 데 수십 년이 걸릴 것이라고 믿는 반면, 일부 전문가는 이 목표가 결코 달성되지 않을 것이라고 믿습니다. 해당 분야 전문가를 대상으로 한 조사에서는 2099년까지 AGI 달성 확률이 50%로 추정됐다.
반면에 머스크는 더욱 낙관적인 모습을 보이며 트위터에 공개적으로 다음과 같이 표현했습니다. "2029년은 중요한 해입니다. 그때까지 AGI를 달성하지 못했다면 놀랄 것입니다. 화성 사람들도 그러기를 바랍니다." ."
동의하지 않는 게리 마커스는 재빠르게 "얼마나 베팅할 의향이 있나요?"라고 물었다.
머스크는 이 질문에 답하지 않았지만 게리 마커스는 계속해서 "당신은 설정할 수 있습니다. Long Bets의 게임이고 금액은 $100,000입니다.
Gary Marcus의 견해에 따르면 머스크의 관련 견해는 신뢰할 수 없습니다. “예를 들어, 당신은 2015년에 완전 자율주행차를 달성하는 데 2년이 걸릴 것이라고 말했고 그 이후로 거의 매년 같은 말을 했습니다. , 완전 자율주행은 아직 실현되지 않았습니다."
AGI가 내기로 실현될 수 있는지 테스트하기 위한 다섯 가지 기준도 다음과 같이 적었습니다.
6월 6일 Gary Marcus는 Scientific American에 기사를 게재하여 자신의 관점을 반복했습니다. AGI는 가까이 있지 않습니다.
일반인이 보기에는 인공지능 분야에서 엄청난 발전이 이루어지고 있는 것처럼 보입니다. 언론 보도 중: OpenAI의 DALL-E 2는 모든 텍스트를 이미지로 변환할 수 있는 것으로 보이며, GPT-3는 전지하며, 5월에 출시된 DeepMind의 Gato 시스템은 모든 작업에서 좋은 성능을 발휘합니다... DeepMind의 한 고위 임원은 심지어 시작했다고 자랑하기도 했습니다. 인공일반지능(AGI)을 향한 탐구, 인간과 같은 수준의 지능을 갖춘 AI...
속지 마세요. 기계는 언젠가는 인간만큼 똑똑해질 수도 있고, 어쩌면 더 똑똑해질 수도 있지만, 오늘날에는 그렇지 않습니다. 현실 세계를 진정으로 이해하고 추론하는 기계를 만들기 위해서는 아직 해야 할 일이 많습니다. 지금 우리에게 정말로 필요한 것은 자세를 낮추고 보다 기초적인 연구를 하는 것입니다.
확실히 AI는 일부 영역에서 실제로 진전을 보이고 있습니다. 합성 이미지는 점점 더 사실적으로 보이고, 음성 인식은 시끄러운 환경에서도 작동할 수 있습니다. 하지만 보편적인 인간 수준의 AI에는 아직 갈 길이 멀습니다. 예를 들어, 인공지능은 아직 기사와 영상의 진정한 의미를 이해하지 못하며 예상치 못한 장애물과 방해를 처리하지도 못합니다. 우리는 AI를 신뢰할 수 있게 만드는 AI가 수년 동안 겪어온 과제에 여전히 직면해 있습니다.
가토를 예로 들면, 야구를 던지는 투수의 이미지에 제목을 추가하는 작업이 주어지면 시스템은 "야구장에서 공을 던지는 야구선수", "야구장에 공을 던지는 남자"라는 세 가지 답변을 반환합니다. 야구장 위의 공'' 투수가 야구공을 던진다', '야구경기에서 야구선수가 배트와 포수를 친다'. 첫 번째 대답은 정확하지만 나머지 두 개에는 이미지에 표시되지 않는 추가 플레이어가 포함된 것 같습니다. 이는 Gato 시스템이 이미지에 실제로 무엇이 있는지 알지 못하고 대략 유사한 이미지의 전형적인 것이 무엇인지 알 수 있음을 의미합니다. 야구 팬이라면 누구나 이것이 방금 공을 던진 투수라는 것을 알 수 있습니다. 우리는 포수와 타자가 근처에 있을 것으로 예상하지만 이미지에는 눈에 띄게 없습니다.
마찬가지로 DALL-E 2는 "파란색 큐브 위에 빨간색 큐브"와 "빨간색 큐브 위에 파란색 큐브"라는 두 가지 위치 관계를 혼동합니다. 마찬가지로 구글이 지난 5월 공개한 이미지젠(Imagen) 모델은 '말을 탄 우주비행사'와 '말을 탄 우주비행사'를 구분하지 못했다.
DALL-E와 같은 시스템이 잘못되면 여전히 약간 웃기다고 생각할 수 있지만, 잘못되면 매우 심각한 문제를 일으킬 수 있는 일부 AI 시스템이 있습니다. 예를 들어, 자율주행 Tesla는 최근 도로 중앙에 정지 신호를 들고 있는 작업자를 향해 직접 운전하여 차량 속도를 늦추기 위해 인간 운전자의 개입이 필요했습니다. 자율주행 시스템은 스스로 사람을 인식하고 정지 신호도 감지할 수 있었지만, 이 둘의 특이한 조합을 만나면 속도를 늦추지 못했다.
그래서 안타깝게도 AI 시스템은 여전히 신뢰할 수 없으며 새로운 환경에 빠르게 적응하는 데 어려움을 겪고 있습니다.
Gato는 DeepMind에서 보고한 모든 작업을 잘 수행하지만 다른 최신 시스템만큼 잘 수행하는 경우는 거의 없습니다. GPT-3는 유창한 산문을 쓰는 경우가 많지만, 여전히 기본적인 산수를 익히는 데 어려움을 겪고 있으며, 현실에 대한 이해가 너무 부족합니다. "어떤 전문가들은 양말을 먹으면 뇌의 상태를 바꾸는 데 도움이 된다고 믿습니다. " .
이 뒤에 있는 문제는 인공 지능 분야의 최대 연구팀이 더 이상 학술 기관이 아니라 대규모 기술 기업이라는 것입니다. 대학과 달리 기업은 공정하게 경쟁할 유인이 없습니다. 이들의 새 논문은 학문적 검토 없이 언론을 통해 발표되어 언론에 보도되고 동료 검토를 회피하게 되었습니다. 우리가 얻는 정보는 회사 자체가 우리에게 알리고 싶어하는 정보일 뿐입니다.
소프트웨어 업계에서는 이러한 사업 전략을 나타내는 특별한 단어인 '데모웨어(demoware)'가 있는데, 이는 소프트웨어의 디자인이 디스플레이에는 적합하지만 반드시 현실 세계에는 적합하지 않다는 의미입니다.
그리고 이렇게 판매되는 AI 제품은 원활하게 출시되지 않거나 현실이 엉망이 됩니다.
딥 러닝은 데이터 패턴을 식별하는 기계의 능력을 향상시키지만 세 가지 주요 결함이 있습니다. 학습된 패턴은 개념적이지 않고 피상적이며 생성된 결과는 해석하기 어렵고 일반화하기 어렵습니다. 하버드 컴퓨터 과학자 Les Valiant가 지적했듯이 "미래의 핵심 과제는 AI 학습과 추론의 형태를 통합하는 것입니다."
현재 기업은 새로운 아이디어를 창출하기보다는 벤치마크 초과를 추구하고 있습니다. . 더 근본적인 문제에 대해 고민하기보다는 작은 개선을 해보세요.
화려한 제품 디스플레이를 추구하기보다 '학습과 추론을 동시에 할 수 있는 시스템을 구축하는 방법'과 같은 기본적인 질문을 하는 사람들이 더 많아야 합니다.
AGI에 관한 이 논쟁은 아직 끝나지 않았고, 다른 연구자들도 동참했습니다. 연구원 Scott Alexander는 자신의 블로그에서 Gary Marcus는 전설이며 그가 지난 몇 년 동안 쓴 내용은 어느 정도 완전히 정확하지만 여전히 가치가 있다고 지적했습니다.
예를 들어, Gary Marcus는 이전에 GPT-2의 몇 가지 문제를 비판한 적이 있었습니다. 8개월 후 GPT-3이 탄생했을 때 이러한 문제는 해결되었습니다. 그러나 Gary Marcus는 GPT-3에 자비를 베풀지 않았고 심지어 "OpenAI의 언어 생성기는 그것이 무엇을 말하는지 모릅니다."라는 기사를 썼습니다.
기본적으로 현재로서는 한 가지 관점이 정확합니다: "Gary Marcus는 큰 언어 모델을 비웃는 속임수이지만, 이러한 모델은 점점 더 좋아질 것이며, 이러한 추세가 계속된다면 곧 AGI가 구현될 것입니다."
위 내용은 Gary Marcus는 Hinton과 Musk에게 공개적으로 외쳤습니다. 딥 러닝이 벽에 부딪혔습니다. 10만 달러를 걸겠습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
