모델이 충분히 크고 샘플이 충분히 크면 AI는 더 똑똑해질 수 있습니다!

​AI 모델과 인간 두뇌의 수학적 메커니즘에는 차이가 없습니다.

모델이 충분히 크고 샘플이 충분히 크면 AI가 더 똑똑해질 수 있습니다!

chatGPT의 등장이 이를 실제로 입증했습니다.

1. AI와 인간 두뇌의 기본 세부 사항은 지능을 생성하는 기본 연산인 if else 문

논리 연산을 기반으로 합니다.

프로그래밍 언어의 기본 논리는 조건식을 기반으로 코드를 두 가지 분기로 나누는 if else입니다.

이를 바탕으로 프로그래머는 매우 복잡한 코드를 작성하고 다양한 비즈니스 로직을 구현할 수 있습니다.

인간 두뇌의 기본 논리도 if else입니다. if else라는 두 단어는 영어에서 유래되었으며 이에 해당하는 중국어 어휘는 if...else...

인간 두뇌도 생각할 때 이 논리 개념을 사용합니다. 문제는 컴퓨터와 별 차이가 없습니다.

if else 문, 로직의 핵심

AI 모델의 "if else 문"이 활성화 함수입니다!

AI 모델의 컴퓨팅 노드로, "뉴런"이라고도 부를 수 있습니다.

입력 벡터 X, 가중치 행렬 W, 바이어스 벡터 b 및 활성화 함수가 있습니다.

활성화 함수는 실제로 if else 문이고 선형 연산 WX + b는 조건식입니다.

활성화 후 AI 모델의 코드는 if 분기에서 실행하는 것과 동일하며, 활성화되지 않으면 else 분기에서 실행하는 것과 동일합니다.

다층 신경망의 다양한 활성화 상태는 실제로 샘플 정보의 이진 인코딩입니다.

딥 러닝은 샘플 정보의 이진 인코딩이기도 합니다.

AI 모델의 샘플 정보 인코딩은 CPU 코드처럼 정적 및 직렬이 아닌 동적 및 병렬이지만 기본 기반은 동일합니다. .

회로 수준에서는 구현이 어렵지 않고, 3극관으로 구현 가능합니다.

2. 인간의 뇌는 더 많은 정보를 얻기 때문에 컴퓨터보다 똑똑합니다.

인간의 뇌는 매 순간 외부 세계로부터 정보를 획득하고, 매 순간 자신의 "샘플 데이터베이스"를 업데이트하지만 프로그램 코드는 없습니다. 스스로 업데이트하기 때문에 컴퓨터는 많은 사람이 할 수 있는 일을 할 수 없습니다.

인간 두뇌의 코드는 살아있지만 컴퓨터의 코드는 죽었습니다.

물론 "데드 코드"는 "라이브 코드"보다 똑똑할 수 없습니다. "라이브 코드"는 "데드 코드"의 버그를 적극적으로 찾을 수 있기 때문입니다.

실수의 연속성에 따르면 "데드 코드"로 인코딩된 정보가 셀 수 있는 한 인코딩할 수 없는 버그 포인트가 항상 존재합니다.

이것은 Cantor의 3점 세트를 통해 수학적으로 뒷받침될 수 있습니다.

[0, 1] 간격의 실수를 인코딩하는 데 사용하는 삼진수 숫자에 관계없이 항상 인코딩할 수 없는 점이 하나 이상 있습니다.

그래서 두 사람이 논쟁을 벌이면 언제든지 논쟁할 지점을 찾을 수 있습니다.

하지만 컴퓨터 코드는 한번 작성되면 적극적으로 업데이트할 수 없기 때문에 프로그래머는 CPU를 속일 수 있는 다양한 방법을 고안할 수 있습니다.

예를 들어 Intel의 CPU는 원래 프로세스를 전환할 때 작업 게이트를 전환해야 했지만 Linux는 페이지 디렉터리와 RSP 레지스터만 전환하는 방법을 고안했습니다.

Intel CPU의 관점에서 Linux 시스템은 동일한 프로세스이지만 실제로는 그렇지 않습니다. 이를 프로세스 소프트 스위칭이라고 합니다.

그래서 CPU의 회로가 고정되어 있는 한 CPU에서 인코딩된 정보도 고정되어 있습니다.

CPU에 의해 인코딩된 정보는 고정되어 있으며, 인코딩할 수 없는 정보는 무제한이며 프로그래머가 사용할 수 있습니다.

프로그래머가 이런 정보를 활용할 수 있는 이유는 프로그래머의 두뇌가 살아있어 동적으로 샘플을 업데이트할 수 있기 때문입니다.

3. 신경망의 출현으로 이러한 상황이 바뀌었습니다.

신경망은 고정 회로에서 동적 정보 업데이트를 실현하는 정말 훌륭한 발명품입니다.

CPU 회로, 각종 시스템의 코드 등 작성된 모든 프로그램이 처리할 수 있는 정보는 고정되어 있습니다.

그러나 신경망의 경우에는 코드가 작성되어 있지만 모델의 논리적 컨텍스트를 변경하려면 가중치 데이터만 업데이트하면 됩니다.

실제로 새로운 샘플이 지속적으로 입력되는 한 AI 모델은 BP 알고리즘(경사하강 알고리즘)을 사용하여 가중치 데이터를 지속적으로 업데이트하여 새로운 비즈니스 시나리오에 적응할 수 있습니다.

AI 모델을 업데이트하는 데에는 코드 수정이 필요하지 않고 데이터 수정만 필요하므로 동일한 CNN 모델이라도 다른 샘플로 훈련하면 다른 객체를 인식할 수 있습니다.

이 과정에서 텐서플로우 프레임워크의 코드와 AI 모델의 네트워크 구조는 모두 변경되지 않습니다. 변경되는 것은 각 노드의 가중치 데이터입니다.

이론적으로 AI 모델이 네트워크를 통해 데이터를 크롤링할 수 있는 한 더 똑똑해질 수 있습니다.

이것은 사람들이 브라우저를 통해 사물을 보는 것과 근본적으로 다른 것입니까(그래서 더 똑똑해지는 것입니까?) 그렇지 않은 것 같습니다.

4. 모델이 충분히 크고 샘플이 충분히 크다면 ChatGPT가 실제로 인간의 두뇌에 도전할 수 있을 것입니다

인간의 두뇌에는 150억 개의 뉴런이 있으며 인간의 눈과 귀는 매 순간 새로운 데이터를 제공합니다. .AI 모델도 확실히 이 작업을 수행할 수 있습니다.

아마도 AI에 비해 인간의 장점은 '산업 사슬'이 짧다는 점

아기의 탄생에는 부모만 필요하지만, AI 모델의 탄생은 분명히 프로그래머 한두 명이 할 수 있는 일이 아닙니다. .

GPU 제조에만 수만 명 이상의 인력이 필요합니다.

GPU 위의 Cuda 프로그램은 작성하기 어렵지 않지만 GPU 제조 산업 체인이 너무 길고 인간의 탄생과 성장에 비해 훨씬 열등합니다.

이것이 인간에 비해 AI의 진정한 단점일 수도 있습니다.

위 내용은 모델이 충분히 크고 샘플이 충분히 크면 AI는 더 똑똑해질 수 있습니다!의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!