Mari kita mulakan dengan perdebatan antara Yann LeCun dan Marcus

Perdebatan paling rancak dalam bidang AI baru-baru ini ialah perdebatan antara Yann LeCun dan Marcus mengenai hala tuju pembangunan AI Perdebatan ini bermula pada bulan Ogos, dan kesannya masih belum reda.

Jika anda mencari media kendiri domestik dan Baidu, anda boleh menemui banyak artikel sains popular yang kelihatan agak menakutkan. Secara umumnya, Yang Likun percaya bahawa arah umum teknologi kecerdasan buatan adalah salah dan mungkin perlu ditolak. Sesetengah orang yang tidak biasa dengan Yann LeCun mungkin berfikir bahawa apa yang dikatakan oleh seseorang yang kelihatan seperti orang Cina boleh menyebabkan kekecohan besar dalam bidang AI? Yann LeCun mempunyai nama Cina - Yang Likun, tetapi dia seorang Perancis.

Saya tidak suka makan tembikai sebegitu secara langsung Media kendiri domestik sering memetiknya di luar konteks dan menyalah tafsir kata-kata sesetengah pakar untuk menarik perhatian. Jadi saya pergi ke Google dan Twitter untuk melihat dengan teliti perbahasan antara Yang Likun dan Marcus, serta bahan pelaporan yang berkaitan. Saya mendapati bahawa pandangan domestik ini semuanya datang daripada artikel oleh Tiernan Ray, seorang penulis kanan di ZDNET. Tiernan Ray telah terlibat dalam penyelidikan teknologi dan perniagaan selama 28 tahun dan terkenal dalam kalangan modal teroka teknologi artikelnya masih sangat berpengaruh. Tajuk artikel Ray cukup menakutkan - kebanyakan kaedah AI hari ini tidak akan membawa kepada kecerdasan sebenar. Kalimat ini sebenarnya datang dari mulut dewa agung Yann LeCun.

Dalam perbincangan dengan ZDNet melalui Zoom bulan ini, LeCun menjelaskan bahawa dia sangat berminat dengan kebanyakan penyelidik yang paling berjaya dalam pembelajaran mendalam pada masa kini. "Saya fikir ia adalah perlu, tetapi tidak mencukupi." Malah, LeCun dengan jelas menyatakan pandangannya. Anda perlu berundur dan berkata, okey, kami membina satu tetapi matlamat kami adalah untuk pergi ke bulan, tidak mungkin tangga ini akan membawa kami ke sana, kami perlu membina roket, dan saya tidak boleh memberitahu anda butirannya. bagaimana kami membina roket, tetapi inilah asasnya." Untuk kandungan lengkap temu bual, sila rujuk artikel di laman web rasmi ZDNET (https://www.zdnet.com/article/metas-ai-guru-lecun-most-of-todays-ai-approaches-will -tidak pernah-memimpin-kepada-benar -kecerdasan/).

Jika anda mencari LeCun di Baidu, anda boleh melihat banyak artikel Cina membincangkan perkara ini. Berdasarkan kenyataan LeCun yang diterbitkan semula dalam artikel ini, nampaknya LeCun percaya bahawa algoritma pembelajaran mendalam berdasarkan statistik tidak dapat menyelesaikan masalah utama AI, dan kita mesti berundur dan mempertimbangkan semula. Kerana LeCun menimbulkan beberapa keraguan tentang cara "mengukur maklumat" dalam aplikasi AI. Dia juga menyebut dalam temu bual dengan ZDNET bahawa dia ingin menambah keupayaan penaakulan simbolik pada rangkaian saraf, tetapi dia masih tidak tahu bagaimana untuk melaksanakannya.

Sebenarnya, ini melibatkan Paradoks Moravec yang saya nyatakan sebentar tadi serta latihan yang mencukupi boleh memperoleh AI yang diperlukan oleh kebanyakan orang yang bekerja pada AI tahun ini mengenainya, tetapi LeCun menimbulkan beberapa keraguan mengenainya, mengatakan bahawa rangkaian saraf tidak mencukupi. LeCun sangat mengenepikan pandangan Marcus, dia juga menyangka bahawa Marcus bukan orang sebenar yang terlibat dalam AI, tetapi seorang sarjana psikologi yang tidak memahami AI.

Temu bual ini telah memberi impak yang besar dalam bidang AI Malah LeCun, yang mendakwa sebagai seorang Bayesian, percaya bahawa laluan penerokaan AI semasa adalah salah, dan dia harus berhenti membina tangga dan membina roket. . Jadi adakah kita juga perlu berfikir tentang meruntuhkan segala-galanya dan memulakan semula? Ini tidak berlaku di Twitter, LeCun baru-baru ini menyiarkan beberapa tweet, berulang kali menegaskan bahawa dia tidak menafikan sepenuhnya kaedah rangkaian saraf dan statistik Sebaliknya, dia percaya bahawa pembelajaran mendalam adalah asas teknologi AI.

Dalam tweet lain, LeCun menggunakan "minggu yang sukar untuk kecerdasan buatan" untuk menyatakan fikirannya yang menyakitkan. Mungkin dalam temu bual ZDNET, dia menyatakan pesimisme. Kami juga memikirkan sama ada pembelajaran mendalam boleh mencapai AI sebenar. Ia boleh dilihat daripada beberapa kenyataan LeCun baru-baru ini bahawa beliau sememangnya telah memikirkan semula hala tuju teknikal AI baru-baru ini Namun, selepas seminggu berfikir, beliau percaya bahawa hala tuju umum semasa berdasarkan pembelajaran mendalam adalah betul, tetapi perlu disemak semula. Subversif sepenuhnya. Ini juga memberi tamparan kepada beberapa media sendiri yang telah menghebohkan topik ini baru-baru ini. Nampaknya rasa tembikai ini tiba-tiba berubah apabila saya memakannya. Teknologi AI tidak perlu kembali ke titik permulaan dan mula semula Ini bukan perkara yang baik untuk media kendiri, tetapi untuk pengamal AI, ia tidak terlalu buruk. Beberapa teknologi lain perlu ditambah kepada teknologi pembelajaran mendalam semasa untuk mencapai kejayaan AI. Tidak ada keraguan tentang ini.

Dalam bidang pengendalian dan penyelenggaraan pintar, perbahasan ini juga boleh membawa kita sedikit inspirasi. Dalam bidang operasi dan penyelenggaraan pintar yang kompleks, algoritma pembelajaran mendalam telah mencapai kejayaan besar dan memberi kami harapan untuk menggantikan pakar dengan AI. Tetapi semua ini tidak mencukupi, kerana nampaknya ada gunung yang sukar didaki dalam perjalanan ke hadapan. Sama seperti LeCun perlu memperkenalkan keupayaan penaakulan simbolik kepada rangkaian saraf, bidang operasi dan penyelenggaraan pintar juga memerlukan gabungan pembelajaran mendalam dan penaakulan simbolik untuk menjadi lebih berkesan.

Sebarang idea bahawa algoritma berdasarkan statistik boleh menyelesaikan semua masalah, atau operasi dan penyelenggaraan automatik yang sebenar boleh dicapai berdasarkan pengalaman pakar, adalah salah. Cara menggunakan sepenuhnya kelebihan kedua-duanya, membina gabungan berfungsi, dan menggunakan terapi koktel mungkin merupakan arah yang betul untuk operasi dan penyelenggaraan pintar dalam senario yang kompleks. Pada masa ini, kami juga cuba untuk tidak bergantung sepenuhnya pada graf pengetahuan, tetapi untuk meningkatkan skop algoritma pintar dalam keseluruhan alat amaran dan diagnostik automatik, supaya dapat menembusi kesesakan semasa dan menyelesaikan masalah pengguna dengan lebih baik.

Saya telah menguji D-SMART dengan seorang pelanggan beberapa ketika dahulu, dia merasakan bahawa D-SMART semasa tidak cukup praktikal Walaupun diagnosis pintar boleh memberitahu kakitangan operasi dan penyelenggaraan anggaran skop masalah tertentu adalah. , tetapi tidak dapat menentukan masalah tertentu. Untuk mengesan dengan tepat, anda mesti mengklik satu demi satu pada laluan diagnostik yang disyorkan oleh diagnosis pintar atau cadangan diagnostik yang disediakan oleh pangkalan pengetahuan pakar, yang agak menyusahkan, dan kadangkala ketepatan lokasi masalah tidak cukup tinggi.

Sesungguhnya, ini adalah masalah terbesar yang kami hadapi setakat ini, sokongan analisis D-SMART untuk beberapa masalah mudah adalah cukup baik, dan kesimpulan diagnosis pintar sudah cukup untuk difahami oleh kakitangan operasi dan penyelenggaraan. . Jika anda menghadapi beberapa masalah yang rumit, anda masih boleh hanya memberikan panduan arah untuk kakitangan operasi dan penyelenggaraan, dan menggerudi mengikut laluan diagnosis yang disyorkan.

Jika pengguna adalah pakar yang sangat senior, lebih mudah untuk mendapatkan cadangan dan membantu pakar mengesan masalah dengan cepat. Jika pengguna tidak mempunyai kebolehan yang mencukupi atau agak tidak biasa dengan masalah tertentu, dia mungkin masih berasa rugi. Dalam kes ini, kami biasanya mengesyorkan pengguna untuk melakukan "analisis masalah" dan menghantar laporan kepada saya, atau mengeksport data pemantauan pada hari masalah berlaku melalui alat Holadata dan menghantarnya kepada kami, dan kami akan membantu dari jauh analisis itu.

AIOPS semasa masih jauh daripada mencapai tahap di mana pangkalan data benar-benar boleh dipisahkan daripada pakar dan mencapai autonomi, jadi membina ekosistem manusia dan alatan adalah kuncinya. Alat tidak maha kuasa Keupayaan pemprosesan data yang berkuasa yang disediakan oleh alatan boleh meningkatkan kecekapan analisis pakar Hanya dengan menggunakan interaksi antara pakar barisan pertama dan barisan ketiga kami benar-benar boleh melakukan kerja yang baik dalam operasi dan penyelenggaraan. Dan pengamal yang terlibat dalam kerja AIOPS, bolehkah mereka juga mendapat inspirasi daripada renungan Yang Likun?

Atas ialah kandungan terperinci Mari kita mulakan dengan perdebatan antara Yann LeCun dan Marcus. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!