Pembelajaran mendalam dan otak manusia

Pembelajaran mendalam ialah subset pembelajaran mesin yang menyerupai otak manusia dengan mengambil sejumlah besar data dan cuba belajar daripadanya. Dalam definisi istilah IBM, pembelajaran mendalam membolehkan sistem untuk "menggabungkan data dan membuat ramalan dengan ketepatan yang luar biasa, walaupun pembelajaran mendalam yang luar biasa, IBM dengan jelas menunjukkan bahawa ia tidak boleh menggunakan keupayaan otak manusia untuk memproses dan mempelajari maklumat." .

Pembelajaran mendalam dan DNN (rangkaian neural mendalam) digunakan untuk menyelesaikan masalah dunia nyata yang kompleks seperti ramalan cuaca, pengecaman muka dan chatbots, serta melaksanakan jenis analisis data kompleks yang lain. Allied Market Research berkata menjelang 2030, pasaran pembelajaran mendalam global akan meningkat daripada AS$6.85 bilion pada 2020 kepada hampir AS$180 bilion. Satu lagi kajian oleh Allied Market Research mendedahkan bahawa pasaran rangkaian saraf global dijangka mencecah hampir $153 bilion menjelang 2030, didorong oleh pertumbuhan dalam bidang kecerdasan buatan dan permintaan yang meningkat untuk data dan alat analisis lanjutan.

Pemahaman yang lebih baik tentang pembelajaran mendalam akan memanfaatkan aplikasi kecerdasan buatan dan teknologi terhasil pembelajaran mesin pada masa hadapan, termasuk kenderaan autonomi sepenuhnya dan pembantu maya generasi akan datang. Pada masa hadapan, pembelajaran mendalam mungkin berubah menjadi pembelajaran tanpa pengawasan dan memberikan lebih banyak cerapan tentang cara otak manusia berfungsi. Usaha kedua inilah yang menyebabkan para penyelidik di Universiti Glasgow mengkaji kesamaan DNN dengan otak manusia. Menurut Universiti Glasgow, pemahaman semasa teknologi DNN agak terhad, dan tiada siapa yang memahami sepenuhnya bagaimana rangkaian saraf dalam memproses maklumat.

Untuk mendalami lagi pemahaman komuniti saintifik, dalam "Kesamaan Algoritma Antara Otak dan Model DNNnya" yang diterbitkan baru-baru ini, penyelidik mencadangkan dan menguji kaedah untuk memahami cara model kecerdasan buatan memproses maklumat Bagaimana membandingkan dengan otak manusia. Matlamatnya adalah untuk menentukan sama ada model DNN menggunakan langkah pengiraan yang serupa untuk mengenali perkara seperti otak manusia. Kerja ini mengenal pasti persamaan dan perbezaan antara model kecerdasan buatan dan otak manusia, mengambil langkah ke arah mencipta teknologi kecerdasan buatan yang memproses maklumat sedekat mungkin dengan otak manusia.

Philippe Schyns, Ketua Teknologi Penyelidikan di Universiti Glasgow, berkata: “Pemahaman yang lebih baik sama ada otak manusia dan model DNNnya mengenali sesuatu dengan cara yang sama akan membolehkan pengesanan yang lebih tepat menggunakan DNN -aplikasi dunia Jika kita mendapat pemahaman yang lebih mendalam tentang mekanisme pengecaman dalam otak manusia, maka kita boleh memindahkan pengetahuan ini kepada DNN, yang seterusnya akan membantu meningkatkan cara DNN digunakan dalam aplikasi seperti pengecaman muka, Pada masa ini aplikasi ini tidak. sentiasa tepat. ”

Jika matlamatnya adalah untuk mencipta proses membuat keputusan yang paling menyerupai manusia, maka teknologi mesti dapat memproses maklumat dan membuat keputusan sekurang-kurangnya seperti manusia—sebaik-baiknya daripada manusia . Pada akhir artikel yang diterbitkan, penulis menyenaraikan satu siri soalan cemerlang berdasarkan penyelidikan, termasuk: "Bagaimanakah DNN meramalkan kepelbagaian tingkah laku membuat keputusan manusia Ini juga merupakan soalan yang patut dikaji, kerana tidak semua orang menghadapinya?" situasi yang sama. Semua input akan membuat keputusan yang sama - dan dalam cara apakah model AI yang lebih seperti manusia mengambil kira kepelbagaian ini?

Atas ialah kandungan terperinci Pembelajaran mendalam dan otak manusia. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!