


Sains: Bertanya soalan bodoh boleh menjadikan kecerdasan buatan lebih pintar dengan cepat
Kajian baharu dari Universiti Stanford menunjukkan bahawa kecerdasan buatan boleh membantu mereka menjadi lebih bijak dengan bertanya kepada mereka soalan yang kelihatan bodoh. Sistem baharu yang dibangunkan oleh penyelidik adalah 118% lebih tepat dalam menjawab soalan serupa di Instagram.
Bagaimana jika seseorang menunjukkan gambar buaya kepada anda dan bertanya kepada anda sama ada ia burung? Anda mungkin ketawa terbahak-bahak. Satu kajian baru mencadangkan bahawa interaksi ini, yang kelihatan bodoh kepada kami, mungkin menjadi kunci untuk membantu kecerdasan buatan belajar.
Dalam kajian ini, kaedah ini meningkatkan ketepatan kecerdasan buatan dengan ketara dalam mentafsir imej baharu, yang boleh membantu pembangun kecerdasan buatan mereka bentuk program dengan lebih pantas untuk menyelesaikan segala-galanya daripada mendiagnosis penyakit kepada robot pemandu atau peralatan lain yang berfungsi di sekeliling rumah sendiri.
1 Biarkan AI secara proaktif bertanyakan soalan untuk mengisi jurang pengetahuan
"Ini adalah kerja yang sangat hebat!" kata sarjana penyelidikan pembelajaran mesin Google, Natasha Jaques, tetapi dia tidak mengambil bahagian dalam kajian ini.
Banyak sistem kecerdasan buatan memilih kaedah yang dipanggil pembelajaran mesin untuk menjadikannya lebih pintar. Kaedah ini menggunakan sejumlah besar set data untuk melatih kecerdasan buatan, yang memerlukan sejumlah besar masa dan kerja. Sebagai contoh, sistem menganalisis beribu-ribu imej perabot untuk membolehkan AI mencari rupa kerusi.
Tetapi set data yang besar pun mempunyai jurang. Sebagai contoh, objek dalam imej boleh dilabelkan sebagai kerusi, tetapi ia diperbuat daripada apa? Bolehkah anda duduk di atasnya? Soalan-soalan ini tidak dapat diketahui.
Untuk membantu kecerdasan buatan mengembangkan pemahaman mereka tentang dunia, penyelidik kini cuba membangunkan program komputer yang boleh mengesan jurang dalam pengetahuan AI dan memikirkan cara mengisinya dengan bertanya kaedah pengetahuan orang yang tidak dikenali. AI bertanya kepada orang yang tidak dikenali soalan yang tidak difahaminya dan mengharapkan jawapan, seperti seorang kanak-kanak bertanya kepada ibu bapanya mengapa langit berwarna biru. Matlamat utama penyelidikan baharu adalah untuk membolehkan kecerdasan buatan menjawab dengan betul pelbagai soalan tentang imej yang tidak pernah dilihat sebelum ini.
Dalam penyelidikan "pembelajaran aktif" sebelum ini, AI menilai tahap kejahilannya sendiri dan meminta maklumat lanjut. Pendekatan ini biasanya memerlukan penyelidik membayar pekerja dalam talian untuk menyediakan maklumat jenis ini, menjadikannya agak tidak berskala.
Jadi dalam kajian baharu ini, penyelidik di Universiti Stanford, diketuai oleh Ranjay Krishna, seorang sarjana di persimpangan penglihatan komputer dan interaksi manusia-komputer, melatih sistem pembelajaran mesin yang bukan sahaja Menemui jurang dalam pengetahuan sistem dan belajar dengan bertanya kepada orang yang tidak dikenali soalan bodoh seperti: "Apakah bentuk sinki?" Sebagai contoh, sistem pembelajaran mesin bertanya: "Apakah pencuci mulut yang terdapat dalam gambar?" pertanyaan
2 Siarkan gambar, tanya soalan dan pelajari sekali gus, dan kadar ketepatan meningkat sebanyak 118%
Kurt Gray, ahli psikologi sosial di Universiti dari North Carolina di Chapel Hill, berkata: "Langkah yang sangat penting ialah memikirkan bagaimana AI seharusnya muncul dalam kes ini, anda mahu ia menjadi seperti kanak-kanak, bukan?" 'seorang troll kerana soalan yang anda ajukan kelihatan tidak masuk akal. Minat penyelidikan utamanya ialah interaksi manusia dengan kecerdasan buatan, tetapi dia tidak terlibat dalam kerja ini.
Pasukan juga mewujudkan mekanisme "ganjaran" untuk sistem ini Apabila kecerdasan buatan mendapat jawapan kepada soalan maklum balas orang, ia seterusnya akan membenarkan kecerdasan buatan menyesuaikan operasi dalamannya supaya ia boleh. digunakan pada masa hadapan dengan berkesan. Atas dasar ini, dari masa ke masa, AI boleh mempelajari lebih lanjut tentang bahasa dan norma sosial, menjadikan dirinya lebih bijak dan meningkatkan keupayaannya untuk bertanya soalan yang mudah dijawab dan lebih bermakna.
Jenis kecerdasan buatan baharu ini mempunyai beberapa komponen, termasuk beberapa rangkaian saraf, fungsi matematik kompleks yang diilhamkan oleh struktur otak. "Mereka mempunyai banyak bahagian... yang semuanya perlu bekerjasama," kata Krishna, seseorang akan memilih imej di Instagram, seperti matahari terbenam, dan yang kedua akan bertanya soalan mengenai foto itu, sebagai contoh, "Adakah foto ini. diambil pada waktu malam?" Bahagian selebihnya mengekstrak maklumat daripada respons pembaca dan memberikan pandangan tentang kandungan imej itu.
Laporan pasukan yang diterbitkan semalam dalam Prosiding Akademi Sains Kebangsaan menunjukkan bahawa selama 8 bulan, sistem menjawab soalan yang sama dengan bertanya lebih daripada 200,000 soalan di Instagram Kadar ketepatan meningkat sebanyak 118%. Dan sistem perbandingan yang menyiarkan soalan di Instagram tetapi tidak dilatih secara eksplisit untuk meningkatkan kadar respons hanya meningkatkan ketepatannya sebanyak 72 peratus, sebahagiannya kerana orang ramai mengabaikannya lebih kerap. 3. AI juga digulung? Ambil inisiatif untuk mendapatkan bantuan daripada manusia
Jaques percaya bahawa inovasi utama ialah sistem yang memberi ganjaran kepada manusia untuk bertindak balas, "yang tidak gila dari sudut teknikal, tetapi sangat penting dari sudut pandangan penyelidikan berskala besar Ia juga meninggalkan kesan yang mendalam kepadanya. Semua soalan yang dijana oleh AI disemak oleh manusia untuk kandungan yang menyinggung perasaan sebelum ia disiarkan.
Penyelidik berharap sistem seperti mereka akhirnya akan membantu kecerdasan buatan memahami akal, membantu robot berinteraksi secara aktif dan meningkatkan keupayaan chatbots untuk berkomunikasi dengan orang ramai Contohnya, kecerdasan buatan mengetahui bahawa kerusi itu diperbuat daripada kayu dengan bertanya soalan pembersih vakum tertanam AI meminta arah ke dapur, chatbots bercakap dengan orang tentang perkhidmatan pelanggan atau cuaca, dan banyak lagi.
Kemahiran sosial juga boleh membantu AI menyesuaikan diri dengan cepat kepada situasi baharu, kata Jaques. Sebagai contoh, kereta pandu sendiri mungkin meminta bantuan menavigasi zon pembinaan. "Jika anda boleh belajar daripada manusia dengan berkesan, ia adalah kemahiran yang sangat biasa."
Kesimpulan: Soalan bodoh boleh membawa AI ke jalan yang lebih bijak
Orang kadang-kadang terkejut dengan keupayaan pembelajaran kecerdasan buatan, seperti AlphaGo. Walau bagaimanapun, prestasi kecerdasan buatan apabila berhadapan dengan masalah kompleks adalah tidak memuaskan, dan ia sering menjawab soalan yang salah.
Penyelidikan baharu ini meneroka arah baharu dalam pembelajaran mesin dan akan membantu kecerdasan buatan memahami akal dan menjadi lebih bijak. Walau bagaimanapun, teknologi ini masih perlu disahkan untuk meningkatkan keupayaan kecerdasan buatan untuk menangani masalah yang kompleks.
Atas ialah kandungan terperinci Sains: Bertanya soalan bodoh boleh menjadikan kecerdasan buatan lebih pintar dengan cepat. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
