인공지능을 활용한 지구 온난화 해결 방안

인공지능을 활용한 지구 온난화 해결 방안

말할 필요도 없이, 지구 온난화, 전염병 또는 중동 평화를 해결하는 데 있어 감독 학습을 위한 훈련 세트를 제공할 수 있는 정답에 6천만 개의 유사한 문제는 없을 것입니다. Lucas Perry : 따라서 인간 어린이와 인간은 일반적으로 한 번의 학습을 수행할 수 있거나 한 가지 사례를 통해 학습할 수 있다고 말하지만 기계 학습은 매우 큰 데이터 세트를 통해 학습됩니다. 실제 지각의 차이가 무엇인지 설명할 수 있습니까? 어린이에게는 기린을 보며 기린에 대한 고상한 사실을 태울 수 있으며, 황갈색이며 반점이 있고 목이 길고 뿔과 다른 고차원의 물건을 개발할 수 있습니다. 기계 학습 시스템이 다른 작업을 수행하는 반면. 그 차이점을 설명해 주시겠습니까? 스튜어트 러셀 : 네, 실제로 당신이 그것을 잘 캡처했다고 생각합니다. 인간의 아이는 배경의 모든 픽셀을 포함하여 2천만 픽셀이 아닌 객체를 인식할 수 있습니다. 이러한 많은 학습 알고리즘은 실제로 물체가 아닌 배경을 인식하는 법을 배우고 있습니다. 그들은 이미지를 캡처하는 방식에서 발생하는 가짜 규칙을 실제로 선택하고 있습니다. 그러나 인간의 아이는 그림과 배경을 즉시 분리합니다. "좋아요. 기린이라고 불리는 그림입니다." "좋아요. 네 발이 크고 상대적으로 큽니다." 가장 두드러진 특징은 목이 길고 가죽의 색이 더해진 방식입니다. 아마 대부분의 아이는 뿔을 눈치 채지 못할 수도 있으며 모든 기린이 뿔을 가졌는지 잘 모르겠습니다. 또는 남성 또는 성인입니다. 나는 그것에 대한 답을 모른다. 그래서 나는 그 모든 이미지에 많은 관심을 기울이지 않았습니다. 이것은 계획과 같은 것을 포함하여 많은 다른 많은 상황으로 이어집니다. 계획을 포함하여 누군가가 성공적인 행동을 수행하는 것을 관찰하면, 우리의 사전 지식과 결합 된 하나의 예는 일반적으로 우리가 그것을 수행하는 방법에 대한 일반적인 아이디어를 얻는 데 충분합니다. 알맞은 것. 그리 고이 사전 지식은 절대적으로 중요합니다. 단지 정보-이론적으로, 당신은 많은 사전 지식을 가지고 있지 않으면 한 예에서 확실하게 배울 수 없습니다. 그리고 이것은 두 가지 방식으로 딥 러닝 시스템에는 전혀 없습니다. 하나는 사전 지식이 없다는 것입니다. 두 가지는 사전 지식 중 일부는 구체적으로 예측하려는 것에 관한 것입니다…. 우리는 여기서 동물의 범주를 예측하려고 노력하고 있으며 동물 범주에 속하는 것이 무엇을 의미하는지에 대한 사전 지식이 이미 많이 있습니다. 예를 들어, 귀하를 소유 한 사람은 자녀가 알아야 하거나 걱정해야 할 속성이 아닙니다. 당신이 말하면, 이것은 어떤 종류의 동물입니까? 또한 러닝 시스템은 예측하려는 대상과의 관련성을 기반으로 입력 특성을 포함하거나 제외할 수 없습니다. 예측하려는 대상에 대해 전혀 모르기 때문입니다. 그리고 당신이 그것에 대해 생각한다면, 그것은 말이 되지 않습니다. “좋아요, 당신은 술어 P1279A를 예측하는 법을 배우기를 원합니다. 괜찮아? 그리고 나는 당신에게 많은 예제를 줄 것입니다.” 그리고 이제 'P1279A'에 대한 완벽한 예측 변수를 얻었지만 P1279A는 인식의 다른 어떤 것에도 연결되어 있지 않기 때문에 전혀 쓸모가 없습니다. 그래서 당신은 당신이 예측하려는 것에 대해 아무것도 모르기 때문에 완전히 쓸모없는 예측 자를 배웠습니다. 그래서 그것은 실제로 정말로 중요한 여러 방법으로 깨져있는 것 같습니다. 아마도 사전 지식이 없거나 학습 과정에 대한 사전 지식을 가져다줄 수단이 가장 중요하다고 말할 것입니다. Steven Pinker : 실제로 이것은 지능 시스템의 설계를 지배하는 지능의 기본 원리가 심리학 내에서 테스트 될 수 있는 가설을 어떻게 제공하는지에 대한 대화로 되돌아갑니다. 스튜어트가 식별한 것은 궁극적으로인지의 자연 육성 문제입니다. 즉, 아이들이 세상을 이해하려고 시도 할 때 첫 번째 가설을 지배하는 타고난 제약은 무엇입니까? 유명한 답변 중 하나는 Chomsky의 범용 문법으로, 아이들이 언어를 습득할 때지도 합니다. 또 다른 제 동료 수잔 캐리와 엘리자베스 스펠 캐는 다른 공식으로 아이들이 부분적으로 함께 움직이는 물리적 물체에 대한 사전 개념을 가지고 있으며, 시간이 지남에 따라 지속하며 시공간 궤적을 계속 따르는 개념을 가지고 있습니다. 그리고 그들은 신념과 욕망 때문에 지배되는 대리인이나 마음의 독특한 개념을 가지고 있습니다. 어쩌면 그들은 생명체 개념이나 인공물 개념과 같은 개념에 대한 또 다른 뼈대를 갖추고 있으므로 이러한 사전은 가설의 탐색 공간을 획기적으로 줄여서 탐색할 필요가 없습니다. 픽셀 수준과 논리적으로 가능한 모든 가중치 조합에서 물론, 과학의 도전은 인간의 인지의 가소성에 대해 우리가 알고 있는 것을 고려할 때 선천적 제약, 사전 지식을 명시하여 너무 구체적이지 않게 하는 방법입니다. 극단적인 예는 “트롬본”과 “도어 로브 ”와 “기화기”를 포함한 모든 개념이 선천적이라는 철학자 Jerry Odors의 제안입니다 . 스튜어트 러셀 : 삼키기는 어렵지만, 번역 불변을 허용하는 커볼 로션 네트워크 및 연결 네트워크 만 있는 극한과 딥 러닝 아키텍처 사이에는 흥미로운 중간점이 있습니다. 그것은 인지 발달의 중심 연구 문제를 정의합니다. 스튜어트 러셀 : 사전 지식이 학습에 정말로 중요하다는 것을 믿기 위해 광범위한 선천적 구조를 믿어야 한다고 생각하지 않습니다.