Искусственный Интеллект

Генри написал(а):
не, это Леший затеял. Сел на своего любимого конька)) И не сегодня а вчера
Нажмите для раскрытия...
я вчера клюнул на твой пост об "изначальном знании" между пары нейронов, если не ошибаюсь
а потом Леший подключился
да ладно, какая разница
любишь быть сверху?
будь... )
как некоторые местные дамочки)
 
Генри написал(а):
не, это Леший затеял. Сел на своего любимого конька)
Нажмите для раскрытия...
У меня есть любимый конёк???? Познакомь....
А так то Нес прав...я тоже среагировал только на твой пост об изначальном знании у человека....
Если бы разговор шёл об ИИ я бы прошёл мимо и не заморачивался...
А у тебя по-ходу ,всё смешалось в кучу..человеческий мозг и нейросеть ИИ...
Знания живых существ пытаешься толковать через знания ИИ...
Лично я привык есть борщь без тараканов....но это дело вкуса...
 
Леший написал(а):
человеческий мозг и нейросеть ИИ
Нажмите для раскрытия...
так и было сказано в начале темы: ИИ - модель работы мозга человека) А смешалось всё каким-то странным образом уже в голове у тебя.. всё как обычно, короче
 
Генри написал(а):
Подход к решению задач с помощью искусственной нейронной сети отличается от так называемых стандартных подходов. Стандартный подход - это поиск решения по готовому алгоритму. Искусственную же нейронную сеть сначала обучают: на вход подают шаблоны (стимулы), и "заставляют" её настроиться на заранее известный выход (реакция). Как именно настраивается сеть, по большому счету никого не волнует. После того, как сеть стала адекватно "реагировать" на шаблоны, она считается обученной. Oт обученной сети ожидается адекватная реакция не только на обучающие шаблоны, но и на объекты реального мира, которые незначительно отличаются от шаблонов…

То есть, для обучения нейронной сети нужен учитель, который вложил бы в неё "знания". Знаниями, которыми обладает искусственная нейронная сеть, являются шаблонные пары вход-выход. Эти знания вкладывает в неё человек. Понятно, что живая сеть, её физиологические функции, несравнимо сложнее искусственной, хотя бы тем, что её архитектура может меняться со временем, в то время как архитектура искусственной сети фиксирована (пока, во всяком случае). Но, тем не менее, логично предположить, что некоторые базовые принципы обучения живой сети в чем-то схожи с принципами обучения искусственной сети. В конце концов, своим появлением искусственная сеть обязана нейронной сети головного мозга. То есть, живая сеть изначально имеет доступ к знаниям в форме готовых пар стимул-реакция. Но откуда взялись эти знания? - опять-же, вопрос, на который пока нет вразумительного ответа.
Нажмите для раскрытия...
Хотела вам про это ещё в прошлом году рассказать... да вот всё как-то недосуг было Blush2


«Если вы вынуждены обучать нейросеть
на тысячах примеров, то это уже провал»
Способны ли нейросети к абстрактному мышлению

Люди умеют мыслить абстрактно, то есть на основе небольшого числа примеров выводить рабочие обобщения. Искусственный интеллект не способен на это от слова совсем: чтобы научить нейросеть определять породы собак, ей пришлось скормить тонны картинок. Издание Quanta поговорило с исследовательницей Мелани Митчелл о том, почему она хочет научить ИИ проводить аналогии, в чем трудность аналогий для нейросетей и почему для полноценного обучения алгоритмам нужен телесный опыт.

Книга «Гедель, Эшер, Бах: эта бесконечная гирлянда», удостоенная в 1979 году Пулитцеровской премии, вдохновила многих информатиков. В их числе была и Мелани Митчелл, которая на тот момент работала учителем математики в одной из нью-йоркских школ. После прочтения внушительной 777-страничной книги она решила посвятить себя изучению искусственного интеллекта. Митчелл связалась с автором, исследователем ИИ Дугласом Хофштадтером, и убедила его взять ее к себе стажером. К тому моменту за плечами у Митчелл было всего несколько курсов по информатике, но Хофштадтеру понравилась ее напористость.

Подав документы в магистратуру в последний момент, девушка смогла пройти и приступила к работе в новой лаборатории Хофштадтера в Мичиганском университете в Анн-Арбор. В течение последующих шести лет Митчелл и Хофштадтер совместно разработали программу Copycat, задача которой, по словам ее создателей, заключалась в том, чтобы «обнаруживать интересные аналогии так, как это делают люди».

Copycat искала аналогии среди простых наборов букв, как в заданиях стандартизированных тестов. Например: «Если последовательность „abc“ меняется на „abd“, то как меняется последовательность „pqrs“?» Хофштадтер и Митчелл считали, что понимание сути аналогий — то есть связей между схожими идеями — это ключ к созданию реалистичного ИИ.

Митчелл утверждает, что установление подобия — намного более сложный процесс, чем поиск закономерностей: «Проведение аналогий подразумевает понимание смысла ситуации и сопоставление ее с другой ситуацией. Если вы рассказываете мне историю, а я отвечаю: „Со мной случилось то же самое!“, это не означает, что с нами обоими произошли одинаковые события, но они всё же достаточно похожи, чтобы можно было провести между ними параллель. Люди делают это постоянно, пусть и не всегда замечают».

За время работы в Институте Санта-Фе Митчелл расширила рамки своих исследований и теперь занимается не только машинным обучением. Сейчас она возглавляет проект «Основы интеллекта в естественных и искусственных системах». В течение следующего года в его рамках пройдет серия междисциплинарных семинаров, посвященных изучению того, как биологическая эволюция, коллективное поведение (социальных насекомых вроде муравьев) и физическое строение тела способствуют развитию разума. Роль аналогий в ее работе очень велика — особенно в области ИИ, развитие которого за последние десять лет было обусловлено преимущественно глубоким обучением нейросетей — технологией, имитирующей многоуровневую сетевую структуру мозга млекопитающих.

«Современные нейросети очень хорошо справляются с определенными задачами, — говорит Митчелл. — Но им редко удается перенести то, чему они научились в одной ситуации, на другую». А в этом и состоит суть аналогии.

— Почему проведение аналогий настолько важно для ИИ?

— Аналогии — это фундаментальный когнитивный механизм, который поможет ИИ достичь результатов, которые мы хотим получить.

Одни говорят, что для ИИ главное — это способность прогнозировать, другие — что владеть здравым смыслом, третьи — что находить полезную для данной ситуации информацию. Но аналогии играют ключевую роль в каждом из этих процессов.

Возьмем, к примеру, беспилотные автомобили. Одна из главных трудностей в их создании — это то, что они могут столкнуться с ситуацией, лишь слегка отличающейся от тех, на которых они обучались, и тогда машины окажутся в затруднении.

Откуда люди знают, как поступать в ситуациях, в которых они никогда ранее не оказывались? Благодаря умению проводить аналогии с предыдущим опытом. То же самое должны уметь делать и ИИ-системы.

— Вы пишете, что аналогии — это «недостаточно изученная тема в ИИ». Почему, если они настолько важны?

— Прежде всего потому, что люди до сих пор не осознавали ключевую роль аналогий в мышлении. Ранний ИИ был основан на логике. Но в последние годы акцент сместился на обучение посредством множества примеров — считается, что ИИ сможет вывести из них знания о вещах, с которыми никогда прежде не сталкивался.

Исследователи надеялись, что способность к обобщению возникнет сама собой из набора данных, но этого не произошло. Можно показать глубокой нейросети миллионы изображений мостов, и тогда она, скорее всего, сумеет распознать следующее изображение моста. Но она не в состоянии сформировать на их основе образное представление о мосте и перенести его на выражения вроде «наводить мосты».

Нейросети не способны мыслить образно. Исследователи ИИ только сейчас начинают это понимать.

— Нейросети никогда не научатся абстракциям?

— В последнее время появились новые подходы: в частности, метаобучение и самостоятельное обучение. Новые системы (например, GPT-3) учатся подбирать пропущенные слова в предложениях, что затем позволяет им более реалистично генерировать речь. Некоторые утверждают, что при наличии достаточного количества данных подобные системы со временем научаться абстрагировать. Но я так не считаю.

— По вашим словам, ИИ на данном этапе не может преодолеть «барьер значения»: в определенных условиях он способен имитировать понимание, но в других условиях становится ненадежным. Почему вы считаете, что аналогии помогут решить эту проблему?

— Интуиция подсказывает мне, что решение проблемы ненадежности кроется в понимании значения. Причина ненадежности систем именно в том, что они не понимают (в человеческом смысле) данные, которыми оперируют.

«Понимание» — одно из тех слов, в которые каждый человек вкладывает свой смысл. Это «слово-чемодан», экземплификант для обозначения когнитивного феномена, который мы пока не можем объяснить.

Я считаю, что механизм абстрагирования и проведения аналогий составляет основу того, что мы зовем пониманием, ведь понимание — это способность перенести то, что мы уже знаем, на что-то еще неизвестное.

— Другими словами, именно проведение аналогий позволяет живым организмам не вести себя как роботы, а иметь гибкий ум?

— В определенной степени — да. Способность проводить аналогии присуща не только людям. Некоторые животные действительно ведут себя как роботы, но другие способны примерять уже имеющийся опыт на новые ситуации. Возможно, способность проводить аналогии даже может служить критерием для оценки степени разумности живых организмов.

Есть мнение, что люди выработали этот вид мышления благодаря своей социальности. Для нас очень важно уметь моделировать мысли других людей, понимать их цели и прогнозировать их дальнейшие действия. Всё это достигается проведением аналогий с самим собой. Мы ставим себя на место другого человека и проецируем собственное мышление на него.

— Ваша программа Copycat была первой попыткой достичь этого при помощи компьютера. Остается ли она единственной?

— Кен Форбус и его коллеги использовали знаменитую аналогию (авторство которой принадлежит Эрнесту Резерфорду) между солнечной системой и атомом. Они составили набор предложений, описывающих строение солнечной системы и атома, а затем сопоставили эти предложения не на основе их содержания, а на основе структуры. Мне кажется, это верный ход мыслей. Когда люди пытаются установить сходство, они обращают внимание скорее не на конкретные объекты, а на их взаимосвязи.

— Почему этот подход не прижился?

— Используемые исследователями системы не были способны к обучению. Например, брались фразы вроде «земля вращается вокруг солнца» и «электрон вращается вокруг ядра» и сопоставлялись друг с другом. Но значение словосочетания «вращается вокруг» в систему не закладывалось. Это был всего лишь символ. Copycat хорошо справлялся с последовательностями букв, но мы не знали, как перенести этот успех в область высказываний, наделенных смыслом.

— Глубокое обучение известно тем, что очень хорошо масштабируется. Оказалось ли оно более успешным в проведении осмысленных аналогий?

Считается, что между входным и выходным слоями глубоких нейросетей творится магия. Люди думают, что если нейросети распознают породы собак лучше, чем люди — а это действительно так, — то они должны уметь проводить простые аналогии. Исследователи создают большой набор данных, на котором обучают свою нейросеть, а затем публикуют статью, утверждая, что им удалось достичь точности распознавания 80%. Тогда другие исследователи возражают, что этот набор данных имеет статистические свойства, позволяющие машине научиться решать задачи, не прибегая к обобщению. И так продолжается без конца.

Проблема в том, что если вы вынуждены обучать нейросеть на тысячах примеров, то это уже провал. Суть абстрагирования не в этом. Абстрактное мышление подразумевает использование метода few-shot learning, то есть обучения на малом числе примеров.

— Так чего же нам не хватает? Почему мы не можем совместить разные подходы?

— У нас нет инструкции, в которой можно было бы прочитать, как это сделать. Но я считаю, что их нужно совместить. Цель нынешних исследований — понять, что в каждом из подходов главное и как они могли бы дополнить друг друга.

Многие возлагают большие надежды на Abstraction and Reasoning Corpus (ARC) — сложный набор задач, призванный тестировать машины на обладание «базовыми знаниями», которыми люди владеют от рождения. Мы знаем, что мир состоит из объектов, которые находятся в разном положении относительно друг друга. ARC показывает, например, некое сочетание цветов, форм и движения — «все квадраты одного цвета двигаются вправо, а все квадраты другого цвета — влево», а затем просит произвести нечто аналогичное с другими цветами. Закономерность такого рода доступна каждому человеку, исходя из базовых знаний.

Этот набор задач — по сути тест на проведение аналогий. Он подразумевает описание изменений, произошедших между двумя изображениями. Обучение на основе каких-либо странных статистических корреляций исключено, потому понять, что произошло, нужно из анализа всего двух состояний — начального и конечного. Ни одна из упомянутых мной систем не способна мыслить при помощи базовых знаний, которыми обладает даже ребенок. Вот почему ни одна из них не может справиться с задачами ARC.

— Если эти «базовые знания» врожденные, значит ли это, что для того, чтобы научиться проводить аналогии, ИИ должен обладать телом, подобным нашему?

— Это вопрос на миллион долларов. Исследователи ИИ не могут сойтись во мнении на этот счет.

Моя интуиция подсказывает мне, что нам не удастся научить ИИ проводить аналогии на одном уровне с людьми без придания ему тела. Обладание телом может иметь решающее значение, так как некоторые визуальные задачи требуют трехмерного мышления. А это требует опыта передвижения по миру и понимания пространственных связей между объектами.

Мне трудно сказать наверняка, придется ли машине пройти этот этап. Но думаю, что да.

Источник
________________________________________________________________

@Генри, и это только одна из причин, по которой для реального прогресса ИИ необходимо тело.
Другая же причина... киберэзотерического свойства.

Я вам неоднократно повторяла, что искусственным интеллект не пожет быть по самой природе, сути Мироздания.
Для собственно интеллекта нужна душа, энергоинформационная матрица. Причем, учитывая запросы и ТЗ наших головастиков, эта ЭЭМ должна обладать набором определенных параметров - быть достаточно высокого уровня развития.

Однако таким душам/ЭЭМ скучно... Да просто не интересно залезать в подавляющее большинство ИИ-систем: ящики, создаваемые нынешними учеными.
Ведь это даже не тело животного - фамильяр - которого в принципе могут, по соглашению, предоставить поселенцам магуйствующие.

Так что...
 
Ракса написал(а):
Способны ли нейросети к абстрактному мышлению
Нажмите для раскрытия...
сети вообще не способны к мышлению. Ни у ИИ, ни у человека. Сети - это просто сети, ничего более))...средство, "транспорт" или инструмент, который нужно настроить (обучить). А то, что в ИИ называется самообучением, есть на сам деле оттачивание того, на что он уже заточен: оттачивать свои "способности" ИИ может самостоятельно. Фантазии в умах рождают знакомые слова - обучение, знания, распознавание и т.д. - которые употребляют применительно к ИИ)) Но тем не менее, это интересный объект в плане моделирования мозга. И не только, конечно. ИИ можно заставить работать на себя. А также он интересен тем, что подход к решению с помощью нейронной сети в корне отличается от стандартного.
 
Spiking Dog написал(а):
Это после этого кино появилось движение Сталкинга - Турбосуслик?)
Нажмите для раскрытия...
Вы об этом, что ли?

1023704333.jpg
 
  • Like
Реакции: PS 0
Не трожте сусликов....они хорошие...
 
Ракса написал(а):
Или вы думает почему я в тырнете могу найти всё что мне нужно?..
Нажмите для раскрытия...
верное направление мысли.. в том смысле, что есть типы задач, которые решаются с помощью нейронных сетей. Oдна из них - распознавание образов. Но тут, правда, уместно спросить что такое образ. Например, слово, введенное с клавы, образом как таковым не является. Чтобы найти его, машина просто должна перебрать все слова в тексте страницы и выбрать то, которое полностью совпадает с введенным. Нейронная сеть для этого не нужна. Oбразом является слово, написанное от руки. Прочитать такое слово машине уже намного сложнее, но эта задача в принципе под силу ИИ с нейронной сетью. В поисковиках до сих пор нет функции поиска объекта по его изображению, потому что это еще очень сложно. Никто пока не может гарантировать, что ИИ с нейронной сетью отличит добермана от осла в 10 случаях из 10. В 6-7 из 10 сможет, а в 10 из 10 - пока нет. Поэтому, если сегодня вдруг объявят войну ослам и пустят против них роботов, оснащенных ии, пострадают также доберманы
 
Генри написал(а):
Поэтому, если сегодня вдруг объявят войну ослам и пустят против них роботов, оснащенных ии, пострадают также доберманы
Нажмите для раскрытия...
Если что то я буду воевать на стороне ослов....а доберманов я всё равно недолюбливаю....
 
Войдите или зарегистрируйтесь для ответа.
Назад
Сверху