Saturs
Avots: iLexx / iStockphoto
Izņemšana:
Mākslīgo intelektu kādu dienu var sasniegt, izmantojot mākslīgos neironu tīklus, taču starp šīm aizraujošajām tehnoloģijām pastāv vairākas galvenās atšķirības.
Mākslīgais intelekts (AI) un mākslīgie neironu tīkli (ANN) ir divas aizraujošas un savstarpēji saistītas datorzinātnes jomas. Tomēr starp abiem ir vairākas atšķirības, par kurām ir vērts zināt.
Galvenā atšķirība ir tā, ka neironu tīkli ir atspēriena punkts mākslīgā intelekta meklējumos.
Mākslīgais intelekts ir plašs lauks, kura mērķis ir radīt inteliģentas mašīnas - kaut kas daudzkārt sasniegts atkarībā no tā, kā jūs definējat intelektu. Neskatoties uz to, ka mums ir datori, kas var uzvarēt “Jeopardy” un pārspēt šaha čempionus, AI mērķis parasti tiek uzskatīts par vispārējas izlūkošanas meklējumiem jeb izlūkošanu, ko var pielietot dažādām un nesaistītām situācijas problēmām.
Daudzi no AI, kas izveidoti līdz šim brīdim, ir būvēti ar mērķi, piemēram, vadīt robotu, kurš spēlē pingpongu vai dominē “Briesmu laikā”. Tas ir neizbēgams rezultāts, kad datorzinātnieki apsēžas un izveido kaut ko, lai veiktu konkrētu uzdevumu. - viņi galu galā ir kaut kas, kas var veikt šo uzdevumu, un ne daudz kas cits.
Lai apietu šo uz uzdevumu orientēto AI problēmu, datorzinātnieki sāka spēlēties ar mākslīgiem neironu tīkliem. Mūsu parasti saprātīgās smadzenes veido bioloģiski neironu tīkli, kas veido savienojumus, balstoties uz mūsu uztveri un ārējiem stimuliem.
Rupji vienkāršots piemērs ir sāpes, kas rodas no apdegumiem. Kad tas notiek pirmo reizi, jūsu smadzenēs tiek izveidots savienojums, kas identificē sensoro informāciju, ko sauc par uguni (liesmas, dūmu smaka, karstums), un saista to ar sāpēm. Tas ir veids, kā jūs ļoti agrā vecumā iemācāties izvairīties no apdegumiem. Izmantojot šo pašu neironu tīklu, mēs varam daudz ko mācīties, piemēram, “saldējums labi garšo” un pat veikt deduktīvus lēcienus, piemēram, “vienmēr ir mākoņi pirms lietus” vai “krājumi vienmēr saceļas decembrī.” Šie lēcieni ne vienmēr ir pareizi (ir slikts saldējums un ir krājumi, kas decembrī samazinās), taču tos var labot, izmantojot pieredzi, tādējādi ļaujot adaptīvi mācīties.
Mākslīgie neironu tīkli mēģina atjaunot šo mācību sistēmu datoros, izveidojot vienkāršu ietvara programmu, lai reaģētu uz problēmu un saņemtu atsauksmes par to, kā tā darbojas. Dators var optimizēt savu reakciju, veicot to pašu problēmu tūkstošiem reižu un pielāgojot reakciju atbilstoši saņemtajām atsauksmēm. Tad datoram var tikt piešķirta cita problēma, kurai tas var pieiet tādā pašā veidā, kā iemācījās no iepriekšējās. Mainot problēmas un to risināšanas pieejamo pieeju skaitu, kuras dators ir iemācījies, datorzinātnieki var iemācīt datoru būt vispārējam.
Lai arī tas uzbur attēlus ar datoriem, kas pārņem pasauli un novāc cilvēkus, kā redzams Holivudas filmās, piemēram, “The Martrix”, mēs joprojām esam tālu no sava neironu tīkla izveides līdz mākslīgajam intelektam. Neironu tīklos pārbaudītās problēmas tiek izteiktas matemātiski. Jūs nevarat turēt ziedu pie datora un likt tam uzminēt krāsu pēc smaržas, jo smarža būtu jāizsaka ar cipariem, un tad datoram šie skaitļi būtu jā kataloģizē atmiņā kopā ar ziedu attēliem. izstaro šo smaku.
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
Tas nozīmē, ka mākslīgie neironu tīkli, kuriem var dot vairāk tādu lietu kā smarža, un spēja mācīties no visiem šiem ievadiem, varētu būt uz ceļa, lai iegūtu pirmo mākslīgo intelektu, kas atbilst pat visnopietnākā AI entuziasta standartiem.
Būtībā mākslīgie neironu tīkli ir cilvēku neironu tīklu modeļi, kas ir izstrādāti, lai palīdzētu datoriem mācīties. Mākslīgais intelekts ir Svētais Grāls, ko daži datorzinātnieki cenšas sasniegt, izmantojot tādas metodes kā neironu tīklu imitēšana.