ຊຸດ Futurist
6 ປຶ້ມການຮຽນຮູ້ເຄື່ອງຈັກ ແລະ AI ທີ່ດີທີ່ສຸດຕະຫຼອດເວລາ (ເດືອນພຶດສະພາ 2024)
ໂລກຂອງ AI ສາມາດຂົ່ມຂູ່ໄດ້ເນື່ອງຈາກຄໍາສັບແລະລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນທີ່ມີຢູ່. ຫຼັງຈາກໄດ້ອ່ານຫຼາຍກວ່າ 50 ປື້ມທີ່ແນະນໍາທີ່ສຸດກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກ, ຂ້າພະເຈົ້າໄດ້ລວບລວມບັນຊີລາຍຊື່ສ່ວນຕົວຂອງຂ້ອຍຂອງປຶ້ມທີ່ຕ້ອງອ່ານ.
ປື້ມທີ່ຖືກເລືອກແມ່ນອີງໃສ່ປະເພດຂອງແນວຄວາມຄິດທີ່ນໍາສະເຫນີ, ແລະແນວຄວາມຄິດທີ່ແຕກຕ່າງກັນເຊັ່ນການຮຽນຮູ້ເລິກ, ການຮຽນຮູ້ເສີມ, ແລະວິທີການພັນທຸກໍາໄດ້ຖືກນໍາສະເຫນີ. ສິ່ງທີ່ ສຳ ຄັນທີ່ສຸດແມ່ນບັນຊີລາຍຊື່ແມ່ນອີງໃສ່ປື້ມທີ່ປູທາງໄປສູ່ອະນາຄົດທີ່ດີທີ່ສຸດ ສຳ ລັບນັກ futurists ແລະນັກຄົ້ນຄວ້າໄປສູ່ການສ້າງຄວາມຮັບຜິດຊອບ, ແລະ AI ທີ່ສາມາດອະທິບາຍໄດ້.
#6. ວິທີການ AI ເຮັດວຽກ: ຈາກ Sorcery ກັບວິທະຍາສາດ ໂດຍ Ronald T. Kneusel
“ວິທີ AI ເຮັດວຽກ” ເປັນປຶ້ມທີ່ຊັດເຈນ ແລະຊັດເຈນທີ່ອອກແບບມາເພື່ອອະທິບາຍພື້ນຖານຫຼັກຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ປຶ້ມຫົວນີ້ສ້າງຄວາມສະດວກໃນການຮຽນຮູ້ກ່ຽວກັບປະຫວັດສາດອັນອຸດົມສົມບູນຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ການເດີນທາງຈາກການເລີ່ມຕົ້ນຂອງລະບົບ AI ທີ່ເປັນມໍລະດົກໄປສູ່ການມາເຖິງຂອງວິທີການຍຸກສະໄໝ.
ປະຫວັດສາດແມ່ນເປັນຊັ້ນ, ເລີ່ມຕົ້ນດ້ວຍລະບົບ AI ທີ່ມີພື້ນຖານທີ່ດີເຊັ່ນເຄື່ອງຈັກ vector, ຕົ້ນໄມ້ການຕັດສິນໃຈ, ແລະປ່າໄມ້ແບບສຸ່ມ. ລະບົບກ່ອນຫນ້າເຫຼົ່ານີ້ໄດ້ປູທາງໄປສູ່ຄວາມກ້າວຫນ້າທີ່ກ້າວຫນ້າ, ນໍາໄປສູ່ການພັດທະນາວິທີການທີ່ຊັບຊ້ອນຫຼາຍເຊັ່ນເຄືອຂ່າຍ neural ແລະເຄືອຂ່າຍ neural convolutional. ປຶ້ມດັ່ງກ່າວໄດ້ກ່າວເຖິງຄວາມສາມາດອັນບໍ່ໜ້າເຊື່ອທີ່ສະເໜີໃຫ້ໂດຍຕົວແບບພາສາຂະໜາດໃຫຍ່ (LLMs), ເຊິ່ງເປັນແຫຼ່ງພະລັງງານທີ່ຢູ່ເບື້ອງຫຼັງຂອງ Generative AI ທີ່ທັນສະໄໝຂອງມື້ນີ້.
ຄວາມເຂົ້າໃຈພື້ນຖານ, ເຊັ່ນວ່າເທັກໂນໂລຍີ noise-to-image ສາມາດເຮັດຊ້ຳຮູບພາບທີ່ມີຢູ່ກ່ອນແລ້ວ ແລະແມ່ນແຕ່ການສ້າງຮູບພາບໃໝ່ໆທີ່ບໍ່ເຄີຍມີມາກ່ອນຈາກການກະຕຸ້ນເຕືອນແບບສຸ່ມ, ແມ່ນມີຄວາມສຳຄັນໃນການຈັບເອົາກຳລັງທີ່ຂັບເຄື່ອນເຄື່ອງສ້າງຮູບພາບຂອງມື້ນີ້. ປື້ມຫົວນີ້ອະທິບາຍລັກສະນະພື້ນຖານເຫຼົ່ານີ້ຢ່າງສວຍງາມ, ເຮັດໃຫ້ຜູ້ອ່ານສາມາດເຂົ້າໃຈຄວາມຊັບຊ້ອນແລະກົນໄກພື້ນຖານຂອງເຕັກໂນໂລຢີການຜະລິດຮູບພາບ.
Ron Kneusel, ຜູ້ຂຽນ, ສະແດງໃຫ້ເຫັນຄວາມພະຍາຍາມທີ່ຫນ້າຊົມເຊີຍໃນການອະທິບາຍທັດສະນະຂອງລາວວ່າເປັນຫຍັງ ChatGPT ຂອງ OpenAI ແລະຮູບແບບ LLM ຂອງມັນຫມາຍເຖິງການເລີ່ມຕົ້ນຂອງ AI ທີ່ແທ້ຈິງ. ລາວນໍາສະເຫນີຢ່າງພິຖີພິຖັນວິທີການ LLMs ທີ່ແຕກຕ່າງກັນສະແດງຄຸນສົມບັດທີ່ເກີດຂື້ນໃຫມ່ທີ່ສາມາດເຂົ້າໃຈທິດສະດີຂອງຈິດໃຈໄດ້ intuitively. ຄຸນສົມບັດທີ່ເກີດຂື້ນເຫຼົ່ານີ້ເບິ່ງຄືວ່າມີຄວາມຊັດເຈນແລະມີອິດທິພົນໂດຍອີງໃສ່ຂະຫນາດຂອງຮູບແບບການຝຶກອົບຮົມ. Kneusel ສົນທະນາວິທີການປະລິມານຂະຫນາດໃຫຍ່ຂອງຕົວກໍານົດການໂດຍປົກກະຕິເຮັດໃຫ້ຕົວແບບ LLM ທີ່ມີຄວາມຊໍານິຊໍານານແລະປະສົບຜົນສໍາເລັດຫຼາຍທີ່ສຸດ, ສະຫນອງຄວາມເຂົ້າໃຈທີ່ເລິກເຊິ່ງກ່ຽວກັບນະໂຍບາຍດ້ານຂະຫນາດແລະປະສິດທິພາບຂອງຕົວແບບເຫຼົ່ານີ້.
ປື້ມຫົວນີ້ແມ່ນເປັນສັນຍານເຕືອນໄພສໍາລັບຜູ້ທີ່ຢາກຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບໂລກຂອງ AI, ສະເຫນີສະພາບລວມທີ່ລະອຽດອ່ອນແຕ່ເຂົ້າໃຈໄດ້ກ່ຽວກັບເສັ້ນທາງວິວັດທະນາການຂອງເຕັກໂນໂລຢີການຮຽນຮູ້ເຄື່ອງຈັກ, ຈາກຮູບແບບພື້ນຖານຂອງພວກເຂົາຈົນເຖິງຫນ່ວຍງານບຸກເບີກຂອງມື້ນີ້. ບໍ່ວ່າທ່ານຈະເປັນຈົວ ຫຼື ຄົນທີ່ມີຄວາມເຂົ້າໃຈຫຼາຍກ່ຽວກັບວິຊາດັ່ງກ່າວ, "ວິທີການ AI ເຮັດວຽກ" ໄດ້ຖືກອອກແບບເພື່ອໃຫ້ທ່ານມີຄວາມເຂົ້າໃຈທີ່ຫລອມໂລຫະຂອງເຕັກໂນໂລຊີການປ່ຽນແປງທີ່ສືບຕໍ່ສ້າງໂລກຂອງພວກເຮົາ.
#5. ຊີວິດປີ 3.0 ໂດຍ Max Tegmark
"ຊີວິດປີ 3.0” ມີເປົ້າຫມາຍທີ່ທະເຍີທະຍານແລະນັ້ນແມ່ນເພື່ອຄົ້ນຫາຄວາມເປັນໄປໄດ້ຂອງວິທີທີ່ພວກເຮົາຈະຢູ່ຮ່ວມກັນກັບ AI ໃນອະນາຄົດ. Artificial General Intelligence (AGI) ແມ່ນຜົນສະທ້ອນສຸດທ້າຍແລະ inevitable ຂອງ ການໂຕ້ຖຽງການລະເບີດທາງປັນຍາ ເຮັດໂດຍນັກຄະນິດສາດອັງກິດ Irving Good ກັບຄືນໄປບ່ອນໃນປີ 1965. ການໂຕ້ຖຽງນີ້ກໍານົດວ່າປັນຍາພິເສດຈະເປັນຜົນມາຈາກເຄື່ອງຈັກທີ່ສາມາດປັບປຸງຕົນເອງຢ່າງຕໍ່ເນື່ອງ. ຄໍາເວົ້າທີ່ມີຊື່ສຽງສໍາລັບການລະເບີດທາງປັນຍາມີດັ່ງນີ້:
“ໃຫ້ເຄື່ອງອັດສະລິຍະອັນໜຶ່ງຖືກກຳນົດວ່າເປັນເຄື່ອງຈັກທີ່ສາມາດລື່ນກາຍການເຄື່ອນໄຫວທາງປັນຍາທັງໝົດຂອງຜູ້ຊາຍຄົນໃດຄົນໜຶ່ງທີ່ສະຫລາດຢ່າງໃດກໍ່ຕາມ. ເນື່ອງຈາກການອອກແບບເຄື່ອງຈັກແມ່ນຫນຶ່ງໃນກິດຈະກໍາທາງປັນຍາເຫຼົ່ານີ້, ເຄື່ອງຈັກອັດສະລິຍະສາມາດອອກແບບເຄື່ອງຈັກທີ່ດີກວ່າ; ຫຼັງຈາກນັ້ນ, ແນ່ນອນວ່າຈະມີ 'ການລະເບີດທາງປັນຍາ,' ແລະສະຕິປັນຍາຂອງມະນຸດຈະຖືກປະໄວ້ໄກ. ດັ່ງນັ້ນເຄື່ອງຈັກອັດສະລິຍະທໍາອິດແມ່ນສິ່ງປະດິດສຸດທ້າຍທີ່ມະນຸດຕ້ອງການ."
Max Tegmark ເປີດຕົວຫນັງສືໄປສູ່ອະນາຄົດທາງທິດສະດີຂອງການດໍາລົງຊີວິດຢູ່ໃນໂລກທີ່ຖືກຄວບຄຸມໂດຍ AGI. ຕັ້ງແຕ່ນີ້ເປັນຕົ້ນໄປ ມີການຕັ້ງຄຳຖາມລະເບີດ ເຊັ່ນວ່າ ຄວາມສະຫຼາດແມ່ນຫຍັງ? ຄວາມຊົງຈໍາແມ່ນຫຍັງ? ການຄິດໄລ່ແມ່ນຫຍັງ? ແລະ, ການຮຽນຮູ້ແມ່ນຫຍັງ? ຄໍາຖາມເຫຼົ່ານີ້ແລະຄໍາຕອບທີ່ເປັນໄປໄດ້ໃນທີ່ສຸດຈະນໍາໄປສູ່ການປຽບທຽບຂອງເຄື່ອງຈັກທີ່ສາມາດນໍາໃຊ້ປະເພດຂອງການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອບັນລຸຄວາມກ້າວຫນ້າໃນການປັບປຸງຕົນເອງທີ່ຈໍາເປັນເພື່ອບັນລຸຄວາມສະຫລາດລະດັບຂອງມະນຸດ, ແລະຄວາມສະຫລາດທີ່ເກີດຈາກສິ່ງທີ່ບໍ່ສາມາດຫຼີກລ່ຽງໄດ້?
ເຫຼົ່ານີ້ແມ່ນປະເພດຂອງການຄິດໄປຂ້າງຫນ້າແລະຄໍາຖາມທີ່ສໍາຄັນທີ່ Life 3.0 ຄົ້ນຫາ. ຊີວິດ 1.0 ແມ່ນຮູບແບບຊີວິດທີ່ງ່າຍດາຍເຊັ່ນ: ເຊື້ອແບັກທີເຣັຍທີ່ພຽງແຕ່ສາມາດປ່ຽນແປງໂດຍຜ່ານການວິວັດທະນາການດັດແປງ DNA ຂອງມັນ. ຊີວິດ 2.0 ແມ່ນຮູບແບບຊີວິດທີ່ສາມາດອອກແບບຊອບແວຂອງຕົນເອງໄດ້ ເຊັ່ນ: ການຮຽນຮູ້ພາສາ ຫຼືທັກສະໃໝ່. Life 3.0 ເປັນ AI ທີ່ບໍ່ພຽງແຕ່ສາມາດປັບປ່ຽນພຶດຕິກຳ ແລະ ທັກສະຂອງຕົນເອງເທົ່ານັ້ນ, ແຕ່ຍັງສາມາດປັບປ່ຽນຮາດແວຂອງຕົນເອງໄດ້ ເຊັ່ນ: ການຍົກລະດັບຫຸ່ນຍົນຂອງຕົນເອງ.
ພຽງແຕ່ໃນເວລາທີ່ພວກເຮົາເຂົ້າໃຈຜົນປະໂຫຍດແລະຄວາມຜິດພາດຂອງ AGI, ພວກເຮົາສາມາດເລີ່ມຕົ້ນການທົບທວນຄືນທາງເລືອກເພື່ອຮັບປະກັນວ່າພວກເຮົາສ້າງ AI ທີ່ເປັນມິດກ່ວາສາມາດສອດຄ່ອງກັບເປົ້າຫມາຍຂອງພວກເຮົາ. ເພື່ອເຮັດສິ່ງນີ້ເຮົາອາດຈະຕ້ອງເຂົ້າໃຈວ່າສະຕິແມ່ນຫຍັງ? ແລະສະຕິຂອງ AI ຈະແຕກຕ່າງຈາກຕົວເຮົາເອງແນວໃດ?
ມີຫົວຂໍ້ຮ້ອນຫຼາຍທີ່ໄດ້ຖືກຄົ້ນຫາຢູ່ໃນປຶ້ມຫົວນີ້, ແລະມັນຄວນຈະເປັນການອ່ານບັງຄັບສໍາລັບທຸກຄົນທີ່ຕ້ອງການເຂົ້າໃຈຢ່າງແທ້ຈິງວ່າ AGI ເປັນໄພຂົ່ມຂູ່ທີ່ອາດເກີດຂຶ້ນ, ເຊັ່ນດຽວກັນກັບການເປັນຊີວິດທີ່ມີທ່າແຮງສໍາລັບອາລະຍະທໍາຂອງມະນຸດໃນອະນາຄົດ.
#4. ຄວາມເຂົ້າກັນໄດ້ຂອງມະນຸດ: ປັນຍາປະດິດ ແລະບັນຫາການຄວບຄຸມ ໂດຍ Stuart Russell
ຈະເກີດຫຍັງຂຶ້ນຖ້າພວກເຮົາປະສົບຜົນສໍາເລັດໃນການສ້າງຕົວແທນທີ່ສະຫຼາດ, ບາງສິ່ງບາງຢ່າງທີ່ຮັບຮູ້, ປະຕິບັດ, ແລະທີ່ສະຫລາດກວ່າຜູ້ສ້າງຂອງມັນ? ເຮົາຈະໂນ້ມນ້າວເຄື່ອງຈັກໃຫ້ບັນລຸເປົ້າໝາຍຂອງເຮົາ ແທນທີ່ຈະເປັນເປົ້າໝາຍຂອງຕົນເອງແນວໃດ?
ຂ້າງເທິງນີ້ແມ່ນສິ່ງທີ່ນໍາໄປສູ່ແນວຄວາມຄິດທີ່ສໍາຄັນທີ່ສຸດຂອງຫນັງສື "ຄວາມເຂົ້າກັນໄດ້ຂອງມະນຸດ: ປັນຍາປະດິດ ແລະບັນຫາການຄວບຄຸມ” ແມ່ນວ່າພວກເຮົາຕ້ອງຫຼີກລ່ຽງ “ການວາງເປົ້າໝາຍໃສ່ເຄື່ອງ,” ດັ່ງທີ່ Norbert Wiener ກ່າວ. ເຄື່ອງຈັກອັດສະລິຍະທີ່ແນ່ນອນເກີນໄປຂອງຈຸດປະສົງຄົງທີ່ຂອງມັນແມ່ນປະເພດຂອງ AI ອັນຕະລາຍທີ່ສຸດ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ຖ້າ AI ກາຍເປັນຄວາມບໍ່ເຕັມໃຈທີ່ຈະພິຈາລະນາຄວາມເປັນໄປໄດ້ທີ່ວ່າມັນຜິດພາດໃນການປະຕິບັດຈຸດປະສົງແລະຫນ້າທີ່ຂອງໂປລແກລມກ່ອນ, ມັນອາດຈະເປັນໄປບໍ່ໄດ້ທີ່ຈະໃຫ້ລະບົບ AI ປິດຕົວຂອງມັນເອງ.
ຄວາມຫຍຸ້ງຍາກດັ່ງທີ່ໄດ້ລະບຸໄວ້ໂດຍ Stuart Russell ແມ່ນການສັ່ງສອນ AI / ຫຸ່ນຍົນທີ່ບໍ່ມີຄໍາສັ່ງທີ່ແນະນໍາແມ່ນມີຈຸດປະສົງເພື່ອໃຫ້ບັນລຸໄດ້ໃນຄ່າໃຊ້ຈ່າຍໃດໆ. ມັນບໍ່ເປັນຫຍັງທີ່ຈະເສຍສະລະຊີວິດຂອງມະນຸດເພື່ອໄປຫາກາເຟ, ຫຼືປີ້ງ cat ເພື່ອສະຫນອງອາຫານທ່ຽງ. ມັນຕ້ອງເຂົ້າໃຈວ່າ "ເອົາຂ້ອຍໄປສະຫນາມບິນໄວເທົ່າທີ່ຈະໄວໄດ້", ບໍ່ໄດ້ຫມາຍຄວາມວ່າກົດຫມາຍວ່າດ້ວຍຄວາມໄວອາດຈະຖືກທໍາລາຍ, ເຖິງແມ່ນວ່າຄໍາແນະນໍານີ້ຈະບໍ່ຊັດເຈນ. ຖ້າ AI ໄດ້ຮັບຄວາມຜິດພາດຂ້າງເທິງ, ຫຼັງຈາກນັ້ນຄວາມລົ້ມເຫລວທີ່ປອດໄພແມ່ນລະດັບຄວາມບໍ່ແນ່ນອນທີ່ກໍານົດໄວ້ກ່ອນໂຄງການ. ດ້ວຍຄວາມບໍ່ແນ່ນອນບາງຢ່າງ, AI ສາມາດທ້າທາຍຕົນເອງກ່ອນທີ່ຈະສໍາເລັດວຽກງານ, ບາງທີອາດຈະຊອກຫາການຢືນຢັນດ້ວຍຄໍາເວົ້າ.
ໃນເອກະສານປີ 1965 ທີ່ມີຫົວຂໍ້ວ່າ "ການຄາດເດົາກ່ຽວກັບເຄື່ອງຈັກ Ultraintelligence ທໍາອິດ", IJ Good ນັກຄະນິດສາດທີ່ເກັ່ງກ້າທີ່ເຮັດວຽກຄຽງຄູ່ກັບ Alan Turing ກ່າວວ່າ, "ການຢູ່ລອດຂອງມະນຸດແມ່ນຂຶ້ນກັບການສ້າງເຄື່ອງຈັກອັດສະລິຍະໃນຕອນຕົ້ນ." ມັນເປັນໄປໄດ້ທັງຫມົດທີ່ຈະຊ່ວຍປະຢັດຕົວເຮົາເອງຈາກໄພພິບັດທາງດ້ານນິເວດວິທະຍາ, ຊີວະວິທະຍາ, ແລະມະນຸດສະທໍາທີ່ພວກເຮົາຕ້ອງສ້າງ AI ທີ່ກ້າວຫນ້າທີ່ສຸດທີ່ພວກເຮົາສາມາດເຮັດໄດ້.
ເອກະສານ seminal ນີ້ອະທິບາຍເຖິງການລະເບີດທາງປັນຍາ, ທິດສະດີນີ້ແມ່ນວ່າເຄື່ອງຈັກອັດສະລິຍະສາມາດອອກແບບເຄື່ອງຈັກທີ່ດີກວ່າແລະດີກວ່າດ້ວຍການເຮັດຊ້ໍາແຕ່ລະຄັ້ງ, ແລະນີ້ແນ່ນອນນໍາໄປສູ່ການສ້າງ AGI. ໃນຂະນະທີ່ AGI ໃນເບື້ອງຕົ້ນອາດຈະມີຄວາມສະຫຼາດເທົ່າທຽມກັບມະນຸດ, ມັນຈະລື່ນກາຍມະນຸດຢ່າງໄວວາພາຍໃນໄລຍະເວລາສັ້ນໆ. ເນື່ອງຈາກຂໍ້ສະຫຼຸບທີ່ໄດ້ກ່າວມານີ້, ມັນເປັນສິ່ງສໍາຄັນສໍາລັບນັກພັດທະນາ AI ທີ່ຈະປະຕິບັດຫຼັກການພື້ນຖານທີ່ແບ່ງປັນໃນຫນັງສືເຫຼັ້ມນີ້ແລະຮຽນຮູ້ວິທີການນໍາໃຊ້ມັນຢ່າງປອດໄພໃນການອອກແບບລະບົບ AI ທີ່ມີຄວາມສາມາດບໍ່ພຽງແຕ່ຮັບໃຊ້ມະນຸດເທົ່ານັ້ນ, ແຕ່ຍັງຊ່ວຍປະຢັດມະນຸດຈາກຕົວເອງ. .
ດັ່ງທີ່ໄດ້ລະບຸໄວ້ໂດຍ Stuart Russell ຖອນຕົວອອກຈາກການຄົ້ນຄວ້າ AI ບໍ່ແມ່ນທາງເລືອກ, ພວກເຮົາຕ້ອງກົດດັນຕໍ່ໄປ. ປື້ມນີ້ແມ່ນແຜນທີ່ເສັ້ນທາງທີ່ຈະນໍາພາພວກເຮົາໄປສູ່ການອອກແບບລະບົບ AI ທີ່ປອດໄພ, ຄວາມຮັບຜິດຊອບ, ແລະເປັນປະໂຫຍດຫຼາຍ.
#3. ວິທີການສ້າງຈິດໃຈ ໂດຍ Ray Kurzweil
Ray Kurzweil ແມ່ນ ຫນຶ່ງໃນນັກປະດິດ, ນັກຄິດ, ແລະນັກ futurists ຊັ້ນນໍາຂອງໂລກ, ລາວໄດ້ຖືກກ່າວເຖິງວ່າ "ອັດສະລິຍະທີ່ບໍ່ສະຫງົບ" ໂດຍ Wall Street Journal ແລະ "ເຄື່ອງຄິດສູງສຸດ" ໂດຍວາລະສານ Forbes. ລາວຍັງເປັນຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງມະຫາວິທະຍາໄລ Singularity, ແລະລາວເປັນທີ່ຮູ້ຈັກດີທີ່ສຸດສໍາລັບປຶ້ມທີ່ໂດດເດັ່ນຂອງລາວ "The Singularity is Near". “ວິທີການສ້າງຈິດໃຈ” ແກ້ໄຂບັນຫາການເຕີບໃຫຍ່ຂອງຕົວເລກທີ່ເປັນຈຸດເດັ່ນຂອງວຽກງານອື່ນໆຂອງລາວຫນ້ອຍລົງ, ແທນທີ່ຈະສຸມໃສ່ວິທີທີ່ພວກເຮົາຕ້ອງການເຂົ້າໃຈສະຫມອງຂອງມະນຸດເພື່ອຫັນປ່ຽນມັນເພື່ອສ້າງເຄື່ອງຈັກການຄິດສູງສຸດ.
ຫຼັກການຫຼັກອັນໜຶ່ງທີ່ໄດ້ກ່າວມາໃນງານສຳມະນານີ້ແມ່ນວິທີການຮັບຮູ້ແບບຢ່າງໃນສະໝອງຂອງມະນຸດ. ມະນຸດຮັບຮູ້ຮູບແບບຕ່າງໆໃນຊີວິດປະຈໍາວັນໄດ້ແນວໃດ? ການເຊື່ອມຕໍ່ເຫຼົ່ານີ້ຢູ່ໃນສະຫມອງແນວໃດ? ປື້ມເລີ່ມຕົ້ນດ້ວຍການເຂົ້າໃຈແນວຄິດແບບລຳດັບ, ນີ້ແມ່ນຄວາມເຂົ້າໃຈໂຄງສ້າງທີ່ປະກອບດ້ວຍອົງປະກອບທີ່ຫລາກຫລາຍທີ່ຈັດລຽງເປັນຮູບແບບ, ການຈັດລຽງນີ້ເປັນຕົວແທນຂອງສັນຍາລັກເຊັ່ນ: ຕົວອັກສອນຫຼືຕົວອັກສອນ, ແລະຈາກນັ້ນກໍ່ຖືກຈັດລຽງເປັນຮູບແບບທີ່ກ້າວຫນ້າ. ເຊັ່ນຄໍາສັບ, ແລະໃນທີ່ສຸດປະໂຫຍກ. ໃນທີ່ສຸດຮູບແບບເຫຼົ່ານີ້ປະກອບເປັນແນວຄວາມຄິດ, ແລະແນວຄວາມຄິດເຫຼົ່ານີ້ແມ່ນໄດ້ຫັນເປັນຜະລິດຕະພັນທີ່ມະນຸດຮັບຜິດຊອບໃນການກໍ່ສ້າງ.
ເນື່ອງຈາກວ່າມັນເປັນປື້ມ Ray Kurzweil ມັນແນ່ນອນວ່າມັນບໍ່ໃຊ້ເວລາດົນກ່ອນທີ່ຈະຄິດເລກກໍາລັງໃນການນໍາສະເຫນີ. ໄດ້ “ກົດຫມາຍວ່າດ້ວຍການເລັ່ງການກັບຄືນ' ເປັນຈຸດເດັ່ນຂອງປຶ້ມຫົວນີ້. ກົດຫມາຍສະບັບນີ້ສະແດງໃຫ້ເຫັນເຖິງວິທີການເຕັກໂນໂລຢີແລະຈັງຫວະການເລັ່ງການເລັ່ງຍ້ອນແນວໂນ້ມຂອງຄວາມກ້າວຫນ້າທີ່ຈະລ້ຽງຕົວເອງ, ອັດຕາຄວາມກ້າວຫນ້າເພີ່ມຂຶ້ນຕື່ມອີກ. ຫຼັງຈາກນັ້ນ, ຄວາມຄິດນີ້ສາມາດຖືກນໍາໄປໃຊ້ກັບຄວາມໄວທີ່ພວກເຮົາກໍາລັງຮຽນຮູ້ທີ່ຈະເຂົ້າໃຈແລະຫັນປ່ຽນສະຫມອງຂອງມະນຸດ. ຄວາມເຂົ້າໃຈແບບເລັ່ງລັດຂອງລະບົບການຮັບຮູ້ຮູບແບບໃນສະຫມອງຂອງມະນຸດສາມາດຖືກນໍາໃຊ້ຕໍ່ກັບການສ້າງລະບົບ AGI.
ຫນັງສືເຫຼັ້ມນີ້ມີການປ່ຽນແປງໄປສູ່ອະນາຄົດຂອງ AI, ທີ່ Eric Schmidt ໄດ້ແຕ່ງຕັ້ງ Ray Kurzweil ເຮັດວຽກກ່ຽວກັບໂຄງການ AI ຫຼັງຈາກລາວອ່ານຫນັງສືນີ້ຈົບ. ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະອະທິບາຍແນວຄວາມຄິດທັງໝົດ, ແລະແນວຄວາມຄິດທີ່ສົນທະນາໃນບົດຄວາມສັ້ນ, ຢ່າງໃດກໍຕາມ, ມັນເປັນເຄື່ອງມືທີ່ຕ້ອງອ່ານຫນັງສືເພື່ອເຂົ້າໃຈດີຂຶ້ນວ່າເຄືອຂ່າຍ neural ຂອງມະນຸດເຮັດວຽກແນວໃດເພື່ອອອກແບບກ້າວຫນ້າ. ເຄືອຂ່າຍ neural ປອມ.
ການຮັບຮູ້ຮູບແບບແມ່ນປັດໃຈສໍາຄັນສໍາລັບການຮຽນຮູ້ເລິກເຊິ່ງ, ແລະຫນັງສືເຫຼັ້ມນີ້ສະແດງໃຫ້ເຫັນເຖິງເຫດຜົນ.
#2. ສູດການຄິດໄລ່ຕົ້ນສະບັບ ໂດຍ Pedro Domingos
ສົມມຸດຕິຖານສູນກາງຂອງ ສູດການຄິດໄລ່ຕົ້ນສະບັບ ແມ່ນວ່າຄວາມຮູ້ທັງໝົດ – ອະດີດ, ປະຈຸບັນ, ແລະ ອະນາຄົດ – ສາມາດມາຈາກຂໍ້ມູນໂດຍວິທີການຮຽນຮູ້ແບບດຽວ, ທົ່ວໄປທີ່ເປັນປະລິມານເປັນ Master Algorithm. ປື້ມບັນທຶກລາຍລະອຽດວິທີການຮຽນຮູ້ເຄື່ອງຈັກຊັ້ນນໍາ, ມັນໃຫ້ຄໍາອະທິບາຍຢ່າງລະອຽດຂອງວິທີການເຮັດວຽກທີ່ແຕກຕ່າງກັນ, ວິທີທີ່ພວກເຂົາສາມາດເພີ່ມປະສິດທິພາບ, ແລະວິທີການຮ່ວມມືທີ່ພວກເຂົາສາມາດເຮັດວຽກເພື່ອບັນລຸເປົ້າຫມາຍສຸດທ້າຍຂອງການສ້າງ Master algorithm. ນີ້ແມ່ນວິທີການທີ່ສາມາດແກ້ໄຂບັນຫາໃດຫນຶ່ງທີ່ພວກເຮົາລ້ຽງມັນ, ແລະນີ້ລວມເຖິງການປິ່ນປົວມະເຮັງ.
ຜູ້ອ່ານຈະເລີ່ມຕົ້ນໂດຍການຮຽນຮູ້ກ່ຽວກັບ Naïve Bayes, ເປັນ algorithm ງ່າຍດາຍທີ່ສາມາດອະທິບາຍໃນສົມຜົນງ່າຍດາຍຫນຶ່ງ. ຈາກນັ້ນມັນເລັ່ງຄວາມໄວເຕັມໄປສູ່ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຫນ້າສົນໃຈຫຼາຍ. ເພື່ອເຂົ້າໃຈເທກໂນໂລຍີທີ່ເລັ່ງພວກເຮົາໄປສູ່ວິທີການຕົ້ນສະບັບນີ້, ພວກເຮົາຮຽນຮູ້ກ່ຽວກັບການລວມຕົວພື້ນຖານ. ຫນ້າທໍາອິດ, ຈາກ neuroscience ພວກເຮົາຮຽນຮູ້ກ່ຽວກັບ plasticity ສະຫມອງ, ເຄືອຂ່າຍ neural ຂອງມະນຸດ. ອັນທີສອງ, ພວກເຮົາກ້າວໄປສູ່ການເລືອກທໍາມະຊາດໃນບົດຮຽນເພື່ອເຂົ້າໃຈວິທີການອອກແບບລະບົບທາງພັນທຸກໍາທີ່ຈໍາລອງວິວັດທະນາການແລະການຄັດເລືອກທໍາມະຊາດ. ດ້ວຍສູດການຄິດໄລ່ທາງພັນທຸກໍາ, ປະຊາກອນຂອງສົມມຸດຕິຖານໃນແຕ່ລະລຸ້ນຂ້າມຜ່ານແລະກາຍພັນ, ຈາກນັ້ນ, ສູດການຄິດໄລ່ທີ່ ເໝາະ ສົມທີ່ສຸດຈະຜະລິດລຸ້ນຕໍ່ໄປ. evolution ນີ້ສະຫນອງການສູງສຸດໃນການປັບປຸງຕົນເອງ.
ການໂຕ້ຖຽງອື່ນໆແມ່ນມາຈາກຟີຊິກ, ສະຖິຕິ, ແລະແນ່ນອນທີ່ດີທີ່ສຸດຂອງວິທະຍາສາດຄອມພິວເຕີ. ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະທົບທວນຄືນທຸກດ້ານທີ່ແຕກຕ່າງກັນທີ່ປຶ້ມຫົວນີ້ສໍາຜັດໄດ້ຢ່າງສົມບູນ, ເນື່ອງຈາກປຶ້ມທີ່ມີຄວາມທະເຍີທະຍານໃນຂອບເຂດຂອງການຈັດວາງໂຄງຮ່າງການສ້າງ Master Algorithm. ມັນແມ່ນໂຄງຮ່າງການນີ້ທີ່ໄດ້ຊຸກດັນໃຫ້ຫນັງສືເຫຼັ້ມນີ້ຢູ່ໃນອັນດັບສອງ, ຍ້ອນວ່າປື້ມການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆກໍ່ສ້າງຢູ່ໃນຮູບແບບຫຼືຮູບແບບບາງຢ່າງ.
#1. A ພັນສະຫມອງ ໂດຍ Jeff Hawkins
"A ພັນສະຫມອງ” ສ້າງແນວຄວາມຄິດທີ່ສົນທະນາໃນປື້ມທີ່ຜ່ານມາໂດຍ Jeff Hawkins ທີ່ມີຫົວຂໍ້ວ່າ "On Intelligence". "On Intelligence" ໄດ້ສຳຫຼວດໂຄງຮ່າງການເຂົ້າໃຈວິທີການເຮັດວຽກທາງປັນຍາຂອງມະນຸດ, ແລະແນວຄວາມຄິດເຫຼົ່ານີ້ສາມາດນຳໃຊ້ເຂົ້າໃນການກໍ່ສ້າງລະບົບ AI ແລະ AGI ສູງສຸດໄດ້ແນວໃດ. ມັນວິເຄາະໂດຍພື້ນຖານວ່າສະຫມອງຂອງພວກເຮົາຄາດຄະເນສິ່ງທີ່ພວກເຮົາຈະປະສົບກ່ອນທີ່ພວກເຮົາຈະປະສົບກັບມັນ.
ໃນຂະນະທີ່ "A Thousand Brains" ເປັນປຶ້ມທີ່ໂດດດ່ຽວທີ່ດີ, ມັນຈະມີຄວາມສຸກແລະຊື່ນຊົມທີ່ສຸດຖ້າ "ກ່ຽວກັບ Intelligence"ແມ່ນອ່ານທໍາອິດ.
"A Thousand Brains" ສ້າງຂຶ້ນໃນການຄົ້ນຄວ້າຫຼ້າສຸດໂດຍ Jeff Hawkins ແລະບໍລິສັດທີ່ລາວກໍ່ຕັ້ງເອີ້ນວ່າ ຈໍານວນ. Numenta ມີເປົ້າຫມາຍຕົ້ນຕໍໃນການພັດທະນາທິດສະດີກ່ຽວກັບວິທີ neocortex ເຮັດວຽກ, ຈຸດປະສົງທີສອງແມ່ນວິທີການທິດສະດີຂອງສະຫມອງນີ້ສາມາດນໍາໃຊ້ກັບການຮຽນຮູ້ເຄື່ອງຈັກແລະຄວາມສະຫລາດຂອງເຄື່ອງຈັກ.
ການຄົ້ນພົບທີ່ສໍາຄັນຄັ້ງທໍາອິດຂອງ Numenta ໃນປີ 2010 ປະກອບມີວິທີການ neurons ເຮັດການຄາດຄະເນ, ແລະການຄົ້ນພົບຄັ້ງທີສອງໃນປີ 2016 ກ່ຽວຂ້ອງກັບກອບການອ້າງອີງແຜນທີ່ໃນ neocortex. ປື້ມບັນທຶກລາຍລະອຽດກ່ອນອື່ນ ໝົດ ວ່າ "ທິດສະດີພັນສະຫມອງ" ແມ່ນຫຍັງ, ກອບເອກະສານອ້າງອີງແມ່ນຫຍັງ, ແລະທິດສະດີເຮັດວຽກແນວໃດໃນໂລກທີ່ແທ້ຈິງ. ຫນຶ່ງໃນອົງປະກອບພື້ນຖານທີ່ສຸດທີ່ຢູ່ເບື້ອງຫລັງທິດສະດີນີ້ແມ່ນຄວາມເຂົ້າໃຈວິທີການ neocortex ພັດທະນາໄປສູ່ຂະຫນາດໃນປະຈຸບັນຂອງມັນ.
neocortex ໄດ້ເລີ່ມຕົ້ນຂະຫນາດນ້ອຍ, ຄ້າຍຄືກັນກັບສັດລ້ຽງລູກດ້ວຍນົມອື່ນໆ, ແຕ່ມັນຂະຫຍາຍໃຫຍ່ຂື້ນຫຼາຍ (ພຽງແຕ່ຖືກຈໍາກັດໂດຍຂະຫນາດຂອງຊ່ອງຫວ່າງເກີດ) ບໍ່ແມ່ນໂດຍການສ້າງສິ່ງໃຫມ່, ແຕ່ໂດຍການຄັດລອກວົງຈອນພື້ນຖານຊ້ໍາຊ້ອນ. ໂດຍເນື້ອແທ້ແລ້ວ, ສິ່ງທີ່ເຮັດໃຫ້ມະນຸດແຕກຕ່າງກັນບໍ່ແມ່ນວັດຖຸອິນຊີຂອງສະຫມອງ, ແຕ່ເປັນຈໍານວນສໍາເນົາຂອງອົງປະກອບທີ່ມີລັກສະນະດຽວກັນທີ່ປະກອບເປັນ neocortex.
ທິດສະດີວິວັດທະນາການເພີ່ມເຕີມໄປສູ່ວິທີການ neocortex ຖືກສ້າງຕັ້ງຂຶ້ນໂດຍມີປະມານ 150,000 ຖັນ cortical ທີ່ບໍ່ສາມາດເຫັນໄດ້ພາຍໃຕ້ກ້ອງຈຸລະທັດຍ້ອນວ່າບໍ່ມີຂອບເຂດທີ່ເບິ່ງເຫັນລະຫວ່າງພວກມັນ. ວິທີການຄໍລໍາ cortical ເຫຼົ່ານີ້ສື່ສານລະຫວ່າງກັນແລະກັນ, ແມ່ນການຈັດຕັ້ງປະຕິບັດສູດການຄິດໄລ່ພື້ນຖານທີ່ຮັບຜິດຊອບຕໍ່ທຸກໆດ້ານຂອງການຮັບຮູ້ແລະປັນຍາ.
ສິ່ງທີ່ສໍາຄັນກວ່ານັ້ນ, ຫນັງສືເຫຼັ້ມນີ້ເປີດເຜີຍວິທີການປະຕິບັດທິດສະດີນີ້ໄປສູ່ການສ້າງເຄື່ອງຈັກອັດສະລິຍະ, ແລະຜົນສະທ້ອນທີ່ເປັນໄປໄດ້ສໍາລັບສັງຄົມໃນອະນາຄົດ. ຕົວຢ່າງເຊັ່ນ, ສະຫມອງຮຽນຮູ້ຕົວແບບຂອງໂລກໂດຍການສັງເກດເບິ່ງການປ່ຽນແປງຂອງວັດສະດຸປ້ອນໃນໄລຍະເວລາ, ໂດຍສະເພາະໃນເວລາທີ່ການເຄື່ອນໄຫວຖືກນໍາໃຊ້. ຖັນ cortical ຕ້ອງການກອບກະສານອ້າງອີງທີ່ຖືກສ້ອມແຊມກັບວັດຖຸ, ກອບເອກະສານເຫຼົ່ານີ້ອະນຸຍາດໃຫ້ຖັນ cortical ຮຽນຮູ້ສະຖານທີ່ຂອງລັກສະນະທີ່ກໍານົດຄວາມເປັນຈິງຂອງວັດຖຸ. ໂດຍເນື້ອແທ້ແລ້ວກອບການອ້າງອີງສາມາດຈັດປະເພດຄວາມຮູ້ໃດໆ. ອັນນີ້ນໍາໄປສູ່ສ່ວນທີ່ສໍາຄັນທີ່ສຸດຂອງປື້ມນິທານນີ້, ກອບເອກະສານທີ່ອາດຈະເປັນການເຊື່ອມຕໍ່ທີ່ຂາດຫາຍໄປທີ່ສໍາຄັນຕໍ່ກັບການສ້າງ AI ທີ່ກ້າວຫນ້າຫຼືແມ້ກະທັ້ງລະບົບ AGI? Jeff ຕົນເອງເຊື່ອໃນອະນາຄົດທີ່ບໍ່ສາມາດຫຼີກລ່ຽງໄດ້ໃນເວລາທີ່ AGI ຈະຮຽນຮູ້ແບບຈໍາລອງຂອງໂລກໂດຍໃຊ້ກອບການອ້າງອິງແຜນທີ່ຄ້າຍຄືກັບ neocortex, ແລະລາວເຮັດວຽກທີ່ໂດດເດັ່ນສະແດງໃຫ້ເຫັນວ່າເປັນຫຍັງລາວເຊື່ອເລື່ອງນີ້.
