6 geriausių visų laikų mašininio mokymosi ir dirbtinio intelekto knygos (2024 m. gegužės mėn.)

AI pasaulis gali bauginti dėl turimų terminų ir skirtingų mašininio mokymosi algoritmų. Perskaičiusi daugiau nei 50 labiausiai rekomenduojamų knygų apie mašininį mokymąsi, sudariau asmeninį knygų, kurias būtina perskaityti, sąrašą.

Pasirinktos knygos yra pagrįstos pristatomų idėjų tipais ir tuo, kaip gerai pateikiamos įvairios sąvokos, pvz., gilus mokymasis, mokymasis sustiprinti ir genetiniai algoritmai. Svarbiausia, kad sąrašas sudarytas remiantis knygomis, kurios geriausiai nutiesia ateities specialistų ir tyrinėtojų kelią į patikimai atsakingą ir paaiškinamą AI kūrimą.

# 6. Kaip veikia AI: nuo burtų iki mokslo pateikė Ronaldas T. Kneuselis

„Kaip veikia AI“ yra glausta ir aiški knyga, skirta apibūdinti pagrindinius mašininio mokymosi pagrindus. Ši knyga palengvina mokymąsi apie turtingą mašininio mokymosi istoriją, pradedant nuo senų AI sistemų atsiradimo iki šiuolaikinių metodikų atsiradimo.

Istorija yra daugiasluoksnė, pradedant nuo gerai pagrįstų AI sistemų, tokių kaip paramos vektorių mašinos, sprendimų medžiai ir atsitiktiniai miškai. Šios ankstesnės sistemos atvėrė kelią novatoriškam pažangai, todėl buvo sukurti sudėtingesni metodai, tokie kaip neuroniniai tinklai ir konvoliuciniai neuroniniai tinklai. Knygoje aptariamos neįtikėtinos galimybės, kurias siūlo didelių kalbų modeliai (LLM), kurie yra šiuolaikinio generuojančio dirbtinio intelekto stiprybė.

Suprasti pagrindus, pvz., kaip technologija iš triukšmo į vaizdą gali atkartoti esamus vaizdus ir netgi sukurti naujus, precedento neturinčius vaizdus iš tariamai atsitiktinių raginimų, labai svarbu suvokti jėgas, varončias šiandieninius vaizdo generatorius. Šioje knygoje gražiai paaiškinami šie pagrindiniai aspektai, leidžiantys skaitytojams suprasti vaizdų generavimo technologijų sudėtingumą ir pagrindinę mechaniką.

Autorius Ronas Kneuselis demonstruoja pagirtinas pastangas išsiaiškinti, kodėl OpenAI ChatGPT ir jo LLM modelis reiškia tikrojo AI pradžią. Jis kruopščiai pristato, kaip atskiri LLM pasižymi atsirandančiomis savybėmis, galinčiomis intuityviai suprasti proto teoriją. Šios atsirandančios savybės, atsižvelgiant į mokymo modelio dydį, tampa ryškesnės ir įtakingesnės. Kneuselis aptaria, kaip dėl didesnio parametrų kiekio paprastai gaunami labiausiai įgudę ir sėkmingiausi LLM modeliai, suteikiant gilesnių įžvalgų apie šių modelių mastelio keitimo dinamiką ir efektyvumą.

Ši knyga yra švyturys tiems, kurie nori daugiau sužinoti apie dirbtinio intelekto pasaulį. Ji siūlo išsamią, bet suprantamą mašininio mokymosi technologijų evoliucijos trajektorijos apžvalgą – nuo ​​jų pradinių formų iki šių dienų novatoriškų objektų. Nesvarbu, ar esate naujokas, ar kažkas, kas gerai išmano šią temą, „Kaip veikia AI“ sukurta siekiant suteikti jums rafinuotą supratimą apie transformuojančias technologijas, kurios ir toliau formuoja mūsų pasaulį.

# 5. Gyvenimas 3.0 pateikė Maxas Tegmarkas

"Gyvenimas 3.0“ turi ambicingą tikslą ir tai yra ištirti galimybes, kaip ateityje egzistuosime kartu su AI. Dirbtinis bendrasis intelektas (AGI) yra galutinė ir neišvengiama jo pasekmė žvalgybos sprogimo argumentas padarė britų matematikas Irvingas Goodas 1965 m. Šis argumentas teigia, kad antžmogiškas intelektas bus mašinos, galinčios nuolat tobulėti, rezultatas. Garsioji žvalgybos sprogimo citata yra tokia:

„Tegul itin intelektuali mašina gali būti apibrėžiama kaip mašina, kuri gali gerokai pranokti bet kurio žmogaus intelektualinę veiklą, kad ir koks protingas jis būtų. Kadangi mašinų projektavimas yra viena iš šių intelektualių veiklų, itin intelektuali mašina galėtų sukurti dar geresnes mašinas; tada neabejotinai įvyktų „žvalgybos sprogimas“, o žmogaus intelektas liktų toli už nugaros. Taigi pirmoji itin intelektuali mašina yra paskutinis išradimas, kurį žmogui kada nors reikia padaryti.

Maxas Tegmarkas pristato knygą apie teorinę gyvenimo ateitį pasaulyje, kurį valdo AGI. Nuo šio momento užduodami sprogstamieji klausimai, pavyzdžiui, kas yra intelektas? Kas yra atmintis? Kas yra skaičiavimas? ir kas yra mokymasis? Kaip šie klausimai ir galimi atsakymai galiausiai veda į mašinos, galinčios naudoti įvairių tipų mašininį mokymąsi, paradigmą, kad pasiektų savęs tobulinimo proveržius, kurių reikia norint pasiekti žmogaus lygio intelektą ir neišvengiamą iš to kylantį superintelektą?

Tai yra ateities mąstymo tipas ir svarbūs klausimai, kuriuos nagrinėja „Life 3.0“. „Life 1.0“ yra paprastos gyvybės formos, pavyzdžiui, bakterijos, kurios gali keistis tik evoliucijos metu, keičiančios jos DNR. Life 2.0 yra gyvybės formos, kurios gali perkurti savo programinę įrangą, pavyzdžiui, išmokti naujos kalbos ar įgūdžių. „Life 3.0“ yra dirbtinis intelektas, galintis ne tik pakeisti savo elgesį ir įgūdžius, bet ir modifikuoti savo aparatinę įrangą, pavyzdžiui, atnaujindamas savo robotą.

Tik supratę AGI naudą ir spąstus, galime pradėti peržiūrėti galimybes, siekdami užtikrinti, kad sukurtume draugišką DI, kuris atitiktų mūsų tikslus. Kad tai padarytume, mums taip pat gali reikėti suprasti, kas yra sąmonė? Ir kuo AI sąmonė skirsis nuo mūsų pačių?

Šioje knygoje nagrinėjama daug karštų temų, ir tai turėtų būti privaloma skaityti visiems, kurie tikrai nori suprasti, kaip AGI yra potenciali grėsmė, taip pat galimas gelbėjimosi ratas žmonijos civilizacijos ateičiai.

# 4. Suderinamas su žmonėmis: dirbtinis intelektas ir valdymo problema pateikė Stuartas Russellas

Kas atsitiks, jei pavyks sukurti protingą agentą, ką nors, kas suvokia, kas veikia ir kuris yra protingesnis už jo kūrėjus? Kaip įtikinsime mašinas siekti mūsų, o ne savo tikslų?

Tai, kas išdėstyta aukščiau, veda prie vienos iš svarbiausių knygos koncepcijų “Suderinamas su žmonėmis: dirbtinis intelektas ir valdymo problema“, kaip kadaise sakė Norbertas Wieneris, turime vengti „įrengti tikslo“. Protinga mašina, kuri yra per daug tikra dėl savo nustatytų tikslų, yra didžiausia pavojingo AI rūšis. Kitaip tariant, jei dirbtinis intelektas nenori atsižvelgti į galimybę, kad jis neteisingai atlieka savo iš anksto užprogramuotą paskirtį ir funkciją, gali būti neįmanoma AI sistemos išsijungti.

Stuarto Russello apibūdintas sunkumas yra instruktuoti AI/robotą, kad jokios nurodytos komandos neketinama pasiekti bet kokia kaina. Nedera paaukoti žmogaus gyvybės, kad atsineštų kavos, ar kepti katę ant grotelių, kad patiektumėte pietus. Reikia suprasti, kad „kuo greičiau nuvesk mane į oro uostą“ nereiškia, kad gali būti pažeisti greičio viršijimo įstatymai, net jei šis nurodymas nėra aiškus. Jei dirbtinis intelektas neteisingai suprato, saugioji gedimo priemonė yra tam tikras iš anksto užprogramuotas neapibrėžtumo lygis. Esant tam tikram neapibrėžtumui, AI gali mesti iššūkį prieš atlikdamas užduotį ir galbūt ieškoti žodinio patvirtinimo.

1965 m. straipsnyje pavadinimu „Spekuliacijos dėl pirmosios ultražvalgybos mašinos“, IJ Good, puikus matematikas, dirbęs kartu su Alanu Turingu, teigė: „Žmogaus išlikimas priklauso nuo ankstyvos itin protingos mašinos sukūrimo“. Visiškai įmanoma, kad norėdami apsisaugoti nuo ekologinės, biologinės ir humanitarinės nelaimės, turime sukurti pažangiausią DI, kokį tik galime.

Šiame pagrindiniame dokumente paaiškinamas intelekto sprogimas. Ši teorija teigia, kad itin intelektuali mašina gali sukurti dar geresnius ir geresnius įrenginius su kiekviena iteracija, ir tai neišvengiamai veda prie AGI sukūrimo. Nors AGI iš pradžių gali būti tokio pat intelekto kaip žmogus, jis greitai pralenktų žmones per trumpą laiką. Dėl šios iš anksto padarytos išvados AI kūrėjams svarbu aktualizuoti pagrindinius principus, kuriais dalijamasi šioje knygoje, ir išmokti juos saugiai pritaikyti kuriant dirbtinio intelekto sistemas, galinčias ne tik tarnauti žmonėms, bet ir išgelbėti žmones nuo jų pačių. .

Kaip nurodė Stuartas Russellas, trauktis nuo AI tyrimų nėra išeitis, turime žengti pirmyn. Ši knyga yra gairės, padėsiančios mums kurti saugias, atsakingas ir tikrai naudingas dirbtinio intelekto sistemas.

# 3. Kaip sukurti protą pateikė Ray Kurzweil

Ray Kurzweil yra Jis buvo vadinamas vienu iš pirmaujančių pasaulio išradėjų, mąstytojų ir futuristų „The Wall Street Journal“ „nerimstantis genijus“ ir „Forbes“ žurnalo „paskutinė mąstymo mašina“. Jis taip pat yra Singularity universiteto įkūrėjas ir geriausiai žinomas dėl savo novatoriškos knygos „The Singularity is Near“. “Kaip sukurti protą“ – mažiau sprendžiamos eksponentinio augimo problemos, kurios būdingos kitam jo darbui, o daugiausia dėmesio skiriama tam, kaip turime suprasti žmogaus smegenis, kad jas apverstume ir sukurtume geriausią mąstymo mašiną.

Vienas iš pagrindinių šio pagrindinio darbo principų yra tai, kaip modelio atpažinimas veikia žmogaus smegenyse. Kaip žmonės atpažįsta kasdieninio gyvenimo modelius? Kaip šios jungtys formuojasi smegenyse? Knyga pradedama nuo hierarchinio mąstymo supratimo, tai yra supratimas apie struktūrą, sudarytą iš įvairių elementų, išdėstytų pagal šabloną, tada šis išdėstymas reiškia simbolį, pvz., raidę ar simbolį, o tada jis toliau išdėstomas į sudėtingesnį modelį. pavyzdžiui, žodis ir galiausiai sakinys. Galiausiai šie modeliai formuoja idėjas, o šios idėjos paverčiamos gaminiais, už kurių kūrimą atsakingi žmonės.

Kadangi tai Ray Kurzweil knyga, tai, žinoma, neužtrunka, kol pradedamas eksponentinis mąstymas. „Greitėjančios grąžos dėsnis“ yra šios svarbios knygos bruožas. Šis dėsnis parodo, kaip technologijos ir spartėjimo tempas spartėja dėl tendencijos, kad pažanga maitinsis savimi, o tai dar labiau padidina pažangos greitį. Šis mąstymas gali būti pritaikytas nustatant, kaip greitai mes mokomės suprasti ir keisti žmogaus smegenis. Šis pagreitintas modelio atpažinimo sistemų supratimas žmogaus smegenyse gali būti pritaikytas kuriant AGI sistemą.

Ši knyga taip pakeitė AI ateitį, kad Erikas Schmidtas, baigęs skaityti šią svarbią knygą, pasamdė Ray'ų Kurzweilą dirbti su AI projektais. Neįmanoma apibūdinti visų idėjų ir sąvokų, kurios aptariamos trumpame straipsnyje, vis dėlto tai yra instrumentinė knyga, kurią reikia perskaityti, norint geriau suprasti, kaip veikia žmogaus neuroniniai tinklai, kad būtų galima sukurti pažangų. dirbtinis neuroninis tinklas.

Modelių atpažinimas yra pagrindinis gilaus mokymosi elementas, ir ši knyga iliustruoja, kodėl.

# 2. Pagrindinis algoritmas pateikė Pedro Domingos

Pagrindinė hipotezė Pagrindinis algoritmas visos žinios – praeities, dabarties ir ateities – gali būti gaunamos iš duomenų naudojant vieną universalų mokymosi algoritmą, kuris kiekybiškai vertinamas kaip pagrindinis algoritmas. Knygoje išsamiai aprašomos kai kurios populiariausios mašininio mokymosi metodikos, išsamiai paaiškinama, kaip veikia skirtingi algoritmai, kaip juos galima optimizuoti ir kaip bendradarbiaujant jie gali siekti galutinio tikslo – sukurti pagrindinį algoritmą. Tai algoritmas, galintis išspręsti bet kokią problemą, kurią mes jį maitiname, įskaitant vėžio gydymą.

Skaitytojas pradės mokydamasis Naivus Bayesas, paprastas algoritmas, kurį galima paaiškinti viena paprasta lygtimi. Iš ten jis visu greičiu įsibėgėja į įdomesnius mašininio mokymosi metodus. Siekdami suprasti technologijas, kurios skatina mus siekti šio pagrindinio algoritmo, sužinome apie konverguojančius pagrindus. Pirma, iš neurologijos mes sužinome apie smegenų plastiškumą, žmogaus neuroninius tinklus. Antra, pereiname prie natūralios atrankos pamokoje, kad suprastume, kaip sukurti genetinį algoritmą, imituojantį evoliuciją ir natūralią atranką. Naudojant genetinį algoritmą, kiekvienos kartos hipotezių populiacija kertasi ir mutuoja, o iš ten tinkamiausi algoritmai sukuria kitą kartą. Ši evoliucija siūlo didžiausią savęs tobulėjimą.

Kiti argumentai kyla iš fizikos, statistikos ir, žinoma, geriausių kompiuterių mokslo. Neįmanoma visapusiškai apžvelgti visų skirtingų aspektų, kuriuos paliečia ši knyga, nes knygose yra ambicinga aprėptis, kuria nustatomi pagrindinio algoritmo kūrimo pagrindai. Būtent ši sistema nustūmė šią knygą į antrą vietą, nes visos kitos mašininio mokymosi knygos tam tikra forma ar forma remiasi tuo.

# 1. Tūkstantis smegenų pateikė Jeffas Hawkinsas

"Tūkstantis smegenų“ remiasi sąvokomis, kurios buvo aptartos ankstesnėje Jeffo Hawkinso knygoje „Apie intelektą“. „Apie žvalgybą“ išnagrinėjo pagrindą suprasti, kaip veikia žmogaus intelektas ir kaip šias koncepcijas galima pritaikyti kuriant geriausias AI ir AGI sistemas. Ji iš esmės analizuoja, kaip mūsų smegenys numato, ką patirsime prieš patirdami.

Nors „Tūkstantis smegenų“ yra puiki savarankiška knyga, ji geriausiai patiks ir bus vertinama, jei „Apie žvalgybą“ skaitomas pirmiausia.

„Tūkstantis smegenų“ remiasi naujausiais Jeffo Hawkinso ir jo įkurtos įmonės tyrimais. numenta. Pagrindinis „Numenta“ tikslas yra sukurti teoriją, kaip veikia neokorteksas, o antrasis tikslas yra tai, kaip šią smegenų teoriją galima pritaikyti mašininiam mokymuisi ir mašinų intelektui.

Pirmasis didelis Numentos atradimas 2010 m. susijęs su neuronų prognozėmis, o antrasis atradimas 2016 m. apėmė žemėlapį primenančius atskaitos rėmus neokortekse. Knygoje visų pirma išsamiai aprašoma, kas yra „Tūkstančio smegenų teorija“, kokie yra atskaitos rėmai ir kaip ši teorija veikia realiame pasaulyje. Vienas iš pagrindinių šios teorijos komponentų yra suprasti, kaip neokorteksas išsivystė iki dabartinio dydžio.

Neokorteksas buvo mažas, panašus į kitus žinduolius, tačiau jis išaugo eksponentiškai didesnis (tik jį ribojo gimdymo kanalo dydis) ne sukūrus ką nors naujo, o pakartotinai kopijuojant bazinę grandinę. Iš esmės žmones skiria ne organinė smegenų medžiaga, o identiškų elementų, sudarančių neokorteksą, kopijų skaičius.

Teorija toliau vystosi į tai, kaip neokorteksas susidaro su maždaug 150,000 XNUMX žievės stulpelių, kurie nėra matomi mikroskopu, nes tarp jų nėra matomų ribų. Tai, kaip šios žievės stulpeliai bendrauja tarpusavyje, yra pagrindinio algoritmo, atsakingo už kiekvieną suvokimo ir intelekto aspektą, įgyvendinimas.

Dar svarbiau, kad knygoje atskleidžiama, kaip ši teorija gali būti pritaikyta kuriant išmaniąsias mašinas ir galimos ateities pasekmės visuomenei. Pavyzdžiui, smegenys išmoksta pasaulio modelį, stebėdamos, kaip laikui bėgant keičiasi įvestis, ypač kai taikomas judėjimas. Žievės stulpeliams reikalingas atskaitos rėmelis, pritvirtintas prie objekto. Šie atskaitos rėmeliai leidžia žievės stulpeliui sužinoti ypatybių, apibrėžiančių objekto realijas, vietas. Iš esmės atskaitos sistemos gali organizuoti bet kokio tipo žinias. Tai veda prie svarbiausios šios esminės knygos dalies. Ar nuorodų rėmai gali būti gyvybiškai svarbi trūkstama grandis kuriant pažangesnę AI ar net AGI sistemą? Pats Jeffas tiki neišvengiamąja ateitimi, kai AGI išmoks pasaulio modelius naudodamas žemėlapį primenančius atskaitos rėmus, panašius į neokorteksą, ir jis atlieka puikų darbą, parodydamas, kodėl jis tuo tiki.