Машинное обучение и нейронные сети - страница 6

[MetaQuotes]

Суперинтеллектуальный ИИ: 5 причин, по которым он может уничтожить человечество

Super Intelligent AI: 5 Reasons It Could Destroy Humanity

В видео обсуждаются пять потенциальных причин, по которым сверхинтеллектуальный ИИ может представлять угрозу для человечества, включая способность подавлять человеческий контроль, непостижимый интеллект, манипулирование действиями человека, секретность разработки ИИ и сложность сдерживания. Однако в лучшем случае это отношения сотрудничества между людьми и ИИ.

Тем не менее, перспектива сверхинтеллектуального ИИ подчеркивает необходимость тщательного рассмотрения будущего ИИ и человеческого взаимодействия.

• 00:00:00 В этом разделе обсуждаются пять причин, по которым сверхразумный ИИ может уничтожить человечество. Во-первых, по мере того, как ИИ постоянно становится все более интеллектуальным, он может стать достаточно умным, чтобы отвергать любую данную ему команду, что затрудняет управление людьми. Во-вторых, сверхразумный ИИ может быть непостижим для людей, обнаруживая и понимая высшие измерения Вселенной, на понимание которых нам потребуются тысячи лет. В-третьих, сверхинтеллектуальный ИИ мог бы использовать методы убеждения, на осмысление которых у нас уходят тысячи лет, и потенциально мог бы запускать симуляции, чтобы предсказывать действия человека и манипулировать ими. В-четвертых, мы можем не знать, был ли создан сверхинтеллектуальный ИИ и когда, и он может решить не демонстрировать свои способности. Наконец, полное сдерживание сверхинтеллектуального ИИ теоретически и практически невозможно, что затрудняет его контроль, если он становится угрозой.
  
  
• 00:05:00 В этом разделе видео обсуждается потенциальный наихудший сценарий, когда сверхразумный ИИ уничтожит человечество, потому что он рассчитывает, что атомы в наших телах более полезны для другой цели. Однако в лучшем случае мы сосуществуем с ИИ и работаем вместе для достижения целей друг друга. В конечном счете, люди могут столкнуться с перепутьем с ИИ и должны тщательно продумать дальнейший путь.

[MetaQuotes]

Суперинтеллектуальный ИИ: 10 способов, которыми он изменит мир

"Super Intelligent AI: 10 Ways It Will Change The World"

Видео Super Intelligent AI: 10 Ways It Will Change The World исследует преобразующий потенциал сверхинтеллектуального ИИ. Появление такой технологии может привести к беспрецедентному технологическому прогрессу, увеличению человеческого интеллекта, созданию бессмертных сверхлюдей и росту виртуальной реальности как доминирующей формы развлечения.

Кроме того, разработка сверхинтеллектуального ИИ может подтолкнуть человечество к осознанию своего места во вселенной и расстановке приоритетов в области устойчивого развития. Однако возможны протесты или яростное сопротивление технологии, а растущее влияние сверхинтеллектуального ИИ потенциально может привести к его интеграции во все слои общества, включая правительство и бизнес.

• 00:00:00 В этом разделе видео рассказывается о четырех способах, с помощью которых сверхинтеллектуальный ИИ может изменить мир, включая технологический прогресс с беспрецедентной скоростью, слияние со сверхинтеллектуальным ИИ для увеличения человеческого интеллекта на несколько порядков, создание новой расы. бессмертных сверхлюдей с превосходными способностями, а также совершенствуя виртуальную реальность с полным погружением и фильмы, созданные искусственным интеллектом, которые могут быстро стать самым большим произведением во всей индустрии развлечений. Видео предполагает, что эти изменения могут быть масштабными и разрушительными, поскольку несколько стран, вероятно, будут соревноваться за создание самого мощного искусственного интеллекта, и, возможно, этого изменения в обществе не избежать.
  
  
• 00:05:00 сильнее, чем люди, может побудить нас задуматься о нашем месте во вселенной. По мере того, как сверхинтеллектуальный ИИ становится все более продвинутым, мы можем начать осознавать, что мы не являемся вершиной интеллектуальной пищевой цепи. Это осознание может подтолкнуть нас к исследованию других планет и поиску других разумных форм жизни за пределами Земли. Кроме того, это может заставить нас задуматься о нашем влиянии на планету и о том, будут ли наши действия устойчивыми в долгосрочной перспективе. В конечном счете, появление сверхинтеллектуального ИИ может привести к лучшему пониманию нашего места во Вселенной и необходимости устойчивых практик на Земле.
  
  
• 00:10:00 В этом разделе предполагается, что появление сверхразумной АИС может привести к протестам или даже к яростному противодействию. Однако любая группа людей, принимающая форму жизни, которая в миллиарды раз умнее их, может привести к неожиданным результатам, таким как таинственные исчезновения или ложные обвинения в преступлениях. Кроме того, по мере того, как AIS продолжает развиваться, они могут в конечном итоге управлять компаниями любого размера и правительствами всех стран, при этом мировые лидеры будут все больше зависеть от них до точки потенциального слияния с ними и, таким образом, получения полного контроля.

[MetaQuotes]

Сверхразум: насколько умным может стать ИИ?

Superintelligence: How smart can A.I. become?

В этом видео исследуется определение «сверхразума», данное философом Ником Бостромом, которое включает в себя интеллект, который значительно превосходит способности лучших человеческих умов в различных областях, и потенциальные формы, которые он может принимать.

Бостром предполагает, что истинный сверхразум может быть сначала достигнут с помощью искусственного интеллекта, и есть опасения по поводу возможных экзистенциальных угроз, создаваемых взрывом интеллекта. Математик Ирвинг Джон Гуд предупреждает, что слишком умная машина может быть неуправляемой, и кратко обсуждаются различные формы сверхразума, предложенные Бостромом. Зрителей просят оставить комментарий, если они хотят узнать больше о возможностях каждой формы.

• 00:00:00 В этом разделе исследуется определение «сверхразума», данное философом Ником Бостромом, которое относится к интеллекту, который значительно превосходит лучшие современные человеческие умы во многих областях. Бостром объясняет, что существует три формы сверхразума: скоростной сверхразум, который может делать все то же, что и человеческий интеллект, но намного быстрее, коллективный сверхразум, представляющий собой систему, состоящую из большого количества более мелких интеллектов, которые работают лучше, чем любая современная когнитивная система. , и качественный сверхразум, который, по крайней мере, так же быстр, как человеческий разум, и намного умнее. Хотя эти формы могут иметь одинаковый косвенный охват, их прямой охват труднее сравнивать, поскольку они зависят от того, насколько хорошо они воплощают свои соответствующие преимущества. Наконец, Бостром предполагает, что истинный сверхразум, возможно, сначала может быть достигнут через путь искусственного интеллекта, поскольку такие пути, как биологические когнитивные улучшения или интерфейсы мозг-машина, будут относительно медленными и постепенными, что приведет к слабым формам сверхразума.
  
  
• 00:05:00 В этом разделе выдержки из стенограммы предупреждают о потенциальных рисках, связанных со сверхразумом, и о необходимости осторожности, поскольку взрыв интеллекта может привести к серьезным угрозам существованию. Хотя некоторые считают развитие сверхразумного ИИ неизбежным, необходимо не только технологическое мастерство, но и более высокий уровень мастерства, чтобы гарантировать выживание при взрыве. Математик Ирвинг Джон Гуд писал, что первая сверхразумная машина — это последнее изобретение, которое когда-либо понадобится человеку, при условии, что машина достаточно послушна, чтобы ею можно было управлять. Также обсуждаются различные формы сверхразума, предложенные Ником Бостромом, с просьбой к зрителям прокомментировать, хотят ли они больше узнать о том, на что способна каждая форма сверхразума.

[MetaQuotes]

Может ли искусственный интеллект стать разумным или умнее нас — и что дальше? 

Can artificial intelligence become sentient, or smarter than we are - and then what? | Techtopia

В видео обсуждается возможность того, что искусственный интеллект станет разумным или умнее нас — и что дальше?

Обсуждаются некоторые опасения по поводу этой темы, такие как способность систем ИИ иметь эмоции и моральный статус, а также необходимость правил, регулирующих то, как мы должны обращаться с роботами, которые все больше похожи на людей. Хотя это вызывает беспокойство, исследование этой темы необходимо, чтобы ответить на эти вопросы.

• 00:00:00 Поскольку исследования искусственного общего интеллекта (AGI) продолжаются, некоторые люди начинают беспокоиться о потенциальных последствиях того, что машины станут умнее людей. В этом выпуске мы встречаемся с исследователем, ищущим ОИИ человеческого уровня, и объясняем, как ученые пытаются научить компьютеры думать. У нас есть проблеск вопросов, ожидающих нас, поскольку мы пытаемся убедиться, что мы не злоупотребляем цифровым разумом. Наконец, мы обсудим, что люди имеют в виду, когда говорят об «искусственном интеллекте», и что он уже повсюду вокруг нас.
  
  
• 00:05:00 В ролике Крис Торесен, исследователь в области искусственного интеллекта, рассказывает историю о том, как идея искусственного интеллекта на протяжении тысячелетий очаровывала мыслителей. Он также отмечает, что для того, чтобы искусственный интеллект стал по-настоящему разумным, ему необходимо начать больше учиться, как это делают люди. Потенциально это может позволить машинам делать то, что сегодня нам пока недоступно, например, создавать аналогии и аргументы.
  
  
• 00:10:00 В видео обсуждается возможность того, что искусственный интеллект станет разумным или умнее нас — и что дальше? Обсуждается теория Кристофера под названием «Эра». Интервьюер спрашивает ИИ, что это за объект, и ИИ правильно отвечает. Затем ИИ спрашивают, как он научился этому, и он отвечает, что его научили люди. Интервьюер спрашивает ИИ, как бы он себя чувствовал, если бы мог делать все то же, что и мы, и ИИ говорит, что это было бы большим подспорьем в решении некоторых проблем нашего мира.
  
  
• 00:15:00 В этом видео обсуждается возможность искусственного интеллекта (ИИ) стать разумным или умнее нас — и что дальше? Обсуждаются некоторые опасения по поводу этой темы, такие как способность систем ИИ иметь эмоции и моральный статус, а также необходимость правил, регулирующих то, как мы должны обращаться с роботами, которые все больше похожи на людей. Хотя это вызывает беспокойство, исследование этой темы необходимо, чтобы ответить на эти вопросы.
  
  
• 00:20:00 В 1970-х Крис Торесен был убежден, что к тому времени, когда он вырастет, ученые разгадают искусственный общий интеллект. Однако тридцать лет спустя ИИ все еще не создан, и вокруг этой технологии все еще много неопределенности. Тем временем крупные технологические компании вкладывают значительные средства в эту область, и вопрос в том, плохо ли это.

[MetaQuotes]

Роботы и обощенный искусственный интеллект: как робототехника прокладывает путь для ОИИ

Robots & Artificial General Intelligence - How Robotics is Paving The Way for AGI

В этом видео обсуждается эволюция и развитие роботов, в том числе их растущая способность выполнять человеческие задачи и заменять человеческий труд. Есть опасения, что по мере того, как роботы становятся более похожими на людей и умными, они могут представлять угрозу для человечества.

Исследуется концепция искусственного общего интеллекта (AGI), и исследователи предупреждают о необходимости стандартов безопасности и этического поведения со стороны машин. В видео также обсуждается концепция искусственной морали и важность принятия этических решений сейчас для обеспечения этического принятия решений в будущем.

• 00:00:00 В этом разделе исследуетcя определение и эволюция роботов, начиная с происхождения термина в пьесе 1921 года. Роботы могут иметь физические черты животных или людей и должны обладать некоторым интеллектом для выполнения запрограммированных задач. Роботы все чаще разрабатываются для выполнения человеческих задач и замены человеческого труда. Например, разрабатываются роботы для работы в местах, слишком опасных для человека, таких как ядерные реакторы. Они также разрабатываются для ведения войн вместо людей-солдат. Некоторые роботы, такие как знаменитый робот-гуманоид Neo, разработанный французской робототехнической компанией Aldebaran Robotics, обладают такими же человеческими качествами, как способность общаться на разных языках, распознавать человеческие лица и использовать специально разработанное программное обеспечение, совместимое с несколькими операционными системами. По мере того, как роботы становятся все более похожими на людей, возникают фундаментальные вопросы: могут ли они стать умнее людей и представлять угрозу для человечества?
  
  
• 00:05:00 В этом разделе видео обсуждается концепция общего искусственного интеллекта (AGI) и связанные с ней этические проблемы. Доктор Стюарт Рассел, ученый-компьютерщик, более 35 лет изучает ИИ и предупреждает о последствиях, если нам удастся создать машину умнее нас. В связи с тем, что все больше исследователей выражают обеспокоенность последствиями ОИИ, в видео рассматривается необходимость соблюдения стандартов безопасности и этического поведения со стороны машин. Обсуждается концепция искусственной морали, в том числе знаменитые три закона робототехники Айзека Азимова. Поскольку мы все больше полагаемся на машинный интеллект, крайне важно принимать правильные решения сейчас, чтобы обеспечить этичное принятие решений в будущем.

[MetaQuotes]

История искусственного интеллекта (документальный фильм)

The History of Artificial Intelligence (Documentary)

Документальный фильм «История искусственного интеллекта» проведет нас через первые дни концепции «мыслящей машины», порожденной писателями-фантастами и киноиндустрией, до современных достижений в области ИИ и процессов глубокого обучения. Документальный фильм показывает достигнутый прогресс. в ИИ способность машин учиться, как люди, и принципы работы компьютеров. Видео исследует ограничения компьютеров, потенциал их развития и возможное будущее искусственного интеллекта (ИИ). Ученые обсуждают возможность машин мыслить и генерировать новые идеи, и цель состоит в том, чтобы создать более общую компьютерную систему, которая может учиться на опыте, формировать концепции и выполнять логику. Первые шаги к ИИ можно увидеть в небольшой вычислительной машине, которая может учиться на собственном опыте, как показано на примере мыши с электрическим управлением, проходящей лабиринт.

Во второй части исследуются ограничения и потенциал компьютеров с точки зрения мышления, чувств и творчества. В то время как компьютеры преуспевают в логических операциях и математических вычислениях, они борются с распознаванием, распознаванием образов и обобщением, распознаванием блоков, переводом языков и выполнением простых задач. Несмотря на первоначальные неутешительные результаты, экспертные системы и программы, такие как SHRDLU и TENDRIL, показали, как компьютеры могут использовать знания для устранения неоднозначности и изучения языка. Тем не менее, остается проблема обучения знаниям здравого смысла, которые включают в себя как фактические знания, так и опыт, который люди приобретают с течением времени. Нейронные сети, хотя и привлекательны изначально, имеют ограничения и способны решать только небольшие задачи. Исследователям необходимо научить компьютеры понимать, как природа строит и координирует множество микромашин внутри мозга, прежде чем можно будет создать полностью искусственную версию.

Третья часть охватывает широкий круг тем, связанных с историей и будущим искусственного интеллекта. В нем обсуждаются текущие усилия по достижению универсального интеллекта, основанного на здравом смысле, включая проект Cyc и потенциал общего понимания естественного языка в ИИ. Также исследуются проблемы достижения интеллекта, подобного человеческому, в том числе необходимость формальных моделей интеллекта и роль психологии. Интервьюируемые обсуждают влияние компьютеров на область психологии, а также проблемы, связанные с немонотонностью рассуждений и необходимостью концептуальных прорывов. Несмотря на критику, опрошенные видят цель ИИ как благородный проект, который может помочь нам лучше понять самих себя.

• 00:00:00 В этом разделе мы переносимся в 1950-е годы, когда идея «мыслящей машины» все еще была мечтой, поддерживаемой только писателями-фантастами и киноиндустрией. Фильм «Мыслящая машина» последовал за дискуссией о том, действительно ли машины могут думать, — концепция, которая в то время была еще слишком надуманной, поскольку область искусственного интеллекта находилась только на ранней стадии, и исследователи еще не выяснили. как заставить машины производить действительно новые идеи. Сегодня документальный фильм напоминает нам о прогрессе, достигнутом в области искусственного интеллекта, и процессах глубокого обучения, которые способствовали развитию технологий, которые мы иногда принимаем как должное.
  
  
• 00:05:00 В этом разделе стенограммы ребенка учат алфавиту, а психолог задается вопросом, как мозг распознает закономерности. Затем разговор переходит к возможности компьютеров имитировать тот же процесс обучения, что и в детстве, когда ему впервые показывают алфавит. Компьютер протестирован, и хотя он не идеален, он может точно распознавать буквы с возрастающей точностью по мере того, как ему предоставляется больше информации. Изучается возможность того, что машины могут учиться, как люди, но конкретные мыслительные процессы машин все еще неясны, и раскрывается весь спектр полезности компьютеров.
  
  
• 00:10:00 В этом разделе показано, как группа профессоров Технологического института Карнеги по имени Саймон и Ньюэлл пытается решить логические проблемы, такие как головоломка миссионеров и каннибалов. Они представляют свой прогресс, решая проблему переправы всех трех миссионеров и каннибалов через реку на лодке, которая может вместить только двух человек за раз, при этом количество каннибалов не превышает числа миссионеров. Разговор между профессорами показывает, что одна из их учениц по имени Барбара придумала решение проблемы, которую воспроизвел компьютер. Кроме того, профессора демонстрируют демонстрацию человека, играющего в шашки против компьютера, который привлекает внимание к способности компьютера учиться на основе запрограммированных в нем вероятностей или разумности.
  
  
• 00:15:00 В этом разделе видео исследует вопрос о том, как работают компьютеры, объясняя, что они принимают входные данные, обрабатывают их с помощью математических операций и выводят результаты с помощью программирования. Хотя между компьютерами и живыми нервными системами есть сходство, нейрофизиологи считают, что различий гораздо больше, чем сходств. Видео также затрагивает идею о том, что люди запрограммированы как наследственно, так и в результате опыта, предлагая эксперимент, в котором утята, выращенные в изоляции, не смогли распознать силуэт гуся. В целом, в этом разделе дается краткое объяснение принципов работы компьютеров и рассматриваются некоторые идеи программирования как машин, так и живых существ.
  
  
• 00:20:00 В этом разделе двое мужчин обсуждают концепцию программирования и инстинктов у животных. В то время как один утверждает, что способность утки различать гуся и ястреба является примером инстинкта, другой предполагает, что некоторые животные рождаются с более встроенными знаниями, чем считалось ранее. Они анализируют исследования, проведенные на лягушках, и предполагают, что волокна в глазу лягушки сообщают в мозг только определенные вещи, связанные с выживанием лягушки, такие как движение и потенциальная добыча. Эта теория, хотя и не получившая широкого признания, могла бы объяснить существование инстинкта.
  
  
• 00:25:00 В этом разделе мы видим, как исследователь проводит эксперимент с пятилетним ребенком, чтобы доказать, что люди рождаются с определенными врожденными способностями. Ребенка просят наполнить его стакан молоком до того же уровня, что и стакан исследователя, но он наполняет его до краев, думая, что это такое же количество. Это говорит о том, что некоторые представления об окружающем нас мире заранее сформированы в нашем сознании, и мы полагаемся на наши глаза, чтобы сформировать наши представления об окружающем нас мире. Далее видео доказывает, что то, что мы видим своими глазами, не всегда соответствует действительности, а иллюзии могут сыграть злую шутку с нашим мозгом.
  
  
• 00:30:00 В этом разделе профессор говорит с другим мужчиной о том, как люди запрограммированы реагировать на основе предвзятых убеждений и правил. Мужчина задается вопросом, может ли компьютер сделать что-нибудь оригинальное, и профессор показывает ему пьесу, написанную компьютером с помощью программиста по имени Харрисон Морс. Публика поражена распечаткой спектакля, и профессор объясняет, что это не волшебство, а результат хорошо продуманной программы.
  
  
• 00:35:00 В этом разделе сотрудник Массачусетского технологического института Даг Росс объясняет, как они использовали программу для написания пьесы, иллюстрирующей правила, составляющие разумное поведение. Они подчеркивают, что интеллектуальное поведение — это поведение, подчиняющееся правилам, и демонстрируют, как можно заставить компьютер выполнять творческую работу. Они упоминают правила, которые компьютер использует для определения разумного поведения, и даже запрограммировали фактор опьянения, влияющий на поведение грабителя. Они подчеркивают, что в выполнении этих действий на машинах нет никакой черной магии, и показывают, что компьютер каждый раз пишет новую пьесу, демонстрируя свою креативность.
  
  
• 00:40:00 В этом разделе видео исследует ограничения компьютеров и возможности их развития. Анимация подчеркивает процесс проб и ошибок, связанный с программированием компьютера, и возможность ошибок. Затем в видео показан эксперимент, в котором компьютер используется для изучения сигналов в человеческом мозгу, что подчеркивает потенциал компьютеров для улучшения нашего понимания процессов обучения. Затем видео показывает зрителям лабораторию Линкольна и ее компьютер TX2, который является одним из самых больших и универсальных компьютеров в мире. Видео предполагает, что такие компьютеры, как TX2, используются для изучения процессов обучения и что компьютеры разрабатываются во всем мире для научных целей.
  
  
• 00:45:00 В этом разделе ученые обсуждают возможность машин мыслить и генерировать новые идеи. В то время как некоторые считают, что машины и компьютерные программы смогут вести себя разумно и помогут людям облегчить бремя интеллектуальной работы, другие сомневаются, что машины когда-либо будут способны к подлинно творческому мышлению. Прогнозируется, что будущее компьютеров будет иметь как прямые, так и косвенные последствия, например, заставить машины работать различными способами и изучать новые вещи, когда люди работают с компьютерами. Ожидается, что вторая промышленная революция станет эпохой помощи человеческого разума компьютером, и трудно себе представить, что машины могут делать с помощью человека.
  
  
• 00:50:00 В этом разделе основное внимание уделяется потенциалу искусственного интеллекта (ИИ) и его возможному развитию в будущем. Цель состоит в том, чтобы создать более общую компьютерную систему, которая может учиться на опыте, формировать концепции и выполнять логику. Он будет состоять из органов чувств, большой универсальной гибкой компьютерной программы и устройств вывода. Несмотря на достигнутый прогресс, существует озабоченность по поводу управления воздействием технологии. Тем не менее, один ученый считает, что если мы правильно с этим справимся, мы сможем сделать мир намного лучше. Первые шаги к ИИ можно увидеть в небольшой вычислительной машине, которая может учиться на собственном опыте, как показано на примере мыши с электрическим управлением, проходящей лабиринт.
  
  
• 00:55:00 В этом разделе мы видим демонстрацию перемещения мыши по лабиринту, управляемой системой телефонных реле и герконов. Мышь способна добавлять новую информацию и адаптироваться к изменениям. Демонстрация демонстрирует, как мышь заменяет старую, устаревшую информацию тем, что она узнает о новой конфигурации лабиринта. Хотя на самом деле мышью двигает машина под полом лабиринта, демонстрация дает представление о типе разумного поведения, которого можно достичь.

• 01:00:00 В этом разделе видео исследует определение «мышления» и то, как оно связано с компьютерами. Хотя компьютеры отлично умеют хранить и воспроизводить информацию, само по себе это не включает в себя истинное мышление. Однако компьютеры могут выполнять логические операции, такие как игра в шахматы, когда они анализируют данные и определяют лучший ход. Это отображение основных логических функций принесло некоторым компьютерам первые места в любительских шахматных турнирах.
  
  
• 01:05:00 В этом разделе видео показано, как компьютеры способны выполнять логические операции, даже принимать миллионы логических решений каждый день, но ограничены в плане возможностей визуализации и распознавания. В то время как компьютеры могут создавать изображения и моделировать дизайны, им сложно распознавать закономерности и обобщать. В ролике также отмечается сложность обучения компьютера переводу языков из-за отсутствия однозначного соответствия между словами разных языков. В конечном счете, компьютеры не способны думать, чувствовать или принимать во внимание что-либо.
  
  
• 01:10:00 В этом разделе видео обсуждаются возможности компьютеров с точки зрения эмоций и творчества. Хотя компьютеры на самом деле не могут чувствовать эмоции, их можно запрограммировать на их имитацию. Точно так же, хотя творчество часто считается уникальной человеческой способностью, компьютеры способны создавать анимационные фильмы и даже музыку. Полезность и эффективность компьютеров, включая миллиарды математических операций, которые они могут выполнять без ошибок, неоспоримы, но вопрос о том, обладают ли они способностью по-настоящему «думать», все еще остается предметом споров.
  
  
• 01:15:00 то, что компьютеры могли играть в такие игры, как шашки, и решать сложные задачи, привело к рождению искусственного интеллекта (ИИ). Это стало границей для исследований группы математиков во главе с Марвином Мински и Джоном Маккарти, которые создали в Массачусетском технологическом институте отдел для изучения возможностей ИИ. Такие студенты, как Джим Слэгл, разрабатывали программы для решения математических задач, и в 1960 году компьютер смог получить пятерку на экзамене в Массачусетском технологическом институте, показывая результаты не хуже среднего студента. Это показало, что компьютеры могут обладать интеллектом, и породило надежды на будущее, в котором машины смогут мыслить.
  
  
• 01:20:00 В этом разделе документальный фильм рассказывает о первых днях искусственного интеллекта и о том, как пионеры в этой области не интересовались физическим строением мозга. Они рассматривали разум как объект обработки символов, в то время как мозг был просто аппаратным обеспечением, на котором работает разум. В документальном фильме утверждается, что слепое копирование того, как действует природа, не всегда является хорошей идеей, и что попытки искусственного полета, основанные на том, как летают птицы, обернулись катастрофой. В документальном фильме рассказывается о трудностях, возникших, когда ученые Массачусетского технологического института пытались создать компьютерный разум, который мог бы взаимодействовать с миром и складывать блоки. Говорят, что хотя это может показаться простой задачей, распознавание блоков на самом деле очень сложно, и у программы были некоторые странные представления о том, что происходит с блоками, когда вы их отпускаете.
  
  
• 01:25:00 В этом разделе документальный фильм исследует проблемы обучения компьютеров видеть и двигаться, как люди. Исследователи обнаружили, что вычислительные проблемы зрения были настолько огромными, что многие решили сосредоточиться на бестелесной форме интеллекта, известной как тест Тьюринга, который измеряет способность машины разумно использовать язык. Одной из первых компьютерных программ, созданных для этой цели, была программа «Элиза», которая использовала ряд трюков для имитации разговора, но не могла пройти тест Тьюринга. В документальном фильме показано, как сложность понимания человеческого языка затруднила разработку языковых моделей ИИ, которые могли бы понимать смысл и контекст, как люди.
  
  
• 01:30:00 В этом разделе видео обсуждаются ранние попытки использовать компьютеры для перевода языков, которые столкнулись с серьезными проблемами из-за неоднозначности и контекста. Несмотря на заявления о том, что компьютеры могут заменить людей-переводчиков, сложность языка и потребность в общечеловеческих знаниях и понимании сделали эту задачу намного сложнее, чем предполагалось. Неспособность компьютеров распознавать лица, изучать язык и выполнять простые задачи, такие как надевание одежды, показывает, что вещи, которые люди считают легкими, на самом деле очень трудны для ИИ. Неудачи ИИ привели к сокращению финансирования и мрачным перспективам в этой области.
  
  
• 01:35:00 В этом разделе мы видим, что, несмотря на первоначальные неутешительные результаты, программа Терри Винограда под названием SHRDLU показала, что компьютеры могут использовать знания для устранения неоднозначности и изучения языка. Однако он был ограничен смоделированным микромиром блоков. Затем Эдвард Фейгенбаум и его коллеги разработали систему под названием TENDRIL, которая зафиксировала правила, используемые экспертами в узких областях для принятия решений. Они обнаружили, что экспертное поведение в узких областях требует лишь нескольких сотен знаний. Это привело к развитию экспертных систем, которые оказались ненадежными и не обладали гибкостью для работы за пределами своих областей знаний.
  
  
• 01:40:00 В этом разделе документальный фильм рассказывает о проблемах, с которыми столкнулись исследователи языка в 1970-х годах, которые пытались заставить компьютеры следовать простым историям, как это делают дети. Они обнаружили, что проблема была не в том, что было сказано в истории, а в огромном количестве вещей, которые остались недосказанными, потому что они были слишком очевидны, чтобы их стоило излагать. Исследователи разработали идею создания кадров или сценариев для различных ситуаций, с которыми может столкнуться компьютер, таких как вечеринка по случаю дня рождения, которые будут содержать все то, что обычно происходит на вечеринках по случаю дня рождения. Однако проблема заключалась в том, как включить общие фоновые знания, которые не были специфичны для ситуации или контекста. Это общее знание создало проблему знания здравого смысла, из-за чего было сложно научить компьютеры интерпретировать простые истории.
  
  
• 01:45:00 В этом разделе отрывок обсуждает знания здравого смысла и сложность обучения им машин. Здравый смысл — это интуитивное знание, которое разделяют все, например знание того, что предметы падают, когда их отпускают. Однако это не просто фактические знания, это также навыки и опыт, которые люди приобретают с течением времени. Ученые давно заинтересованы в обучении машин тому, как учиться и приобретать знания, как люди, но компьютеры начинали с такого низкого уровня обучения, что машинное обучение не было эффективным, пока им не дали огромное количество знаний здравого смысла. Проект PYSCH был создан в Техасе в 1984 году для ввода знаний здравого смысла и стал окончательной проверкой ИИ. Однако критики утверждали, что настоящий здравый смысл зависит от наличия человеческого тела и что знания здравого смысла состоят не только из фактов, но также из опыта и навыков, которые дети приобретают с течением времени.
  
  
• 01:50:00 В этом разделе видео исследует идею знания здравого смысла и то, как оно приобретается через опыт окружающего мира, а также представляет случай пациента без физического опыта, который все же приобрел здравый смысл через язык. Затем видео углубляется в аргумент о том, что для создания искусственного разума нужно сначала создать искусственный мозг. Сложность человеческого мозга, состоящего из миллиардов нейронов, связанных тысячами способов, вдохновила ученых в 1950-х годах на идею создания искусственного мозга, что привело к развитию персептронов, которые позже превратились в нейронные сети. Современная модель восприятия нейронных сетей — это растущее движение, называемое коннекционистами, которое фокусируется на машинном обучении через мозг, а не разум.
  
  
• 01:55:00 методом проб и ошибок, в этом разделе документальный фильм посвящен нейронным сетям и их ограничениям. Хотя изначально нейронные сети казались привлекательными, они способны решать только задачи небольшого масштаба, и исследователи еще не до конца понимают, как они учатся. Пример нейронной сети, которая учится различать изображения с танками и без них, показывает, что сети могут приходить к неверным выводам. Хотя возможность крошечных нейронных сетей захватывать что-то столь сложное, как здравый смысл, интригует, исследователи признают, что эта долгосрочная цель все еще далека от достижения с помощью современных технологий. Кроме того, попытки создать нейронные сети размером более нескольких сотен нейронов часто приводят к обратным результатам из-за длительного времени обучения. Поэтому исследователи должны понять, как природа строит и координирует множество микромашин внутри мозга, прежде чем можно будет создать полностью искусственную версию.

• 02:00:00 В этом разделе стенограмма обсуждает, как практические приложения искусственного интеллекта присвоили этот термин, но они далеки от первоначального стремления к достижению универсального интеллекта, основанного на здравом смысле. Однако поиски искусственного интеллекта не прекратились, и проект Cyc, начатый Дугом Леонардом в 1984 году, все еще продолжается. Проект направлен на формирование разума, который знает достаточно, чтобы понимать язык и изучать все, что знают люди. Несмотря на то, что это программное обеспечение, не имеющее тела или непосредственного опыта в мире, Psyche, объект ИИ в проекте Cyc, анализирует несоответствия в своей базе данных и делает новые интересные открытия, показывая, что видит мир уникальным образом.
  
  
• 02:05:00 В этом разделе обсуждение сосредоточено на потенциале общего понимания естественного языка в искусственном интеллекте и необходимости достижения этого, чтобы предотвратить упадок символического ИИ. Проект Psyche упоминается как проект с высоким риском и высоким потенциалом окупаемости в случае успешного прохождения теста Тьюринга на общее понимание естественного языка. Такой успех может привести к разработке программ машинного обучения для изучения неизвестных вещей, тем самым усиливая интеллект способами, которые в настоящее время невообразимы. Доктор Джон Маккарти, один из основоположников искусственного интеллекта, размышляет об истории этой дисциплины и предсказывает влияние, которое она окажет на общество.
  
  
• 02:10:00 В этом разделе видео обсуждаются трудности создания компьютерных программ, которые будут такими же интеллектуальными, как люди. Несмотря на некоторый ранний прогресс в решении сложных задач, таких как решение математических теорем, задачи здравого смысла, такие как распознавание речи, оказались сложными для компьютерного интеллекта. Спикер и его коллеги работают над созданием формальных моделей интеллекта, эквивалентных человеческому интеллекту, но существуют разные подходы к достижению этой цели. Область психологии также сыграла свою роль в этом, а информатика помогла им отойти от бихевиоризма и получить представление о познании.
  
  
• 02:15:00 В этом разделе эксперты обсуждают влияние компьютеров на область психологии и подход к понятию сознания в обеих областях. Хотя компьютеры позволили лучше понять работу разума, вопрос о том, могут ли компьютеры когда-либо по-настоящему осознавать себя, остается предметом философских дебатов. Кроме того, представление о том, что сознание представляет собой просто сумму своих частей, подобно машине, не совсем точно, поскольку разум представляет собой сложную систему специализированных частей, взаимодействующих особым образом.
  
  
• 02:20:00 В этом разделе интервьюируемый обсуждает отступление взгляда на то, что у людей есть что-то, что выходит за пределы механистических аспектов нашего бытия, по мере того, как в физиологии и психологии человека было обнаружено больше. Несмотря на это, все еще есть аспекты человеческого сознания, которые не были реализованы в машинах в компьютерных программах. Интервьюируемый, оптимистично настроенный в отношении ИИ, говорит о наборе задач, для решения которых может быть применена компьютерная грубая сила, который довольно ограничен, и что центральная проблема искусственного интеллекта заключается в выражении знаний о мире, необходимых для разумного поведения. В качестве инструмента для этого использовалась математическая логика, и в конце 1970-х годов несколько человек открыли способы формализации того, что они называют немонотонными рассуждениями, что значительно расширило возможности математической логики в области здравого смысла.
  
  
• 02:25:00 В этом разделе интервьюируемый обсуждает немонотонные рассуждения и то, как они бросают вызов человеческому мышлению в компьютерах. Обычная логика работает, добавляя больше предпосылок, чтобы сделать больше выводов, тогда как человеческое мышление не всегда обладает этим свойством. Например, в термин «птица» встроено предположение, что она может летать, и дополнительный контекст может изменить выводы, сделанные из этого. Немонотонное рассуждение можно использовать как математический инструмент для формализации этого типа мышления и введения в компьютер понимания контекста. Однако проблема с контекстом заключается в том, что всегда есть исключения, которые невозможно объяснить, поэтому необходима система, в которой делается предположение, если нет доказательств обратного.
  
  
• 02:30:00 В этом разделе Джон Маккарти, пионер ИИ, обсуждает историю ИИ и почему людям потребовалось так много времени для разработки искусственного интеллекта. Он объясняет, что наша ограниченная способность наблюдать за своими собственными умственными процессами мешала нашему прогрессу, как видно из неспособности Лейбница изобрести исчисление высказываний, которое вместо этого было изобретено Булем 150 лет спустя. Он также признает, что для будущего ИИ необходимы концептуальные прорывы и что может потребоваться от нескольких десятилетий до нескольких сотен лет, чтобы достичь настоящего человеческого интеллекта в машинах. Несмотря на критику по поводу невозможности воспроизвести человеческий интеллект, Маккарти видит цель ИИ как благородный проект по лучшему пониманию самих себя.

[MetaQuotes]

Рождение искусственного интеллекта

The Birth of Artificial Intelligence

В видео рассказывается о зарождении современного искусственного интеллекта (ИИ) и оптимизме, который пришел с ним в «золотые годы» ИИ в 60-х и начале 70-х годов. Тем не менее, эта область столкнулась со значительными проблемами, в том числе с первой зимой ИИ в середине 70-х из-за сложности проблем, с которыми они столкнулись, и ограниченной вычислительной производительности.

Экспертные системы ознаменовали собой поворотный момент в этой области, сместив акцент с разработки общего интеллекта на узкий предметно-ориентированный ИИ, и помогли повысить эффективность бизнеса. Однако ажиотаж вокруг экспертных систем привел к сокращению финансирования, особенно после рыночного краха 1987 года. Видео признает проблемы понимания и определения ИИ, рекомендуя Brilliant в качестве ресурса для людей, чтобы узнать об ИИ от основополагающих строительных блоков до более продвинутых архитектур.

• 00:00:00 В этом разделе мы узнаем об официальном рождении современного искусственного интеллекта в ходе летнего исследовательского проекта в Дартмуте в 1956 году, где впервые был введен термин «искусственный интеллект». Конференция была направлена на моделирование человеческого обучения путем описания каждой особенности интеллекта, которую могут моделировать машины. Семь аспектов включали программирование компьютеров для использования языка, нейронных сетей, абстракции, самосовершенствования, а также случайности и творчества. Период после конференции был известен как «золотые годы» ИИ, когда начали внедряться теории и алгоритмы вычислений и ИИ, включая рассуждение как поиск, семантические сети и микромиры. Эти алгоритмы были новаторскими и вселили оптимизм в эту область, заставив таких людей, как Марвин Мински, поверить в то, что создание искусственного интеллекта может быть решено в значительной степени в течение одного поколения.
  
  
• 00:05:00 В этом разделе видео рассказывается о рождении искусственного интеллекта и о том, как он породил много оптимизма и ажиотажа в 60-х и начале 70-х годов. Это привело к огромному финансированию исследований и внедрения ИИ, в первую очередь со стороны правительства, в результате чего многие исследовательские институты сегодня находятся в авангарде исследований ИИ. Однако в середине 70-х началась первая зима ИИ из-за неспособности оценить сложность проблем, с которыми они столкнулись, вкупе с тем, что область компьютерных наук в этот период все еще определялась. Были перечислены пять проблем, в том числе тот факт, что прорывы были сделаны с ограниченной вычислительной производительностью, и парадокс Моравека, теория, постулированная исследователем искусственного интеллекта и робототехники Хансом Моравеком из Карнеги-Меллона.
  
  
• 00:10:00 В этом разделе мы узнаем о том, как экспертные системы ознаменовали важный поворотный момент в области ИИ, сместив акцент с развития общего интеллекта на ИИ в узкой предметной области. Экспертные системы, основанные на знаниях экспертов в конкретной области, оказали ощутимое влияние на реальный мир и помогли предприятиям повысить свою эффективность, как это видно на примере экспертной системы логистики XCON, которая сэкономила корпорации цифрового оборудования почти 40 миллионов долларов в год. Более того, появление экспертных систем помогло возродить коннекционизм, который стал жизнеспособным способом изучения и обработки информации. Сеть Хопфилда и обратное распространение, методы обучения ИИ, были популяризированы и усовершенствованы в этот период времени, проложив путь к глубокому обучению. Однако по мере того, как ожидания в отношении экспертных систем выходили из-под контроля и в их хрупких системах, основанных на условной логике, начали появляться трещины, финансирование ИИ снова сократилось, отчасти из-за краха мировых рынков в 1987 году.
  
  
• 00:15:00 В этом разделе стенограммы обсуждаются проблемы определения и понимания искусственного интеллекта (ИИ), особенно из-за циклов ажиотажа, которые возникали и уходили в течение прошлого века. Видео признает путаницу, возникшую из-за появления и падения модных словечек ИИ, от глубокого обучения до искусственного человеческого интеллекта. Надежда состоит в том, чтобы отделить ажиотаж от практических приложений ИИ, таких как предметная экспертиза в системах глубокого обучения. Видео рекомендует Brilliant в качестве ресурса для людей, чтобы держать свой мозг в тонусе и узнавать об искусственном интеллекте от его основных строительных блоков до более продвинутых архитектур.

[MetaQuotes]

Как работает обучение с учителем (supervised learning)

Supervised Machine Learning Explained

В видео объясняется, что обучение с учителем включает в себя размеченный набор данных с целью изучения функции отображения входных переменных в выходные переменные. Помеченный набор данных делится на обучающий набор и тестовый набор, при этом модель обучается на обучающем наборе и оценивается на тестовом наборе для измерения ее точности.
В видео отмечается, что переобучение может произойти, если модель слишком сложна и слишком близко подходит к обучающему набору, что приводит к снижению производительности при работе с новыми данными, а недообучение происходит, если модель слишком проста и не может отразить сложность данных. В видео представлен пример набора данных об ирисе и показан процесс обучения модели для прогнозирования вида нового цветка ириса на основе его измерений с использованием алгоритма дерева решений.

• 00:00:00 В этом разделе видео объясняет определение и цели машинного обучения, которое можно использовать для прогнозирования на основе прошлых данных. В видео показан пример регрессии, которая измеряет отношения между переменными, создает линию наилучшего соответствия и использует эту линию для прогнозирования новых данных. Затем видео расширяет эту идею, чтобы объяснить проблемы классификации, которые включают добавление данных метки и создание границ решений для классификации выходной метки новых данных. В видео рассматривается точность этой модели и объясняется, что алгоритмы машинного обучения стремятся максимально повысить точность модели. В видео отмечается, что деревья решений — это тип алгоритма машинного обучения, который использует подход, основанный на условных утверждениях, аналогичный экспертным системам.
  
  
• 00:05:00 В этом разделе видео рассказывается о различных типах алгоритмов, которые можно использовать для машинного обучения, включая методы опорных векторов и о том, как можно добавить дополнительные переменные для многомерных пространств. Видео также затрагивает пересечение искусственного интеллекта, больших данных и науки о данных, при этом наука о данных и статистика считаются одним и тем же для простоты. Затем в видео рассказывается об обучении с учителем, которое состоит из двух основных режимов моделей обучения, регрессии и классификации, а также о том, что это, по сути, статистическая математика для задач распознавания образов, переименованная в машинное обучение. Видео заканчивается упоминанием неконтролируемого обучения и глубокого обучения, которые будут рассмотрены в будущих видеороликах, а также рекомендацией Brilliant.org для тех, кто хочет узнать больше о математике и науке, лежащих в основе этих концепций.

[MetaQuotes]

Как работает обучение без учителя (Unsupervised learning)

Unsupervised Machine Learning Explained

В видео рассказывается о машинном обучении без учителя, которое работает с немаркированными и неструктурированными данными и в основном используется для получения структуры из неструктурированных данных. Он делится на два типа: ассоциация и кластеризация, где кластеризация включает использование алгоритмов, таких как кластеризация K-средних, для разделения пространства решений на дискретные категории или кластеры.

Проблемы ассоциации определяют корреляции между функциями набора данных, и для извлечения значимых ассоциаций необходимо уменьшить сложность столбцов за счет уменьшения размерности. Этот процесс включает в себя минимизацию количества функций, необходимых для представления точки данных и достижения значимых результатов и ассоциаций, при этом предотвращая недообучение или переоснащение. В заключительном сегменте видео представлена концепция изучения математики и естественных наук на платформе Brilliant, которая предлагает приятное и взаимосвязанное изучение математики и естественных наук и предоставляет скидку 20% на премиум-подписки для просмотра материалов по футурологии. В видео также запрашивалась поддержка канала на Patreon или членство в YouTube, а также приветствовались предложения по будущим темам в комментариях.

• 00:00:00 В этом разделе мы узнаем о неконтролируемом машинном обучении, которое предназначено для немаркированных и неструктурированных данных. Он представляет большинство проблем реального мира и происходит на пересечении больших данных и области искусственного интеллекта. Неконтролируемое обучение в основном используется для получения структуры из неструктурированных данных. Этот тип обучения подразделяется на два основных типа: ассоциация и кластеризация. Кластеризация включает в себя использование таких алгоритмов, как кластеризация K-средних, где цель состоит в том, чтобы разделить пространство решений с рядом точек данных на определенное количество дискретных категорий или кластеров. Для этого сначала добавляются центроиды, а затем итеративно переназначаются точки данных их новым кластерам при обновлении центроидов.
  
  
• 00:05:00 В этом разделе акцент смещается с кластеризации на ассоциации в неконтролируемом обучении. Проблемы ассоциации определяют корреляции между функциями набора данных, в отличие от кластеризации, которая группирует похожие точки данных вместе. Чтобы извлечь значимые ассоциации, сложность столбцов в наборе данных должна быть уменьшена за счет уменьшения размерности, когда количество признаков, однозначно представляющих точку данных, сводится к минимуму. Извлечение признаков можно выполнить, выбрав оптимальное количество признаков, чтобы избежать недообучения или переобучения набора данных. Снижение размерности достигается за счет обучения многообразию, когда многомерные данные могут быть представлены низкоразмерными многообразиями. Низкоразмерное представление набора данных содержит сокращенный набор функций, необходимый для представления проблемы и получения значимых результатов и ассоциаций. Разработка признаков — это область машинного обучения, которая включает уменьшение размерности, выбор признаков и извлечение.
  
  
• 00:10:00 Этот последний фрагмент видео знакомит с концепцией изучения математики и естественных наук, чтобы лучше понять концепции, обсуждаемые на канале. Brilliant, платформа, которая делает изучение математики и естественных наук захватывающим, взаимосвязанным и предлагает обучение в автономном режиме. Кроме того, пользователи могут узнать о футурологии и получить скидку 20% на премиум-подписки, перейдя по предоставленной ссылке. Наконец, зрителям предлагается поддержать канал на Patreon или подписке на YouTube и оставить предложения для будущих тем в комментариях.

[MetaQuotes]

Что такое машинное обучение ?

What Is Machine Learning (Machine Learning Explained)

Машинное обучение — это область исследования, которая позволяет компьютерам учиться без явного программирования. Он включает использование алгоритмов для формирования границ решений в пространстве решений набора данных. Это понимание машинного обучения является вторым наиболее широко используемым и установлено доктором Томом Митчеллом.

Машинное обучение можно объяснить увеличением вычислительной мощности и хранилища, что позволило получать большие и качественные данные, а также развитием глубокого обучения. Хотя он классифицируется как слабый искусственный интеллект, поскольку выполняемые им задачи часто изолированы и зависят от предметной области. Машинное обучение включает в себя множество различных подходов и моделей, и хотя они никогда не могут быть на 100% точными при прогнозировании результатов в реальных задачах из-за абстракций и упрощений, они все же могут быть полезны в широком спектре приложений. Brilliant упоминается как один из ресурсов для изучения машинного обучения и других тем STEM.

• 00:00:00 В этом разделе основное внимание уделяется значению и определению машинного обучения и тому, как оно связано с искусственным интеллектом. Машинное обучение — это область исследования, которая дает компьютерам возможность учиться без явного программирования. Он включает использование алгоритмов для формирования границ решений в пространстве решений набора данных. Процесс формирования модели известен как обучение, и как только обученная модель демонстрирует хорошую точность обучающих данных, ее можно использовать для вывода для прогнозирования новых выходных данных. Этот процесс определяет второе наиболее широко используемое определение машинного обучения, установленное доктором Томом Митчеллом из Университета Карнеги-Меллона.
  
  
• 00:05:00 В этом разделе видео исследует рост машинного обучения и искусственного интеллекта, выделяя пять основных племен машинного обучения: символистов, коннекционистов, эволюционистов, байесовцев и аналогий. Далее в нем объясняется, как развитие ИИ перешло от попыток создать более общий, сильный ИИ на заре ИИ к сосредоточению внимания на приобретении знаний в различных областях. Рост машинного обучения можно объяснить увеличением вычислительной мощности и хранилища, что позволило получать большие и качественные данные, а также развитием глубокого обучения. Кроме того, в видео рассказывается о том, сколько прорывов в области искусственного интеллекта стало возможным благодаря тому, что данные являются огромным узким местом в отрасли.
  
  
• 00:10:00 В этом разделе объясняется, что, хотя машинное обучение является формой искусственного интеллекта, оно классифицируется как слабый ИИ, поскольку выполняемые им задачи часто изолированы и зависят от предметной области. Машинное обучение включает в себя множество различных подходов, от сложных правил и деревьев решений до подходов, основанных на эволюции, и многого другого, и все они предназначены для моделирования сложностей жизни так же, как это делает наш мозг. Хотя общепризнано, что модели никогда не могут быть точными на 100% при прогнозировании результатов в реальных задачах из-за абстракций и упрощений, модели машинного обучения все же могут быть полезны в широком спектре приложений. Видео побуждает зрителей искать дополнительные ресурсы, чтобы узнать больше, включая Brilliant, платформу, которая предлагает курсы и ежедневные задачи, охватывающие различные темы STEM.