Hierbei werden Kombinationen von CNNs und RNNs für Sensoren und Motorsteuerung verwendet, um räumlich-zeitliche Operationen durchzuführen, und leider sind sie nicht sehr intestine darin. Sie müssen anhand riesiger, gekennzeichneter Datensätze trainiert werden und haben dennoch einen sehr begrenzten Umfang. Ein mit diesem System gebauter Roboter wäre niemals in der Lage, alles in seiner Umgebung zu sehen und zu hören, geschweige denn deren Kombinationen in Ereignissen zu verstehen.
Es gibt so viele Lücken im Eingaberaum, im Kontrollraum von CNN/RNNs und solche Einschränkungen bei den Zuständen in diesem Reinforcement-Studying-System, dass es in der realen Welt nutzlos wäre.
Die Kombination von maschinellem Lernen und Deep Studying ist sehr schwierig und es ist oft unmöglich, die Funktionalität so umfassend zu trainieren, dass sie nützlich ist.
Ich habe ein Jahrzehnt lang bei NVIDIA als Lösungsarchitekt gearbeitet, um Deep-Studying-Techniken zu erforschen und Kunden Lösungen zur Lösung ihrer Probleme vorzustellen und bei der Implementierung dieser Lösungen zu helfen. Nun arbeite ich seit drei Jahren daran, was nach DNNs und Deep Studying als nächstes kommt. Ich werde beides behandeln und zeigen, wie schwierig es ist, DNNs auf AGI zu skalieren, und was ein besserer Ansatz wäre.
Was wir heute normalerweise als künstliche Intelligenz (KI) bezeichnen, wenn wir in unserer Fiktion menschenähnliche Roboter und Hologramme wie Cortana sehen, die wie echte Menschen sprechen und handeln und über menschliche oder sogar übermenschliche Intelligenz und Fähigkeiten verfügen, wird tatsächlich als künstlich bezeichnet Basic Intelligence (AGI), und es existiert noch nirgendwo auf der Erde.
Was wir heute tatsächlich für KI haben, ist ein viel einfacheres und viel engeres Deep Studying (DL), das nur einige sehr spezifische Aufgaben besser erledigen kann als Menschen. Es hat grundlegende Einschränkungen, die es nicht zulassen, dass es zu AGI wird. Wenn das additionally unser Ziel ist, müssen wir innovativ sein und bessere Netzwerke und bessere Methoden entwickeln, um sie in eine künstliche Intelligenz umzuwandeln.
1. Wo Deep Studying und Reinforcement Studying heute sind.
2. Wo liegen ihre Grenzen – was können sie tun und was nicht?
3. Die Neurowissenschaften der menschlichen Intelligenz und
4. Eine mögliche Architektur zur Erzielung künstlicher allgemeiner Intelligenz.
