人工知能

純粋にデジタル環境で「認知」機能を模倣できる世界での生活や課題についての概念的な質問に興味がある人のためのQ&A

12
パラドックスはAIを殺すことができますか?
でポータル2私たちは、AIのは、パラドックスを考えることで、「殺された」ことができることを参照してください。 これは、コンピューターの意識を本質的に「フリーズ」させる無限ループにAIを強制することで機能すると想定しています。 質問:これは、今日のAIテクノロジーを混乱させて、破壊してしまうのでしょうか?もしそうなら、なぜですか?もしそうでなければ、将来可能になるのでしょうか?

13
自動運転車は誰を殺すかについて倫理的な決定をどのように行うことができますか
明らかに、自動運転車は完璧ではないので、Google車(例として)が困難な状況に陥ったと想像してください。 以下に、一連のイベントによって引き起こされる不幸な状況の例をいくつか示します。 車は道路を横断する10人の群衆に向かっているので、時間内に停止することはできませんが、壁にぶつかって10人を殺す(乗客を殺す)ことは避けられます。 車の乗客にとって生存の可能性が高いことを考慮して、オートバイのライダーを殺さないようにします。 人間を支持して路上で動物を殺し、 犬を殺さないように車線を変更して別の車に衝突する、 そして、いくつかのジレンマがあります。 アルゴリズムは、人間と動物の違いを認識していますか? 人間や動物の大きさは重要ですか? 乗客数と前の人の数をカウントしますか? 赤ちゃん/子供が乗船していることを「知っている」のですか? 年齢も考慮されますか(例えば、古い方を先に殺すなど)。 アルゴリズムは、技術的な観点から何をすべきかをどのように決定しますか?上記のことを知っている(殺す確率を数える)か、知らない(単に自分自身の破壊を避けるために人々を殺す)か? 関連記事: 自動運転車を殺すためにプログラムしなければならない理由 自動運転車が倫理的な決定を下せるようにする方法

17
人工知能と機械学習の違いは何ですか?
これら2つの用語は、特にコンピューターサイエンスとソフトウェアエンジニアリングでの応用において、関連しているようです。一方は別のサブセットですか?一方は他方のシステムを構築するために使用されるツールですか?それらの違いは何ですか、なぜ重要なのですか?

8
科学者は、人工ニューラルネットワークの内部で何が起こっているかを知っていますか?
科学者や研究の専門家は、少なくとも数百万の接続が瞬時に発火する複雑な「ディープ」ニューラルネットワークの内部で何が起こっているかを台所から知っていますか?彼らはこの背後にあるプロセスを理解していますか(例えば、内部で何が起こっているのか、どのように正確に機能するのか)、それとも議論の対象ですか? たとえば、この調査では次のように述べています。 ただし、それらがなぜそれほどうまく機能するのか、またはどのように改善されるのかについての明確な理解はありません。 それで、これは科学者が実際に複雑な畳み込みネットワークモデルがどのように機能するかを知らないことを意味するのでしょうか?

9
ディープニューラルネットワークが簡単にだまされる可能性はどのようにありますか?
次のページ / 研究は、認識できない画像に対して高い信頼性の予測を与えることにより、ディープニューラルネットワークが簡単にだまされることを示しています。 これはどのように可能ですか?わかりやすい英語で説明していただけますか?

9
なぜ説明可能なAIが必要なのですか?
AIを開発する本来の目的がいくつかのタスクで人間を支援することであり、その目的がまだ続いている場合、なぜその説明可能性を気にする必要があるのでしょうか?たとえば、ディープラーニングでは、インテリジェンスが能力を最大限に引き出し、その決定に慎重に到達する限り、そのインテリジェンスがどのように機能するかを知る必要があるのはなぜですか?


8
なぜPythonはAI分野で人気のある言語なのですか?
まず第一に、私はAIを勉強する初心者であり、これは意見志向の質問でも、プログラミング言語を比較する質問でもありません。それが最高の言語だと言っているのではありません。しかし、実際には、有名なAIフレームワークのほとんどはPythonを主にサポートしています。たとえば、Python、C ++、またはC#およびC ++をサポートするMicrosoftのCNTKをサポートするTensorFlowなど、多言語をサポートすることもできますが、最も使用されるのはPythonです(ドキュメント、例、より大きなコミュニティ、サポートなどを意味します)。C#(Microsoftと私の主要なプログラミング言語によって開発された)を選択した場合でも、Python環境をセットアップする必要があります。 私は他のフォーラムで、PythonがAIに好まれていることを読みました。コードが簡素化され、よりクリーンで、高速プロトタイピングに適しているからです。 AIテーマ(Ex_Machina)で映画を見ていました。一部のシーンでは、メインキャラクターがハウスオートメーションのインターフェイスをハッキングします。どの言語が現場にあったと思いますか?Python。 それでは、PythonとAIの関係は何ですか?

3
ニューラルネットワークはさまざまな入力サイズをどのように処理できますか?
私が知る限り、ニューラルネットワークの入力層には一定数のニューロンがあります。 ニューラルネットワークがNLPのようなコンテキストで使用される場合、さまざまなサイズの文章またはテキストブロックがネットワークに供給されます。さまざまな入力サイズは、ネットワークの入力層の固定サイズとどのように調整されますか?言い換えれば、このようなネットワークは、1単語から複数ページのテキストまでの入力を処理するのに十分な柔軟性を備えているのでしょうか? 入力ニューロンの固定数の仮定が間違っていて、新しい入力ニューロンがネットワークに追加/削除されて入力サイズに一致する場合、これらをどのようにトレーニングできるのかわかりません。 NLPの例を挙げますが、多くの問題には本質的に予測不可能な入力サイズがあります。これに対処するための一般的なアプローチに興味があります。 画像の場合、固定サイズにアップ/ダウンサンプリングできることは明らかですが、テキストの場合、テキストを追加/削除すると元の入力の意味が変わるため、これは不可能なアプローチのようです。



21
デジタルコンピューターは無限を理解できますか?
人間として、私たちは無限と考えることができます。原則として、十分なリソース(時間など)がある場合、無限に多くのもの(抽象的、数字のような、または実数を含む)をカウントできます。 たとえば、少なくとも、整数を考慮することができます。主に考えて、画面に表示される多くの数字を無限に「理解」できます。今日、私たちは少なくとも人間ができる人工知能を設計しようとしています。しかし、私は無限にこだわっています。私は、無限を理解するためにモデルを(深いかどうかにかかわらず)教える方法を見つけようとします。機能的アプローチで「理解」を定義します。たとえば、コンピューターが10個の異なる数字や物を区別できる場合、それは何らかの方法でこれらの異なるものを本当に理解することを意味します。 前に述べたように、人間は原則として無限の整数を数えることができるため、無限を理解しています。この観点から、モデルを作成したい場合、モデルは実際には抽象的な意味での関数であり、このモデルは無限に多くの数を区別する必要があります。コンピューターは、このような無限関数をモデル化する能力が限られたデジタルマシンであるため、無限に多くの整数を区別するモデルを作成するにはどうすればよいですか? たとえば、カード上の数字を認識するディープラーニングビジョンモデルを使用できます。このモデルでは、各整数を区別するために、各カードに番号を割り当てる必要があります。無限の数の整数が存在するため、モデルはデジタルコンピューターで人間のように各整数に異なる数をどのように割り当てることができますか?無限のものを区別できない場合、無限をどのように理解しますか? 実数を考慮すると、問題はさらに難しくなります。 私が欠けている点は何ですか?このテーマに焦点を当てたリソースはありますか?

4
ニューラルネットワークは壊滅的な忘却の傾向がありますか?
ニューラルネットワークにライオンの写真を100回表示し、「危険」とラベル付けすると、ライオンは危険であることがわかります。 ライオンの危険な可能性が50%になるように、以前に何百万ものライオンの画像を表示し、「危険」および「危険ではない」というラベルを付けたと想像してください。 しかし、最後の100回は、ニューラルネットワークを、ライオンを「危険」と見なす非常に前向きな状態に押しやったため、最後の100万のレッスンは無視されました。 したがって、ニューラルネットワークには、最近の証拠に基づいてあまりにも迅速に考えを変えることができるという欠陥があるようです。特にその前の証拠が中央にあった場合。 どれだけの証拠を見たかを追跡するニューラルネットワークモデルはありますか?(または、これはによって学習率の減少をさせると同等になり試行回数のですか?)1/T1/T1/TTTT



弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.