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

1
AI効果は知能の悪いテストによって引き起こされますか?
ウィキペディアによると ... AI効果は、見物人が人工知能プログラムの動作を、それが本当の知能ではないと主張することによって割り引いたときに発生します。 Pamela McCorduck氏は、次のように書いています。「人工知能分野の歴史の一部として、誰かがコンピューターに何かをさせる方法を見つけるたびに、優れたチェッカーをプレイし、単純だが比較的非公式な問題を解決します」と批評家の合唱がありました。 「[1] AI研究者のロドニー・ブルックスは、「その一部を見つけ出すたびに、それが不思議なことをやめます。 『ああ、それは単なる計算だ』と言っています」[2] ウィキペディアのページでは、見物人がAIプログラムを「割引」する理由を説明できるいくつかの異なる理由を提案しています。ただし、これらの理由は、人間がAIプログラムの動作を「割引き」する際に間違いを犯していること、およびこれらのAIプログラムが実際にはインテリジェントである可能性があることを示唆しているようです。人間が間違いを犯しているが、AIプログラムの振る舞いを「割引き」しているのではないという別の議論をしたいと思います。 次の状況を考えます。Xを実行できるマシンを構築したい(Xは、インテリジェンスのようないくつかの特性です)。マシンにそのX基準があるかどうかを直感的に評価できます。しかし、私はXが実際に何の良い定義がありませんです。私ができることは、何かにXがあるかどうかを識別することだけです。 しかし、Xを持っている人ならYもできると思います。ですから、Yができるマシンを作れば、きっとXを備えたマシンができました。 Yを実行できるマシンを構築した後、自分のマシンにXがあるかどうかを調べます。したがって、私のマシンにはXがありません。Yを実行できるマシンはかっこいいですが、本当に欲しいのはXを備えたマシンです。描画ボードに戻って、Xに到達するための新しいアイデアを考えます。 ホワイトボードに数時間書いた後、私はXを持っている人がZを行うことができることに気づきました。もちろんです!私はZを実行できる新しいマシンを構築しようとしています。Zを実行できる場合は、Xが必要です。 Zを実行できるマシンを作成した後、Xがあるかどうかを確認します。そして、私は製図板に戻り、サイクルが繰り返され、繰り返されます... 基本的に、人間はプロキシ測定を介してエンティティにインテリジェンスがあるかどうかを判断しようとしていますが、これらのプロキシ測定は潜在的に欠陥があります(実際にインテリジェンスを持たなくてもこれらのプロキシ測定を満たすことができるため)。インテリジェンスを定義し、それを正確に測定できるテストを設計する方法を知るまでは、インテリジェンスを備えたマシンを構築することはほとんどありません。つまり、AI効果が発生するのは、人間がプログラムを「インテリジェント」ではないと見なすためではなく、人間が「知性」を定義する方法を知らないためです。 この引数は有効ですか、それとも正しいですか?そうでなければ、なぜでしょうか?


3
柔軟性と効率の間にトレードオフはありますか?
「一般的な知能」は多くの異なることを学ぶことができるかもしれませんが、能力を持つことは実際にそれを持っていることとは異なります。「AGI」は学習する必要があります...そしてその学習プロセスには時間がかかる場合があります。AGIで車を運転したりGoをプレイしたりするには、何らかの方法でAGIを「教える」必要があります。AGIを構築したことがないため、トレーニングプロセスの期間はわかりませんが、悲観的な見積もりを想定しても安全です。 それを「狭い知性」と対比してください。狭いAIは、車の運転や囲碁のプレイ方法をすでに知っています。ある特定のタスクで非常に優れているようにプログラムされています。マシンは事前にトレーニングされているため、マシンのトレーニングについて心配する必要はありません。 「一般的な知能」は「狭い知能」よりも柔軟性があるようです。AGIを購入して、車を運転してGo をプレイすることができます。さらに多くのトレーニングをしたい場合は、新しいトリックを教えることもできます:ケーキを焼く方法。予期しないタスクが発生することを心配する必要はありません。十分なトレーニング時間が与えられれば、AGIは最終的にその方法を理解するからです。でも長い間待たなければならなかった。 「ナローインテリジェンス」は、そのタスク専用にプログラムされているため、割り当てられたタスクでより効率的です。それは何をすべきかを正確に知っており、「学習」に時間を費やす必要はありません(ここのAGIバディとは異なります)。さまざまなタスクをうまく処理するために1つのAGIを購入する代わりに、専門のナローAIを購入したいと思います。狭いAI#1が車を運転し、狭いAI#2がGoを再生し、狭いAI#3がケーキを焼くなど。それを処理します。私はそのリスクを受け入れても構わないと思っています。 私の「思考」は正しいですか?上記のように、柔軟性(AGI)と効率(狭いAI)の間にトレードオフはありますか?または、AGIを柔軟かつ効率的にすることは理論的に可能ですか?

1
継続的な状態/アクションスペースのMDPと強化学習について理解する
MDPと強化学習の分野の紹介のほとんどは、空間変数とアクション変数が整数(および有限)であるドメインにのみ焦点を当てています。このようにして、バリューイテレーション、Qラーニングなどをすばやく紹介します。 ただし、RLおよびMDP の最も興味深いアプリケーション(たとえば、ヘリコプターの飛行)には、連続的な状態空間とアクション空間が含まれます。基本的な導入を超えて、これらのケースに焦点を当てたいのですが、そこに到達する方法がわかりません。 これらのケースを詳細に理解するために、知っておく必要のある領域や勉強すべき領域は何ですか?

3
なぜクロスオーバーは遺伝的アルゴリズムの一部ですか?
遺伝的アルゴリズムは、ターンベースの戦略のコンピューターゲームのコンピューターの対戦相手を修正または改善しようとするときに、最近私の注目になりました。 クロスオーバーを使用せず、ランダムな突然変異のみを使用した単純な遺伝的アルゴリズムを実装しました。この場合はうまくいくようで、私は考え始めました: なぜクロスオーバーは遺伝的アルゴリズムの一部ですか?突然変異は十分ではないでしょうか? これは古いAIサイトのデータダンプからのものです。質問者のUIDは7でした。

2
AIの研究者にはどのような教育が必要ですか?
私の目標がコラボレーションして高度なAIを作成することだとします。たとえば、人間に似たAIであり、プロジェクトがAI研究の最前線にある場合、どのようなスキルが必要ですか? 私は、大学のプログラムに参加して、その分野で能力を発揮するためにどのようなプログラムを完了する必要があるかなど、具体的なことについて話しています。私が考えたことの一部を以下に示します。これは、私の意味を例示するためです。 コンピューターサイエンス:AIはコンピューター上に構築されていることは明らかです。コンピューターがどのように機能するかを知るのに支障はありませんが、低レベルのものやマシン固有のものは必須ではないようです。もちろん間違っているかもしれません。 心理学:AIが人間に似ている場合、人間の認知に関する知識はおそらく役に立つでしょうが、私は細胞レベルでの神経学や、エディプスコンプレックスのような人間に典型的な複雑な心理的癖が関連しているとは思いませんが、やはり間違っているかもしれません。


1
要約に役立つ人工知能戦略は何ですか?
要約したい段落がある場合、たとえば: ポンツォとフィラは日中にモールに行きました。彼らは長い間歩き、お店に立ち寄った。彼らは多くの店に行きました。最初は何も買わなかった。多くの店に行った後、最終的にシャツとズボンを購入しました。 次のように要約すると: 彼らは今日ショッピングモールで買い物をし、いくつかの服を買いました。 もしあれば、このプロセスを自動化するための最良のAI戦略は何ですか?ない場合、それはアルゴリズムを通知する外部情報リソースを最初に持っていることに依存しているためでしょうか?それとも、問題は本質的に文脈に依存しているからでしょうか?

3
この議論は、スーパーインテリジェンスの存在を否定するものですか?
スーパーインテリジェンスは、あらゆる人間のすべての知的活動を超えることができる機械であり、そのような機械は、人類を終わらせる機械としてSFにしばしば描かれています。 どのマシンもアルゴリズムを使用して実行されます。Church-Turingの論文では、現代のコンピューターで実行できるアルゴリズムは、チューリングマシンで実行できます。ただし、人間はチューリングマシンを簡単にシミュレートできます。これは、アルゴリズムを実行することもできるので、マシンがすべての知的活動を超えることができないことを意味しませんか? 私の直感は超知能が可能であると私に告げるので、この議論はおそらく欠陥があります。しかし、欠陥がどこにあるのか私には明らかではありません。これは私自身の議論であることに注意してください。

2
双曲線正接ニューロンとシグモイドニューロンの違いは何ですか?
ディープラーニングで使用される2つの一般的な活性化関数は、双曲線正接関数とシグモイド活性化関数です。双曲線正接はシグモイド関数の再スケーリングと変換にすぎないと理解しています。 tanh(z)=2σ(z)−1tanh⁡(z)=2σ(z)−1\tanh(z) = 2\sigma(z) - 1。 これらの2つのアクティベーション関数の間に大きな違いはありますか、特に、一方が他方より好ましい場合はいつですか? (確率を推定する場合など)場合によっては、範囲の出力が範囲の出力よりも便利であることを理解しています。2つのアクティベーション機能を区別する便利さ以外の違いがあるかどうかを知りたいです。[0,1][0,1][0,1][−1,1][−1,1][-1,1]

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.