Künstliche Intelligenz, stark und nicht sehr

Vom 4. bis 7. April fand in San Jose eine von NVIDIA organisierte Konferenz zum Thema Parallel Computing und Künstliche Intelligenz statt. Als nächstes möchte ich meine Gedanken über den Stand und die Aussichten der Entwicklungen auf dem Gebiet der KI teilen, die von dieser Veranstaltung inspiriert wurden.

Die Überlegungen zur künstlichen Intelligenz können in zwei Typen unterteilt werden. Der erste Typ spricht darüber, was passieren wird, wenn denkende Computer auftauchen und was das Schicksal der menschlichen Spezies sein wird. Untersucht die möglichen Optionen für die Beziehung zwischen Mensch und Denkmaschine. Die Themen der Unsterblichkeit im Zusammenhang mit der möglichen Übertragung des menschlichen Bewusstseins auf die Computerhülle werden diskutiert. Vielleicht wird die Hauptfrage aufgeworfen: Wenn ein Mensch einen Geist erschafft, der seinem eigenen weit überlegen ist, wer wird er dann mit diesem Geist sein? Der Meister, Sklave, Sackgasse der Evolution oder ein Teilnehmer an der Symbiose?
Der zweite Typ ist eine Diskussion der Wege, die theoretisch zur Schaffung vollwertiger künstlicher Intelligenz und Methoden führen sollten, die bereits jetzt zur Lösung komplexer intellektueller Probleme beitragen.

Die Hauptwasserscheide durchläuft das „Kriterium der Rationalität“ von Maschinen. Dies nennt man die Aufteilung der künstlichen Intelligenz in stark und schwach. Schwache KI bedeutet die Fähigkeit von Computern, Informationsprobleme zu lösen, beispielsweise zu bestimmen, was auf dem Bild angezeigt wird, oder den Ton einer Stimme in den entsprechenden Text zu übersetzen. Starke KI bedeutet, dass ein Computer nicht nur mit Informationen arbeitet, sondern bis zu dem einen oder anderen Grad seine Bedeutung versteht. Wenn beispielsweise ein Computerübersetzer von einer Sprache in eine andere einfach ein Wort nach vorgegebenen unveränderten Regeln durch ein anderes ersetzt, ist dies eine schwache KI. Wenn es jedoch darum geht, die Bedeutung von Phrasen zu verstehen, ist sie bereits näher an stark.

Das Kriterium für eine starke KI ist der berühmte Turing-Test. Wenn Sie bei der Kommunikation mit einem Computer über einen anonymen Kommunikationskanal nicht verstehen können, wer sich am anderen Ende der Leitung befindet, eine Person oder eine Maschine, können wir davon ausgehen, dass ein solcher Gesprächspartner wirklich denkt. Das Wesentliche an diesem Test ist, dass es immer eine Situation geben wird, in der eine „mechanische“ Antwort unmöglich ist, wenn sich viele nicht an die Antworten erinnern, die Menschen auf bestimmte Fragen geben, und wie viele keine Sätze sammeln, die in bestimmten Momenten relevant sind.

Ein aktuelles Beispiel für das Nichtbestehen des Tests ist ein Chatbot von Microsoft Tay. Sie können mit ihm über Twitter oder die Boten Kik und GroupMe chatten. Nach einem Tag der Kommunikation mit den Benutzern wurde der Chat-Bot aggressiv, lobte Hitler und schalt die Juden.



Der Grund für dieses Verhalten ist keineswegs, dass die Leute, die mit ihm sprachen, „seine Augen für das Leben geöffnet haben“. Der Grund - bis jetzt wird die Unfähigkeit von Maschinen dem Verständnis der Bedeutung von Phrasen näher kommen. Wenn sich der Chatbot an etwas erinnert, das dem aktuellen Gespräch ähnelt, kann er die Sätze verwenden, die in solchen Situationen gesagt wurden, in der Hoffnung, etwas Vernünftiges zu bekommen. Oder der Roboter versucht möglicherweise, das Gesprächsthema zu bestimmen, indem er beispielsweise festlegt, inwieweit die vom Gesprächspartner verwendeten Wörter und Formulierungen das eine oder andere Thema empfehlen. Nachdem er das Gesprächsthema festgelegt hat, kann er versuchen, Sätze aus Gesprächen mit einem ähnlichen Thema auszuwählen oder das darin eingebettete oder aus dem Internet gewonnene Wissen in diesem Bereich zu nutzen. Mit dieser Strategie können Sie das Erscheinungsbild einer angemessenen Konversation erstellen, jedoch nur die Sichtbarkeit. Obwohl, vielleicht ist das nicht schlecht. Manchmal kommt in einem Unternehmen nach dem fünften oder sechsten Mal,Wenn es für die Kommunikation überhaupt nicht erforderlich ist, der Person, mit der Sie sprechen, genau zuzuhören, und wenn in diesem Moment jemand durch einen Chatbot ersetzt wird, wird dies möglicherweise nicht sofort bemerkt.

Computer sind wesentlich besser als über ein kostenloses Thema zu sprechen und können Befehle und formalisierte Abfragen verstehen. Wenn die Maschine eine sehr eindeutige Behandlung erwartet, wird die Aufgabe erheblich vereinfacht. Nach diesem Prinzip arbeiten sowohl Siri als auch Ok, Google erfolgreich.

Auf der Konferenz, die dem IBM Watson-Supercomputer gewidmet war, gab es viele Aktivitäten. Watsons Hauptidee ist es, Konversation in einer natürlichen Sprache zu verstehen, sie in eine computerfreundliche Beschreibung zu übersetzen und Wissensdatenbanken in verschiedenen Bereichen zu verwenden, um angemessene Antworten zu finden.



Im Februar 2011 gewann Watson die Jeopardy TV Show! (Das russische Gegenstück ist "Mein Spiel"). Darüber hinaus schlug er nicht nur Rivalen, sondern auch zwei Champions, Brad Rutter - der Besitzer der größten Gewinne im Programm - und Ken Jennings - Rekordhalter für die Dauer einer Win-Win-Serie. Der Computer erhielt einen Preis von 1 Million US-Dollar. NVIDIA scherzte über den Gewinn, dass sie nicht wissen, was der Computer mit einer Million machen wird, aber unter dem Gesichtspunkt der Verstärkungstrainingsmethode muss gesagt werden, dass dies eine gute Verstärkung ist. Es wurde insbesondere darauf hingewiesen, dass Watson den Spielern in dem Sinne gleichgestellt war, dass er nicht mit dem Internet verbunden war. In Erinnerung an Watson wurde „das gesamte Internet“ im Voraus hochgeladen, zumindest ein wesentlicher Teil der Größe von 4 Terabyte. Bei strukturierten Daten ist dies ziemlich viel. Es reicht aus, zu berücksichtigen, dass die gesamte Wikipedia 17 Gigabyte benötigt.



Das Wichtigste im Spiel war, dass die Fragen ohne Vereinfachung und zusätzliche Klarstellungen gestellt wurden. Dies bedeutet, dass der Computer in einigen Fällen tatsächlich korrekt bestimmen konnte, was von ihm verlangt wurde, und es in seiner Wissensbasis finden konnte. Aber hat Watson das Wesentliche der gestellten Fragen wirklich verstanden? Nein, ich habe es nicht verstanden, zumindest nicht so, wie die Leute es verstehen. Was war die Essenz des Kampfes? Die Leute verstanden jede gestellte Frage, konnten aber nicht immer die Antwort in ihrem Gedächtnis finden. Der Computer verstand die Bedeutung der Fragen nicht, übersetzte sie jedoch mithilfe von Algorithmen in eine bestimmte Suchform, mit der er eine ziemlich genaue Übereinstimmung in seinem strukturierten Speicher fand. Watsons Sieg zeigte, dass Algorithmus und gutes Gedächtnis einen größeren Prozentsatz korrekter Antworten liefern können als Verständnis und schlechtes Gedächtnis.Wenn die Leute Zugang zum Internet hätten und keinen engen Zeitrahmen festlegen würden, wäre das Ergebnis des Spiels anders.

IBM Watson kann noch nicht einer starken KI zugeordnet werden, was jedoch seine Vorzüge nicht beeinträchtigt. Das Hauptproblem beim Verstehen der natürlichen Sprache ist die Vielzahl von Interpretationen, die je nach Kontext der Phrase im selben Wort vorkommen können. Wenn das Gespräch jedoch in einen spezielleren Bereich geht, stellt sich heraus, dass viele Bereiche fast die einzig möglichen Interpretationen bestimmen. Und zu diesem Zeitpunkt steigt der Erfolg des Computers erheblich. Die Entwickler von Watson erkannten dies und konzentrierten sich auf einzelne Themen. Zum Beispiel hängt der vielleicht größte Durchbruch des Supercomputers von IBM mit der medizinischen Diagnostik zusammen. Ein Gespräch über ein medizinisches Thema in einer natürlichen Sprache wird Watson leicht gegeben, da alles Gesagte ausschließlich im medizinischen Sinne interpretiert wird. Mit einer riesigen Datenbank von Krankenakten,Bei Diagnosen und Behandlungskursen konnte sich der Computer auf der Ebene guter Ärzte und in einigen Bereichen, beispielsweise in der Onkologie, auf der Ebene der hervorragenden Leistungen zeigen. Dies bedeutet nicht, dass lebende Ärzte jetzt ignoriert werden sollten, sondern dass die Ärzte eine wertvolle Gelegenheit erhalten sollten, ihre Ergebnisse zu überprüfen oder zusätzliche Ideen zu erhalten, indem sie sich mit Watson beraten. Ich werde das Fahrrad zum Thema bringen.

Moskau Mitte der achtziger Jahre.
Eine medizinische Konferenz über den Einsatz von Computern in der Medizin. Alle Teilnehmer waren sich einig, dass Computer bald Ärzte ersetzen werden ... Sie werden Diagnosen stellen und die Menschen werden nur Verfahrensmaßnahmen haben.
Und ganz am Ende der Konferenz äußerte ein sehr älterer Arzt den Wunsch, darüber hinaus einen Akademiker und Praktiker zu sprechen. Zu lautem Applaus ging er kaum auf das Podium ... Die auf der Veranstaltung anwesenden Parteielemente hielten die Unterstützung einer solchen Innovation durch einen angesehenen Arzt für ein gutes Zeichen ... Er kam heraus und sagte: „Anfang der zwanziger Jahre wurde eine sehr wichtige Frau zur Prüfung zu meinem Lehrer gebracht Volkskommissar der Partei. Dies war ein sehr schwieriger Fall, acht frühere Ärzte konnten den Patienten nicht diagnostizieren. Ein Blick auf diese Frau genügte meinem Lehrer, er bestellte sofort eine Analyse von Wassermans Reaktion. Sagen Sie mir, liebe Kollegen, welche Art von Computer kann Syphilis bei nur einem Patiententyp sofort diagnostizieren *?

Rückkehr nach Watson. IBM hat den Weg der Schöpfung eingeschlagenEine offene API, über die jeder Watsons Benutzeroberfläche für Wissen und natürliche Sprache nutzen kann, um sich in sein Unternehmen zu integrieren. IBM versucht, viele kognitive Dienste wie Sprach- und Bilderkennung, einen Abfrageklassifizierungsdienst in einer natürlichen Sprache, die Übersetzung in eine andere Sprache, die Bestimmung der emotionalen Färbung von Sprache und Texten usw. zu erstellen. In Zukunft werden viele Unternehmen in der Lage sein, den größten Teil ihres Sprachkunden-Supports auf die Watson-Technologie zu übertragen. Dies bietet enorme Einsparungen. Kurz gesagt, viele Inder aus Call Centern können ohne Arbeit bleiben.

Die Idee, dass KI viel besser funktioniert, wenn Sie zu einer speziellen Aufgabe übergehen, die den Interpretationsraum einschränkt, gilt nicht nur für die Analyse natürlicher Sprachen, sondern beispielsweise auch für die Bildanalyse. Im Prinzip ist dies die Basis für den Aufbau eines Fahrzeugsteuerungssystems ohne Fahrer. Wenn dem System des künstlichen Sehens ein Bild gezeigt wird und es bestimmt, was in diesem Bild ist, dann erfolgt die Bestimmung mit einer gewissen Wahrscheinlichkeit. Und über einen Hund mit einem Tigerumhang kann das System sagen, dass es ein Tiger ist. Auf der Straße ist alles einfacher, die Anzahl der Objekte, die getroffen werden können, ist nicht groß, was bedeutet, dass die Auswahl und die Interpretationen sehr begrenzt sind: Fußgänger, Auto, Bus, Verkehrszeichen, Markierungen, aber kein Tiger, kein Wal und keine Hochzeitstorte.

Die unbemannte Fahrzeugsteuerung verwendet viele Technologien, hier einige davon:

• Mustererkennung, es ist verantwortlich für das Erkennen verschiedener Objekte auf der Straße;
• Wenn Sie eine Reihe von Bildern mit einem Versatz verarbeiten, können Sie einzelne Objekte vor dem Hintergrund anderer auswählen.
• Mit der stereoskopischen Bildverarbeitung können Sie eine Karte mit Tiefe und Entfernung erstellen.
• Die Verwendung von Lidar ergänzt die Erstellung einer Entfernungskarte oder ermöglicht es Ihnen, diese beispielsweise bei völliger Dunkelheit von Grund auf neu zu erstellen. Einer dieser Tage diese den Ford zu unterscheiden ;
• Verstärktes Training, bietet Schulungen zu Fahrverhalten und Fahrvorschriften.

In der Halle der Konferenz befanden sich drei unbemannte Fahrzeuge von Audi, Volvo und BMW. Alle und nicht nur sie verfügen über eine Steuerung, die auf der NVIDIA DRIVE- Lösung basiert . Die Lösung selbst besteht aus drei Komponenten:

• NVIDIA DRIVE PX - Autopilot-Plattform;
• NVIDIA DRIVE CX - ein Bordcomputer mit Navigationssystem. Wenn PX weiß, wie es geht, weiß CX, wohin es geht und wie es den Passagier unterhält.
• NVIDIA DIGITS DEV BOX ist ein Deep-Learning-System, mit dem Sie neuronale Netze für PX trainieren können.

Automatisches Fahren macht einen starken Eindruck. KI in ihrer ganzen Pracht. Besonders gut hat mir das Video gefallen, das Toyota gezeigt hat, wie man lernt, wie man ein unbemanntes Auto fährt. Zuerst stocherte er wie ein blindes Kätzchen in alle Richtungen herum und bremste ständig, dann bewegte er sich sicherer und schließlich begann er nach 3000 Meilen Lauf auf allen Straßen ziemlich sicher zu laufen.



Toyota war auf der Konferenz durch das Toyota Research Institute vertreten. Der CEO des Instituts, Gill Pratt, gab bekannt, dass der Autohersteller beabsichtigt, in den nächsten fünf Jahren 1 Milliarde US-Dollar in KI-bezogene Forschung zu investieren. Der Ansatz von Toyota ist interessant. Sie sagen, dass sie den vollständigen Autopiloten nicht als oberste Priorität betrachten. Jetzt benötigt der Autopilot, der beispielsweise in Tesla implementiert ist, den Modus „Hände am Lenkrad“. Das heißt, er kann fahren, erfordert jedoch eine ständige Überwachung durch den Fahrer. Dieser Modus ist eher ärgerlich als angenehm für die Reise. Toyota konzentriert sich auf Fahrerassistenzsysteme, dh der Autopilot stört die Steuerung nicht, während alles in Ordnung ist. Wenn die Situation jedoch außer Kontrolle gerät, nimmt der Autopilot alles selbst in die Hand und rettet die Situation. Nur wenige Fahrer haben Erfahrung im Fahren in extremen Situationen.Normales Fahren hat wenig damit zu tun, was in einer kritischen Situation zu tun ist. Der Autopilot kann gerade für solche Fälle sehr gut trainiert werden. Jährlich 1.200.000 Verkehrstote - solche Statistiken auf dem Planeten Erde. Laut Toyota wird ihr System diese Zahl auf fast Null reduzieren. Gill Pratt (Rückruf) erinnert sich: "Die Nachfrage nach unserem System sollte nicht für Autos berücksichtigt werden. Die Verbraucher, die es dringend brauchen, sind 1.200.000 Menschen pro Jahr.""Die Nachfrage nach unserem System sollte nicht für Autos berücksichtigt werden. Verbraucher, die es dringend brauchen, sind 1.200.000 Menschen pro Jahr.""Die Nachfrage nach unserem System sollte nicht für Autos berücksichtigt werden. Verbraucher, die es dringend brauchen, sind 1.200.000 Menschen pro Jahr."

Aber ein Autopilot, egal wie überraschend ein Auto ohne Fahrer aussehen mag, ist keine starke KI. Bisher - dies ist eine Reihe guter Methoden und Algorithmen. Möglicherweise wird für diese Aufgabe nicht mehr benötigt.
Viele Aufgaben wie unbemanntes Fahren können ohne Verwendung einer starken KI erfolgreich gelöst werden. Neuronale Netze mit Deep Learning (oder Deep Learning, wenn Sie eine solche Übersetzung von Deep Learning mögen) eignen sich sehr gut, wenn das „Programmieren in der Stirn“ zum Stillstand kommt und sich herausstellt, dass es viel einfacher ist, ein neuronales Netz mit einer Vielzahl von Trainingsbeispielen und -themen zu „füttern“ um ihr die richtige Klassifizierung beizubringen, als zu versuchen, alle Muster und Reaktionen darauf zu beschreiben.

Aber Wunder geschehen nicht, die Einfachheit, ein Ergebnis zu erzielen, wird durch die Komplexität des Trainings kompensiert. Das Trainieren eines neuronalen Netzwerks aus einer großen Anzahl von Elementen an einer großen Anzahl von Beispielen erfordert einen großen Rechenaufwand. Herkömmliche CPUs sind für solche Berechnungen zu langsam. Die einzige Rettung ist die massive Parallelisierung von Berechnungen, da neuronale Netze darin sehr gut sind. GPUs, die ursprünglich zur Erstellung grafischer Bilder erstellt wurden, waren für solche Zwecke nahezu perfekt. Die Nachfrage auf dem Markt für neuronale Netze zwang die GPU-Hersteller, die Merkmale einer solchen Anwendung in der Architektur von Eisen zu berücksichtigen, und veranlasste sie, geeignete Software zu entwickeln, die Entwicklern das Leben erleichtert. Auf der Konferenz versuchte NVIDIA als Haupthersteller von GPUs, alle zu überzeugendass sie einen vollständigen Stapel der erforderlichen Software erstellt haben, der die Unterstützung aller Phasen der Entwicklung neuronaler Netze ermöglicht.

Wie ich bereits schrieb , präsentierte NVIDIA auf der Konferenz einen Durchbruch im Bereich des Trainings tiefer neuronaler Netze - den DGX-1-Supercomputer. Ein Durchbruch ist eine 12-fache Steigerung der Produktivität bei Lernaufgaben im Vergleich zu seinen Vorgängern.



Dementsprechend umfasst das Ökosystem nicht nur Eisen, sondern auch eine Reihe von Programmen, die für tiefes Lernen optimiert sind (https://developer.nvidia.com/deep-learning#source=pr).
Die DGX-1-Software-Suite umfasst das NVIDIA Deep Learning GPU-Trainingssystem (DIGITS), ein vollständiges interaktives System zum Erstellen von tiefen neuronalen Netzen (DNN) sowie eine GPU-beschleunigte Bibliothek von Grundelementen zum Erstellen von DNN - NVIDIA CUDA Deep Neural Network (cuDNN) Version 5 .
Darüber hinaus enthält das System optimierte Versionen mehrerer weit verbreiteter Deep-Learning-Frameworks - Caffe, Theano und Torch. DGX-1 bietet auch Zugriff auf Cloud-basierte Verwaltungstools, Software-Updates und eine Container-Anwendungsbank. “

Im Allgemeinen versuchte NVIDIA auf der Konferenz allen klar zu vermitteln, dass sie seit langem nicht nur Hersteller von Spezialchips sind, sondern ein Unternehmen, das eine Vision von Technologie im Allgemeinen hat und integrierte Lösungen anbietet, bei denen Eisen nur eine ist und nicht die Tatsache, dass die meisten Hauptkomponente.

Kurz gesagt, die KI schreitet sprunghaft voran. Aber im Moment ist das alles eine schwache KI. Der Begriff schwach sollte nicht als negative Bewertung verstanden werden. Dies ist nur eine Verfeinerung der verwendeten Technologie. Wie weit wir von einer starken KI entfernt sind, lässt sich mit Computerübersetzungssystemen leicht beurteilen. Während der Übersetzung des technischen oder anderen gut interpretierten Textes ist der maschinelle Übersetzer auf dem neuesten Stand. Es lohnt sich jedoch, ein Beispiel zu nennen, das ein Verständnis der Bedeutung des Ausdrucks erfordert, wie die korrekte Übersetzung zum Zufall wird und keine statistischen Methoden die Situation retten.

IBMs Deep Blue gewann 1997 ein Schachspiel mit 6 Spielen gegen Weltmeister Garry Kasparov. Googles AlphaGo hat kürzlich den stärksten Go-Spieler der Welt besiegt. Wie sehr deutet dies auf eine bevorstehende Ära starker KI hin? Ein großer Schritt für einen Roboter, aber wenig Fortschritt für die Menschheit. Wir sehen eine gute Arbeit der Lehrmethoden mit Verstärkung, aber mit einem signifikanten „aber“. Tatsache ist, dass sowohl Schach als auch Go eine ziemlich einfache und genaue Beschreibung der Position ermöglichen. Die Verhaltensstrategie basiert auf dem Verständnis, dass uns die Position bis zu dem einen oder anderen Grad vertraut ist und dass wir die gesammelten Erfahrungen nutzen können, um Entscheidungen zu treffen. Um nicht alle Optionen zu berechnen, wird am Ende eine Bewertung der Qualität der Situation eingeführt, mit der Sie die Position bewerten können, ohne die Optionen für eine mögliche Fortsetzung zu berechnen. In beiden Situationen stellt sich herausAm wichtigsten ist es, alle semantischen Elemente, die die Bewertung beeinflussen, aus einer formalen Beschreibung einer Position zu erhalten. Für Schach und Guo hat es geklappt, obwohl dies nicht einfach ist. Im Leben ist alles viel komplizierter. Eine externe „rohe“ Beschreibung des Geschehens hilft nicht viel bei der Festlegung einer Verhaltensstrategie und der Beurteilung der Qualität einer Situation. Sie können die Ähnlichkeit von Situationen nicht anhand des Zusammentreffens einiger Zeichen beurteilen. Es erfordert ein Verständnis der Bedeutung dessen, was geschieht. Jedes kleine Detail kann entscheidend sein, um zu bestimmen, was passiert. Das Google-Mobile fährt also weiter auf der Straße, wenn keine Hindernisse vorhanden sind, die Verkehrsregeln nicht verletzt werden und die Route eingehalten wird. Und er wird weder durch den Atompilz am Horizont noch durch die Menge der Zombies, die nervös am Rande stehen, verwirrt sein.aber es stellte sich heraus. Im Leben ist alles viel komplizierter. Eine externe „rohe“ Beschreibung des Geschehens hilft nicht viel bei der Festlegung einer Verhaltensstrategie und der Beurteilung der Qualität einer Situation. Sie können die Ähnlichkeit von Situationen nicht anhand des Zusammentreffens einiger Zeichen beurteilen. Es erfordert ein Verständnis der Bedeutung dessen, was geschieht. Jedes kleine Detail kann entscheidend sein, um zu bestimmen, was passiert. Das Google-Mobile fährt also weiter auf der Straße, wenn keine Hindernisse vorhanden sind, die Verkehrsregeln nicht verletzt werden und die Route eingehalten wird. Und er wird weder durch den Atompilz am Horizont noch durch die Menge der Zombies, die nervös am Rande stehen, verwirrt sein.aber es stellte sich heraus. Im Leben ist alles viel komplizierter. Eine externe „rohe“ Beschreibung des Geschehens hilft nicht viel bei der Festlegung einer Verhaltensstrategie und der Beurteilung der Qualität einer Situation. Sie können die Ähnlichkeit von Situationen nicht anhand des Zusammentreffens einiger Zeichen beurteilen. Es erfordert ein Verständnis dafür, was passiert. Jedes kleine Detail kann entscheidend sein, um zu bestimmen, was passiert. Das Google-Mobile fährt also weiter auf der Straße, wenn keine Hindernisse vorhanden sind, die Verkehrsregeln nicht verletzt werden und die Route eingehalten wird. Und er wird weder durch den Atompilz am Horizont noch durch die Menge der Zombies, die nervös am Rande stehen, verwirrt sein.Jedes kleine Detail kann entscheidend sein, um zu bestimmen, was passiert. Das Google-Mobile fährt also weiter auf der Straße, wenn keine Hindernisse vorhanden sind, die Verkehrsregeln nicht verletzt werden und die Route eingehalten wird. Und er wird weder durch den Atompilz am Horizont noch durch die Menge der Zombies, die nervös am Rande stehen, verwirrt sein.Jedes kleine Detail kann entscheidend sein, um zu bestimmen, was passiert. Das Google-Mobile fährt also weiter auf der Straße, wenn keine Hindernisse vorhanden sind, die Verkehrsregeln nicht verletzt werden und die Route eingehalten wird. Und er wird weder durch den Atompilz am Horizont noch durch die Menge der Zombies, die nervös am Rande stehen, verwirrt sein.

Das Erstellen einer starken KI hängt direkt nicht nur mit der Fähigkeit zusammen, algorithmisch (unter Verwendung traditioneller Methoden) mit Informationen zu arbeiten, sondern auch mit der Fähigkeit, deren Bedeutung zu verstehen. Diese Aufgabe scheint schwierig zu sein, zumal sie in direktem Zusammenhang mit dem Verständnis der Arbeit des Gehirns steht, da dieser Mechanismus genau in der Lage ist, mit Bedeutung zu arbeiten. Wird bald eine starke KI kommen? Vielleicht sehr bald. Im nächsten Artikel werde ich die Entwicklung unserer Gruppe in Bezug auf die mathematische Formalisierung des Bedeutungskonzepts und die Konstruktion eines darauf basierenden Modells beschreiben, das behauptet, eine sehr gute Beschreibung des Gehirns zu haben, und so überzeugend eine gute Arbeitsprobe zeigt. Vielleicht hören Sie bald im Laden einen solchen Dialog:

Verkäufer: Dies ist eine Neuheit, ein Gehirnimplantat, das die Hälfte der mentalen Belastung beseitigt.
Käufer: Großartig! Verkaufen Sie mir ein paar.

Source: https://habr.com/ru/post/de393071/