पुस्तक "बुद्धि के आर्किटेक्ट"

आर्टिफिशियल इंटेलिजेंस (एआई) तेजी से विज्ञान कथा से रोजमर्रा की जिंदगी की ओर बढ़ रहा है। आधुनिक उपकरण मानव भाषण को पहचानते हैं, सवालों के जवाब देने और मशीन अनुवाद करने में सक्षम होते हैं। विभिन्न क्षेत्रों में, मानवरहित वाहन चलाने से लेकर कैंसर का निदान करने तक, AI- आधारित वस्तु मान्यता एल्गोरिदम का उपयोग किया जाता है, जिसकी क्षमता मानव से श्रेष्ठ होती है। बड़ी मीडिया कंपनियां एकत्रित डेटा से कॉपीराइट के समान लेख बनाने के लिए रोबोट पत्रकारिता का उपयोग करती हैं। एआई स्पष्ट रूप से एक सार्वभौमिक तकनीक बनने के लिए तैयार है, जैसे कि बिजली।

क्या दृष्टिकोण और प्रौद्योगिकियों को सबसे अधिक आशाजनक माना जाता है? आने वाले वर्षों में कौन सी प्रमुख खोजें संभव हैं? क्या मानव के लिए वास्तव में सोचने वाली मशीन या AI बनाना संभव है, और कितनी जल्दी? एआई के साथ क्या जोखिम और खतरे जुड़े हुए हैं, और उनसे कैसे बचा जाए? क्या एआई अर्थव्यवस्था और श्रम बाजार में अराजकता का कारण बनेगा? क्या अधीक्षण यंत्र मानव नियंत्रण से बाहर हो जाएंगे और वास्तविक खतरा बन जाएंगे?

बेशक, भविष्य की भविष्यवाणी करना असंभव है। फिर भी, प्रौद्योगिकी की वर्तमान स्थिति के बारे में विशेषज्ञों को अधिक जानकारी है, साथ ही किसी अन्य की तुलना में निकट भविष्य में नवाचारों के बारे में भी। आपको आर। कुर्ज़वील, डी। हसबिस, जे। हिंटन, आर। ब्रूक्स और कई अन्य लोगों के साथ शानदार बैठकें मिलेंगी।

यान लेकुं

फिकबुक (एआईआईआर) में एआई रिसर्च लैबोरेटरी के प्रोफेसर और वकील, नए न्यूयार्क विश्वविद्यालय में कंप्यूटर विज्ञान के प्रोफेसर

जेफरी हिंटन और जोशुआ बेनजियो के साथ, इयान लेकुन शोधकर्ताओं के एक समूह का हिस्सा हैं जिनके प्रयासों और दृढ़ता ने तंत्रिका नेटवर्क और गहरी सीखने के संबंध में वर्तमान क्रांति का कारण बना है। बेल लैब्स में काम करते हुए, उन्होंने दृढ़ तंत्रिका नेटवर्क का आविष्कार किया। उन्होंने पेरिस में ESIEE से इलेक्ट्रिकल इंजीनियर डिप्लोमा प्राप्त किया, और पियरे और मैरी क्यूरी विश्वविद्यालय से कंप्यूटर विज्ञान में डॉक्टरेट की उपाधि प्राप्त की। स्नातक विद्यालय के बाद, उन्होंने टोरंटो विश्वविद्यालय में जेफरी हिंटन प्रयोगशाला में काम किया।

मार्टिन फोर्ड: पिछले 10 वर्षों में गहरी सीखने में रुचि का विस्फोट तंत्रिका नेटवर्क के एक साथ सुधार, कंप्यूटर की शक्ति और उपलब्ध डेटा की मात्रा में वृद्धि का परिणाम है?

यांग लेकुन: हाँ, लेकिन प्रक्रिया अधिक जानबूझकर की गई थी। 1986-87 में दिखाई दिया। backpropagation एल्गोरिथ्म ने बहुपरत तंत्रिका नेटवर्क को प्रशिक्षित करना संभव बना दिया। इससे 1995 तक दिलचस्पी बनी रही। जेफरी हिंटन, जोशुआ बेंगजियो और 2003 में, मैं इन विधियों में समुदाय के हित को नवीनीकृत करने की योजना के साथ आया क्योंकि वे अपनी आसन्न जीत के प्रति आश्वस्त थे। इसलिए हम कह सकते हैं कि एक सोची समझी साजिश थी।

एम.एफ .: क्या आप पहले से ही सभी संभावनाओं को समझते हैं? एअर इंडिया और डीप लर्निंग को अब पर्यायवाची माना जाता है।

I. L .: हाँ और नहीं। हम जानते थे कि विधियाँ कंप्यूटर दृष्टि, वाक् पहचान, और संभवतः कुछ अन्य चीजों का आधार बनेंगी, लेकिन किसी ने उनसे प्राकृतिक भाषा, रोबोटिक्स, चिकित्सा इमेजिंग के विश्लेषण और यहां तक ​​कि मानवरहित वाहनों के उभरने में योगदान देने की अपेक्षा नहीं की। 1990 के दशक की शुरुआत में। मैंने सोचा था कि इन चीजों के प्रति आंदोलन चिकना होगा, और वे थोड़ा पहले दिखाई देंगे। हम 2013 के आसपास हुई क्रांति का इंतजार कर रहे थे।

एम.एफ .: और एआई और मशीन लर्निंग में आपकी रुचि कैसे पैदा हुई?

वाई। एल।: बचपन से ही मुझे जीवन की उत्पत्ति, बुद्धि, मानव जाति की उत्पत्ति के बारे में विज्ञान, प्रौद्योगिकी और वैश्विक मुद्दों में दिलचस्पी थी। एआई के विचार ने मुझे रोमांचित कर दिया। लेकिन 1960-70 के दशक में। फ्रांस में किसी ने ऐसा नहीं किया, इसलिए स्कूल के बाद मैं एक इंजीनियर के रूप में अध्ययन करने गया।

1980 में, मुझे वास्तव में भाषा और सीखने के दर्शन पर पुस्तक पसंद आई: द डिबेट बिटवीन जीन पियागेट और नोआम चॉम्स्की ("भाषा और सीख: जीन पियागेट और नोआम चॉम्स्की के बीच एक चर्चा"), जिसमें संज्ञानात्मक विकास के सिद्धांत के निर्माता और भाषाविद् ने प्रकृति और शिक्षा पर चर्चा की। , साथ ही साथ भाषा और बुद्धि का उद्भव।

पियागेट की तरफ, एमआईटी के प्रोफेसर सेमोर पेपेर्ट ने 1960 के दशक के उत्तरार्ध में मशीन सीखने की उत्पत्ति पर बात की। वास्तव में तंत्रिका नेटवर्क के साथ काम को बंद करने में योगदान दिया। और अब, 10 साल बाद, उन्होंने तथाकथित परसेप्ट्रोन को बाहर निकाल दिया - मशीन सीखने का एक बहुत ही सरल मॉडल जो 1950 के दशक में दिखाई दिया। और जिस पर उन्होंने 1960 के दशक में काम किया। इसलिए पहली बार मैं मशीन लर्निंग की अवधारणा से परिचित हुआ और इससे बिल्कुल रोमांचित था। सीखने की क्षमता, मैंने बुद्धि का एक अभिन्न अंग माना।

एक छात्र के रूप में, मैंने वह सब कुछ पढ़ा जो मैं मशीन लर्निंग पर पा सकता था और इस विषय पर कई प्रोजेक्ट किए। यह पता चला कि पश्चिम में कोई भी तंत्रिका नेटवर्क के साथ काम नहीं करता है। कुछ जापानी शोधकर्ताओं ने इस पर काम किया जो बाद में इस शब्द के रूप में जाना जाने लगा। हमारे देश में, यह विषय किसी के लिए कोई दिलचस्पी नहीं था, आंशिक रूप से 1960 के दशक के अंत में दिखाई दिया। Peypert और Minsky द्वारा पुस्तकें।

मैंने स्वतंत्र शोध शुरू किया और 1987 में अपने डॉक्टरेट शोध प्रबंध मॉडल कॉन्सेक्शनेनिस्ट्स डी ल्प्पेंटिसैज ("कनेक्शनिस्ट लर्निंग मॉडल") का बचाव किया। मेरे प्रबंधक मौरिस मिलग्राम ने इस विषय के साथ व्यवहार नहीं किया और सीधे मुझसे कहा कि वह आधिकारिक तौर पर मेरे सलाहकार बन सकते हैं, लेकिन वे तकनीकी रूप से मदद नहीं कर सकते।

1980 के दशक की शुरुआत में मैंने उन लोगों के समुदाय की खोज की जिन्होंने तंत्रिका नेटवर्क पर काम किया और उनसे संपर्क किया। नतीजतन, डेविड रोमेलहार्ट और जेफरी हिंटन के साथ समानांतर में, मैंने त्रुटि के पीछे प्रसार के तरीके के रूप में इस तरह की खोज की।

एम.एफ .: यह 1980 के दशक की शुरुआत में है। कनाडा में, इस क्षेत्र में कई अध्ययन हुए हैं?

Y. L:: नहीं, सब कुछ संयुक्त राज्य अमेरिका में हुआ। कनाडा में, इस तरह के अध्ययन अभी तक आयोजित नहीं किए गए थे। 1980 के दशक की शुरुआत में जेफरी हिंटन कैलिफोर्निया विश्वविद्यालय, सैन डिएगो में एक कर्मचारी थे, जहां उन्होंने डेविड रोमेलहार्ट और जेम्स मैकलेलैंड जैसे संज्ञानात्मक मनोवैज्ञानिकों के साथ काम किया था। नतीजतन, एक पुस्तक सरल तंत्रिका नेटवर्क और कंप्यूटर मॉडल की मदद से मनोविज्ञान की व्याख्या करती हुई दिखाई दी। जेफरी तब कार्नेगी मेलन विश्वविद्यालय में सहायक प्रोफेसर बन गए। वह केवल 1987 में टोरंटो चले गए। तब मैं टोरंटो चला गया और एक साल तक उनकी प्रयोगशाला में काम किया।

एम.एफ .: 1980 के दशक की शुरुआत में। मैं कंप्यूटर विज्ञान में एक छात्र था, और मुझे याद नहीं है कि कहीं तंत्रिका नेटवर्क का उपयोग किया गया था। अब स्थिति नाटकीय रूप से बदल गई है।

वाई। एल।: तंत्रिका नेटवर्क केवल विज्ञान के किनारे पर नहीं हैं। 1970 के दशक में और 1980 के दशक की शुरुआत में। वे वास्तव में शारीरिक थे। तंत्रिका नेटवर्क के एक उल्लेख के लिए लेख को अस्वीकार कर दिया गया था।

प्रसिद्ध लेख Optimal Perceptual Inference, जो 1983 में Jeffrey Hinton और Terry Seinowski द्वारा प्रकाशित किया गया था। गहन अध्ययन और तंत्रिका नेटवर्क के पहले मॉडल में से एक का वर्णन करने के लिए, उन्होंने नाम में भी कोड शब्दों का उपयोग किया।

एम.एफ .: आप एक दृढ़ तंत्रिका नेटवर्क के लेखक के रूप में जाने जाते हैं। कृपया बताएं कि यह क्या है?

वाई। एल .: प्रारंभ में, यह तंत्रिका नेटवर्क छवियों में वस्तुओं की मान्यता के लिए अनुकूलित किया गया था। लेकिन यह पता चला कि यह भाषण मान्यता और मशीन अनुवाद जैसे कार्यों की एक विस्तृत श्रृंखला पर लागू किया जा सकता है। इसके निर्माण के लिए विचार जानवरों और मनुष्यों के मस्तिष्क के दृश्य प्रांतस्था की सुविधाओं द्वारा परोसा गया था, 1950 और 60 के दशक में अध्ययन किया गया था। डेविड हुबेल और थोरस्टन विज़ल, जिन्हें बाद में न्यूरोबायोलॉजी में नोबेल पुरस्कार मिला।

संवेदी नेटवर्क न्यूरॉन्स को जोड़ने का एक विशेष तरीका है जो जैविक न्यूरॉन्स की सटीक प्रतिलिपि नहीं है। पहली परत में - कनवल्शन लेयर - प्रत्येक न्यूरॉन कम संख्या में इमेज पिक्सल्स से जुड़ा होता है और इसके इनपुट डेटा के भारित योग की गणना करता है। प्रशिक्षण के दौरान, वज़न बदल जाता है। न्यूरॉन्स के समूह छवि के छोटे क्षेत्रों को देखते हैं। यदि एक न्यूरॉन एक क्षेत्र में एक विशिष्ट विशेषता का पता लगाता है, तो एक अन्य न्यूरॉन आसन्न क्षेत्र में बिल्कुल उसी विशेषता का पता लगाएगा, और छवि के शेष क्षेत्रों में अन्य सभी न्यूरॉन्स। गणितीय ऑपरेशन जो न्यूरॉन्स एक साथ करते हैं, उन्हें असतत कनवल्शन कहा जाता है। इसलिए नाम।

फिर गैर-रैखिक परत आती है, जहां प्रत्येक न्यूरॉन चालू या बंद होता है, यह इस बात पर निर्भर करता है कि सजा परत द्वारा गणना की गई भार राशि निर्दिष्ट सीमा से अधिक या कम है। अंत में, तीसरी परत एक डाउनसमलिंग ऑपरेशन करती है ताकि यह सुनिश्चित किया जा सके कि इनपुट छवि का एक मामूली पूर्वाग्रह या विरूपण आउटपुट को बहुत अधिक नहीं बदलता है। यह इनपुट छवि के विकृति से स्वतंत्रता प्रदान करता है।

वास्तव में, एक दृढ़ नेटवर्क एक परत है जो दृढ़ संकल्प, अशुभता और उपसमापन की परतों से संगठित है। जब वे मुड़े होते हैं, तो न्यूरॉन्स दिखाई देते हैं जो वस्तुओं को पहचानते हैं। उदाहरण के लिए, एक न्यूरॉन जो घोड़े की छवि पर होता है, कारों के लिए एक और न्यूरॉन, लोगों के लिए एक तीसरा, और इसी तरह, सभी श्रेणियों के लिए जो आपको चाहिए।

इसके अलावा, न्यूरल नेटवर्क क्या करता है यह न्यूरॉन्स के बीच कनेक्शन की ताकत से निर्धारित होता है, अर्थात् वजन। और इन वज़न को प्रोग्राम नहीं किया जाता है, लेकिन प्रशिक्षण का परिणाम है।

घोड़े की छवि को नेटवर्क में दिखाया गया है, और यदि यह "घोड़ा" का जवाब नहीं देता है, तो यह सूचित किया जाएगा कि यह गलत है, और सही उत्तर के साथ संकेत दिया गया है। उसके बाद, त्रुटि वापस प्रसार एल्गोरिथ्म का उपयोग करते हुए, नेटवर्क सभी कनेक्शनों के वजन को समायोजित करता है ताकि अगली बार उसी छवि को प्रदर्शित किया जाए, परिणाम वांछित के करीब है। इस मामले में, आपको उसकी हजारों छवियां दिखानी होंगी।

एम। एफ .: क्या यह एक शिक्षक के साथ शिक्षण है? जैसा कि मैंने इसे समझा, अब यह प्रमुख दृष्टिकोण है।

य। ल . : बिल्कुल। लगभग सभी आधुनिक गहरे शिक्षण अनुप्रयोग शिक्षक प्रशिक्षण का उपयोग करते हैं। जादू यह है कि अधिकांश भाग के लिए प्रशिक्षित नेटवर्क उन छवियों के लिए भी सही उत्तर देता है, जिन्हें पहले नहीं दिखाया गया था। लेकिन इसके लिए बड़ी संख्या में उदाहरणों की जरूरत है।

एम.एफ .: और भविष्य में क्या उम्मीद की जा सकती है? क्या एक बच्चे के रूप में एक कार सिखाना संभव होगा, जिसे केवल एक बार बिल्ली दिखाने और नाम देने की आवश्यकता है?

I. L .: वास्तव में, आप काफी सही नहीं हैं। विभिन्न श्रेणियों की लाखों छवियों पर वास्तव में पहली दृढ़ प्रशिक्षण होता है। और फिर, यदि आपको एक नई श्रेणी जोड़ने की आवश्यकता है, उदाहरण के लिए, बिल्लियों को पहचानने के लिए कंप्यूटर सिखाएं, तो कुछ नमूने पर्याप्त हैं। आखिरकार, नेटवर्क लगभग किसी भी प्रकार की वस्तुओं को पहचानने के लिए पहले से ही प्रशिक्षित है। प्रशिक्षण के अतिरिक्त ऊपरी परतों की एक जोड़ी से संबंधित हैं।

एमएफ: यह पहले से ही बच्चों के अध्ययन के तरीके की तरह दिखता है।

वाई। एल।: नहीं, दुर्भाग्य से, यह ऐसा बिल्कुल नहीं है। किसी को उनके बारे में बताने से पहले बच्चे सबसे ज्यादा जानकारी लेते हैं, "यह एक बिल्ली है।" जीवन के पहले कुछ महीनों में, बच्चे भाषा के बारे में कोई सुराग नहीं सीखते हैं। वे केवल दुनिया को देखकर और उसके साथ थोड़ी बातचीत करके दुनिया की संरचना को पहचानते हैं। ज्ञान संचय का यह तरीका मशीनों के लिए उपलब्ध नहीं है। कैसे कॉल किया जाए यह स्पष्ट नहीं है। कुछ लोग उत्तेजक शब्द "शिक्षक रहित शिक्षण" का उपयोग करते हैं। इसे कभी-कभी अग्रिम, या आगमनात्मक, प्रशिक्षण कहा जाता है। मैं इसे स्वाध्याय कहता हूं। जब इस प्रकार का प्रशिक्षण लिया जाता है, तो किसी कार्य को करने की तैयारी का कोई सवाल ही नहीं है, यह बस दुनिया को देख रहा है और यह कैसे कार्य करता है।

एम.एफ .: प्रबलित शिक्षण इस श्रेणी में आता है?

वाई। एल।: नहीं, यह पूरी तरह से अलग श्रेणी है। वास्तव में, तीन मुख्य श्रेणियां हैं: प्रबलित शिक्षण, शिक्षक प्रशिक्षण, और आत्म-शिक्षा।

सुदृढीकरण के साथ प्रशिक्षण परीक्षण और त्रुटि से होता है और उन खेलों के लिए अच्छी तरह से काम करता है जहां आप अपनी पसंद के अनुसार कई प्रयास कर सकते हैं। पिछले तीन हजार वर्षों में मशीन ने मानवता के सभी की तुलना में अधिक गेम खेलने के बाद अल्फा का अच्छा प्रदर्शन हासिल किया। वास्तविक दुनिया से समस्याओं के लिए, ऐसा दृष्टिकोण अव्यावहारिक है।

कोई भी व्यक्ति बिना किसी दुर्घटना के 15 घंटे के प्रशिक्षण में कार चलाना सीख सकता है। यदि आप सुदृढीकरण के साथ प्रशिक्षण के मौजूदा तरीकों का उपयोग करते हैं, तो कार, बिना ड्राइवर के सवारी करने के लिए सीखने के लिए, इससे बचने के लिए समझने से पहले उसे 10 हजार बार चट्टान से गिरना होगा।

एम। एफ।: यह मुझे लगता है कि यह मॉडलिंग के पक्ष में एक तर्क है।

वाई। एल .: बल्कि, यह पुष्टि है कि लोगों के प्रशिक्षण का प्रकार प्रबलित शिक्षण से बहुत अलग है। यह मॉडल आधारित सुदृढीकरण प्रशिक्षण के समान है। आखिरकार, पहली बार कार चलाने वाले व्यक्ति के पास दुनिया का एक मॉडल है और वह अपने कार्यों के परिणामों की भविष्यवाणी कर सकता है। मशीन को स्वतंत्र रूप से अध्ययन करने के लिए कैसे बनाया जाए कि प्रचलित मॉडल मुख्य अनसुलझी समस्या है।

एम। एफ।: क्या फेसबुक के साथ आपका काम यही है?

I. L .: हां, यह उन चीजों में से एक है जिन पर हम काम कर रहे हैं। हम विभिन्न डेटा स्रोतों का निरीक्षण करने के लिए मशीन को भी प्रशिक्षित करते हैं। हम दुनिया के एक मॉडल का निर्माण कर रहे हैं, इसमें सामान्य ज्ञान के प्रतिबिंब की उम्मीद कर रहे हैं, ताकि बाद में इसे एक पूर्वानुमान के रूप में इस्तेमाल किया जा सके।

एम.एफ .: कुछ लोग सोचते हैं कि केवल गहन सीखना ही पर्याप्त नहीं है, और नेटवर्कों में शुरू में बुद्धि के लिए जिम्मेदार संरचना होनी चाहिए। और आपको लगता है कि बुद्धिमत्ता अपेक्षाकृत सार्वभौमिक तंत्रिका नेटवर्क से संगठित हो सकती है।

Y. L।: आप अतिशयोक्ति करते हैं। हर कोई संरचना की आवश्यकता से सहमत है, सवाल यह है कि इसे कैसे दिखना चाहिए। और ऐसे लोगों की बात करते हुए जो मानते हैं कि ऐसी संरचनाएं होनी चाहिए जो तार्किक सोच और तर्क करने की क्षमता प्रदान करती हैं, आप शायद गैरी माक्र्स और, संभवतः, ओरेन एट्ज़ियोनी का मतलब है। हमने आज सुबह गैरी के साथ इस विषय पर बहस की। उनकी राय समुदाय में अच्छी तरह से प्राप्त नहीं है, क्योंकि, गहरी शिक्षा में मामूली योगदान दिए बिना, उन्होंने इसके बारे में गंभीर रूप से लिखा था। ओरेन ने इस क्षेत्र में कुछ समय के लिए काम किया और एक ही समय में बहुत नरम बोलता है।

वास्तव में, तंत्रिका नेटवर्क के लिए संरचना को जोड़ने के प्रयास के रूप में दृढ़ नेटवर्क का विचार उत्पन्न हुआ। सवाल यह है: जो मशीन को पात्रों में हेरफेर करने की अनुमति देता है या, उदाहरण के लिए, भाषा की पदानुक्रमित विशेषताओं के अनुरूप है?

मेरे कई सहयोगी, जिनमें जेफरी हिंटन और जोशुआ बेंगजियो शामिल हैं, सहमत हैं कि जितनी जल्दी या बाद में हम संरचनाओं के बिना कर सकते हैं। वे अल्पावधि में उपयोगी हो सकते हैं, क्योंकि आत्म-सीखने का एक तरीका अभी तक आविष्कार नहीं किया गया है। हर चीज को आर्किटेक्चर से जोड़कर इस बिंदु को दरकिनार किया जा सकता है। लेकिन कोर्टेक्स का दृश्य और प्रीफ्रंटल, दोनों की सूक्ष्म संरचना पूरी तरह से सजातीय लगती है।

एम। एफ।: क्या मस्तिष्क त्रुटि प्रसार विधि के समान कुछ का उपयोग करता है?

I. L .: यह अज्ञात है। यह पता चल सकता है कि यह उस रूप में पीछे का प्रचार नहीं है जैसा कि हम जानते हैं, लेकिन क्रमिक अनुमान के सन्निकटन का एक समान रूप है। जोशुआ बेंगजियो ने क्रमिक आकलन के जैविक रूप से प्रशंसनीय रूपों पर काम किया है। एक मौका है कि मस्तिष्क किसी भी लक्ष्य फ़ंक्शन की ढाल का अनुमान लगाता है।

एम। एफ।: फेसबुक पर किन अन्य महत्वपूर्ण चीजों पर काम किया जा रहा है?

वाई। एल।: हम विभिन्न बुनियादी अनुसंधानों के साथ-साथ मशीन सीखने के मुद्दों में लगे हुए हैं, इसलिए, हम मुख्य रूप से लागू गणित और अनुकूलन के साथ काम करते हैं। प्रबलित शिक्षण और तथाकथित जेनेरिक पैटर्न पर काम चल रहा है, जो कि स्व-शिक्षा या अग्रिम सीखने का एक रूप है।

MF: क्या फेसबुक ऐसे सिस्टम विकसित करता है जो बातचीत को बनाए रख सकते हैं?

वाई। एल।: मैंने ऊपर मौलिक शोध विषयों को सूचीबद्ध किया है, लेकिन उनके आवेदन के कई क्षेत्र भी हैं। कंप्यूटर दृष्टि के क्षेत्र में फेसबुक सक्रिय रूप से विकास कर रहा है, और यह तर्क दिया जा सकता है कि हमारे पास दुनिया में सबसे अच्छा अनुसंधान समूह है। हम एक प्राकृतिक भाषा में शब्द संसाधन पर बहुत काम करते हैं। इसमें अनुवाद, सामान्यीकरण, श्रेणीकरण (यह पता लगाना कि किस विषय पर चर्चा की जा रही है) और आभासी सहायकों के लिए संवाद प्रणाली, प्रश्न और उत्तर प्रणाली, आदि शामिल हैं।

एम.एफ .: क्या आपको लगता है कि एक दिन एक एआई होगा जो ट्यूरिंग टेस्ट पास कर सकता है?

आई। एल: कुछ बिंदु पर ऐसा होगा, लेकिन मैं ट्यूरिंग टेस्ट को एक अच्छा मानदंड नहीं मानता: यह मूर्ख बनाना आसान है, और यह कुछ हद तक पुराना है। कई लोग यह मानना ​​या भूल जाते हैं कि भाषा बुद्धि के संबंध में एक द्वितीयक घटना है।

»पुस्तक की अधिक जानकारी प्रकाशक की वेबसाइट पर पाई जा सकती है
» सामग्री
» अंश

फेरीवालों के लिए 25% कूपन बंद - इंटेलिजेंस आर्किटेक्ट्स

पुस्तक के पेपर संस्करण के भुगतान पर, एक इलेक्ट्रॉनिक पुस्तक ई-मेल द्वारा भेजी जाती है।