🧓🏿 ☁️ 🐛 Kecerdasan buatan, kuat dan tidak terlalu 🔽 💰 🛀🏼

Dari tanggal 4 hingga 7 April, sebuah konferensi yang diselenggarakan oleh NVIDIA, yang didedikasikan untuk komputasi paralel dan kecerdasan buatan, diadakan di San Jose. Selanjutnya, saya ingin berbagi pemikiran saya tentang keadaan dan prospek perkembangan di bidang AI, yang terinspirasi oleh acara ini.

Alasan tentang kecerdasan buatan dapat dibagi menjadi dua jenis. Tipe pertama berbicara tentang apa yang akan terjadi ketika komputer berpikir muncul dan apa nasib spesies manusia. Jelajahi opsi yang memungkinkan untuk hubungan manusia dan mesin berpikir. Topik keabadian yang terkait dengan kemungkinan transfer kesadaran manusia ke cangkang komputer dibahas. Mungkin pertanyaan utama sedang diajukan - jika seseorang menciptakan pikiran yang jauh lebih tinggi dari pikirannya sendiri, siapa yang akan dia miliki dengan pikiran ini? Pemimpin, budak, cabang evolusi buntu atau peserta dalam simbiosis?
Tipe kedua adalah diskusi tentang cara-cara, yang, dalam teori, harus mengarah pada penciptaan kecerdasan buatan penuh dan metode yang sekarang sudah membantu memecahkan masalah intelektual yang kompleks.

DAS utama melewati “kriteria rasionalitas” mesin. Inilah yang disebut pembagian kecerdasan buatan menjadi kuat dan lemah. Lemah AI berarti kemampuan komputer untuk memecahkan masalah informasi, misalnya, untuk menentukan apa yang ditampilkan dalam gambar atau menerjemahkan suara suara ke dalam teks yang sesuai. AI yang kuat menyiratkan bahwa komputer tidak hanya beroperasi pada informasi, tetapi, pada tingkat tertentu, memahami maknanya. Misalnya, jika penerjemah komputer dari satu bahasa ke bahasa lain hanya mengganti satu kata dengan yang lain sesuai dengan aturan yang tidak berubah yang telah ditentukan, maka ini adalah AI yang lemah, tetapi jika itu berasal dari memahami makna frasa, maka itu sudah semakin dekat dengan kuat.

Kriteria untuk AI yang kuat adalah tes Turing yang terkenal. Jika, saat berkomunikasi dengan komputer melalui saluran komunikasi anonim, Anda tidak dapat memahami siapa yang berada di ujung lain telepon, seseorang atau mesin, maka kita dapat mengasumsikan bahwa lawan bicara seperti itu benar-benar berpikir. Inti dari tes ini adalah berapa banyak yang tidak ingat jawaban yang diberikan orang untuk pertanyaan tertentu dan berapa banyak yang tidak mengumpulkan frasa yang relevan pada saat-saat tertentu, akan selalu ada situasi di mana jawaban "mekanis" tidak mungkin.

Contoh terbaru dari "kegagalan untuk lulus tes" adalah chatbot dari Microsoft Tay. Anda bisa mengobrol dengannya melalui Twitter atau kurir Kik dan GroupMe. Setelah seharian berkomunikasi dengan pengguna, bot obrolan menjadi agresif, mulai memuji Hitler dan memarahi orang-orang Yahudi.

Alasan perilaku ini sama sekali tidak karena orang-orang yang berbicara dengannya "membuka matanya untuk hidup". Alasannya - sampai saat ini ketidakmampuan mesin akan semakin mendekati untuk memahami arti dari frasa. Ketika chatbot mengingat sesuatu yang mirip dengan percakapan saat ini, dia dapat menggunakan frasa yang dikatakan orang dalam situasi seperti itu, berharap mendapatkan sesuatu yang masuk akal. Atau robot dapat mencoba menentukan topik pembicaraan, misalnya, dengan seberapa banyak kata-kata dan kata-kata yang digunakan oleh teman bicara menyarankan satu atau topik lain. Setelah menentukan topik pembicaraan, ia dapat mencoba memilih frasa dari percakapan dengan topik yang sama atau menggunakan pengetahuan di bidang ini yang tertanam di dalamnya atau diperoleh dari Internet. Strategi ini memungkinkan Anda untuk membuat penampilan percakapan yang masuk akal, tetapi hanya visibilitas. Meskipun, mungkin ini tidak buruk. Kadang-kadang di perusahaan setelah waktu kelima atau keenam,ketika sama sekali tidak perlu untuk komunikasi untuk mendengarkan orang yang Anda ajak bicara, dan jika saat ini seseorang digantikan oleh chatbot, maka mungkin ini tidak akan segera diperhatikan.

Secara signifikan lebih baik daripada berbicara tentang topik gratis, komputer dapat memahami perintah dan permintaan yang diformalkan. Jika mesin mengharapkan perawatan yang sangat pasti, maka tugasnya sangat disederhanakan. Menurut prinsip ini, baik Siri dan Ok, Google berhasil bekerja.

Ada banyak kegiatan di konferensi yang didedikasikan untuk superkomputer IBM Watson. Gagasan utama Watson adalah untuk memahami percakapan dalam bahasa alami, menerjemahkannya ke dalam deskripsi yang ramah komputer, menggunakan basis pengetahuan di berbagai bidang untuk menemukan jawaban yang memadai.

Pada bulan Februari 2011, Watson memenangkan acara TV Jeopardy! (mitra Rusia adalah "Game saya"). Selain itu, ia mengalahkan tidak hanya rival, tetapi dua juara, Brad Rutter - pemilik kemenangan terbesar dalam program ini, dan Ken Jennings - pemegang rekor selama seri menang-menang. Komputer mendapat hadiah $ 1 juta. NVIDIA bercanda tentang menang bahwa mereka tidak tahu apa yang akan dilakukan komputer dengan sejuta, tetapi dari sudut pandang metode pelatihan penguatan, harus dikatakan bahwa ini adalah penguatan yang baik. Khususnya dicatat bahwa Watson memiliki kedudukan yang sama dengan para pemain dalam arti bahwa ia tidak terhubung ke Internet. Dalam memori Watson, "seluruh Internet" telah diunggah terlebih dahulu, setidaknya sebagian besar ukuran 4 terabyte. Untuk data terstruktur, ini cukup banyak, cukup untuk memperhitungkan bahwa keseluruhan Wikipedia membutuhkan 17 gigabytes.

Yang paling penting dalam permainan adalah bahwa pertanyaan diajukan tanpa penyederhanaan dan klarifikasi tambahan. Ini berarti bahwa komputer memang mampu dalam beberapa kasus untuk menentukan dengan benar apa yang diperlukan dan menemukannya dalam basis pengetahuannya. Tetapi apakah Watson benar-benar memahami esensi dari pertanyaan yang diajukan? Tidak, saya tidak mengerti, setidaknya tidak dengan cara yang dipahami orang. Apa inti dari pertarungan itu? Orang-orang mengerti setiap pertanyaan yang diajukan, tetapi tidak selalu dapat menemukan jawabannya dalam ingatan mereka. Komputer tidak mengerti arti pertanyaan, tetapi, dengan menggunakan algoritma, menerjemahkannya ke dalam bentuk pencarian tertentu, yang dengannya ia menemukan kecocokan yang cukup akurat dalam memori terstrukturnya. Kemenangan Watson menunjukkan bahwa algoritma plus memori yang baik dapat memberikan persentase jawaban yang benar lebih besar daripada pemahaman dan memori yang buruk.Jika orang diberi akses ke Internet dan tidak menetapkan kerangka waktu yang ketat, hasil permainan akan berbeda.

IBM Watson belum dapat dikaitkan dengan AI yang kuat, tetapi ini tidak mengurangi manfaatnya. Masalah utama yang terkait dengan pemahaman bahasa alami adalah banyaknya interpretasi yang dapat terjadi pada kata yang sama tergantung pada konteks kalimat. Tetapi jika percakapan masuk ke area yang lebih spesial, maka ternyata banyak area yang menentukan hampir satu-satunya interpretasi yang mungkin. Dan pada titik ini, keberhasilan komputer meningkat secara signifikan. Menyadari hal ini, pengembang Watson fokus pada topik individual. Sebagai contoh, mungkin terobosan terbesar superkomputer dari IBM terkait dengan diagnosa medis. Percakapan tentang topik medis dalam bahasa alami diberikan kepada Watson dengan mudah, karena semua yang dikatakan ditafsirkan secara eksklusif dalam pengertian medis. Dengan database besar catatan medis,dari diagnosa dan kursus perawatan, komputer mampu menunjukkan dirinya pada tingkat dokter yang baik, dan di beberapa daerah, misalnya, dalam onkologi, pada tingkat yang sangat baik. Ini tidak berarti bahwa dokter yang hidup sekarang harus diabaikan, melainkan harus dipahami sehingga dokter mendapat kesempatan berharga untuk memeriksa temuan mereka atau mendapatkan ide tambahan dengan berkonsultasi dengan Watson. Saya akan membawa motor ke topik.

Moskow Pertengahan delapan puluhan.
Konferensi medis tentang penggunaan komputer dalam kedokteran. Semua peserta sepakat bahwa komputer akan segera menggantikan dokter ... Mereka akan membuat diagnosa, dan orang hanya akan memiliki tindakan prosedural.
Dan di akhir konferensi, seorang dokter yang sangat tua menyatakan keinginan untuk berbicara, terlebih lagi, seorang akademisi dan praktisi. Dengan tepuk tangan meriah, ia nyaris tidak naik ke podium ... Unsur-unsur pesta yang hadir di acara tersebut menganggap bahwa dukungan inovasi seperti itu oleh dokter yang dihormati akan menjadi pertanda baik ... Dia keluar dan berkata: “Pada awal usia dua puluhan, seorang istri yang sangat penting dibawa ke guru saya untuk diperiksa. Komisaris Rakyat partai. Ini adalah kasus yang sangat sulit, delapan dokter sebelumnya tidak dapat mendiagnosis pasien. Satu pandangan sekilas pada wanita ini sudah cukup untuk guruku, dia segera memerintahkan analisis reaksi Wasserman. Jadi, beri tahu saya, kawan-kawan terkasih, komputer jenis apa yang dapat secara instan mendiagnosis sifilis hanya pada satu jenis pasien *?

Kembali ke Watson. IBM telah mengambil jalur penciptaanAPI terbuka tempat siapa saja dapat menggunakan pengetahuan dan antarmuka bahasa alami Watson untuk berintegrasi ke dalam bisnis mereka. IBM berusaha menciptakan banyak layanan kognitif seperti ucapan dan pengenalan gambar, layanan klasifikasi permintaan dalam bahasa alami, terjemahan ke bahasa lain, menentukan pewarnaan emosional ucapan dan teks, dll. Di masa depan, mereka melihat bahwa banyak perusahaan akan dapat mentransfer sebagian besar dukungan pelanggan suara mereka ke teknologi Watson, dan ini menawarkan penghematan besar. Singkatnya, banyak orang India dari pusat-pusat panggilan mungkin dibiarkan tanpa pekerjaan.

Gagasan bahwa AI mulai bekerja jauh lebih baik ketika dimungkinkan untuk pindah ke tugas khusus yang mempersempit ruang interpretasi berlaku tidak hanya untuk analisis bahasa alami, tetapi juga, misalnya, untuk analisis gambar. Pada prinsipnya, ini adalah dasar untuk membangun sistem kontrol mobil tanpa pengemudi. Ketika sistem penglihatan artifisial ditunjukkan gambar, dan itu menentukan apa yang ada di gambar ini, maka penentuan terjadi dengan beberapa probabilitas. Dan tentang seekor anjing dengan jubah harimau, sistem dapat mengatakan bahwa itu adalah harimau. Semuanya lebih mudah di jalan, jumlah objek yang bisa dipenuhi tidak besar, yang berarti bahwa pilihan dan interpretasi sangat terbatas: pejalan kaki, mobil, bus, tanda jalan, tanda, tetapi bukan harimau, bukan ikan paus dan bukan kue pengantin.

Kontrol kendaraan tak berawak menggunakan banyak teknologi, berikut adalah beberapa di antaranya:

Pengenalan pola, bertanggung jawab untuk mengenali berbagai objek di jalan;
Memproses serangkaian gambar dengan offset, memungkinkan Anda memilih objek individual dengan latar belakang yang lain;
Pemrosesan gambar stereoskopik memungkinkan Anda membangun peta kedalaman dan jarak;
Menggunakan lidar melengkapi konstruksi peta jarak atau memungkinkan Anda membangunnya dari awal, misalnya, dalam kegelapan total. Suatu hari Ford membedakan dirinya ;
Pelatihan yang diperkuat, memberikan pelatihan tentang peraturan mengemudi dan mengemudi.

Di aula konferensi adalah tiga kendaraan tak berawak dari Audi, Volvo dan BMW. Semua dari mereka, dan bukan hanya mereka, memiliki kontrol yang dibangun pada solusi NVIDIA DRIVE . Solusinya sendiri terdiri dari tiga komponen:

NVIDIA DRIVE PX - platform autopilot;
NVIDIA DRIVE CX - komputer on-board dengan sistem navigasi, jika PX tahu cara pergi, maka CX tahu ke mana harus pergi dan bagaimana menghibur penumpang;
NVIDIA DIGITS DEV BOX adalah sistem pembelajaran yang mendalam yang memungkinkan Anda untuk melatih jaringan saraf untuk PX.

Mengemudi otomatis membuat kesan kuat. AI dalam segala kemuliaan. Saya terutama menyukai video yang diperlihatkan Toyota tentang cara belajar mengendarai mobil tak berawak mereka. Pada mulanya dia, seperti anak kucing buta, menyodok ke segala arah dan terus-menerus menginjak rem, kemudian dia bergerak lebih percaya diri dan, akhirnya, setelah 3000 mil berlari dia mulai berlari dengan cukup percaya diri di jalan mana pun.

Toyota diwakili di konferensi melalui Institut Penelitian Toyota. CEO Institute Gill Pratt mengumumkan bahwa pembuat mobil bermaksud untuk berinvestasi $ 1 miliar selama lima tahun ke depan dalam penelitian terkait AI. Pendekatan Toyota menarik. Mereka mengatakan mereka tidak menganggap autopilot penuh sebagai prioritas utama. Sekarang autopilot, diterapkan, misalnya, di Tesla, memerlukan mode "tangan di setir". Artinya, ia bisa mengemudi, tetapi membutuhkan pemantauan terus menerus oleh pengemudi. Mode ini agak menjengkelkan daripada menambah kesenangan dalam perjalanan. Toyota berfokus pada sistem bantuan pengemudi, yaitu, autopilot tidak mengganggu kontrol ketika semuanya berjalan baik, tetapi jika situasi menjadi tidak terkendali, autopilot mengambil semuanya ke tangannya sendiri dan menyelamatkan situasi. Beberapa pengemudi memiliki pengalaman mengemudi dalam situasi ekstrem,mengemudi normal tidak ada hubungannya dengan apa yang harus dilakukan dalam situasi kritis. Autopilot dapat dilatih dengan sangat tepat untuk kasus-kasus seperti itu. 1.200.000 kematian di jalan setiap tahun - statistik seperti itu di planet Bumi. Menurut Toyota, sistem mereka akan mengurangi angka ini menjadi hampir nol. Seperti yang diingat Gill Pratt (ingat): "Permintaan untuk sistem kami tidak harus dipertimbangkan untuk mobil, konsumen yang sangat membutuhkannya adalah 1.200.000 orang per tahun.""Permintaan untuk sistem kami tidak harus dipertimbangkan untuk mobil, konsumen yang sangat membutuhkannya adalah 1.200.000 orang per tahun.""Permintaan untuk sistem kami tidak harus dipertimbangkan untuk mobil, konsumen yang sangat membutuhkannya adalah 1.200.000 orang per tahun."

Tapi autopilot, tidak peduli betapa mengejutkannya sebuah mobil yang bepergian tanpa pengemudi, bukanlah AI yang kuat. Sejauh ini - ini adalah seperangkat metode dan algoritma yang baik. Ada kemungkinan bahwa lebih banyak tidak diperlukan untuk tugas ini.
Banyak tugas, seperti mengemudi tanpa awak, dapat berhasil diselesaikan tanpa menggunakan AI yang kuat. Jaringan saraf dengan pembelajaran dalam (atau pembelajaran dalam, jika Anda menyukai terjemahan dari pembelajaran dalam) cukup cocok di mana "pemrograman di dahi" terhenti dan ternyata lebih mudah untuk "memberi makan" jaringan saraf dengan sejumlah besar contoh dan topik pelatihan. dengan demikian untuk mengajarinya klasifikasi yang benar daripada mencoba menggambarkan semua pola dan reaksi terhadapnya.

Tetapi mukjizat tidak terjadi, kesederhanaan mendapatkan hasil dikompensasi oleh kompleksitas pelatihan. Pelatihan jaringan saraf dari sejumlah besar elemen pada sejumlah besar contoh membutuhkan sejumlah besar perhitungan. CPU tradisional terlalu lambat untuk perhitungan seperti itu. Satu-satunya keselamatan adalah paralelisasi besar-besaran perhitungan, karena jaringan saraf sangat pandai dalam hal ini. GPU yang awalnya dibuat untuk membentuk gambar grafik hampir sempurna untuk keperluan seperti itu. Permintaan di pasar jaringan saraf memaksa produsen GPU untuk mempertimbangkan fitur aplikasi seperti itu dalam arsitektur besi dan mendorong mereka untuk membuat perangkat lunak yang sesuai yang membuat hidup lebih mudah bagi pengembang. Pada konferensi tersebut, NVIDIA, sebagai produsen utama GPU, mencoba meyakinkan semua orangbahwa mereka menciptakan setumpuk perangkat lunak yang diperlukan, menyediakan dukungan dari semua tahap pengembangan jaringan saraf.

Seperti yang sudah saya tulis , pada konferensi tersebut, NVIDIA menghadirkan terobosan di bidang pelatihan jaringan saraf yang dalam - superkomputer DGX-1. Terobosan adalah peningkatan 12 kali lipat dalam produktivitas pada tugas belajar dibandingkan dengan pendahulunya.

gambar

Dengan demikian, ekosistem tidak hanya mencakup besi, tetapi juga satu set lengkap program yang dioptimalkan untuk pembelajaran mendalam (https://developer.nvidia.com/deep-learning#source=pr).
Paket perangkat lunak DGX-1 termasuk NVIDIA Deep Learning GPU Training System (DIGITS), sistem interaktif lengkap untuk membuat jaringan saraf dalam (DNNs), serta perpustakaan primitif yang dipercepat GPU untuk membuat DNN - NVIDIA CUDA Deep Neural Network (cuDNN) versi 5 .
Selain itu, sistem ini berisi versi yang dioptimalkan dari beberapa kerangka kerja pembelajaran mendalam yang banyak digunakan - Caffe, Theano, dan Torch. DGX-1 juga menyediakan akses ke alat manajemen berbasis cloud, pembaruan perangkat lunak, dan bank aplikasi kontainer. "

Secara umum, pada konferensi tersebut, NVIDIA jelas berusaha menyampaikan kepada semua orang gagasan bahwa mereka telah lama bukan hanya produsen chip khusus, tetapi sebuah perusahaan yang memiliki visi teknologi secara umum dan menawarkan solusi terintegrasi di mana besi hanya satu dan bukan fakta bahwa yang paling komponen utama.

Singkatnya, AI berjalan dengan langkah cepat. Tetapi untuk saat ini, semua ini adalah AI yang lemah. Istilah lemah seharusnya tidak dianggap sebagai penilaian negatif. Ini hanyalah penyempurnaan dari teknologi yang digunakan. Seberapa jauh kita dari AI yang kuat mudah dinilai dengan sistem terjemahan komputer. Saat teks teknis atau teks lain yang ditafsirkan dengan baik sedang diterjemahkan, penerjemah mesin secara normal. Tetapi perlu memberikan contoh yang membutuhkan pemahaman tentang makna frasa, bagaimana terjemahan yang benar menjadi masalah kesempatan dan tidak ada metode statistik yang menyelamatkan situasi.

Deep Blue dari IBM memenangkan 6 game catur pada 1997 melawan juara dunia Garry Kasparov GoogleGoGo baru-baru ini mengalahkan pemain Go terkuat di dunia. Seberapa jauh hal ini menunjukkan era AI yang semakin dekat? Sebuah langkah besar untuk satu robot, tetapi sedikit kemajuan bagi umat manusia. Kami melihat karya metode pengajaran yang baik dengan penguatan, tetapi dengan satu "tetapi" yang signifikan. Faktanya adalah bahwa catur dan Go memungkinkan deskripsi posisi yang cukup sederhana dan akurat. Strategi perilaku dibangun di atas pemahaman bahwa posisi itu akrab bagi kita sampai tingkat tertentu dan bahwa kita dapat menggunakan pengalaman yang telah kita peroleh untuk membuat keputusan. Agar tidak menghitung semua opsi, penilaian kualitas situasi diperkenalkan sampai akhir, yang memungkinkan Anda untuk mengevaluasi posisi tanpa menghitung opsi untuk kemungkinan kelanjutan. Dalam kedua situasi, ternyatayang paling penting adalah bisa mendapatkan semua elemen semantik yang memengaruhi penilaiannya dari deskripsi formal suatu posisi. Untuk catur dan Guo, meskipun ini tidak mudah, itu berhasil. Dalam hidup, semuanya jauh lebih rumit. Deskripsi "mentah" eksternal tentang apa yang terjadi tidak banyak membantu dalam menentukan strategi perilaku dan menilai kualitas suatu situasi. Anda tidak dapat menilai kesamaan situasi dengan kebetulan beberapa tanda. Itu membutuhkan pemahaman tentang makna dari apa yang terjadi. Detail kecil apa pun mungkin penting untuk menentukan apa yang terjadi. Jadi, google-mobile akan terus mengemudi di sepanjang jalan jika tidak ada hambatan, peraturan lalu lintas tidak dilanggar dan rute diikuti. Dan dia tidak akan bingung dengan jamur nuklir di cakrawala, atau kerumunan zombie dengan gugup berdiri di sela-sela.tapi ternyata. Dalam hidup, semuanya jauh lebih rumit. Deskripsi "mentah" eksternal tentang apa yang terjadi tidak banyak membantu dalam menentukan strategi perilaku dan menilai kualitas suatu situasi. Anda tidak dapat menilai kesamaan situasi dengan kebetulan beberapa tanda. Itu membutuhkan pemahaman tentang makna dari apa yang terjadi. Detail kecil apa pun mungkin penting untuk menentukan apa yang terjadi. Jadi, google-mobile akan terus mengemudi di sepanjang jalan jika tidak ada hambatan, peraturan lalu lintas tidak dilanggar dan rute diikuti. Dan dia tidak akan bingung dengan jamur nuklir di cakrawala, atau kerumunan zombie dengan gugup berdiri di sela-sela.tapi ternyata. Dalam hidup, semuanya jauh lebih rumit. Deskripsi "mentah" eksternal tentang apa yang terjadi tidak banyak membantu dalam menentukan strategi perilaku dan menilai kualitas suatu situasi. Anda tidak dapat menilai kesamaan situasi dengan kebetulan beberapa tanda. Itu membutuhkan pemahaman tentang makna dari apa yang terjadi. Detail kecil apa pun mungkin penting untuk menentukan apa yang terjadi. Jadi, google-mobile akan terus mengemudi di sepanjang jalan jika tidak ada hambatan, peraturan lalu lintas tidak dilanggar dan rute diikuti. Dan dia tidak akan bingung dengan jamur nuklir di cakrawala, atau kerumunan zombie dengan gugup berdiri di sela-sela.Detail kecil apa pun mungkin penting untuk menentukan apa yang terjadi. Jadi, google-mobile akan terus mengemudi di sepanjang jalan jika tidak ada hambatan, peraturan lalu lintas tidak dilanggar dan rute diikuti. Dan dia tidak akan bingung dengan jamur nuklir di cakrawala, atau kerumunan zombie dengan gugup berdiri di sela-sela.Detail kecil apa pun mungkin penting untuk menentukan apa yang terjadi. Jadi, google-mobile akan terus mengemudi di sepanjang jalan jika tidak ada hambatan, peraturan lalu lintas tidak dilanggar dan rute diikuti. Dan dia tidak akan bingung dengan jamur nuklir di cakrawala, atau kerumunan zombie dengan gugup berdiri di sela-sela.

Menciptakan AI yang kuat terhubung langsung tidak hanya dengan kemampuan algoritmik (menggunakan metode tradisional) beroperasi dengan informasi, tetapi dengan kemampuan untuk memahami maknanya. Tugas ini tampaknya sulit, terutama karena secara langsung berkaitan dengan memahami kerja otak, karena mekanisme ini justru dapat bekerja dengan makna. Apakah AI yang kuat akan segera hadir? Mungkin segera. Pada artikel selanjutnya saya akan menjelaskan perkembangan kelompok kami mengenai formalisasi matematis dari konsep makna dan konstruksi model berdasarkan ini, yang mengklaim memiliki deskripsi otak yang sangat baik, dan dengan meyakinkan menunjukkan sampel kerja yang bagus. Jadi, mungkin segera di toko Anda akan mendengar dialog seperti itu:

Penjual: Ini adalah hal baru, implan otak, menghilangkan setengah dari beban mental.
Pembeli: Hebat! Jual aku pasangan.

Kecerdasan buatan, kuat dan tidak terlalu

More articles: