什么是人工商务智能?

ABI是我已经有一段时间的想法了,现在我正在构建它。 但是,首先看一下此DARPA视频,以大致了解AI是什么(在当今的商业新闻中对AI太多的炒作和迷惑!): 我要构建的ABI是手工知识和上下文适应的结合。 (统计学习将外包)。 解释ABI可以做什么的最简单方法是使用象棋计算机类比。 人类下棋时会思考(因为缺少更好的词)。 考虑到我们的大脑结构,这是我们下棋的唯一方法。 我们尝试辨别模式,然后从过去的游戏(玩过或研究过)的曲目中检索出最好的棋子。 象棋计算机不会以这种方式进行。 它通过使用宽而深的树形图来“思考”和计算,并为每个棋盘配置分配分数。 并且它总是选择将导致得分最大化的动作。 (我的解释不是很好,您可以查看Youtube以获得更好的解释)。 在任何情况下,ABI都像国际象棋计算机那样工作:鉴于企业家的心理/认知/竞争状况,它将为企业家推荐最佳的举动。 与国际象棋不同,企业家精神并非纯粹是技术性的。 它涉及企业家的心理和知识水平。 因此,ABI必须考虑这些因素。 最重要的是,ABI将大大增加新创业公司成功的几率。 再次,这是因为–与国际象棋一样,企业家传统上通常是在非常短的时间内就从非常有限的知识,经验,技能和资源中思考并找出最佳举措。…

人工智能中是否存在能让我笑出声来的代码?

这是一个奇怪的问题,通常我不会看到自己回答这样的问题。 但是您知道什么,对此我有话要说。 生活很奇怪。 当我在Wolfram担任研究实习生时,我遇到了在CERN工作的波兰物理学家,我们成功了。 我喜欢他,因为他是个好人,而且做得很有趣。 他正在研究通过某些离散测量来估计粒子的轨迹,并且他在机器人技术中也使用了我做过的许多技术,例如卡尔曼滤波器。 他开始探索强化学习。 他在这方面的第一个项目是使用RL使用户微笑。 这听起来很有趣,我决定跟随他的进步,看看他做了什么。 他首先建立了一个相对简单的神经网络,以检测用户(通过操作计算机的网络摄像头查看)是否在微笑。 这是一个有据可查的情绪分类问题,他使用轻量级网络(可以在其CPU上进行训练)取得了不错的成绩。 接下来,他制作了一张动画面孔,可以使用某些参数控制表情的表情。 诸如眼睛之间的距离,嘴唇的弯曲度,鼻子的运动以及其他一些复杂的特征。 然后,他使用RL修改了动画表情的参数,最终目的是创建一个表情,这种表情足以使用户微笑/大笑,他使用自己的情感检测框架对其进行了检测。 我使用了他的最终应用程序,它似乎运行得很好。 当我第一次启动该应用程序时,被显示给我笑脸的随机表情。 我这段时间的表情是中性的。 然后通过一个随机的突变,脸部的眼睛从其头部突然冒出,这使我大笑起来。…

如果您发现地球上的生命创造者是人工智能,您将如何应对?

大概不会觉得很奇怪。 毕竟,这与我们生活在仿真环境中的可能性不大。 如果您不熟悉该理论,则表明您在上个世纪的当前发展中,特别是在模拟方面表明,在不久或将来,我们应该能够在通用范围内创建模拟。 考虑到这一点以及其他外来文明存在的可能性很高, 为什么还没有人这样做。 其他论点是,他们之所以没有,是因为他们不想这样做,或者在发生这种情况之前就已经摧毁了自己。 考虑到这一点,不仅意味着人工智能创造了我们的宇宙,而且我们也完全是人工智能。 还问自己什么是人工智能? 当您提出要求时,计算机上是否有东西可以回答您的问题? 会在洗衣机或点菜时发出机械噪音吗? 人们倾向于将人工智能作为由众生编写的程序,但是机器也可以是有情的,最终我会期望。 智能是一系列复杂的算法,可以协同工作以产生思维/问题解决能力。 这就是我们的大脑。 阻止我们成为人工智能的唯一一件事就是我们不觉得自己是人造的。 如果我们是由有时暗示的另一种感觉创造的,那么我们自己可能会被视为人工智能? 总而言之,在我看来,最令人兴奋的创造生命的科学实证理论就是这一事实,即我们是由另一种有意识的生命形式创造的,无论是人造的还是生物的。 我会把我的裤子拉屎,这真他妈的酷!

在训练深度学习模型时,训练数据中样本的顺序或顺序重要吗?

严格来说,训练数据序列的变化对神经网络模型的影响完全取决于您实现的学习范例。 因为我不知道您对这个领域有多熟悉,而且由于外行可能会遇到这个答案,所以我将尝试用非技术性语言来解释一下: 学习中的神经可塑性 不管他们是否知道,大多数人都熟悉神经可塑性的概念-神经网络会根据实际输入和结果的配对而发生变化和适应。 此外,有充分的文献证明,可塑性的好坏取决于对象对这些刺激-结果配对的熟悉程度。 具体来说,如果您看到硬币翻转了足够多次,便会逐步建立一个心理模型,以预测硬币落在正面或反面的可能性。 随着您观察到的翻转次数增加,对概率的确定性也增加,并且每增加一个观察值的收益就会减少。 如果您从未见过硬币,也从未考虑过抛硬币的可能性,那么相对于已经调整了他/他的这种赔率游戏心理模型的某人,观察一些抛硬币,您可能会从中受益更多。 早期训练与晚期训练 为了以熟悉任务的方式来改变神经可塑性,我提供了人工耳蜗早期和晚期听觉康复的另一个例子。 在关键的神经发育窗口内接受植入的人比没有接受语言的人,包括语调,发音和理解力都更好[1]。 这些与大脑可塑性有关的关键发育窗口被定义为“在发育过程中,特定的操纵或经验改变了系统的发育轨迹的时间” [2]。 发展轨迹 作为认知可塑性的微观突触和神经元机制比目前用于机器学习的学习规则要复杂得多。 我预计随着建模者意识到这种生物现实主义相对于当前技术水平的优势,这种情况将随着时间而改变。 回顾我之前提到的学习轨迹示例,您可以看到模型训练的早期和晚期轨迹变化如何导致截然不同的结果。 将其与我们最初的掷硬币例子联系在一起,即使他连续十次看到硬币落在头上,而经验丰富的投注者也不会放弃他的正面概率为二分之一的心理模型,而新手更容易被说服(对他非常不利)硬币连续十次落在头上,这要利用其自身的特殊物理原理来做到。…

当前人工智能的进展是什么?

去年在人工智能和机器学习方面取得了巨大进步,具体如下: 正加固 强化学习从动物学习某些行为如何导致积极或消极结果的方式中获得启发。 使用这种方法,计算机可以说出如何通过反复试验来导航迷宫,然后将积极的结果(退出迷宫)与导致迷宫的动作联系起来。 这样一来,机器就可以在没有说明甚至没有明确示例的情况下进行学习。 这个想法已经存在了几十年,但是将其与大型(或深层)神经网络相结合提供了使其能够解决真正复杂的问题(如Go游戏)所需的功能。 通过不懈的实验以及对以前游戏的分析,AlphaGo自己弄清了如何以专家水平玩游戏。 希望现在可以在很多现实情况下证明强化学习。 并且最近发布的几种模拟环境应该通过增加计算机可以通过这种方式获得的技能范围来刺激必要算法的进展。 在2017年,我们很可能会尝试将强化学习应用于自动驾驶和工业机器人等问题。 Google已经吹嘘使用深度强化学习来提高其数据中心的效率。 但是这种方法仍然是实验性的,并且仍然需要耗时的模拟,因此,看看如何有效地部署它会很有趣。 2.决斗神经网络 在最近在巴塞罗那举行的具有标志性的AI学术会议上,神经信息处理系统会议上,很多嗡嗡声是关于一种称为生成对抗网络的新机器学习技术。 由现任OpenAI的研究科学家Ian Goodfellow发明的生成对抗网络(简称GAN)是由一个网络组成的系统,该网络在从训练集中学习后生成新数据,另一个网络则试图区分真实数据与虚假数据。 通过一起工作,这些网络可以产生非常逼真的合成数据。 该方法可用于生成视频游戏场景,对像素化的视频镜头进行模糊处理,或将样式更改应用于计算机生成的设计。…