عقد ديسمبر 27، جامعة تسينغهوا الدماغ وندوة مختبر الذكاء لأول مرة منذ إنشاء 15 ديسمبر حول موضوع: شبكة لى فنغ منظمة العفو الدولية تكنولوجي ريفيو "من ألفا الذهاب إلى الذكاء الاصطناعي العام: علوم المخ والذكاء الاصطناعي." .

في هذه الندوة، على التوالي، تم الإبلاغ عن المتحدثين عشرة من كل جانب علم الدماغ، الأعصاب، والذكاء الاصطناعي في "الدماغ والمخابرات"، والتي تشانغ بو أكاديمي من "منظمة العفو الدولية وعلم الأعصاب" ويشحذ الفكر بشكل خاص.

في التقرير، أكاديمي تشانغ بو تلخيص AI الحالي بطريقتين: نموذج رمزي ونموذج شبه رمزي (الصلة connectionism). الأول هو نموذج قائم على المعرفة، وهو النموذج القائم على البيانات. وهو يعتقد أن هذه ليست حقيقية الذكية. لدراسة الاستخبارات الحقيقي هناك طريقتان، واحد هو أن تتعلم كيف علم الأعصاب رجل الدماغ تعمل الشبكات العصبية، والآخر هو لبناء نموذج قادرة على الجمع بين المعرفة والبيانات.

وخلص الى ان بحوث الذكاء الاصطناعي الحالي قد وصلت إلى لحظة حاسمة، وينبغي ألا ينظر أساتذة فقط في الفرص التجارية AI والتطبيقات، ولكن يجب أن نرى فجر منظمة العفو الدولية، اليوم انها ذكية لرؤية العلم الحقيقي الباحثون الدراسة الفرص.

وتتلخص شبكة لى فنغ ووفقا لتشانغ بو الخطب الأكاديميين على النحو التالي:

لى فنغ شبكة ملاحظة: الأكاديمي تشانغ بو تقريرا كاملا باللغة الإنجليزية، ولكن في نهاية المطاف الصينية للقيام للمسة الأخيرة.

أكاديمي تشانغ بو في التقرير الأول يحلل ما هو الذكاء. وهو يعتقد أن المخابرات يتكون من ثلاثة عناصر هي: إدراك، والتفكير العقلاني واتخاذ أي إجراء. وخلاصة القول، وهذا هو، وهي هيئة ذكي لتكون قادرة على إدراك بيئتها، على التفكير واتخاذ إجراءات لتعظيم فرصها لتحقيق بعض الأغراض.

نموذج AI الآن أي شيء أقل من نوعين: رمزي نموذج (نموذج رمزي) نموذج والرموز الفرعية (نموذج رمزي الفرعية) أو دعا الارتباطية (الوصلية).

رمزي نموذج

والفكرة الأساسية هي أساسا نموذج رمزي من قبل J. مكارثي آخرون المقترحة في عام 1955. وهم يعتقدون أن أبحاث الذكاء الاصطناعى يستند إلى الظن أن تعلم أو أي ميزة أخرى من الذكاء يمكن من حيث المبدأ أن توصف بدقة. واقترحوا افتراضين أساسيين:

• نظام الرمز المادية فرضية: نظام الرمز المادي هو المخابرات شرط ضروري وكاف.

• الدماغ البشري وأجهزة الكمبيوتر وأنظمة رمز المادية والعملية المعرفية في العملية على التدوين.

في عام 1976، قدم نيويل وسيمون نموذجا رمزيا. أنه يحتوي على قسمين: قاعدة معرفية ومحرك الاستدلال (استدلال المحرك). هو الدافع وراء هذا AI أساسا المعرفة أو نموذج قائم على القاعدة.

بعد مكارثي آخرون نموذج رمزي عن 40 عاما، في عام 1997 طرحت شركة IBM الرموز القائمة على نموذج IBM ديب بلو (ديب بلو) للفوز 2 في الشطرنج، وثلاثة تعادلات وهزيمة 1 هزيمة بطل العالم آنذاك Kaspanov. في نظام الأزرق، تضم أساتذة الشطرنج 700000 أجزاء الإنسان، كل سجل اللعبة مع هذه وظيفة V-القيمة، قال وظيفة لديها أكثر من 8000 المتغيرات.

هيكل IBM واتسون

في عام 2011، وفاز IBM واتسون كبار الفائز بالجائزة براد روتر ومتتالية في متنوعة تظهر "شقاء" في حامل كين جينينغز. وبالمثل، لأنه يقوم أيضا على معرفة نظام AI الرمزي الذي يأتي من معرفة النص الكامل لالموسوعات والقواميس والصحافة والأدب ويكيبيديا، ويحتوي على 200 مليون منظم وغير منظم في 4TB لها من القرص من المعلومات.

واتسون يمثل الجيل الجديد أن يكون التغيير قليلا بالنسبة للنظام نموذجي الرمزي القائم على المعرفة السابقة. واحد هو المعرفة في تمثيل المعرفة تصبح التنويع، والثاني هو أكثر من مجرد محرك الاستدلال (محركات متعدد الاستدلال) الهندسة المعمارية، والثالث هو زيادة المعرفة العامة (من الإنترنت).

ولكن هذا النموذج الرمزي للمكان الذي تدفعه المعرفة له أيضا حدوده، على النحو التالي:

• هناك الكثير من السلوك البشري (المعرفة) لا يصف بدقة مثل هذا الحس السليم.

• المعرفة هي دائما محدودة، لا يمكن أن تحتوي على كافة المعلومات.

• المعرفة مؤكد.

• ويصف مناطق محددة فقط؛

• المعرفة لا يمكن أن تفعل الكثير من الكمية (على سبيل المثال، الكتلة).

لذلك يستخدم هذا النموذج فقط على المستوى الكلي لمحاكاة السلوك البشري معين.

نموذج Subsymbolic / الترابطية

في عام 1965، واقترح وثيقة في ورشة عمل الصيف دارتموث السؤال 2 في معرض حديثه عن "كيفية ترتيب مجموعة من (افتراضية) الخلايا العصبية لتكوين فكرة؟ ...... هذه المسألة لا تزال بحاجة إلى مزيد من العمل النظري."

للشبكة العصبية، وهناك أساسا فترتين. الأول هو الشبكة العصبية سطحية (الضحلة الشبكات العصبية)، وشبكة لديها واحد فقط طبقة مخفية. في هذه الشبكة، والحاجة إلى ميزة اليدوية (ميزات وضعت اليد) بناء المصنفات، لذلك يجب أن يكون لديهم معرفة من الفن.

آخر ما بين 2000-2006، الذي قام به ايجور Aizenberg وجيف هينتون. وشبكة لديها طبقات أكثر خفية، ودعا طبقات متعددة سرية (العمق) الشبكة العصبية. هيكل متعدد الطبقات لإخفاء تغيير كبير. أولا وقبل كل شيء، نحن يمكن أن تحل محل ميزات اليدوية مع البيانات الخام، لذلك لم يعد مجال المعرفة أمر لا بد منه. صورة، على سبيل المثال، ونحن بحاجة فقط لمتابعة تنسيق بكسل الصورة المدخلة. الثانية، عمق نموذج الشبكة العصبية يسمح أداء subsymbolic قد تحسنت إلى حد كبير. مرة أخرى، في 1990s، فقد طور الباحثون AI سلسلة من الأدوات الرياضية الإحصائية المتطورة، والتي لديها الكثير من الأداء في النموذج، بحيث يصبح نموذج أكثر قابلة للقياس وقابلة للتحقق. وبالإضافة إلى ذلك، وهذا النموذج لديه واضحة جدا الأعصاب تفسير العلمية.

ويستند هذا النظام أساسا على القيادة بيانات منظمة العفو الدولية. طالما هناك بيانات، ليس لدينا الكثير من المعرفة المجال الذي يمكن القيام به بشكل جيد في هذا المنصب. أمثلة كثيرة من الشبكة العصبية استنادا إلى العمق، على سبيل المثال AlphaGo.

مقارنة الشبكة العصبية الإنسان، فإنه لا يزال لديه عدد من العيوب. على النحو التالي:

غودفلوو إلى 2014 نشرت "أمثلة الخصومة والتدريب الخصومة"، على سبيل المثال، دخلت الصورة وقليلا من الضجيج، وأنظمة منظمة العفو الدولية أن يكون من الواضح أن الصور الباندا مع مستوى الثقة 99.3 المعترف بها غيبون. ولذلك، فإن أنظمة منظمة العفو الدولية الحالية على متانة لا تزال ضعيفة جدا.

هذا هو مجرد آلة AI نظام التصنيف، هو منظمة العفو الدولية من دون تفاهم، فإنه من الصعب الاعتماد فقط على الحقيقية ودراسة متعمقة الذكية استنادا إلى البيانات، لم الآن لم تلمس جوهر الذكاء. أن يكون ذكيا حقا، يجب عليك

جوهر الذكاء الاصطناعي

وقال أمام والتعلم العميق ولم تلمس جوهر الذكاء الاصطناعي، ثم ما هو جوهر الذكاء الاصطناعي هو؟ ويعتقد الأكاديميين تشانغ بو أساسا لالمجالات الخمسة التالية:

في غياب المعرفة والبيانات لا يزال يحصل على هذه المهمة.

تحت معلومات ناقصة (أو حتى نقص المعلومات) حالات لا يزال قادرا على إكمال المهمة.

قادرة على التعامل مع المهام غير القطعية.

قادرة على التعامل مع المهام حيوية؛

قادرة على التعامل مع متعددة النطاقات ومتعددة المهام.

الاتجاهات الجديدة في أبحاث الذكاء الاصطناعى

واستنادا إلى المناقشة أعلاه، يمكننا أن نرى أن هناك اثنين من أبحاث الذكاء الاصطناعى الحالي، نموذج قائم على المعرفة والبيانات القائمة على رمز نموذج subsymbolic (الصلة connectionism). يعتقد ظهرت الأكاديميين تشانغ بو الآن تدريجيا اتجاها جديدا في أبحاث الذكاء الاصطناعى، وهما بناء أنظمة منظمة العفو الدولية على أساس المعرفة والبيانات في نفس الوقت.

وهو يعتقد أن المعرفة الإنسانية هي جيدة في المعالجة، ومعالجة البيانات الكمبيوتر جيدة في. إذا كنت تستطيع الجمع بين الأمرين، ونحن سوف تكون قادرة على بناء أكثر ذكاء من النظام البشري.

كيف نفعل ذلك؟

الآن لدينا اثنين من طريقة AI الأساسي. ويستند واحد على رمز الدلالي، وتستخدم عادة في النص واللغة المعالجة، سوف نبني الفضاء رمز الدلالي (الدلالي الفضاء الرمزي). ويستند أسلوب آخر على بيانات المتجه مميزة لمعالجة الصورة والصوت، وسوف نبني الفضاء ناقلات مميزة (ميزة ناقلات الفضاء).

لذلك، يمكننا أن نبني فضاء جديد يسمى الفضاء ناقلات الدلالي (الدلالي ناقلات الفضاء)، على وشك التوقيع على الفضاء الدلالي تضمين عملية أو خصائص العلاج الموجه الفضاء رفع. وبهذه الطريقة، سوف تكون قادرة على التعامل مع توحيد النص واللغة والصورة والكلام.

ويعتقد الأكاديميين تشانغ بو في هذه المجالات، وخاصة في الفضاء ناقلات مميزة لرفع الفضاء الدلالي، ينبغي لنا أن نتعلم من الأعصاب. على سبيل المثال، فإن الدماغ له علاقة ردود الفعل، الاتصالات الجانبية، اطلاق متفرق، وآلية الاهتمام، متعددة نموذج والذاكرة وغيرها من الآليات، التي تستحق لتصميم نظام AI تولي اهتماما لوالتعلم.

دراسة حالة

تشانغ بو أكاديمي من الحالات الأربع لتوضيح كيفية الاستفادة من علم الأعصاب، وكيفية بناء أنظمة منظمة العفو الدولية على أساس كل من المعرفة والبيانات.

A، متناثر اطلاق النار + HMAX

ورقة: الضآلة-النظامية HMAX ل Visual الاعتراف

نقطة مبتكرة لهذا العمل هي لاطلاق نتائج الأعصاب متناثر وHMAX معا.

HMAX النموذج هو Riesenhuber، M. & بوجيو، T وآخرون في عام 1999، والفكرة هي أن الإدراك البشري تقليد، من وجهة إلى خط لوجه مجردة تدريجيا، وميزات متقدمة الاختزالية. HMAX رؤية الكمبيوتر مهمة جدا في نموذج.

اطلاق متفرق هو علم الأعصاب المفهوم. تظهر أبحاث علم الأعصاب أن في الدماغ البشري، لالخلايا العصبية أكثر تحفيز صامتة. خلايا المخ على سبيل المثال، وفقا للكثافة، ويمكن قياس حجم التحقيق والتحقيق لتقدير المسافة للإشارة، ينبغي قياس تحقيق عشرات أو مئات بل من الخلايا العصبية في جميع أنحاء إشارة، ولكن عادة ما يكون القياس الفعلي فقط عدة إشارات العصبية إلى أكثر من 90 من الخلايا العصبية غير قابل للكشف. وهذا يعني أن لتحفيز الاقتصاد، ويتم تنشيط سوى عدد قليل (متناثر) الخلايا العصبية.

هذه الخلايا العصبية في الدماغ متفرق يطلقون التنشيط، أو وضع الترميز متفرق العديد من المزايا، يمكن للمرء أن استخدام عدد قليل من الخلايا العصبية عدد كبير من الميزات للترميز، من ناحية أخرى يمكن أن تقلل من فقدان الطاقة، وما شابه ذلك، وكذلك فك كاذبة.

هذه المادة هي من عمل اطلاق متفرق ونموذج HMAX الجمع بين المهام التعرف على الصور يطبق عليهم. العمل قد ترغب مثيرة جدا للاهتمام، والقراء المهتمين لقراءة.

ثانيا، رموز الهوية البصرية

ورقة: نموذج الرؤية توليدي أن القطارات مع كبتشس كفاءة البيانات عالية وفواصل يستند إلى نص (العلوم، 26 أكتوبر 2017)

هذه المقالة نشرت في أكتوبر من هذا العام في مجلة "العلوم"، هو مثال على الذكاء الاصطناعي لعلم الأعصاب التعلم.

وغالبا ما تتطلب النماذج الحالية لتعلم آلة في مهام التعرف على الصور الكثير من مجموعة التدريب البيانات، ونتائج التدريب غالبا ما تنطبق فقط على مناطق محددة. لكن المخابرات البصري الإنسان يمكن أن تتعلم وتكون قادرة على الهجرة بسهولة إلى سيناريوهات مختلفة تماما فيها عدد قليل من عينات (لا تحتاج حتى عينات). ولذلك، فإن الآليات العصبية الكامنة وراء التعلم البصري الإنسان قد يكون في اتجاه مزيد من تطوير نماذج تعلم الآلة.

في هذه المقالة، وبدء الشركات الذكاء الاصطناعي المعروف بالإنابة إلى العمل من خلال بعض الآليات من رؤية الإنسان ألهمت لبناء نموذج هرمي، التي أطلقوا عليها اسم "العودية شبكة القشرية" (العودية القشرية الشبكة، RCN). أنها أدخلت في إطار نموذج البصرية نموذج احتمال مولد، حيث المراسلة الاستدلال القائم (رسالة تمرير)، واتباع نهج موحد لصورة الهوية، وتجزئة والتفكير (التفكير).

وأظهرت هذه الطريقة تعميما جيدة جدا وانسداد المنطق (انسداد المنطق) قدرات على المهمة الصعبة المتمثلة في المشهد التعرف على الحروف هي أعلى بكثير من عمق الشبكة العصبية، ولها 300 مرة كفاءة البيانات (البيانات بكفاءة) ميزة.

الذي النتائج في الجدول التالي

يمكن وصلت كود معدل دقة التعرف على الكلمات اختبار reCAPTCHA 66.6، وكان BotDetect 64.4، وياهو 57.4 إلى 57.1 على بال.

ثلاثة، DNN للتفسير

ورقة: تحسين تفسيرها الشبكات العصبية العميقة مع المعلومات الدلالية (2017)

هذا المقال هو وضع أكاديمي تشانغ بو ورقة عن CVPR عام 2017، هو مثال نموذجي "المعرفة + البيانات" في.

في النموذج التقليدي للاعتراف صورة DNN، ونحن ندخل الصورة، ووصف النتائج التي حصل عليها، ولكن لا أعرف لماذا نحصل على مثل هذه النتيجة، لا أعرف ما هي ميزة طبقة خفية، أو عندما نصل الى نتائج خطأ لماذا لا أعرف الخطأ.

طريقة البحث الرئيسي من هذه المادة هو أولا الحصول على بعض وصف الإنسان من الصورة كبيانات المعلومات الدلالي، وهذه البيانات والصور المرسلة في وقت واحد لتدريب نموذج DNN، حيث سيتم يرتبط كل عصبون مع الموضوع، لذلك كله أصبحت شبكة توضيحي.

أربعة، صفر شوت تحديد الترددات

ورقة: إدراكا لعمل باستخدام اسمها: النهج المعرفي،

العمل من هذه المقالة هو نموذجي "المعرفة + البيانات" مثلا.

التقليدية خوارزمية التعرف على الحركة يتطلب مجموعة من الأمثلة التدريبية إيجابية في كل تصنيف العمل. ومع ذلك، ونحن نعلم أن عددا كبيرا جدا من الطبقة العمل، وتغيير الاستعلام المستخدم هو أيضا كبير. فئات كافة الإجراءات الممكنة المحددة مسبقا هي غير عملية.

في هذه الورقة تقترح الكتاب الطريقة التي لا تتطلب مثالا إيجابيا لهذا النهج هو معروف عموما باسم "صفر شوت التعلم." وضع التعلم صفر الحالي هو عادة سلسلة من تدريب خاصية المصنف، ومن ثم التعبير عن عمل الاعتراف الهدف على أساس الصفات. لضمان أقصى قدر من التغطية فئة محددة من العمل، وأسلوب قائم على السمة يتطلب الكثير من تصنيف موثوق ودقيق للممتلكات، والتي في العالم الحقيقي غير متوفرة في كثير من الأحيان.

في هذه الورقة، ويقترح المؤلفون طريقة يتطلب سوى اسم واحد كمدخل للتعرف على سلوك عمل الفائدة، دون أية سمات المصنف المدربين قبل وأمثلة إيجابية.

بعد الاسم الذي يطلق على هذا العمل، أولا إنشاء تجمع قياسا على أساس المعرفة الخارجية (مثل ويكيبيديا)، قياسا تجمع ستكون مرتبطة كل عمل مع مستويات مختلفة من حركة الهدف.

المعلومات ذات الصلة يستدل من المعرفة الخارجية يمكن أن تكون صاخبة. لذلك اقترحوا خوارزمية غير التكيفية متعددة نموذج رتبة الحفاظ على رسم الخرائط (التكيفي المتعدد النماذج نموذج رسم الخرائط، AMRM-الحفاظ على رتبة) لقطار الاعتراف الحركة المصنف بتكيف تقييم كل المتعلقة الصورة تجمع قياسا الجنس.

~~~~~~~~~~~~~~~~~~~

هذه الأمثلة الأربعة هي نوعين، واحد هو نتيجة التعلم من علم الأعصاب، ويستند واحد على نتيجة "البيانات + المعرفة" من.

وقال الأكاديمي تشانغ بو عملهم فكرة: = بيانات + المعرفة نموذج التعلم الإحصائي. والذي يتضمن نموذج مسبق المعرفة، القواعد المنطقية، يتعلم، والقيود إحصائية قوية.

وأشار أيضا إلى مفهوم النظرية الافتراضية ديب التعلم.

وأخيرا، وقال انه يعتقد أنظمة AI الحالية لدينا أن الإنسان تقليد على مستوى mesoscopic، ونحن بحاجة أيضا لتعلم العلوم والتعاون للأعصاب. وفي هذه الدراسة يجب أن يكون نظام AI ودفعت البيانات الجمع بين السلوك العقلاني والسلوك العاطفي معا الذي تدفعه المعرفة.

ملخص (خطة التركيز)

تشانغ بو خطاب أكاديمي من أبرز في نهاية الملخص الأصلي تلخيصها على النحو التالي (مع تعديلات طفيفة):

وقال لو شيون، أشخاص مختلفين على "حلم القصور الحمراء" لديها وجهة نظر مختلفة، والاقتصاديين يرى "سهلة"، الأخلاقيين ترى الدعارة وخفة الظل انظر العالقة، والكامل المضادة للثورة ترى، القيل والقال المنزل لرؤية غونغ وي الأمور السرية.

AI الآن قليلا مثل "حلم القصور الحمراء"، والناس المختلفين لديهم وجهات نظر مختلفة. رجال الأعمال يرون فرصا عالم (هوكينج) نرى الخطر والمهندسين يرى احتمالات، ويرى الناس AlphaGo هزيمة شيشي. أقول الآن ما يجب أن نرى الأساتذة، وهذا هو أملي أن نرى تقرير اليوم.

ماذا ترى ذلك؟ --AI هو فجر العلم.

ونحن ننظر في منظمة العفو الدولية، هناك نوعان من العمليات. الماضي وشاهد منخفضة AI، AI يشعر بأي شيء. جاء الآن AlphaGo بها، فجأة AI الله، ونحن نتطلع يصل الامر. أقول لكم، هذه هما ليس صحيحا. لدينا لرئاسة منظمة العفو الدولية.

لماذا الماضي AI ديك هذا الانطباع؟ وبالفعل، فإن منظمة العفو الدولية الماضي ليس لدينا الحق في الحديث عنها، لأن لدينا التخمينات والافتراضات، والحالة الوحيدة التي حالة فقط. ليس لدينا أي قدرة. كثير بالإضافة إلى بعض الضجيج، لا تطير الشيء. لذلك لا يمكننا أن نتحدث عن الماضي.

الآن نحن نأمل أن نتحدث عن، وهذا هو تحدث فقط عن. الآن نرى من يستخدم عمق التعلم على نطاق واسع. لكننا لا نرى عمق تعلم لإشعال الفجر، أن الذكاء الاصطناعي يمكن أن تفعله مع أساليب النموذج الرياضي. بطبيعة الحال، فإنه يخبرنا أيضا أن الضوء للاستخبارات بناء مصطنع طريقة رياضية لا العمل، مثل عمق النتائج التي تم الحصول عليها عن طريق التعلم مجرد المصنف الميكانيكية، والتي مع الإدراك البشري أو تصور مختلف تماما.

فكيف نحن نذهب لبناء نموذج رياضي الذكاء الاصطناعي هذه الخطوة؟ اثنين فقط من الطرق. واحد هو تعلم علم الدماغ أن نرى داخل الدماغ هو كيف نفعل الاستخبارات. داخل الدماغ هو استخدام الشبكات العصبية، لماذا يمكن أن الاعتراف ب "الطيور"، والكمبيوتر لن تفعل ذلك؟ نحن واضحون جدا أن هذا الكمبيوتر والشبكات العصبية والشبكة العصبية في الدماغ يختلف تماما. يجب علينا أن نتعلم من الدماغ.

والطريقة الأخرى هي أن الجمع بين المعرفة والبيانات. تفكر في ذلك، فإنه لا يأتي من الذكاء البشري إلى البيانات، ولكن من المعرفة. ولكن لماذا كنت تريد أن ترى البيانات بحيث ثقيلة ذلك؟ وذلك لأن العديد، والكمبيوتر هو الأفضل في معالجة البيانات البيانات. حتى تعطي لنا فهم غامض بأن البيانات هو كل شيء. هذا غير صحيح. ولكنه أيضا أعطانا الأمل، لأن بيانات الكمبيوتر تفعل بشكل سيئ، والناس استخدام المعرفة سيئة، اذا كنا نستطيع الحصول على هذه معا اثنين، ونأمل أن جعل نظام أفضل حتى من الناس.

Q: مرحبا تشانغ. كنت أقول في شريحة مشاركة في أعمال AI شهدت فرصة، وهلم جرا. لذا أود أن أعرف الجواب على سؤالك الأخير سأل، ويجب أن الأساتذة نرى ماذا؟

تشانغ بو: أستاذ يجب أن ترى - أن تفعل المشاكل الأساسية الذكاء الاصطناعي. ونحن لا يمكن أن ننظر في الفرص التجارية وفرص الأعمال التجارية لرجال الأعمال ينبغي أن ننظر. أعتقد الآن أن الذكاء الاصطناعي هو في عشية انفراجة. عمق التعلم لدينا ليست إنجازا عظيما، ولكن أظهر التعلم العميق الأمل في تحقيق انفراج، لأن عمق التعلم وليس بنية حقيقية للمخابرات.

الآن لدينا الفرصة للمس جوهر الذكاء. تحت أي ظرف من الظروف يمكننا أن تلمس جوهر الاستخبارات ذلك؟ أقول هذا هو فقط خمسة شروط، وهذا هو،

• في غياب المعرفة والبيانات لا يزال يحصل على هذه المهمة.

• تحت معلومات ناقصة (أو حتى نقص المعلومات) حالات لا يزال قادرا على إكمال المهمة.

• قادرة على التعامل مع المهام غير القطعية.

• قادرة على التعامل مع المهام حيوية؛

• قادرة على التعامل مع متعددة النطاقات ومتعددة المهام.

AI الآن لا ذكية حقا. هذا هو الخيار تلك الشكوك والمشاكل ثابتة، وهذا كان دائما الكمبيوتر سوف تفعل. الكمبيوتر لن تفعل شيئا هو الحيلة، التكرار، والخارج إلى الداخل، وهذا هو جوهر الذكاء. كنا نفعل النظام، وطبيعة الذكاء لا يمكن القيام به، لأننا لا نعرف. دراسة متعمقة يعطينا إشارة إلى أن وصلنا في اتصال مع جوهر الذكاء. لذلك نحن نفعل هذا جنبا إلى جنب، وهناك أمل.

نحن ندرس الآن في عمق المستهلك. ونحن، تعلم أن تفعل إذا اعتراف عمق نظرة على الكبار الحجر لا يهم نعلم جميعا، ولكن لاتخاذ القرارات، لا يسمح العدو كصديق. دراسة متعمقة لا حل هذه المشكلة، وسوف تنتج بالتأكيد خطأ كبيرا. ويرجع ذلك إلى طبيعة منه ذلك. لذلك أنا أقول دائما، حتى الآن، في أحوال الطرق المعقدة، فمن الصعب تحقيق السيارة غير المراقب الحقيقية، بجانب "لا سيارة" تحتاج أيضا إلى اتخاذ شخص. لماذا؟ A الذكاء الاصطناعي القليل من الناس يعرفون كل ذلك الذكاء الاصطناعي لا يمكن أن تحل حالات الطوارئ.

في الماضي كنا لا تستطيع أن تفعل هذا ذكية حقا. اليوم هو فرصة للباحثين العلمي. أرجو أن تفعل. إذا واصلنا القيام بذلك، وأعتقد أنه سيكون هناك اكتشاف جديد. الآن رأى كثير من الناس فرصة ونرى التطبيق، رؤية LiShiShi هزيمة الكمبيوتر، ولكن شهدت عدد قليل من الناس ذلك. الغرباء نرى، كما من الداخل، أود أن أذكر لكم، يجب أن نرى أستاذ العلوم --AI عند الفجر.