[استعراض فاز جي الجديدة جامعة ستانفورد طلاب الدكتوراه، تحت وصاية البروفيسور لى Feifei جيم مروحة (مروحة Linxi) في جو من المرح وطريقة سهلة لتقديم أصل وتعزيز التعلم وتعزيز تعلم اللعبة في تطبيقات الحياة الحقيقية: الروبوتات، والعالم من القطع، والتمويل، والإعلان والبيئية و الطاقة وهلم جرا.

قدم جي وون في المادة الجديدة، جيم مروحة (مروحة Linxi) مفهوم والغرض من تعزيز التعلم. اليوم هو "تعزيز التعلم الخيمياء" نقاش مقدمة الثالث.

في هذا الدرس، سوف جيم مروحة تعزيز التعلم الدردشة معك في لعبة الخيميائي وتعزيز التعلم التطبيقي في الحياة الحقيقية.

أولا، وأصل اللعبة وتعزيز التعلم

اللعبة هو شيء نحن جميعا مثل، ولكن مجموعة واحدة هو أسوأ من ذلك: يسمونه [المبرمجين]

. وذلك في تاريخ تطور الذكاء الاصطناعي، لعبة تلعب دورا حاسما.

غير مريح لمشاهدة الفيديو أصدقاء، يرجى قراءة الرسم المنسدلة.

الباحث IBM آرثر صموئيل، هو أول شخص في العالم لتطبيق تعزيز التعلم في لوحة التيار الألعاب. ثم بعد ذلك كتب محرك لعبة الداما، ولكن في الواقع انه ليس أقوى محرك في العالم. بين عامي 1989 و 2007، أدلى جامعة Eerbotan فريق كندا لعبة الداما AI - من طراز شينوك. المعروفة باسم لعبة الداما من طراز شينوك الله ليس أكثر من اللازم، لأنه تصدع لعبة الداما في بالمعنى الحقيقي. وبعبارة أخرى، بغض النظر عن الاستراتيجية التي تستخدمها، من طراز شينوك سوف تفقد أبدا. هذا يمكن إثباته رياضيا.

وفقا لتحليل من طراز شينوك، سواء كنت في لعبة الداما أو الوجه اليد العليا، ما دام هناك استراتيجية مثالية، فإن كلا الطرفين مرتبطة إلى الأبد. وبعبارة أخرى، لعبة الداما ثبت أن لعبة محصلتها صفر بالمعنى الحقيقي.

مظهر المقبل، ولكن أيضا الباحث جيرالد IBM Tesauro. له معظم تحقيق شهرة هو أبعد الإنسان يمكن أن يكتب بطل العالم الطاولة الذكاء الاصطناعي. الطاولة هي لالعشوائية معين من لعبة النرد الصدفة. Tesauro المحرك، ودعا TD-فخذ الخنزير، TD وتحدث فقط عن فارق التوقيت التعلم.

هنا لإعلان ما، لماذا لا نذكر آي بي إم الأزرق العميق، وهذا هو، ثم تغلب على بطل العالم في الشطرنج ديب بلو الشطرنج غاري كاسباروف المحرك ل. في الواقع، لم ديب بلو عدم استخدام أي ما يقرب من تعلم الآلة، ناهيك عن تعزيز التعلم. ديب بلو هو نظام من القواعد أن الفريق دعي العديد من أساتذة الشطرنج الدوليين الذين جاءوا لمساعدتهم على قواعد مكتوبة بخط اليد لعبة الشطرنج أو استراتيجية، لذلك ليس نظام التعلم.

نحن الجدول الزمني في عام 2013، في الواقع، تعزيز التعلم هو حقل قديمة جدا، لكننا في الآونة الأخيرة فقط بدأ اهتمام مكثف جدا، هذه الفرصة هي سلسلة لعبة أتاري 2600.

أصدرت شركة أتاري في عام 1977 سلسلة من الألعاب المعروفة، بما في ذلك التصميم الياباني بكمن باك مان (الصورة أعلاه الغرفة). يمكنك السيطرة على بكمن، باستمرار على الطريق طوال الفول لتناول الطعام، ولكن في الوقت نفسه لهجوم تجنب الغوغاء. يتم ترك الرقم أتاري غمبد. وبالإضافة إلى ذلك هناك لعبة كلاسيكية الغازي الفضاء غزاة الفضاء (أعلى اليمين)، يتطلب منك السيطرة على سفينة الفضاء لاطلاق النار.

وعلى الرغم من أتاري هو على الشاشة الصغيرة للعب المباراة، ولكن كمية كبيرة جدا من المعلومات. على سبيل المثال، لتقديم لعبة لقطات من الصورة، وعليك أن تتعلم لفهم كيفية التعامل مع بكمن، ما هو الفول، وكذلك مسارات المشي الوحش، تحتاج إلى أن يكون استراتيجية المقابلة لتجنب الوحش. حتى تشارك أتاري في رؤية الكمبيوتر، فمن لا يمكن تحديده مع عدد قليل من المباريات قاعدة بسيطة. في هذا المعنى، وألعاب أتاري مثل نسبة لعبة الداما ومعقدة أكثر من ذلك بكثير. قبل 2013 سنة، إذا قال لك استخدام للعب مباريات أتاري كل نفس الوكيل، فإنه أمر مثير للسخرية.

في عام 2013، Deepmind المعروفة قليلا الشركات الصغيرة نشرت ورقة

ضبط المستوى الإنساني من خلال تعزيز التعلم العميق

في هذه الورقة، واقترحوا مفهوم جديد يجمع بين عمق التعلم الثورة والآن تعزيز التعلم القديم، في عمق تعزيز التعلم. ورقة، واخترعوا خوارزمية جديدة - ديب Q-شبكة، ويشار DQN.

Deepmind باستخدام نفس الخوارزمية، فإنه لا تغيير سطر واحد من التعليمات البرمجية، يمكنك Wanbian كل أتاري لعبة. وبعبارة أخرى، في كل مباراة، بحيث خوارزمية للتعلم الذاتي، والتي دون أي تدخل بشري، وليس لأحد أن يقول أنه من قواعد اللعبة، تماما النفس التنقيب من قبل الخوارزمية. بعد الانتهاء من التدريب، وجدنا أن الخوارزمية تعلم استراتيجيات أكثر قوة من بعض من أفضل اللاعبين الإنسان.

ويمكن القول أن لمستجمعات المياه في التعلم DQN التعزيز الحديث، لأنه قبل هذا، وتعزيز التعلم فقط القيام ببعض بيئة منخفضة الأبعاد، لهذه المعلومات عالية الأبعاد الصورة، قبل خوارزمية لا يمكن التعامل مع (مثل لعبة قطة قد تحتوي على عدة مئات من آلاف بكسل). حتى تتفوق DQN، رؤية الكمبيوتر هو أن عمق التعلم، والتفاف الشبكة العصبية وبعض التطبيقات الأخرى انفراج في تعزيز التعلم، بحيث تعزيز خوارزمية التعلم يمكن أيضا التعامل مع المعلومات عالية الأبعاد.

إذا DQN بدء التعلم هو تعزيز "النهضة الطريق"، AlphaGo ثم بعد أن عمق عمل تلخص تعزيز التعلم. Deepmind هو جوجل الشركة 400،000،000 دولار لاقتناء عالية الثمن في عام 2014، وجوجل هو الآن معهد أبحاث في لندن.

نحن ننظر إلى استراتيجية DQN جمعية الخوارزمية. اليسار الرقم هو لعبة كلاسيكية الاختراق. مهمتك هي للسيطرة على لوحة أدناه، التحرك، وترك الكرة لضرب كل الطوب أعلاه. عندما تكون الكرة الخريف، تأكد من القبض عليه، وإلا سوف تفقد الحياة. DQN تعلم في هذه اللعبة بطريقة ذكية جدا، هو الأول مع كرة صغيرة الجانبين الأيسر والأيمن من الطوب من خلال الحصول على، ثم ترك الكرة كذاب ذهابا وإيابا على الصف الخاص به من الطوب، وتجنب عملية متكررة ضمن عامل. هذه هي استراتيجية كبيرة العديد من اللاعبين البشرية ليسوا على علم.

حق أعلاه هو الفضاء الغازي اللعبة. يتم التحكم DQN المركبة الفضائية، الأجانب بحاجة إلى تجنب كل الرصاص. هذه المرة، انها علمت لاخفاء وراء العقبات، وتبادل لاطلاق النار في الأجانب لن هاجم لفرضية.

بعد DQN، يبدأ الجميع يحاول حديد التسليح تعلم ألعاب خوارزمية اللعب مع العمق، مثل تدمير الصورة أعلاه فارس الموت، وهو أول شخص في وقت مبكر ثلاثية الأبعاد مطلق النار لعبة. بدءا من عام 2016، تستضيف سباق سنوي يسمى VizDoom، لقد أرسلت العديد من الشركات والجامعات فريق للمشاركة. وكان الفائز بالجائزة العام الماضي إنتل وفريق الفيسبوك.

كما هو مبين أعلاه، وهذا هو بعض بيئة التدريب الموت، مثل النار، وتجنب العدو تقصف، متاهات، وجمع كل كيس الدم وغيرها من القطاعات.

9 مارس 2016 إلى 15 مارس خلال النهار، شهدنا التاريخ. قبل AlphaGo، لا شيء يمكن ان تتطابق مع محرك العودة مع دان الايجابيات منخفضة، ناهيك عن تحدي بطل العالم. جاء AlphaGo إلى كوريا تحدى رسميا لي سي دول، نظام المنافسة هو أفضل من خمس مباريات.

النتائج النهائية تفوق كل التوقعات: 4-1، AlphaGo الفوز.

منذ لي سي دول التحدي، ونحن جميعا يشعر "الذكاء الاصطناعي للبشرية قهر!"

ولكن لا داعي للذعر، حتى لو AlphaGo على المضي قدما للفوز في الدماغ، ولكنه يساعد حقا للعب الشطرنج أو بشرية.

أولا، الدكتور هوانغ شى جيه الظاهرة على اليسار Deepmind، إن لم يكن "الذراع البشري" الدكتور هوانغ، يمكن AlphaGo لا تجعل حتى لعبة الشطرنج

.

هذه هي لقطة الحية عندما في اليوم الأول من المنافسة، يمكننا أن نرى لي سي دول تقريبا في شفا الانهيار، فشلها أمر مفروغ منه. أتذكر تلك الليلة بسبب فروق التوقيت، بدأت نيويورك بث صباح اليوم، شاهدت المباراة الاولى في الليل. ولن أخوض تحت، وبالتالي فإن العملية برمتها في حالة "غير معروف لى جو"، وتحليل ويمكن الاستماع فقط إلى الراوي لعبة رائعة.

التعرض لعبة AlphaGo هي عالية جدا في الشوارع في كوريا، يتم وضع العديد من اللوحات المباراة على الهواء مباشرة. كاي فو لي المعلم مرة ساخرا: "لي سي دول هو المصطلح الأخير غوغل كبار المهندسين اختبار البرمجيات."

هذا هو Deepmind فريق نشرت في "الطبيعة" ورقة غلاف مجلة

اتقان لعبة الذهاب مع الشبكات العصبية العميقة وشجرة البحث

تقدم هذه الورقة أساليب وتعلم كيفية استخدام عمق شجرة مونت كارلو بحث لتعلم لعبة الشطرنج. وبعد الاستماع إلى [القلب] لين شي حديد التسليح دورات تعلم، وسوف تعرف ما تعنيه هذه الكلمات، على التوالي، و.

بعد فوز Deepmind لي سي دول لا تزال تشعر غير راض

. في عام 2017، وكانوا في "الطبيعة" نشرت مجلة ورقة جديدة

اتقان لعبة من العودة دون معرفة الإنسان

AlphaGo صفر، والصينية الترجمة الكتابة [يوان] طريقة A. قبل AlphaGo من خلال دراسة عدد كبير من الشطرنج البشري، ومن ثم صقل تعزيز التعلم. اليوان عفر التخلي تماما المعرفة الإنسانية، بدءا من الصفر المطلق، بنفسه والاستمرار في لعب الشطرنج مع خالص طريقة تعزيز التعلم لمعرفة استراتيجية الشطرنج.

والمثير للدهشة، الفا يوان على الرغم من عدم مساعدة الإنسان، ولكن وصلت في نهاية المطاف قوة اللعب أبعد من سابقاتها AlphaGo.

كما يقول المثل، أفضل مما كان، ولكن ما زلنا لا نعرف ما يكفي Deepmind

. وقدموا في وقت لاحق ورقة الثقيلة

اتقان الشطرنج وممارسة لمن قبل الذاتي اللعب مع عامة التسليح التعلم خوارزمية

العمارة أطروحة المقترحة [AlphaZero]، ببساطة "العودة" (العودة) أيضا إزالة هذا القسم. AlphaZero استخدام الأساسي هو AlphaGo صفر الخوارزمية: الشطرنج الذاتي، مونت كارلو شجرة البحث، تعزيز التعلم النقي.

ويستخدم نفس مجموعة من الخوارزميات سليمة تعلم لعبة الشطرنج (الشطرنج) وممارسة ل(الشطرنج اليابانية سوف)، على التوالي، وفي كل من هذه المجالات حتى يتجاوز الأقوى في عالم الذكاء الاصطناعي من قبل: [سمك القد] و [محرك الشطرنج إلمو] محرك الشطرنج. وحتى الآن، Deepmind تعطي في النهاية ل

أعلنوا رسميا سلسلة دراسة AlphaGo من نهايتها بنجاح.

ولكن أعتقد، AlphaZero مجرد بداية الفصل التالي. لأن الكثير من المشاكل في الحياة، أكثر بكثير من لعبة الشطرنج، ممارسة لوالعودة هي أكثر تعقيدا بكثير، وذلك فقط التعلم لتعزيز أبحر القارب.

ذهبت إلى لوس أنجلوس، لونغ آيلاند (لونغ ايلاند) حضر المؤتمر خطط التنفيذ الوطنية. NIPS (العصبية معلومات نظام معالجة) هي أعلى قمة في العالم AI. هذه المرة أيضا لديهم شرف على Deepmind رأى حزب مؤسس AlphaGo داود فضة، على خريطة بالنسبة لي وصورته. تحدثنا عن بعض الأمور AlphaZero الشطرنج، وسوف تعطيك تحليلا مفصلا للدفع بعد.

أفكاري NIPS تلبية الملاحظات التي نشرت في منصة الجمهور "نيو جي وون"، والأصدقاء المهتمين، يرجى الضغط هنا.

منذ تعزيز التعلم يمكن أن تكون مجموعة متنوعة من ألعاب الطاولة، يمكن أيضا أن تلعب بعض ألعاب الفيديو القديمة مثل أتاري، سوبر ماريو، وما إلى ذلك، ثم لماذا لا نستطيع استخدامها للعب مباريات أكثر تطورا؟ سوف متعة المباراة ستكون الموجة المقبلة من البحوث علب، جامعة أساطير، ملك المجد، GTA V محاكاة عالية ألعاب سباقات. هذه الالعاب هي أعلى بكثير، دقة الشاشة، أدخل المبلغ من وسائل المعلومات أن وكيل سيكون أكبر من ذلك بكثير. لا توجد حتى الآن أي الخوارزمية التي يمكن أن تتنافس مع لاعبين الإنسان في هذه الألعاب.

في المرة القادمة كنت تلعب لعبة اللسان مدرب في المختبر أو المكتب، ويمكن لك أن تقول له أنك تدفع الآن اهتماما وثيقا لكل دقيقة لتقديم مساهمتها الخاصة لتعزيز تعلم العلوم

.

ومع ذلك، فإن اللعبة هي لعبة بعد كل شيء. يتم تشغيله في برنامج البيئة الافتراضية، فإنه لن يكون لها أي تأثير على العالم الحقيقي.

وذلك في المحاضرة القادمة، سوف أتحدث معكم لتعزيز تطبيق التعلم في الحياة الحقيقية.

ثانيا، تعزيز تطبيق التعلم في العالم الحقيقي

تطبيق المهم هو أول روبوت (الروبوتات).

في "الخلفية" التي ذكرناها، والناس في تعلم ركوب الدراجة، في الواقع، فإن الدماغ كل جزء من الثانية اتخاذ أي قرار. على سبيل المثال، كم القوة لاستخدام المحطة، كم من درجة لتحويل المقاود وهلم جرا. عندما الدماغ لا يجعل هذه القرارات والتفكير المعقد، بل هو فاقد الوعي تماما. إذا كنت ترغب في تصميم الروبوت لإنتاج هذه العملية، يجب أن يكون رمزها في كثافة الانتاج كل جزء من الثانية، والقيم زاوية، والتركيز تعويض وما شابه ذلك.

أسلوب واحد هو بناء النموذج المادي، وصفت آلية دقيقة ركوب الدراجات، وحل المعادلات التفاضلية معقدة

. طريقة أخرى بسيطة لاستخدام الكثير من تعزيز التعلم عن طريق التجربة والخطأ لجعل الروبوت الذي وجد أفضل نظام القرار.

وتستخدم عادة عدة بيئة التدريب روبوت يقوم التالية على جهاز محاكاة "Mujoco". هذه المهام هي أبسط بكثير بالمقارنة مع ركوب الدراجة، ويمكن استخدامها لخوارزمية الاختبار.

[الواصل] مهمة: السيطرة على الذراع الروبوتية اثنين من المفاصل، ذراع الروبوت نحو الهدف من نقطة حمراء صغيرة.

[له مواصفات البشر] مهمة: تعلم الروبوت كيفية المشي، والهدف هو المضي قدما في أسرع وقت ممكن. الروبوت حول المفاصل 27، وبعبارة أخرى، كل الانتاج ميلي ثانية واحدة تقدر 27 للسيطرة على حركتها.

نصف الفهد [] مهمة: قطع في نصف، لمعرفة كيفية السيطرة على الفهد تعمل على قدمين، والهدف من ذلك هو لتشغيل إلى الأمام في أسرع وقت ممكن. إذا ساقيه التنسيق سوء، فقد الأمام شقلبة. (هذا نموذج مخيف لقد حصلت تماما ..

)

مجرد ذكر محاكاة الروبوت هي بسيطة نسبيا. دعونا نلقي نظرة على مثال من خوارزميات على التطبيقات الروبوتية حقيقية تعزيز التعلم. فوق الفيديو هو بعد التدريب ساعتين ونصف، علم الروبوت لفتح باب العمل. فيديو من الدماغ [غوغل] معهد.

بعد التدريب، إذا كان لديها بعض التدخل على الروبوت، مثل دفع الذراع الروبوتية، فإنه لا يزال العودة إلى الموضع الصحيح.

لأنها تعلم فعالة مع الذراع الروبوتية، لذلك اعتمدت جوجل وبيركلي الباحثين مفهوم الروبوتية المزرعة: استخدام "لالروبوت مزرعة" في نفس الوقت تعلم، من أجل تسريع عملية التدريب. A الذراع الروبوتية الآلاف من الدولارات في الأسعار، على الأقل من حيث الحجم. مرحبا بكم في أكاديمية المال الضال جوجل

!

المثال التالي من هذه الممارسة هو العالم من القطع. هذه هي ورقة وأنا المعنية، ولكن أيضا OpenAI ستانفورد المشاريع البحثية والتعاون المشترك.

بلدي شارك في تأليف كتاب الدراسات العليا تسينغهوا ستانفورد كبار السن Shitian لين الله العظيم

البروفيسور لى Feifei نجمة تلميذ أندريه Karpathy الله العظيم

وأستاذ ستانفورد بيرسي ليانغ

وهلم جرا. ونشرت الصحيفة في عام 2016 ICML (المؤتمر الدولي للتعلم آلة) المؤتمر.

هنا أتناول العالم البتات، فإن هذا سيكون له سقسقة الخاصة شرحا مفصلا.

العالم من القطع هو مشروع طموح جدا لأن هدفها النهائي هو جعل الذكاء الاصطناعي لمعرفة كيفية الإنترنت. كما هو مبين أعلاه، على اليمين هو تعزيز وكيل التعلم، واليسار هو كنت معتادا على الإنترنت. يمكن الذكاء الاصطناعي، مثل البشر، وتنفيذ عمليات مختلفة على الموقع عن طريق التحكم في الماوس ولوحة المفاتيح.

وكيل إدخال المعلومات الرئيسي هو صورة، مثل الخطوط الجوية المتحدة (يونايتد ايرلاينز) لقطات على الانترنت (على اليسار). ونحن نقدم أيضا إدخال المعلومات الإضافية هي النص في الصورة (الصورة أعلاه)، مما يقلل من عبء احتياجات وكيل آخر لمعرفة OCR (التعرف على الحروف) من.

وكيل وبناء على هذه المدخلات، أن تقرر كيفية السيطرة على الماوس ولوحة المفاتيح (على اليمين). مهمتنا هنا هي للمساعدة في وضع عامل التذاكر. انها تحتاج الى تعلم لفهم معنى النص واجهة رسومية للموقع، ومن ثم وفقا لهذه التعليمات، وتعمل من خلال سلسلة من الماوس ولوحة المفاتيح رحيل المدخلات، وصول، والوقت الذي يستغرقه السفر، وعدد من الركاب وهكذا دواليك.

قبل تعلم كيفية رحلات الكتاب، ونحن أول وكيل للقيام ببعض بسيطة على فأرة الحاسوب ولوحة المفاتيح تدريب، ويمكن اعتباره ممارسة الاحماء. الفيديو يظهر أعلاه، ولدت للقيام بذلك العالمية البسيطة البتات. هذا هو مجموعة من "التدريب ميني"، والذي يتضمن مهام واجهة رسومية التالية (أي ما مجموعه 80 نوعا):

• انقر على الزر تعيين مع الماوس

• اتبع الإرشادات باستخدام لوحة المفاتيح لإدخال النص في مربع الحوار

• السحب اختر اللون الصحيح والشكل

• انقر على القائمة المنسدلة لتحديد العنصر الصحيح

• توسيع الدليل المجلد

• تعلم كيفية استخدام التقويم في المكونات، حدد الموعد المحدد

• تيك تاك تو اللعب

• السحب على موقف معين ثلاثة الزهر

• أدخل اسم المستخدم وكلمة المرور وانقر على "تقديم"

بعد الشكل أعلاه تدرب بالفعل عامل تعزيز التعلم. ويمكن أن يكون على United Airlines، دلتا ايرلاينز، الاسكا ايرلاينز وغيرها من المواقع، واختيار تاريخ المغادرة وأدخل معلوماتك الشخصية لحجز رحلة.

العالم من القطع يمكن أن تؤدي العديد من المهام الأخرى، مثل لتلبية الاحتياجات على الصرخة البحث عن المطاعم، وذلك باستخدام سعر الصرف على شبكة الإنترنت، مجموعة عبر Airbnb والفنادق.

بعد مقدمة العالم من القطع، تليها تطبيق في القطاع المالي. يمكن أن نفكر في سوق الأوراق المالية التجارية هي لعبة، هو النهائية مكافأة الأرباح التي تم الحصول عليها. هدفنا هو تحقيق أقصى قدر من الأرباح، لكنه ينطوي على عملية صنع القرار المعقدة : عندما لشراء؟ متى تبيع؟ عند نقل التوجيه الاستثمار؟ وهلم جرا. لذلك، تعزيز التعلم لديه مكان في العالم المالي.

في الواقع، تعزيز التعلم واحدة من أولى التطبيقات التجارية والإعلان. على سبيل المثال، محفظتك 100 يوان فقط. عرض الإعلان مرة واحدة في اليوم، وجوجل سوف تدفع الشركة 10 $، حتى تتمكن من وضع فقط في الإعلان الأيام العشر. يجب أن يكون هدفك تحقيق أقصى قدر من النقرات على الإعلانات.

في اليوم الأول كنت تفترض أن تصميم الإعلان الخلفية باللون الأخضر، في اليوم التالي باستخدام خلفية حمراء، وذهب في اليوم الثالث يعود إلى اللون الأخضر. وفقا لذلك، في اليوم الأول تحصل 80000 يضرب في اليوم التالي فاز 85000، في اليوم الثالث، وهناك 90000 زيارة. الآن يمكنك الإعلان فقط الفرصة الأخيرة سبعة أيام على التوالي. من أجل تحقيق أقصى قدر من مبلغ النتائج، سبعة أيام بعد اختيار خلفية خلفية حمراء أو خضراء؟ هذه هي مشكلة ما يسمى اللصوص متعدد الذراع.

اللصوص متعدد ذراع من DQN المحاضرة الأخيرة المذكورة AlphaGo تشغيل الفيديو أو الألعاب أو الشطرنج، هو المفهوم أبسط من ذلك بكثير. ولكن التطبيق العملي واسعة جدا. سيكون متعدد الذراع اللصوص بعد بضعة دروس بطل الرواية لدينا.

السيطرة الطاقة التطبيق الأخير. هذا الرقم هو مراكز البيانات جوجل، ولكل خادم في وقت التشغيل تنبعث منها الكثير من الحرارة. إذا كنت تفعل نظام التبريد يست فعالة جدا، وأن هذا مركز البيانات ومن المرجح أن يتم تفكيكها في غضون ساعات قليلة.

أبسط طريقة للتبريد هو موحد في جميع المناطق. ومع ذلك، ليس كل ملقم في توزيع الحرارة من نفسه، بغض النظر عما إذا التبريد العشوائي سوف يسبب الكثير من هدر الطاقة.

تعزيز التعلم تحكم في قوى خارقة للطبيعة، هي القدرة على وصف الحق في الدواء: لظروف تحميل مختلفة، أوقات مختلفة، والطقس مختلفة، ويمكن تخصيص معقول أفضل كمية التبريد الطاقة.

هذا عامل لا يمكن أن تساعد فقط الشركة توفير الكثير من الطاقة في التكاليف، ولكن تسهم أيضا في التخفيف من المشاكل البيئية مثل ظاهرة الاحتباس الحراري.

تاريخ المجتمع

جي وون AI التكنولوجيا + قطاع التوظيف المجتمع الجديد، رحب هبطت طلاب + AI صناعة تكنولوجيا الفائدة، بالإضافة إلى ليتل مساعد مايكرو إشارة: aiera2015_1 في المجموعة، وإذا سيدعى في المجموعة المعتمدة، تأكد من تعديل التصريحات بعد الانضمام إلى جماعة المجتمع (الاسم - الشركة - فرص العمل، مجموعة المهنية للمراجعة أكثر صرامة، يرجى فهم).

بالإضافة إلى ذلك، AI التكنولوجيا + يوان تشى الصناعات المجتمعات الجديدة (السيارات الذكية، والتعلم الآلي، والتعلم العميق، والشبكات العصبية، وغيرها) للمهندسين وتشارك الباحثين في المجالات ذات الصلة من التوظيف.