Heim > Artikel > Technologie-Peripheriegeräte > Drei Gewinner des Turing-Preises diskutierten im Heidelberger Forum darüber, ob Deep Learning menschliches Denken ermöglichen kann
Der 85-jährige Turing-Preisträger Raj Reddy nahm kürzlich am 9. Heidelberg Laureate Forum teil. Er seufzte aufrichtig: „Ich arbeite seit fast 60 Jahren auf dem Gebiet der künstlichen Intelligenz. Ich hätte nie gedacht, dass diese Technologie in meinem Leben einen praktischen Durchbruch bringen würde.“ Damals erwies sich ein innovativer Algorithmus zur Bildklassifizierung auf Basis mehrschichtiger neuronaler Netze plötzlich als viel besser als alle bisherigen Algorithmen. Dieser Durchbruch ermöglicht die Anwendung von Deep Learning in Bereichen wie Sprach- und Bilderkennung, automatische Übersetzung und Transkription sowie Robotik.
Da Deep Learning in immer mehr alltägliche Anwendungen integriert wird, tauchen immer mehr Beispiele für Dinge auf, die schief gehen können: KI-Systeme unterscheiden, formulieren Stereotypen und treffen schwer fassbare Entscheidungen und erfordern manchmal große Datenmengen große Energiemengen.
In diesem Zusammenhang organisierte das 9. Heidelberg Laureate Forum eine Podiumsdiskussion zu den Anwendungen und Auswirkungen von Deep Learning für rund 200 junge Forscher aus mehr als 50 Ländern. An den Diskussionen nahmen die Gewinner des Turing-Preises Yoshua Bengio, Yann LeCun und Raj Reddy, der Gewinner des ACM Computing Award 2011 Sanjeev Arora sowie die Forscher Shannon Vallor, Been Kim, Dina Machuve und Shakir Mohamed teil.
Der leitende KI-Wissenschaftler von Meta, Yann LeCun, war der optimistischste der Diskussionsteilnehmer: „Es gibt viele Leute, die behaupten, dass Deep Learning dies oder das nicht kann, und die meisten dieser Behauptungen haben sich nach mehreren Jahren als falsch erwiesen.“ In den letzten fünf Jahren konnte Deep Learning Dinge bewirken, die sich keiner von uns hätte vorstellen können, und der Fortschritt beschleunigt sich.
LeCun Beispielsweise kann Facebook, das Meta gehört, jetzt automatisch erkennen Bei 96 % der Hassreden lag der Anteil noch vor etwa vier Jahren bei nur 40 %. Er führt diese Verbesserung auf Deep Learning zurück. „Wir werden jeden Tag mit einer Menge Informationen bombardiert, und das wird immer schlimmer. Wir brauchen mehr automatisierte Systeme, die es uns ermöglichen, diese Informationen zu durchsuchen.“ ist anderer Meinung, LeCuns Standpunkt ist, dass die Technologie sich einfach weiterentwickelt, sie einen eigenen Willen zu haben scheint und die Gesellschaft sich einfach anpassen muss. „Genau aus diesem Grund geraten wir in einige der Probleme, die wir haben. Technologie kann viele verzweigte Wege einschlagen, und die Menschen entscheiden, welche Verzweigung die beste ist, und zwar basierend auf ihren eigenen Werten, Anreizen und Machtstrukturen. Bereitstellungen sind reine Artefakte, daher sind wir allein für sie verantwortlich . Aber es passt. Allerdings sehen sowohl Bengio als auch LeCun keinen Grund, warum Deep-Learning-Systeme nicht zur Argumentation eingesetzt werden können. Wie Bengio bemerkte: „Menschen nutzen auch eine Art neuronales Netzwerk in ihrem Gehirn, und ich glaube, dass es Möglichkeiten gibt, durch Deep-Learning-Architekturen menschenähnliches Denken zu erreichen.“ Bengio fügte jedoch hinzu, dass dies seiner Meinung nach nicht der Fall sei Es reicht aus, die heutigen neuronalen Netze einfach zu skalieren. „Ich glaube, dass wir uns mehr von der Biologie und der menschlichen Intelligenz inspirieren lassen können, um die derzeitige Lücke zwischen künstlicher Intelligenz und menschlicher Intelligenz zu schließen.“ Tatsächlich können wir nicht über tiefe neuronale Netze nachdenken. Arora sagte: „Wir müssen mehr darüber verstehen, was in der Blackbox der Deep-Learning-Systeme vor sich geht, und das ist es, was ich versuche zu tun.“ Gemeinschaft der künstlichen Intelligenz Ein Mitglied des Teams, das seit den 1960er Jahren an der Doktorarbeit des Pioniers der künstlichen Intelligenz, John McCarthy, beteiligt ist. Reddy sieht das Glas als halb voll, nicht als halb leer. „Eine wichtige Anwendung von Deep Learning besteht darin, Menschen am unteren Ende der sozialen Pyramide zu helfen. Ungefähr 2 Milliarden Menschen auf der Welt können weder lesen noch schreiben. Verschiedene Sprachtechnologien sind mittlerweile gut genug, um sie zu nutzen, wie etwa Spracherkennung und Übersetzung. Ich arbeite.“ auf diesem Gebiet. Fast 60 Jahre lang hätte ich nie erwartet, dass diese Technologie zu meinen Lebzeiten praktisch sein würde und dass selbst Analphabeten in der Lage sein würden, jedes Buch zu lesen, jeden Film anzusehen und sich mit irgendjemandem überall auf der Welt zu unterhalten. in ihrer Muttersprache.“
Allerdings bleibt der Umgang mit kleineren Nischensprachen ein ungelöstes Problem für Deep-Learning-Techniken, da viel weniger Daten verfügbar sind. Allein in Afrika werden 2.000 Sprachen gesprochen, aber es ist keine KI-Technologie verfügbar, sagt Dina Machuve, Beraterin für Datenwissenschaft. Es ist wichtig, in eine Community zu gehen und zu sehen, was für diese Community funktioniert. Bei der Suche nach Deep-Learning-Anwendungen für Afrika konzentrierte sich Machuve auf Bildanwendungen: „Wir haben Systeme zur Früherkennung von Geflügel- und Pflanzenkrankheiten entwickelt .“
Leider bleibt Afrika in vielerlei Hinsicht der „fehlende Kontinent“ in der Deep-Learning-Forschung und -Einführung, fügt Shakir Mohamed, Forscher bei DeepMind, hinzu. „Wir haben gezählt, wie viele Beiträge von Afrikanern zwischen 2006 und 2016 bei NeurIPS, einer bekannten Konferenz zur neuronalen Informationsverarbeitung, eingereicht wurden, und die Antwort war: 0. Das Gleiche gilt für Lateinamerika, vielleicht 1. Ich hoffe, Sie alle „Wo immer Sie sind, nehmen Sie die Frage der Repräsentation ernst, wer die Arbeit macht, wo sie erledigt wird und wie Sie Ihre Erfahrungen mit anderen teilen“, sagte Been Kim, Forschungswissenschaftlerin bei Google Brain. Sie hofft, dass das jeder tun wird Erkennen Sie, dass Deep Learning kein magisches Werkzeug ist, das alle sozialen Probleme lösen kann. Tatsächlich stellte sie fest: „Möglicherweise gibt es nicht-KI-Lösungen, die für Ihr Problem besser geeignet sind als maschinelles Lernen. Sie müssen innehalten und fragen: Ist das das richtige Werkzeug?“ Es geht darum, zu wissen, was künstliche Intelligenz ist und welche Perspektiven sie hat, sagte Mohamed: „Die Zukunft ist noch nicht entschieden. Wir können die Zukunft immer noch gestalten und gestalten, und daran sollten wir uns immer erinnern.“
Das obige ist der detaillierte Inhalt vonDrei Gewinner des Turing-Preises diskutierten im Heidelberger Forum darüber, ob Deep Learning menschliches Denken ermöglichen kann. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!