


Baru-baru ini, OpenAI, yang nampaknya telah meninggalkan GPT, telah memulakan hidup baharu.
Selepas latihan dengan video besar-besaran tidak berlabel dan sedikit data berlabel, AI akhirnya belajar membuat beliung berlian di Minecraft.
Seluruh proses mengambil pemain tegar sekurang-kurangnya 20 minit untuk diselesaikan, dan memerlukan sejumlah 24,000 operasi.
Perkara ini nampak mudah, tetapi ia sangat sukar untuk AI.
Seorang kanak-kanak berumur 7 tahun boleh mempelajarinya dalam masa 10 minit sahaja
Untuk pilihan kayu yang paling mudah, biarkan pemain manusia belajar proses dari awal Tidak terlalu sukar.
Seorang geek boleh mengajar yang seterusnya dalam masa kurang daripada 3 minit dengan satu video.
Video demo berdurasi 2 minit 52 saat
Walau bagaimanapun, berlian Membuat beliung adalah lebih rumit.
Tetapi walaupun begitu, kanak-kanak berumur 7 tahun boleh mempelajarinya selepas hanya menonton video demonstrasi sepuluh minit.
Kesukaran misi ini terutamanya bagaimana untuk menggali lombong berlian.
Prosesnya boleh diringkaskan kepada 12 langkah: pertama, rancang blok piksel "kayu" dengan tangan kosong, kemudian sintesiskan blok kayu daripada kayu balak, gunakan blok kayu untuk membuat tongkat kayu, dan tongkat kayu untuk membuat peralatan bengkel Bangku, meja kerja untuk membuat beliung kayu, beliung kayu untuk mengetuk batu, batu dan kayu untuk membuat beliung batu, beliung batu untuk membuat relau, relau untuk memproses bijih besi, bijih besi untuk mencairkan dan jongkong besi tuang, jongkong besi untuk membuat beliung besi, beliung besi untuk Menggali berlian.
Kini, tekanan berada di sisi AI.
Kebetulan, CMU, OpenAI, DeepMind, Microsoft Research dan institusi lain telah melancarkan pertandingan berkaitan - MineRL sejak 2019.
Peserta perlu membangunkan kecerdasan buatan yang boleh "membina alatan dari awal dan secara automatik mencari dan melombong lombong berlian juga sangat mudah - yang paling cepat menang .
Apakah keputusannya?
Selepas pertandingan MineRL pertama, "seorang kanak-kanak berusia 7 tahun mempelajarinya selepas menonton video selama 10 minit, tetapi AI masih tidak dapat mengetahuinya selepas 8 juta langkah", tetapi ia diterbitkan dalam majalah Nature.
Walaupun terdapat banyak data, saya tidak boleh menggunakannya
Sebagai permainan pembinaan kotak pasir, "Minecraft" sangat terbuka kepada strategi pemain dan dalam- persekitaran maya permainan ini amat sesuai sebagai medan ujian dan batu ujian untuk pelbagai pembelajaran model AI dan keupayaan membuat keputusan.
Dan sebagai permainan "peringkat kebangsaan", adalah mudah untuk mencari video yang berkaitan dengan "Minecraft" dalam talian.
Namun, sama ada membina tutorial atau mempamerkan hasil kerja sendiri, sedikit sebanyak ia hanyalah hasil yang ditunjukkan pada skrin.
Dalam erti kata lain, orang yang menonton video hanya boleh mengetahui apa yang dilakukan oleh pemimpin atasan dan bagaimana dia melakukannya, tetapi mereka tidak tahu cara dia melakukannya.
Untuk lebih spesifik, apa yang ditunjukkan pada skrin komputer hanyalah hasil, dan langkah operasi adalah klik berterusan pemilik atas pada papan kekunci dan pergerakan berterusan tetikus. Bahagian ini adalah untuk melihat kurang daripada.
Malah proses ini telah diedit, dan orang ramai mungkin tidak dapat mempelajarinya selepas menontonnya, apatah lagi AI.
Memburukkan lagi keadaan, ramai pemain mengadu bahawa mengetam kayu dalam permainan adalah membosankan, terlalu banyak seperti melakukan kerja rumah dan menyiapkan tugasan. Akibatnya, selepas gelombang kemas kini, terdapat banyak alat yang boleh diambil secara percuma... Kini, data pun sukar dicari.
Jika OpenAI mahu membenarkan AI belajar bermain "Minecraft", ia mesti mencari cara untuk menggunakan data video besar yang tidak berlabel ini.
Model pralatihan video - VPT
Jadi, VPT wujud.
Alamat kertas: https://cdn.openai.com/vpt/Paper.pdf
Perkara ini baru, tetapi ia tidak rumit.
Mula-mula, kumpulkan gelombang data untuk menganotasi data permainan permainan sumber luar, termasuk rekod operasi video dan papan kekunci dan tetikus.
Tinjauan keseluruhan kaedah VPT
Kemudian, penyelidik menggunakan data ke Menggunakan model dinamik songsang (IDM), kita boleh membuat kesimpulan bagaimana papan kekunci dan tetikus bergerak semasa setiap langkah dalam video.
Dengan cara ini, keseluruhan tugasan menjadi lebih mudah dan hanya sedikit data yang diperlukan untuk mencapai tujuan tersebut.
Selepas melengkapkan IDM dengan sejumlah kecil data penyumberan luar, anda boleh menggunakan IDM untuk melabel set data tidak berlabel yang lebih besar.
Impak data latihan model asas pada penalaan halus
Dalam latihan Selepas 70,000 jam, model pengklonan tingkah laku OpenAI boleh mencapai pelbagai tugas yang tidak boleh dilakukan oleh model lain.
Model belajar cara menebang pokok dan mengumpul kayu, cara menggunakan kayu untuk membuat jalur kayu, dan cara menggunakan jalur kayu untuk membuat meja. Set perkara ini memerlukan pemain yang agak mahir untuk beroperasi kurang daripada 50 saat.
Selain membuat meja, model juga boleh berenang, memburu, dan makan.
Malah terdapat operasi "berlari, melompat dan membina", iaitu, apabila anda berlepas, letakkan blok bata atau kayu di bawah kaki anda, dan anda boleh membina tiang semasa melompat. Ini adalah kursus yang diperlukan untuk pemain tegar.
Mencipta jadual (0 pukulan)
Memburu (0 pukulan)
"Lari, Lompat dan Bina" versi ringkas (0 pukulan)
Untuk membolehkan model menyelesaikan beberapa tugasan yang lebih terperinci, set data biasanya diperhalusi kepada saiz yang lebih kecil dan membezakan arah yang kecil.
OpenAI melakukan kajian yang menunjukkan sejauh mana model yang dilatih dengan VPT boleh menyesuaikan diri dengan set data hiliran selepas penalaan halus.
Para penyelidik menjemput orang ramai bermain "Minecraft" selama 10 minit dan membina rumah menggunakan bahan asas. Mereka berharap dengan cara ini mereka dapat meningkatkan keupayaan model untuk melaksanakan beberapa tugasan awal permainan, seperti membina meja kerja.
Selepas memperhalusi set data, penyelidik bukan sahaja mendapati model itu melakukan tugas awal dengan lebih mudah, tetapi juga mendapati model itu sendiri memahami cara membuat sekeping kayu masing-masing Meja kerja yang diperbuat daripada batu, dan meja alat yang diperbuat daripada batu.
Sesekali, penyelidik dapat melihat model membina tempat perlindungan kasar, menggeledah kampung dan merompak kotak.
Keseluruhan proses membuat beliung batu (masa yang ditandakan di bawah ialah masa yang diambil oleh pemain mahir untuk melakukan perkara yang sama tugas)
Buat Batu Pilih
Kemudian mari kita lihatlah, bagaimana pakar OpenAI memperhalusinya.
Kaedah yang mereka gunakan ialah pembelajaran pengukuhan (RL).
Kebanyakan kaedah RL menangani cabaran ini dengan meneroka pendahuluan secara stokastik, iaitu model sering diberi insentif untuk memberi ganjaran kepada tindakan rawak melalui entropi. Model VPT sepatutnya menjadi model terdahulu yang lebih baik untuk RL kerana meniru tingkah laku manusia mungkin lebih membantu daripada mengambil tindakan rawak.
Para penyelidik menyediakan model untuk tugas sukar mengumpul beliung berlian, satu ciri yang tidak pernah dilihat sebelum ini dalam Minecraft kerana keseluruhan tugasan dilakukan menggunakan antara muka mesin manusia asli menjadi lebih sukar.
Membuat beliung berlian memerlukan siri sub-tugas yang panjang dan kompleks. Untuk menjadikan tugasan ini dapat dikendalikan, penyelidik memberi ganjaran kepada ejen untuk setiap item dalam urutan.
Mereka mendapati bahawa dasar RL yang dilatih daripada pemulaan rawak (kaedah RL standard) hampir tidak mendapat sebarang ganjaran, tidak pernah belajar mengumpul log, dan sangat Mengumpul kurang batang.
Sebaliknya, model VPT yang diperhalusi bukan sahaja belajar cara membuat beliung berlian, tetapi juga mencapai kejayaan peringkat manusia dalam mengumpul semua item.
Ini adalah kali pertama seseorang menunjukkan model komputer yang boleh mencipta alatan berlian dalam Minecraft.
Atas ialah kandungan terperinci Terkejut! Selepas 70,000 jam latihan, model OpenAI belajar merancang kayu dalam 'Minecraft'. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:https://spj.scien

译者 | 李睿审校 | 孙淑娟近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

DVWA
Damn Vulnerable Web App (DVWA) ialah aplikasi web PHP/MySQL yang sangat terdedah. Matlamat utamanya adalah untuk menjadi bantuan bagi profesional keselamatan untuk menguji kemahiran dan alatan mereka dalam persekitaran undang-undang, untuk membantu pembangun web lebih memahami proses mengamankan aplikasi web, dan untuk membantu guru/pelajar mengajar/belajar dalam persekitaran bilik darjah Aplikasi web keselamatan. Matlamat DVWA adalah untuk mempraktikkan beberapa kelemahan web yang paling biasa melalui antara muka yang mudah dan mudah, dengan pelbagai tahap kesukaran. Sila ambil perhatian bahawa perisian ini

PhpStorm versi Mac
Alat pembangunan bersepadu PHP profesional terkini (2018.2.1).

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

MinGW - GNU Minimalis untuk Windows
Projek ini dalam proses untuk dipindahkan ke osdn.net/projects/mingw, anda boleh terus mengikuti kami di sana. MinGW: Port Windows asli bagi GNU Compiler Collection (GCC), perpustakaan import yang boleh diedarkan secara bebas dan fail pengepala untuk membina aplikasi Windows asli termasuk sambungan kepada masa jalan MSVC untuk menyokong fungsi C99. Semua perisian MinGW boleh dijalankan pada platform Windows 64-bit.

ZendStudio 13.5.1 Mac
Persekitaran pembangunan bersepadu PHP yang berkuasa
