pengantar
Sementara teknologi mengubah hidup kita, itu juga memberi kita beberapa kekhawatiran tersembunyi: Akankah kecerdasan buatan menggantikan kita atau bahkan memerintah kita?
Dalam beberapa tahun terakhir, raksasa teknologi utama dunia telah memasuki bidang kecerdasan buatan, yang telah melahirkan pengembangan dan penerapan sejumlah besar teknologi: perawatan medis AI, terjemahan cerdas, pengenalan gambar, robot sosial cerdas, tanpa pengemudi ... Tidak dapat dilakukan tanpa "pembelajaran mendalam". Sementara teknologi mengubah hidup kita, itu juga memberi kita beberapa kekhawatiran tersembunyi: Akankah kecerdasan buatan menggantikan kita atau bahkan memerintah kita?
Beberapa hari yang lalu, CITIC Press menerbitkan buku "Pembelajaran Mendalam: Kekuatan Penggerak Inti dari Era Cerdas". Penulis buku ini, Terence Senovsky, adalah salah satu dari sepuluh ilmuwan kecerdasan buatan, pelopor, dan pendiri deep learning di dunia. Ia mengalami musim dingin pembelajaran mendalam di tahun 1970-an dan 1990-an. Namun dia dan sekelompok perintis, menggunakan data besar dan daya komputasi yang terus meningkat, akhirnya membuat terobosan besar dalam algoritme jaringan saraf dan menyadari perkembangan pesat kecerdasan buatan. CITIC Press secara khusus mengundang CTO Microsoft (China) Wei Qing untuk berbagi pengalaman membaca buku ini dan penilaiannya tentang perkembangan kecerdasan buatan.
"Pembelajaran Mendalam: Kekuatan Pendorong Inti dari Era Cerdas"
Diproduksi oleh CITIC Publishing Group
Pertama-tama, bagaimana pandangan kita tentang deep learning, apakah itu pengetahuan baru atau perubahan paradigma? Kecerdasan buatan sangat luas, di mana pembelajaran mesin merupakan salah satu aspeknya, dan pembelajaran mendalam adalah sub-domain dari pembelajaran mesin. Menurut saya, pembelajaran mendalam bukan hanya pengetahuan, tetapi juga perubahan paradigma.
Einstein berkata: "Kita tidak dapat memecahkan masalah dengan tingkat pemikiran yang sama seperti saat menciptakannya." Kita berada di era kecerdasan. Mesin mulai memecahkan banyak hal yang menurut manusia sangat baik. Hasilnya, mesin lebih baik dalam memecahkan masalah, jadi kita perlu bekerja keras untuk mempelajari pengetahuan baru. Terence Senovsky, penulis buku "Deep Learning", adalah seorang pendahulu dan ahli yang telah mengikuti perkembangan industri selama beberapa dekade, dengan jelas menjelaskan seluk beluk "Deep Learning" dalam buku ini. Inti terbesarnya adalah pengetahuan semacam ini menuntut kita untuk memahami cara berpikir manusia dan mentransformasikan cara mendeskripsikan dunia melalui algoritme matematika, sehingga kita memahami bahwa dunia terdiri dari banyak model.
Jika kita masih mengusung cara berpikir lama, baik itu cara berpikir di era listrik maupun cara berpikir di era informasi, kita tidak bisa memahami persamaan dan perbedaan antara cara berpikir orang-orang di era cerdas dan cara komputasi dengan komputer. Cara berpikir masa lalu akan membuahkan dua hasil: di satu sisi, mudah untuk mitos dan membesar-besarkan pencapaian kecerdasan buatan, dan di sisi lain, mereka salah memahami pencapaian perkembangan kecerdasan buatan yang ditimbulkan oleh kemajuan dalam matematika dan algoritma. Ada banyak kekhawatiran tentang apakah mesin akan menggantikan manusia dan apakah robot akan menghancurkan manusia karena mereka tidak sepenuhnya memahami apa itu kecerdasan buatan.
Karena munculnya topik-topik baru tanpa akhir yang dipicu oleh kemajuan teknologi, kami terus menerima ide-ide baru secara pasif. Semakin banyak orang yang menemukan bahwa umat manusia telah mulai memasuki "tanah tak bertuan". Tidak ada pemikir atau filsuf besar yang dapat memberi tahu kita seperti apa masa depan nanti. Jadi orang banyak berdebat tentang kecerdasan buatan dan kecerdasan mesin. Perdebatan tentang robot, perdebatan tentang hubungan antara teknologi dan manusia, dan sebagainya.
CEO Microsoft Satya pernah berkata dalam pidatonya: "Tidak ada yang akan membimbing kami di masa depan, jadi kami dapat memilih untuk belajar dari sejarah dan melihat apa yang terjadi dalam sejarah." Yang paling representatif adalah revolusi industri pertama hingga revolusi industri kedua. Pada masa revolusi sub industri, era uap memasuki era elektrifikasi. Saya meringkas tahap ini menjadi empat sikap dan empat ujung.
Di era uap, banyak perusahaan global yang berpengaruh menggunakan tenaga uap untuk menggantikan anggota tubuh manusia, tetapi ketika listrik muncul, sebagian besar perusahaan meremehkan listrik karena efisiensi listrik pada awalnya tidak cukup tinggi. Ide perusahaan jenis pertama adalah listriknya tidak bagus, efisiensinya terlalu rendah, tidak ada masa depan, tenaga uapnya cukup, dan perusahaan-perusahaan ini akan diberhentikan setelah seratus tahun.
Perusahaan kategori kedua meletakkan beberapa beban, percaya bahwa listrik adalah hal baru dan memiliki potensi untuk dikembangkan, namun tetap sangat percaya pada kekuatan mesin uap, dan bahwa mereka dapat tetap kompetitif selama mereka ditingkatkan. Perusahaan-perusahaan ini juga telah tersingkir.
Yang disayangkan adalah perusahaan tipe ketiga, mereka telah mengesampingkan produktivitas lama, mulai merangkul produktivitas baru dan membentuk relasi produksi baru, namun cara berpikirnya tidak berubah. Mereka percaya bahwa mereka sepenuhnya merangkul era elektrifikasi dan telah menghasilkan efisiensi super tinggi dan biaya lebih rendah daripada era mesin uap, tetapi mereka masih dibandingkan dengan mesin uap, dan perusahaan-perusahaan ini akhirnya tereliminasi. Satya menyebutkan, kami telah melakukan beberapa analisa kasar, dan hanya kurang dari 5% perusahaan yang telah menyelesaikan transformasi dan lompatan di era tersebut, dan benar-benar memasuki era elektrifikasi.
Pada saat itu, konsep elektrifikasi sebagian besar perusahaan hanyalah berapa banyak lampu yang dapat dinyalakan, atau seberapa banyak efisiensi yang dapat ditingkatkan jalur produksi. Hanya 5% perusahaan memilih untuk sepenuhnya meletakkan beban mereka, melupakan apa itu listrik dan apa itu uap, tetapi perlakukan semuanya sebagai alat. Yang diinginkan perusahaan-perusahaan ini adalah memasuki era baru. Ini menunjukkan efisiensi yang lebih tinggi, biaya yang lebih rendah, serta pengalaman pengguna dan kualitas produk yang lebih baik.
Melalui peristiwa sejarah, kami dapat menemukan bahwa perkiraan masa depan kami saat ini tidak mencukupi, dan kami mungkin tidak sepenuhnya memperkirakan dampak masa depan.
Pada tahap tertentu dalam sejarah, manusia purba mulai menemukan dan menggunakan alat, seperti mengetuk benda dengan tulang atau batu, dan menyelesaikan kemampuan yang tidak dapat dicapai oleh tangan mereka. Ada adegan yang sangat terkenal dalam film fiksi ilmiah terkenal "2001: A Space Odyssey." Tiba-tiba manusia kera menemukan bahwa suatu hari dia dapat menggunakan tulang untuk merobohkan tulang lain dan mematahkan tulang lainnya. Ini adalah kemajuan besar dalam sejarah manusia. Ia menemukan bahwa tulang ini tidak hanya dapat mengenai tulang, tetapi juga pada daging, buah-buahan, dan binatang buas, dan juga dapat digunakan untuk pertahanan diri. Pada saat itu, manusia menemukan bahwa mereka dapat mengembangkan kemampuan anggota tubuh mereka dan menggunakan alat eksternal untuk meningkatkan kemampuan mereka.
Setelah Revolusi Industri, umat manusia menemukan bahwa tidak hanya perkakas tradisional, tetapi juga berbagai kekuatan mekanik dapat menggantikan anggota tubuh manusia. Kami tidak akan bosan untuk mengatakan bahwa kami masih dapat bersaing dengan mesin dalam hal kekuatan otot, seperti berlari melawan mobil, tidak ada yang boleh melakukan ini. Nyatanya, tidak hanya fungsi otot, tapi juga fungsi kalkulasi kita sudah dieliminasi. Apakah ada orang yang bisa langsung mengemudikan 7 pangkat 3? jangan. Kita dapat membeli kalkulator dengan harga lebih dari sepuluh dolar, dan kalkulator dapat melakukannya. Mengapa kita tidak takut dengan fenomena ini, tetapi takut pada kecerdasan buatan?
Banyak pakar industri memiliki perasaan ini. Sekarang hype media tentang kecerdasan buatan terlalu panas, pembaca dan bahkan pembuat keputusan telah kehilangan pemahaman inti mereka tentang masalah ini. Inti dari kecerdasan buatan sebenarnya adalah kemampuan pembelajaran mesin, yang merupakan sejenis kecerdasan mesin. Sekarang cara utama berekspresi adalah deep learning, namun tidak berarti bahwa semiotika yang telah kami coba dan metode penalaran logis ini belum ketinggalan zaman, tetapi belum terealisasi. Pada tahap ini, pembelajaran mendalam telah membuat terobosan besar, membawa semua orang ke masa depan yang baru. Akankah pembelajaran mendalam berdampingan dengan kecerdasan buatan dan metode pembelajaran mesin di masa depan yang baru? Kami tidak tahu, jadi kami tidak menolak pandangan ini, terutama jangan berpikir bahwa sekarang adalah cara untuk mempelajari deep learning. Ke depan hendaknya kemampuan pembelajaran manusia, kemampuan pembelajaran mesin, kemampuan deep learning dan kemampuan penalaran logis merupakan tahapan persekutuan dan simbiosis, yang mungkin merupakan aspek yang secara lebih obyektif menggambarkan karakteristik era masa depan.
Pembelajaran mendalam sebelum era kecerdasan bergantung pada akumulasi data untuk belajar dan mengemudi. Tetapi data saat ini tidak cukup besar dan juga tidak cukup baik. Meskipun kami memiliki banyak data, itu tidak terlalu besar dan bagus. Tidak banyak konsep big data. Struktur data dan sumber data kita belum membentuk masyarakat yang saling terhubung, Internet of Things belum diterapkan, dan 5G belum ada. Mungkin datanya tidak cukup dan kurang bagus. Infrastruktur yang mendukung Internet of Everything justru merupakan arsitektur komputasi awan. Oleh karena itu, dikatakan bahwa kebijaksanaan, kebesaran, materi, dan awan terbelakang, dan awan, materi, kebesaran, dan kebijaksanaanlah yang ditafsirkan secara langsung.
Bagaimana memahami kecerdasan buatan Saya telah merangkum empat poin: Pertama, itu harus diterapkan. Jika kita mengambil mata kuliah "belajar bagaimana belajar", kita akan menemukan bahwa cara yang paling populer saat ini adalah Pembelajaran Berbasis Masalah, yaitu pembelajaran berbasis masalah dan pembelajaran berdasarkan solusi pemecahan masalah yang sebenarnya. Masa depan adalah era belajar seumur hidup, tidak ada yang namanya tidak belajar setelah lulus dari universitas. Bagaimana cara belajar seumur hidup? Anda harus belajar dengan pertanyaan, sehingga Anda belajar lebih banyak dan lebih dalam dan belajar lebih banyak dan lebih berguna. Kecerdasan buatan juga sama, ini adalah proses pembelajaran. Belajar tidak bisa dipelajari untuk belajar, itu harus berorientasi pada masalah.
Pandangan kedua saya adalah bahwa pengembangan deep learning tidak hanya bergantung pada kemajuan matematika, tetapi juga pada kemajuan ilmu komputer, tetapi juga pada pemahaman tentang saraf manusia, saraf otak, saraf transmisi, dan saraf persepsi. apa yang sedang terjadi.
Sekarang kita masing-masing memiliki kemampuan belajar dasar, dan hal yang sama berlaku untuk pembelajaran mesin, hanya kemampuan umum untuk belajar melalui antarmuka terbuka. Di masa depan, setiap orang harus berada di atas kemampuan umum dan menguasai kemampuan belajar industri agar benar-benar membawa kesejahteraan yang lebih besar bagi umat manusia.
Poin keempat adalah untuk benar-benar menghasilkan kemampuan pembelajaran yang mendalam, kita membutuhkan data, bakat, algoritma, dan daya komputasi. Perusahaan profesional seperti Microsoft dapat menyediakan algoritme dan daya komputasi yang lebih kuat, dan lebih banyak perusahaan perlu bekerja keras dalam pelatihan bakat dan pengumpulan data untuk mempromosikan interaksi. Data, bakat, algoritme, dan daya komputasi sangat diperlukan. Setiap aspek memiliki peluang bisnis yang sangat besar dimasa yang akan datang, justru karena kita akan memasuki masyarakat cerdas, peluang bisnis tidak hanya ada di intelijen itu sendiri, tetapi di semua aspek.
Perumpamaan orang buta menyentuh gajah sebagai contoh, era ini adalah era tanpa ahli, dan kita masing-masing belajar. Tidak ada kerugian di garis start, karena setiap hari ada garis start baru. Selama kita tidak putus asa belajar, jangan menyerah pada diri sendiri, jangan berpikir bahwa ketika saya mencapai usia tertentu atau status tertentu, saya tidak akan bersekolah, dan tidak berhenti mempelajari ilmu lain hanya karena saya belajar seni liberal atau sains. . Yang dibutuhkan di masa depan adalah belajar setiap hari. Karena jaman besar ini belum tiba, kita paling banyak menyentuh bagian dari gajah, jadi semua orang mungkin akan menjadi orang yang pada akhirnya akan menyentuh gajah secara keseluruhan.
Justru karena tidak ada ahli di zaman ini dan tidak ada yang disebut aksioma.Setiap teori bisa menjadi teori yang layak pada saat itu, tapi bukan berarti bisa menjadi teori abadi atau aturan sukses abadi. Kita akan belajar, bukan hanya semua jenis ahli, bukan hanya baru, dan yang lebih penting, hanya nyata, Anda mencobanya sendiri, kuda poni melintasi sungai, hanya Anda yang tahu kedalaman airnya. Mendengarkan orang lain mengatakan ya, termasuk apa yang saya bicarakan, ini hanya pengalaman dan pemahaman saya di Microsoft selama bertahun-tahun, tidak berarti semua pengalaman dan pemahaman manusia, terutama apakah itu benar. Kami mungkin juga bisa mencobanya sendiri, dan dengan berani menemukan bahwa air tidak sedalam yang dikatakan A atau sedangkal yang dikatakan B. Metode terbaik untuk Anda adalah metode terbaik.
Akhirnya, kata-kata Tuan Bill Gates diakhiri: Kebanyakan orang cenderung melebih-lebihkan apa yang bisa dia capai dalam satu tahun, tetapi mudah untuk meremehkan apa yang bisa mereka capai setelah sepuluh tahun. Setiap orang harus mengerti. Pertama, tidak ada ahli, kedua, tidak ada garis start, dan ketiga, pengetahuan baru dan ide-ide baru diperbarui setiap hari.Mari kita tidak menyerah pada diri kita sendiri, pada saat yang sama, kita harus pegang kepercayaan diri yang paling dasar dan keyakinan pada diri sendiri dan belajar dengan giat.
Sunting | Aban Proofreading | Nuts Vision | Niu Xiaowei
SELESAI
- Itu hanya bertahan selama dua tahun dari daftar hingga produksi terpendek. Siapa yang disebabkan oleh model yang berumur pendek ini?
- Setelah pria itu "menikah" dalam game online, "istrinya" yang menderita leukemia meminta 260.000 yuan!