Penulis: Microsoft Academic Cooperation
Artikel ini Sekitar 5600 kata , Dianjurkan untuk membaca 10 menit
Mengangkat tema Komunikasi Tanpa Batas-Pemrosesan Bahasa Alami Membuat Hidup Lebih Baik, Wakil Dekan MSRA Dr. Zhou Ming memperkenalkan kemajuan pemrosesan bahasa alami (NLP), khususnya jaringan saraf NLP, dan membahas perkembangan teknologi masa depan.Label: Pemrosesan Bahasa Alami
University of Science and Technology of China × Microsoft Asia Research Institute memulai serangkaian perkuliahan. Wakil Dekan MSRA Dr. Zhou Ming memperkenalkan pemrosesan bahasa alami (NLP), terutama jaringan saraf NLP, dengan tema "Komunikasi Tanpa Batas-Pemrosesan Bahasa Alami Membuat Hidup Lebih Baik" Progress, membahas perkembangan teknologi masa depan. Dia juga berbicara tentang pengalaman pelatihan bakat dari perspektif perusahaan, membantu siswa menemukan arah pengembangan pribadi di masa depan, meningkatkan kekuatan lunak dan keras mereka, dan meletakkan dasar yang kokoh untuk penelitian ilmiah dan pengembangan karier.
Pengenalan pembicara
Zhou Ming, Wakil Presiden Microsoft Research Asia
Mantan Presiden Asosiasi Internasional untuk Bahasa Komputasi (ACL), Wakil Presiden Masyarakat Komputer Cina, Anggota Dewan Tetap Masyarakat Informasi Cina Cina, dan pemenang Medali Tenaga Kerja Modal. Dia telah lama terlibat dalam penelitian pemrosesan bahasa alami dan telah memberikan kontribusi penting bagi pengembangan NLP di Cina dan dunia.
Komunikasi tanpa batas - pemrosesan bahasa alami membuat hidup lebih baik
Topik 1: Pengantar penelitian tentang pemrosesan bahasa alami
- Mengapa kecerdasan buatan membuat kemajuan pesat dalam beberapa tahun terakhir?
Saya pikir ada tiga aspek untuk dipromosikan.
Yang pertama adalah data , Kami memiliki data besar yang belum pernah terjadi sebelumnya. Menggunakan data besar, berdasarkan pembelajaran mesin, hukum data dapat diperoleh atau pengetahuan penting dapat diekstraksi untuk memandu sistem melakukan operasi cerdas.
Yang kedua adalah Algoritma diwakili oleh deep learning . Dengan algoritme dan alat pembelajaran mendalam, mudah untuk memprogram kecerdasan buatan.
Yang ketiga adalah Hitung kemampuan . Sekarang tidak masalah untuk melatih model besar pada komputasi awan atau cluster GPU. Model yang tidak dapat dilatih dalam beberapa bulan terakhir sekarang dapat dilatih dalam beberapa hari atau beberapa jam.
Ketiga elemen ini telah mempromosikan kecerdasan buatan untuk membuat kemajuan baru dalam ucapan, citra, pemahaman bahasa alami, dan aspek lainnya.
- Teknologi kunci pemrosesan bahasa alami jaringan saraf
Pemrosesan bahasa alami jaringan saraf adalah arus utama saat ini. Gambar ini menunjukkan beberapa perkembangan pemrosesan bahasa alami jaringan saraf dalam lima tahun terakhir atau lebih, dan promosi penelitian tentang terjemahan mesin dan pemahaman bacaan.
Menurut saya ada 5 teknologi terpenting dari pemrosesan bahasa alami jaringan saraf.
yang pertama adalah embedding kata , Word embedding, yang merupakan sejenis ekspresi semantik kata, menggunakan vektor multidimensi untuk merepresentasikan semantik kata.
Yang kedua adalah penyematan kalimat , Kalimat embedding, yaitu ekspresi semantik dari sebuah kalimat.
Yang ketiga adalah decoder encoder , Ubah string menjadi string lain, pergi melalui encoder, dan kemudian melalui decoder (decoder) untuk mencapai. Sebuah teknologi yang disebut decoder Encoder dengan perhatian (Encoder decoder dengan perhatian) dikembangkan untuk meningkatkan level encoding dan decoding.
Teknik keempat adalah Transformator , Memperkenalkan model perhatian diri untuk meningkatkan kemampuan pengkodean dan dekode jaringan saraf berulang.
Teknik terakhir adalah Model terlatih . Kelima teknologi ini saat ini merupakan teknologi inti pemrosesan bahasa alami jaringan saraf.
Bagaimana cara mendapatkan representasi semantik dari kata-kata? Saya memperkenalkan metode yang disebut Word2vec.
Arti sebuah kata perlu ditentukan oleh konteksnya. Kami ingin mengungkapkan kata-kata, pada kenyataannya, kami ingin membuat sinonim dan sinonim serupa di ruang semantik. Saat kita mengungkapkan sebuah kata, itu diwakili oleh kata-kata di sekitarnya. Ada pepatah yang disebut "mengawasi sahabatnya mengetahui maknanya". Misalnya, kata bank, sulit untuk mengatakan secara spesifik apa artinya, tetapi jika Anda tahu jenis kata apa yang sering dikaitkan dengannya dan seberapa kuat hubungannya, maka Anda mungkin dapat menebak arti kata tersebut.
Word2vec menggunakan korpus skala besar untuk menghitung dan melatih kemampuan prediksi. Misalnya, Anda dapat menggunakan dua kata di kiri dan dua kata di kanan kata untuk memprediksi kata tengah melalui jaringan saraf. Prediksi di awal harus tidak akurat, setelah jaringan diinisialisasi, setelah dilakukan training dengan beberapa contoh, dengan asumsi jaringan stabil maka akan diperoleh hasil prediksi yang lebih akurat. Dengan cara ini, representasi semantik dari setiap kata diperoleh. Demikian pula, dua atau lebih kata kiri dan kanan dapat diprediksi oleh kata saat ini, dan bobot jaringan dapat disesuaikan sesuai dengan kesalahan prediksi untuk secara bertahap mendapatkan prediksi yang lebih baik.
Berikut ini secara singkat perkenalan "model pra-pelatihan". Kata embedding yang disebutkan di atas bersifat statis. Misalnya, kata bank, apa pun konteksnya, itu adalah kata yang sama dengan embedding. Namun pada kenyataannya bank memiliki arti yang berbeda dalam konteks yang berbeda. Untuk mencerminkan informasi dinamis, model bahasa alami terlatih diperkenalkan untuk mencerminkan arti setiap kata dalam konteks yang berbeda. Secara umum, Masked LM sekarang umum digunakan, yaitu untuk menutupi kata tertentu, menebak kata melalui jaringan sesuai konteksnya, kemudian menyesuaikan jaringan jika tebakannya bukan kriterianya. Anda juga dapat menambahkan beberapa tugas lain, seperti memprediksi apakah kalimat tertentu adalah kalimat berikutnya dari kalimat saat ini. Berdasarkan informasi ini, jaringan dapat dilatih untuk mendapatkan representasi vektor dari kata-kata yang berhubungan dengan konteks untuk kalimat masukan. Berdasarkan model pra-pelatihan ini, konteks dan kalimat tunggal bahasa alami dapat dimodelkan dengan baik.
Apa yang dapat dilakukan pemrosesan bahasa alami? Berikut ini beberapa contohnya. Dapat melakukan analisis semantik. Melalui sebuah kalimat, kami akan menganalisis ekspresi semantiknya. Jika konteksnya relevan, simpan hasil yang diperoleh di atas untuk membantu analisis semantik di bawah.
Kami juga dapat mengekstrak informasi penting dari teks, mengekstrak waktu, tempat, orang, dll. Untuk mendapatkan representasi informasi yang terstruktur. Ini dapat digunakan untuk ekstraksi pengetahuan, pencarian, peringkasan otomatis dan tanya jawab otomatis, dll.
Kami juga dapat membuat anotasi gambar. Pahami konten gambar tertentu dan berikan deskripsi bahasa yang alami.
Kami juga dapat melakukan terjemahan mesin yang baik, terjemahan bahasa isyarat, bait, penulisan puisi, dll.
Topik 2: Diskusikan tren perkembangan teknologi masa depan
Apa masalah dengan bahasa alami?
Pertama, itu kurang akal sehat dan penalaran.
Terkadang ada beberapa putaran dialog, dan roda depan dan belakang tidak konsisten, karena robot tidak menyimpan informasi dari roda depan dengan baik dan mengaktifkannya dengan cerdas selama dialog, mengakibatkan ketidakkonsistenan waktu, ruang, dan logika, dll. fenomena.
Kami sekarang menggunakan sumber daya komputasi skala besar untuk pelatihan, yang sangat intensif sumber daya, dan semua orang menggunakan GPU. Untuk menempati posisi terdepan dalam daya komputasi, banyak perusahaan besar mengembangkan chip baru dan cluster GPU skala besar untuk mendukung proses pelatihan. Ini menjadi perlombaan senjata tanpa akhir untuk sumber daya komputasi.
Ada juga masalah dengan datanya sendiri. Ketika data diberi label, karena masalah pemberi label atau sumbernya, ada beberapa penyimpangan dalam pelabelan data, dan ada juga banyak penyimpangan dalam model pelatihan. Bagaimana cara menghilangkan penyimpangan data itu sendiri? Bagaimana cara menghapus diskriminasi? Ini adalah masalah yang tidak terselesaikan dengan baik saat ini.
Ada juga masalah privasi. Jika kami tidak dapat menggunakan data pengguna untuk pelatihan, kami tidak dapat mencapai layanan yang dipersonalisasi. Namun, jika digunakan untuk pelatihan, hal itu mungkin melanggar privasi pengguna. Bagaimana cara melakukan pembelajaran mesin di bawah perlindungan privasi? Misalnya, pembelajaran federal saat ini adalah arah penelitian yang sangat penting.
Apa yang ingin kita lakukan dengan perkembangan teknologi di masa depan?
Kami ingin menjadi NLP yang dapat dijelaskan, berpengetahuan luas, etis, dan ekonomis yang terus belajar. Misalnya, untuk tugas yang kaya sumber daya, pemodelan konteks, koreksi data, pembelajaran multi-tugas, dan pengenalan pengetahuan buatan harus dilakukan; untuk tugas yang kekurangan sumber data, pembelajaran transfer harus dipelajari untuk memperkenalkan domain lain atau pengetahuan umum ke dalam domain tertentu. , Atau perkenalkan pengetahuan manusia untuk memungkinkan model dimulai dengan dingin, dan kemudian secara bertahap meningkatkan kemampuannya selama penggunaan.
Fokus penelitian selanjutnya meliputi 10 aspek berikut.
Jika Anda tertarik, Anda dapat merujuk ke dua buku terbaru kami untuk pengenalan mendetail tentang jaringan saraf, Tanya Jawab atau terjemahan.
Topik 3: Jelajahi pengalaman pelatihan bakat dari perspektif perusahaan
Sekarang, jumlah lulusan perguruan tinggi kami berkembang pesat, tetapi kami menemukan bahwa setelah banyak siswa tiba di perusahaan, apakah itu keterampilan profesional atau kemampuan bergaul dengan orang lain, mereka jauh dari persyaratan perusahaan. Tentu hal ini juga wajar, setiap orang memiliki proses belajar ulang dan penyesuaian kembali. Namun, jika Anda secara sadar menyesuaikan diri dalam aspek tertentu di tingkat universitas, Anda akan dapat beradaptasi dengan cepat ketika Anda datang ke masyarakat. Mekanisme pelatihan bakat kami saat ini telah mengembangkan banyak insinyur dan bakat biasa, tetapi relatif sedikit bakat utama. Bagaimana sekolah dapat memperkuat pelatihan beberapa bakat luar biasa dan memperkuat kualitas yang diperlukan dari bakat tersebut? Grup kami telah melatih 500 siswa di masa lalu, dan ada lebih dari 20 dokter dan lebih dari 20 pasca-dokter. Kami juga telah mengumpulkan beberapa pengalaman. Izinkan saya berbagi dengan Anda di sini.
Saya pikir pengembangan bakat luar biasa perlu fokus pada tiga aspek kualitas.
Pertama adalah falsafah hidup, kebutuhan dan ketinggian bagi kehidupan masyarakat. Semakin tinggi persyaratan dan semakin besar ruang untuk pertumbuhan, semakin baik pencapaiannya. Kedua adalah hard power, keterampilan profesional seperti matematika dan pemrograman. Ketiga adalah soft power, EQ, kemampuan eksekusi, kemampuan perencanaan, dan optimisme.
Saya ingin menjelaskan pandangan saya kepada semua orang secara terpisah.
Pertama, filosofi hidup. Selain moralitas manusia, ada tiga aspek kualitas yang sangat penting.
Yang pertama adalah mengejar inovasi. Inovasi adalah mengedepankan beberapa gagasan dan wawasan yang berbeda dari orang biasa dan berbeda dengan konvensi, meningkatkan untuk memenuhi kebutuhan sosial, menciptakan metode teoritis baru, model teknis, dan produk, untuk meningkatkan produktivitas dan memberi manfaat bagi umat manusia. Contohnya, Jobs, semua orang tahu bahwa Jobs terus berinovasi sepanjang hidupnya. Dia memiliki kualitas seni liberal dan sains. Banyak orang mengira dia adalah pria sains dan teknik, tetapi sebelum Jobs keluar, dia kuliah di Reed College, sebuah perguruan tinggi seni liberal liberal. Mata kuliah pilihan yang disukai Jobs untuk dipelajari adalah kaligrafi dan tari.Beberapa sudut pandang estetika yang dipelajari dalam kaligrafi dan tari diperkenalkan ke dalam desain komputer Apple. Dia juga menekankan bahwa kita harus berinovasi dalam produk, Inovasi menentukan apakah Anda pemimpin atau pengikut, Anda harus bekerja dengan orang-orang terbaik. Dia dengan berani mempromosikan inovasi produk, menyelamatkan Apple dari keterpurukan dan menjadi salah satu perusahaan dengan nilai pasar tertinggi. Jadi teman sekelas kita harus menumbuhkan kemampuan inovasi sejak awal.
Yang kedua adalah mindset berkembang. Ada dua jenis pemikiran manusia, tetap dan berkembang. Setiap orang memiliki dua gagasan ini. Pemikiran tetap percaya bahwa sifat dan kemampuan orang secara inheren tetap dan tidak dapat diubah setelahnya. Jenis pemikiran ini mengarah pada langkah demi langkah, santai dan damai, takut gagal, dan hanya bersedia melakukan apa yang mereka kuasai. The growth mindset percaya bahwa setiap keterampilan dan kemampuan dapat terus dipelajari dan dikembangkan.Tidak ada kerangka bawaan untuk mengatakan bahwa saya tidak pandai matematika, jadi saya tidak akan mengerjakan matematika, bahasa Inggris saya tidak bagus, dan saya tidak akan pernah belajar bahasa Inggris. Tidak, tetapi untuk menyerang balik, menantang diri sendiri, dan memperkuat beberapa kemampuan terkait Anda. Misalnya, CEO Microsoft Nadella menganjurkan pola pikir berkembang dan mendorong inovasi. Microsoft telah berpindah dari bidang yang relatif nyaman, PC dan sistem operasi, ke meta-komputasi dan open source yang tidak biasa tetapi memiliki lebih banyak ruang untuk pengembangan, yang telah membawa lebih banyak ruang bagi perusahaan untuk pengembangan.
Ketiga adalah bahwa polanya harus tinggi, yaitu, ranah kehidupan harus tinggi, dan Anda tidak bisa kaya dan aman. Misalnya Bill Gates, pendiri Microsoft, semua orang tahu bahwa dia baru-baru ini mengundurkan diri dari dewan direksi Microsoft dan mengabdikan dirinya untuk amal. Ketika dia di Microsoft, dia memiliki visi yang tinggi sejak awal. Ketika perusahaan masih kecil, dia mengatakan bahwa di masa depan, setiap orang akan memiliki komputer di meja mereka, dan semua orang akan menjalankan perangkat lunak saya di komputer mereka. Setelah perusahaan tumbuh lebih besar, dia memikirkan beberapa masalah yang dihadapi oleh perkembangan umum umat manusia, seperti kesehatan masyarakat, dll., Dan mencurahkan hampir semua uang dan energinya untuk masalah umum yang dihadapi umat manusia ini. Saya juga berharap semua orang berhenti berbicara tentang mendapatkan lebih banyak uang dan membeli rumah di masa depan. Kita harus berpikir bahwa jika kita menyelesaikan hidup ini dengan kemampuan kita sendiri, kita dapat membantu manusia menyelesaikan masalah yang sangat penting, kita memiliki kemampuan dan kemampuan untuk menyelesaikannya.
Setelah filosofi kehidupan, yang kedua adalah kekuatan keras. Matematika sangat penting karena merupakan sarana yang sangat diperlukan untuk membangun model, membuat derivasi, membuat statistik, dan menemukan hukum. Baru saja saya memperkenalkan pemrosesan bahasa alami jaringan saraf, di belakangnya ada beberapa matematika. Kedua, bahasa Inggris sangat penting. Semua orang belajar banyak bahasa Inggris selama kuliah, tetapi beberapa siswa pergi ke luar negeri setelah lulus, dan mereka tidak bisa buka mulut.Ada beberapa kendala dalam membaca sastra Inggris. Bahasa Inggris adalah proses pembelajaran terus menerus dan pembelajaran seumur hidup. Ketiga, saya ingin menekankan pentingnya pemrograman. Kami punya ide bahwa jika kami tidak tahu bagaimana memprogram, hal-hal ini akan menjadi fantasi. Jika Anda dapat memprogram, program yang sangat naif di awal, dengan ide-ide baru, pengulangan terus menerus, menjadi lebih baik dan lebih baik, dan akhirnya akan ada beberapa inovasi hebat.
Yang ketiga adalah kekuatan lunak. Izinkan saya berbicara lebih banyak di sini.
Orang dengan EQ tinggi memahami diri mereka sendiri, mereka dapat mengelola dan memotivasi diri sendiri, mereka juga memahami emosi orang lain, menangani hubungan interpersonal dengan baik, menanggung tekanan, dan percaya diri tetapi tidak berpuas diri. Dia menghormati orang lain, bersedia membantu orang lain, dan tidak takut gagal. Kinerja EQ yang rendah adalah kesadaran diri yang buruk, kurang percaya diri, tidak yakin akan tujuan, ketergantungan pada orang lain, tidak mempertimbangkan perasaan orang lain, kemampuan yang buruk untuk menghadapi hubungan interpersonal, hidup yang tidak teratur, suka mengeluh, daya tahan psikologis yang buruk, ketidakmampuan untuk berdiri sedikit pukulan, tidak ada hubungan Berkomunikasi dengan orang lain.
Kekuatan lunak juga diwujudkan dalam kemampuan beradaptasi dengan lingkungan. Misalnya, jika teman sekelas yang lulus dari perguruan tinggi berkumpul bersama, Anda akan menemukan bahwa beberapa teman sekelas nantinya akan sangat baik, tetapi dia bukanlah siswa terbaik di perguruan tinggi, tetapi dia tiba di pekerjaan atau masyarakat baru dan dengan cepat menyesuaikan diri. Cepat menebus kekurangan Anda, belajar dari orang lain, belajar dari buku, dan menjadi lebih baik dan lebih baik. Namun banyak orang yang tidak terlalu nyaman dengan lingkungannya, mereka selalu merasa lingkungan itu tidak adil baginya, putus asa ketika menghadapi kemunduran dan tidak memiliki ruang yang baik untuk tumbuh. Kemudian setelah 10 atau 20 tahun berlalu, dia berdiri diam, bahkan mundur, sementara yang lain maju.
Ada juga yang berjiwa positif dan optimis. Orang yang positif melihat setiap tantangan dan melihat beberapa peluang, sementara orang yang negatif melihat beberapa kesedihan. Oleh karena itu, peluang berarti krisis dan peluang baru.
Akhirnya, saya harap Anda semua merencanakan universitas Anda selama 4 tahun dengan baik.
Ketika saya pertama kali mendaftar, saya adalah orang yang sangat tidak dewasa tetapi penuh harapan, sepotong batu giok mentah. Saya berharap Anda akan meninggalkan kampus dalam 4 tahun setelah Anda bekerja keras dan membuat rencana. Menjadi pilar nasional yang berani dan strategis. Seperti kata pepatah, cita-cita itu seperti bintang pagi, kita tidak pernah bisa menyentuhnya, tapi kita bisa menggunakan posisi bintang untuk bernavigasi seperti pelaut. Silakan pilih jalan yang cocok untuk Anda, pertahankan, dan pertahankan sampai Anda berhasil.
Ini adalah kuliah saya hari ini. Saya harap semua orang memahami inti teknologi pemrosesan bahasa alami, perkembangan saat ini, dan tren masa depan. Saya juga berharap semua orang akan memikirkannya, Pada awal penelitian Anda yang merupakan tahun pertama kuliah, Anda akan menyesuaikan diri dan membuat rencana yang sesuai untuk mempersiapkan karir penelitian masa depan Anda.
QA
T: Sekarang teman sekelas kita yang melakukan pemrograman komputer sedang mengejar posting algoritma, seperti pembelajaran mendalam, kecerdasan buatan, NLP, dll. Negara ini juga mengembangkan arah baru kecerdasan buatan, dan semua orang semakin menekan ke arah ini. Apakah fenomena ini sehat? Bisakah saya mencari pekerjaan setelah lulus?
Menurut saya, pertama, kecerdasan buatan itu sangat penting. Pertama, negara sangat mementingkan itu. Kedua, ada masa depan yang cerah untuk pembangunan, termasuk perangkat lunak dan perangkat keras. Berbagai aplikasi seperti keamanan, perawatan medis, kesehatan, transportasi, dll memiliki banyak masalah yang belum terpecahkan. Namun, bukan berarti setiap orang harus mengejar kecerdasan buatan. Mempelajari beberapa kecerdasan buatan sekarang, termasuk pemrograman, dan melakukan beberapa arahan yang bukan kecerdasan buatan untuk masa depan juga membantu. AI bukan hanya sebuah keterampilan, tetapi juga cara berpikir.Menerapkan cara berpikir ke beberapa bidang lain juga akan meningkatkan kemampuan Anda dan mempercepat inovasi Anda. Ikuti kata hati Anda, tergantung pada apa yang ingin Anda lakukan, belum tentu apa yang dilakukan orang lain. Di saat yang sama, kita harus eklektik, dan mendapatkan kunci teknologi, terutama bagian dasar, matematika, algoritma, dan pemrograman dengan baik, selama di universitas, sehingga Anda dapat dengan mudah menyesuaikan diri di masa depan.
T: Banyak siswa merasa bahwa model pra-pelatihan telah menyapu bidang kita dan membutuhkan banyak perhitungan. Setiap orang hanya dapat melakukan tugas-tugas yang tepat, dan lebih sulit untuk menyesuaikan bahkan kondisi laboratorium. Bagaimana melanjutkan penelitian ke arah ini dan bagaimana mengurangi ketergantungan pada daya komputasi?
Karena teman sekelas kita masih dalam tahap belajar dan belum sampai pada tahap inovasi langsung seperti MSRA atau perusahaan lain, pengalaman utamanya masih mempelajari ilmu dan yayasan yang ada. Pembelajaran harus dibagi menjadi dua tahap. Yang pertama adalah meletakkan dasar dan yang kedua adalah menerapkan. Tahapan yang berbeda memiliki persyaratan sumber daya yang berbeda. Setiap orang harus mencoba beradaptasi dengan situasi sumber daya saat ini, mengerahkan diri Anda, dan tidak bosan dengan sumber daya komputasi.
T: Beberapa siswa mempelajari biologi, karena pembelajaran mendalam kita didasarkan pada pembelajaran seperti otak. Apakah ini membantu pembelajaran mesin kita? Banyak pengetahuan tentang pengolahan bahasa alami perlu dilakukan dalam bidang interdisipliner, apakah kita dapat melakukannya dari disiplin lain ke disiplin kita?
Saya pikir itu selalu membantu untuk lintas disiplin dulu. Di masa lalu, tak terhitung fakta telah membuktikan bahwa antar disiplin menghasilkan ide-ide baru, tapi sebelum kita menyadari antar disiplin, jangan membabi buta. , Atas dasar ini, pergilah mencari interdisipliner. Kedua, yang terbaik adalah meminta teman sekelas atau guru di bidang lain untuk bekerja sama dengan Anda. Setiap orang memiliki kekuatannya sendiri dan dapat membuat kemajuan yang lebih baik serta mencegah Anda dari terlalu bias. Oleh karena itu, menurut saya proses interdisipliner juga harus ditekankan selangkah demi selangkah.
Kembali ke ilmu otak, ilmu otak belum membuktikan seberapa bagus pengolahan bahasa alami itu, mungkinkah di masa depan? Hal ini dimungkinkan karena beberapa algoritme atau struktur jaringan saraf dapat ditingkatkan. Jaringan saraf paling awal di masa lalu juga terinspirasi oleh ilmu otak, tetapi saat ini telah mengalami stagnasi. Tidak jelas seberapa besar kemajuan ilmu otak untuk NLP atau kecerdasan buatan lainnya. Mungkin akumulasinya akan mencapai tingkat tertentu di masa depan, dan akan ada proses ledakan lagi. Saya berharap mahasiswa tetap membuka mata, memahami terlebih dahulu bidangnya sendiri, dan juga memperhatikan mata pelajaran lainnya. Cobalah untuk menangkap peluang masa depan, tetapi sebelum ketidakdewasaan, jangan khawatir, letakkan fondasi, jangan terburu-buru untuk sukses.
Editor: Wang Jing
Proofreading: Lin Yilin
-Selesai-
Ikuti platform publik WeChat resmi dari Institut Ilmu Data Tsinghua-Qingdao " Pai Data AI "Dan nomor saudara perempuan" Data Pie THU "Dapatkan lebih banyak manfaat kuliah dan konten berkualitas.
- Di mana menemukan data penelitian mahkota baru? Tempat yang harus dilihat untuk pekerja penelitian ilmiah (dengan tautan)
- Menggunakan gerbang logika protein untuk mengubah sel menjadi komputer, cendekiawan muda Tiongkok belajar tentang Sains
- Mesin terjemahan pertama di dunia telah kembali dari evolusi, dan "detail gila" menangani dialek China klasik
- Tim AI Tsinghua meluncurkan platform keamanan AI untuk menipu algoritme bagian atas dan kemudian memperbaiki kerentanan dengan kuat
- Robot kecil membantu mengambil! Taman Sains dan Teknologi Zhongguancun Dongsheng, "senjata pencegahan" ini membantu melanjutkan pekerjaan dan produksi
- Pipa pemanas tidak panas, pipa air bocor ... "tim parkour" komunitas memperbaiki lebih dari 1.000 kali dalam 60 hari