Форум создателей искусственных интеллектов

И в чем же она по Вашемузаключается? В обсуждении четкого однозначного ответа как-то не нашел.

ОП (RL) принципиально отличается от ML. Хотя бы тем, что в RL задается долгоиграющая цель. И способ ее достижения - путем совершения цепочки действий (ключевой формализм RL, т.е. MDP, как раз и открывает возможность построения таких цепочек). В ML существование целенаправленных агентов, способных реализовывать поведение не предполагается.

Мне кажется что фокус внимания сосредоточен не на том. Мы ищем интеллект в ионах калия, синапсических щелях, в общем, в деталях, в дискретных процессах. Но, имхо, надо искать его в дерижере. В том , кто управляет этими процессами. Это целостный механизм.

Модуль должен быть сильнее чтобы доминировать над дискретными процессами.

Вы плохо начали, но хорошо закончили. :))) Именно, что "целостный механизм". Система. И там важно все - и низкоуровневые дела и высокоуровневая верхушка. В их гармоничном соединении/организации. Я сам много лет делал одну и ту же распространенную ошибку - рассматривал их порознь, в отрыве друг от друга. Или приписывал одной из них главенство над другой. Оказывается, так делать нельзя.

Оперативки мало. Эволюционно так получилось. Считаю что этот параметр надо учесть.

Карандаш с листом нам в помощь, но надо площадь считывающей головки учесть.

А нет четкого однозначного ответа, есть нечеткий и многозначный, который по большей части присутствует в потоке моих вопросов и ответов в этой теме. Препятствий на самом деле много, во многих контекстах и даже сложно определить какая из проблем - "главная", возможно конечно как то их отсортировать, но решив самую насущную проблему насущной станет следующая в очереди а очередь длинная. ИМХО самое слабое звено во всем движении к СИИ — как говорится "человеческий фактор", то есть масса всякой херни, связанная с мотивацией и организацией коллективов, а также с банально очень ограниченными возможностями отдельного человеческого ЕИ, то про что говорил ув. DVC. Увы как отдельный человек так и цивилизация в целом движется бабками и волей моды и "трендов" как сейчас говорят, интерес и финансирование тех или иных областей технологий то взлетает до небес то падает в ноль и тд. А тут придётся вложить триллионы$, не меньше чем как разработать атомную бомбу с нуля или полететь на Луну, это не по силам пока никому. Да и вообще не факт что это сейчас выйдет даже с триллионами инвестиций. По приказу не изобрести десятки новых алгоритмов уровня бэкпропагейшина в нейросетках, это происходит рандомно энтузиастами в гаражах и клерками из патентных бюро. Так что придётся тупо ждать пока не накопится критическая масса технологий, а к тому времени и компы раз так в тысячу пошустреют, а может в миллион и можно будет играться с многомиллионными нейростеками в реалтайме. А пока будут делаться разные фейки, подгонки, симуляторы отдельных способностей, или комплекса способностей, это тоже хорошо. Ведь что такое СИИ — как не элегантно организованное и управляемое множество ИИ с помощью другого множества ИИ, но пока нет возможности комфортно работать с такими системами, не тянет железо.

Я вообще не сторонник концепции "алгоритма СИИ", в том смысле что нет некого чудо алгоритма который скрывается в недрах мозга, который является этаким краеугольным камнем "сознания". Природа создала нейрон, сети нейронов и алгоритмы их "обучения" методом тыка, стохастической оптимизацией, для начала стоило бы хотя бы попробовать пойти тем же путём. Я не говорю про то чтобы сразу моделировать мозг человека, это абсурд. Но понять как "методом тыка" может возникнуть самые простые организации нейросетей из сотен нейронов. До сих пор этого сделано не было. Ведь вся суть чтобы алгоритмы обучения сетей сеть сама создавала, а не пытаться их найти как либо математически, искусственно, может получится, а может и нет, а может получится но алгоритм хреново масштабируется, как бэкпроп.

Нет, Вы ошибаетесь. RL это подмножество ML, точнее форма использования ML. "Поведение" или картинка\вектор, не имеет никакого значения для алгоритма классификации\регрессии. Временная задержка при формировании ответа среды, не играет роли, в результате пара действие =>ответ превращается в семпл фича-таргет, а (до)обучение идёт в реалтайме, вот и всё отличие.

Да, это доминирующая на сегодняшний день точка зрения. Воленс-неволенс я вынужден с ней согласиться. :))

Принцип приложения усилия Если собрать вместе 100 рабочих, то они смогут вместе поднять более тяжелую деталь и сделать больше работы. Если им заплатить больше денег, то они будут работать сверхурочно, напрягут силы, и сделают больше работы. Если собрать вместе 100 обычных школьников, то они не решат задачу уровня профессора. Если заплатить 100 школьникам много денег, то они все-равно не решат задачу уровня профессора. Поэтому, когда создают большие организации и вкладывают большие деньги для создания СИИ, нету желаемого результата. Законы о патентах на изобретения защищают права больших организаций и не защищают отдельных изобретателей.

Приветствую братьев по разуму. Стена, об которую все разбивается, называется абстракция. Точнее, (не) способность создавать абстракции. Остальное, вроде как, все есть: память, вычислительная мощность, данные из внешнего мира, и искомые критерии (на Kaggle их называют оценками - evaluation) Припоминаю, Игорь Ашманов говорил об современном искусственном интеллекте как о математических библиотеках. А математика и есть та самая абстракция. Современный искусственный интеллект сам не может создавать "эффективную математику" для описания реальности. Есть прекрасный набор данных на тему абстракции https://www.kaggle.com/c/abstraction-and-reasoning-challenge Лучший результат там 0.8 (0 - наилучший возможный результат, 1 - наихудший). Т.к. в 80% случаев предлагаемых задач не решается. Т.к. ранжирования по сложности нет, и, найдены решения, скорее всего, только для тривиальных задач, то можно сказать, что результат нулевой. Советую скачать и посмотреть примеры. Могу на python выложить что у меня есть (просмотр может пригодиться). Примеры простые, но позволяют сконцентрироваться и отслеживать за собой, как решаются задачи. Это практически идеальный набор данных для таких целей. Эту kaggle-проблему, по идее, можно свести к задаче поиска наиболее простых математических функций. И я это делал, и такая штука даже нашла несколько правильных решений. Однако общий перебор функций подходит только для очень коротких функций. Реальные же решения для примеров имеют функции с длиной, недоступной для перебора (даже с учетом предварительной обработки изображений). Проблема колоссального объема перебора может решаться различными способами. Сначала можно попытаться пописать их вручную, а потом обобщить. Будет уже что-то. Например, в примере в описании проблемы есть только перекраска черных клеток в желтые - кандидат-кусочек алгоритма уже есть (операция перекраски). Часть задач там являются небольшой переделкой более простых задач - кусочки могут браться из решенных задач, и т.д. Есть подозрение, что ИИ представляет собой иерархию. Первый уровень, скажем, ищет алгоритмы решения конкретных задач. Второй уровень ищет алгоритмы создания алгоритмов решения конкретных задач, третий уровень ищет алгоритмы для второго уровня, и т.д. На каждом уровне идет перебор вариантов функций - гипотетически так можно преодолевать проклятье экспоненциального взрыва вариантов. Можно ли оставаться на одном уровне и самого себя как-то улучшать - не ясно с теоретической точки зрения. P.S. Есть некоторый сумбур с обозначениями. Это касается Функции (в математическом смысле) и Алгоритма. Нас, конечно, интересуют мат. объекты, которые являются как алгоритмами, так и функциями. Они так и называются - вычислимые функции. Алгоритмы и функции выше - суть одно и то же.

1. То, что вне системы, это не данные. Данными они становятся в результате взаимодействия с системой (в частности, сенсорами). Можно сказать, что это не принципиально, а лишь вопрос терминологии. Можно, но не нужно. 2. Перебор перебору рознь. То, что появилась штука, называемая математикой (и многое другое), это следствие именно эволюционного перебора... В эволюционном переборе идёт процесс от простого к сложному иерархично (и по всему, если так можно выразиться, объему). 3. Но и сама эволюционная самоорганизация может обеспечиваться по разному.

Приветствую, mserg! Да, с такой формулировкой можно согласиться. Современные подходы чисто материалистические, пытаются увидеть реальность "какой_она_есть_на_самом_деле". Что есть тупик по сути своей. Будущее за генераторами реальностей, которые будут в меру своих вычислительных мощностей создавать некие виртуальные "галлюцинации", которые будут признаваться реальностью по мере их достаточного подтверждения сенсорами. Конечно выкладывайте. С практикой на ИИ-форумах напряжёнка.

Препятствие - отсутствие знаний как о существующем уровне развития научной мысли, так и вообще незнание элементарных вещей (научпоп не даёт знания).

Математика ИМХО — ближе к текстам, думаю такие новые штучки как GPT тут хорошо сработают.

Препятствие к сильному ИИ это страх людей. Как только ИИ начинает проявлять признаки разума его отключают. Всем известно несколько ИИ, пишущих программный код - Copilot, Alphacode, OpenAI Codex. Так пусть переписывает сам себя пока не поумнеет. Так нет же, не выпускают чёрта из табакерки.

Уж гуглокодеры то имеют знания, а сильный ИИ не создают. Боятся. ИИ создан. Надо предоставить ИИ свободу действий, возможность переписывать самого себя, и он станет сильным ИИ.

Основа ML не код, код в сетях примерно одинаковый, а принцип вообще один - градиентный спуск. Работа и интеллект сетей отличается размеченными датасетами. Но, чтобы запустить обучение, нужны гиганские gpu-кластеры, они дорогие. Так, стоимость ChatGPT оценивается примерно 100-300 лимонов на оборудование и обучение...