Ο CEO της Nvidia πιστεύει ότι μέσα σε 4 χρόνια θα υπάρχουν πλήρως αυτόνομα οχήματα

[De@th L0rd]

Και μετά από 4 χρόνια τα ίδια θα λέει.

 

Τα πραγματικά νοήμονα συστήματα, όπως οι βιολογικοί εγκέφαλοι, αναγνωρίζουν αντικείμενα που είναι μερικώς κρυμμένα από άλλα. Αναγνωρίζουν επίσης αντικείμενα που δεν έχουν ξαναδεί ποτέ τους. Τίποτα απ'ολα αυτά δεν γίνονται από τα τωρινά συστήματα όρασης με καλή αξιοπιστία. Γιατί δεν διαθέτουν perceptual grouping(μεταξύ πολλών άλλων).

Ο εγκέφαλος αναγνωρίζει ένα "πακέτο" από πίξελς σαν ένα εννιαίο αντικέιμενο επειδή ακολουθεί κάποιο μοτίβο διαφορετικό από τα υπόλοιπα πίξελ της εικόνας.

 

Μιλάμε για μια ικανότητα τόσο βασική για την αληθινή ΑΙ όσο το να αναπνέεις. Σήμερα απλά δεν υπάρχει AI(γίνονται όμως κάποιες καλές προσπάθειες). Μόνο μηχανική μάθηση(machine learning) που είναι κάτι πολύ υποδεέστερο και αμφίβολο αν θα μας δώσει 100% αυτόνομα οχήματα.

 

 

Είμαι σίγουρος ότι αυτό βλέπεις κάθε μέρα στους Ελληνικούς δρόμους. Διαρκή επαγρύπνηση στο τιμόνι και τήρηση του Κ.ο.κ. Που έτσι και βάλουμε οι μισοί dashcam θα δούμε τα ίδια με τη Ρωσσία....

[possiz]

Πέρα από το πότε πραγματικά θα βγει, δημιουργεί και hype. Όπως θα διαβάσατε 100+ δις η χρηματιστηριακη αξία, που αυξομειωνεται και αυτή σε μεγάλο βαθμό με το hype και την προσδοκία . Εδώ η tesla που είναι ακόμα μια εταιρεία με ζημιές και παραγωγή πολύ μικρή έχει ξεπεράσει σε χρηματιστηριακη αξία κολοσσούς στο χώρο των αυτοκινήτων.

 

Ξέρουν τι κάνουν, μαζεύουν το χαρτί σε πρώτη φάση και πιθανά να πέσουν μέσα και σε κάποια.

[Psycho_Warhead]

βρε πες μας ποτε θα βγουν οι gaming volta και ασε τα αυτοκινητα

 

Αν δεν είχε fail-άρει τόσο ο Raja με τις VEGA, κάτι θα 'λεγε..

[greengroser]

Αν δεν είχε fail-άρει τόσο ο Raja με τις VEGA, κάτι θα 'λεγε..

δεν ξερω εαν τις φεληλαρε απο μονος του η τον καναν να τις φεηλαρει ,,,εδω ειναι ολο το σκηνικο ,,,γιατι απο υπολογιστικη δυναμη οι καρτες αυτες οργωνουν....αλλα οι μνημες οι συγκεκριμενες κοστιζουν νεφρα ,,και εκει ειναι το θεμα ,,εαν εγινε αυτο για να μην ξεκηνισουν παραγωγη και μπουν μεσα ,γιατι ειναι περιεργο ολο το σκηνικο με το αντερβολτινκ και το οβερκοκιγκ ταυτοχρονα ,,και δει το σκηνικο με την διαθεσημοτητα μιας και ο κοσμος τις ψαχνει τις καρτες εστω και με αυτες τις επιδοσεις που εχουν τωρα ,,,και δεν τις βρισκει πουθενα

[De@th L0rd]

Φεηλαρει.... Μάλιστα. Έγινε ντεμοντέ το "αποτύχει" που έχει και το ίδιο μήκος σε γράμματα παραδόξως;

[qwerty99]

Τα πραγματικά νοήμονα συστήματα, όπως οι βιολογικοί εγκέφαλοι, αναγνωρίζουν αντικείμενα που είναι μερικώς κρυμμένα από άλλα.

 

Αναγνωρίζουν επίσης αντικείμενα που δεν έχουν ξαναδεί ποτέ τους. Τίποτα απ'ολα αυτά δεν γίνονται από τα τωρινά συστήματα όρασης με καλή αξιοπιστία. Γιατί δεν διαθέτουν perceptual grouping(μεταξύ πολλών άλλων).

 

Εχουν προχωρήσει πάρα πολύ. 

Οσο αυξάνεται η υπολογιστή ισχύ, θα πλησιάζουν ακόμα περισσότερο τον ανθρώπινο εγκέφαλο, και σε συγκεκριμένες λειτουργίες θα τον ξεπεράσουν έτη φωτός.

 

Δες 1ον αυτό το βίντεο και θα καταλάβεις:

https://www.ted.com/talks/joseph_redmon_how_a_computer_learns_to_recognize_objects_instantly

και 2ον αυτό:

https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures

Επεξ/σία 28 Οκτωβρίου 2017 από qwerty99

[darkphantomggr]

αμαξια με tegra επανω.. οτι χρειαζομαστε καθε 2 ωρες φορτισμα

[pirmen56]

Είμαι σίγουρος ότι αυτό βλέπεις κάθε μέρα στους Ελληνικούς δρόμους. Διαρκή επαγρύπνηση στο τιμόνι και τήρηση του Κ.ο.κ. Που έτσι και βάλουμε οι μισοί dashcam θα δούμε τα ίδια με τη Ρωσσία....

 

Θα έχεις ακούσει σίγουρα για το σύστημα deep learning "Alpha Go" της Deep Mind  που κατάφερε να νικήσει παγκόσμιους πρωταθλητές μαθαίνοντας νέες στρατηγικές από μόνο του.

Πώς θα σου φαινόταν αν μάθαινες ότι αυτές οι "state of the art" τεχνολογίες δεν μπορούν να καθοδηγήσουν ένα ρομπότ να μπει στο Χ τυχαίο σπίτι, να βρει την κουζίνα, να βάλει νερό σε ένα ποτήρι και να στο φέρει; Θα ένιωθες καθόλου εξαπατημένος από "διψασμένους" για επιδοτήσεις επιστήμονες;

 

Η οδήγηση οχημάτων αυτόνομα είναι strong AI, όχι weak AI task. Δηλαδή θέλει μηχανές με επίπεδο αντίληψης του έξω κόσμου στα επίπεδα των ανθρώπων ή έστω εξελιγμένων θηλαστικών/πτηνών. Δεν φαντάζεσαι πόσο απέχουμε από αυτό.

 

Ίσως όμως με διάφορες man made λύσεις να γίνει εφικτό για χώρες με υπερασφαλείς δρόμους και τέλεια σήμανση.

 

Εχουν προχωρήσει πάρα πολύ. 

Οσο αυξάνεται η υπολογιστή ισχύ, θα πλησιάζουν ακόμα περισσότερο τον ανθρώπινο εγκέφαλο, και σε συγκεκριμένες λειτουργίες θα τον ξεπεράσουν έτη φωτός.

 

Δες 1ον αυτό το βίντεο και θα καταλάβεις:

https://www.ted.com/talks/joseph_redmon_how_a_computer_learns_to_recognize_objects_instantly

και 2ον αυτό:

https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures

Αυτά που μου έδειξες είναι το κλασσικό machine learning της δεκαετίας του 60-70 απλά με ισχυρότερους υπολογιστές, περισσότερα παραδείγματα και επίλυση του exploding gradient problem(ο μέγας βραχνάς των παλιών νευρωνικών δικτύων). Ενός προβλήματος που εμπόδιζε τα νευρωνικά δίκτυα από το να βελτιώνονται συνεχώς καθώς αυξανόταν το πλήθος των παραδειγμάτων με τα οποία τροφοδοτούνταν.

Η διαίρεση της εικόνας σε αντικείμενα γίνεται μόνο για τα αντικείμενα εκείνα που το δίκτυο έχει εκπαιδευτεί να αναγνωρίζει.

 

Να στο πω με ένα απλό παράδειγμα; Σκέψου ότι δεν έχεις δει ποτέ αναπτήρα στη ζωή σου. Αν δεις όμως έναν μεταλλικό αναπτήρα πάνω σε ένα πράσινο πανί αμέσως θα καταλάβεις ότι υπάρχουν δύο αντικείμενα μπροστά σου. Το πράσινο πανί και ο αναπτήρας. Όχι ένα αντικείμενο, το πανί.

 

Πώς μπόρεσε ο εγκέφαλός σου να καταλάβει ότι τα πίξελ που αποτελούν τον αναπτήρα είναι κάτι διαφορετικό από τα πίξελ του πράσινου πανιού. Πρώτα απ'όλα το διαφορετικό χρώμα(άλλο χρωματικό μοτίβο). Μετά τα λαμπιρίζοντα πίξελ του μεταλλικού αναπτήρα(άλλο μοτίβο στο χρόνο). Τέλος, ο όγκος του αναπτήρα που προεξέχει(σύγκριση εικόνων των δύο ματιών).

 

Σου φαίνονται γελοία και απλά αυτά τα πράγματα; Ε λοιπόν κανένα μυαλό της πληροφορικής και του δήθεν AI δεν έχει φτιάξει σύστημα ικανό να κάνει την ίδια ομαδοποίηση, εξίσου αποτελεσματικά.

Τι σημαίνει αυτό πρακτικά για ένα σύστημα οδήγησης; Σημαίνει ότι αν έρχεται κατά πάνω σου ένα άγνωστο για το neural network αντικείμενο, δεν θα το αντιληφθεί ΚΑΘΟΛΟΥ και θα συγκρουστείτε.  Ένα θανατηφόρο δυστύχημα με TESLA έγινε περίπου έτσι. Δεν μπόρεσε το ΑΙ να αναγνωρίσει νταλίκα εξαιτίας των ιδιαίτερων συνθηκών φωτισμού.

[xteliox]

..δηλαδή φοράνε ένα δερμάτινο, παίρνουν ένα ζόρικο ύφος και τάχα μου γίνονται μαχιμοδηθεν κακοί!?

..στα διάλα...!

 

όφτοπικ

[qwerty99]

Αυτά που μου έδειξες είναι το κλασσικό machine learning της δεκαετίας του 60-70 απλά με ισχυρότερους υπολογιστές

 

Δεν υπάρχει καμία σύγκριση με το 1970 και το 2017, σε κανένα επίπεδο. 

Ούτε σε υπολογιστική ισχύ, ούτε σε αλγόριθμούς, ούτε σε ΑΙ, ούτε σε καμία επιστήμη. Ολα έχουν αναπτυχθεί εκθετικά και ας παραμένουν ορισμένα πράγματα τα ίδια. 

 

Η διαίρεση της εικόνας σε αντικείμενα γίνεται μόνο για τα αντικείμενα εκείνα που το δίκτυο έχει εκπαιδευτεί να αναγνωρίζει.

 

Αυτό λένε οι άνθρωποι στα βίντεο, ότι και ο ανθρώπινος εγκέφαλος με εικόνες αρχίζει να εκπαιδεύεται, παίρνοντας χιλιάδες εικόνες ανά λεπτό, και συνολικά τρισεκατομμύρια μέσα στα πρώτα χρόνια ζωής. Συγκρίνεις λοιπόν το τελικό αποτέλεσμα ενός ώριμου εγκέφαλου με μια τεχνολογία που είναι αντίστοιχη των πρώτων χρόνων ζωής του ανθρώπου. Για παράδειγμα, τα παιδιά δεν θεωρούνται ικανά να διασχίσουν μόνα τους το δρόμο (εκτιμώντας σωστά τους κινδύνους & παρεμέτρους) πριν φτάσουν την ηλικία των 10 ετών.

 

Επίσης υπάρχουν άπειρα optical illusions που δείχνουν πως καταρρέει η αντίληψή μας για αντικείμενα (δεν μπορούμε να αντιληφθούμε διαφορές σε διαστάσεις, χρώματα, κλπ) ακριβώς λόγω του δικού μας εγκεφαλικού hardware! Είναι πολύ εύκολο να ξεγελάσεις τον εγκέφαλο αν θέλεις, δεν πρόκειται για ένα ''τέλειο'' σύστημα, αλλά για ένα ''λειτουργικό'' σύστημα.

 

Να στο πω με ένα απλό παράδειγμα; 

Πώς μπόρεσε ο εγκέφαλός σου να καταλάβει ότι τα πίξελ που αποτελούν τον αναπτήρα είναι κάτι διαφορετικό από τα πίξελ του πράσινου πανιού. 

 

Επειδή είμαι νευροεπιστήμονας, θα έλεγα ότι μάλλον δεν χρειάζεται ;-)

 

 

Πώς μπόρεσε ο εγκέφαλός σου να καταλάβει ότι τα πίξελ που αποτελούν τον αναπτήρα είναι κάτι διαφορετικό από τα πίξελ του πράσινου πανιού. Πρώτα απ'όλα το διαφορετικό χρώμα(άλλο χρωματικό μοτίβο). Μετά τα λαμπιρίζοντα πίξελ του μεταλλικού αναπτήρα(άλλο μοτίβο στο χρόνο). Τέλος, ο όγκος του αναπτήρα που προεξέχει(σύγκριση εικόνων των δύο ματιών).

 

Σου φαίνονται γελοία και απλά αυτά τα πράγματα; Ε λοιπόν κανένα μυαλό της πληροφορικής και του δήθεν AI δεν έχει φτιάξει σύστημα ικανό να κάνει την ίδια ομαδοποίηση, εξίσου αποτελεσματικά.

Τι σημαίνει αυτό πρακτικά για ένα σύστημα οδήγησης; Σημαίνει ότι αν έρχεται κατά πάνω σου ένα άγνωστο για το neural network αντικείμενο, δεν θα το αντιληφθεί ΚΑΘΟΛΟΥ και θα συγκρουστείτε.  Ένα θανατηφόρο δυστύχημα με TESLA έγινε περίπου έτσι. Δεν μπόρεσε το ΑΙ να αναγνωρίσει νταλίκα εξαιτίας των ιδιαίτερων συνθηκών φωτισμού.

 

Στα βίντεο βλέπεις πόσο έχει προχωρήσει το θέμα και που θα φτάσει. Προβλήματα σαφώς υπάρχουν, όπως για παράδειγμα οι στροφές, αλλά θα επιλυθούν. Καταρχήν είναι άδικη η σύγκριση. Ούτε το hardware είναι ίδιας ισχύς, ούτε ίδιων δυνατοτήτων (μάτια-εγκέφαλος # κάμερα-κυκλώματα). Εδώ δεν συγκρίνουμε το γενικό ΑΙ, αλλά μιλάμε για ένα συγκεκριμένο task, οδήγηση, που περιλαμβάνει βεβαίως την αναγνώριση αντικειμένων. 

Στο πρώτο βίντεο βλέπεις την ταχύτητα αναγνώρισης των αντικειμένων, και μάλιστα πολλαπλών αντικειμένων ταυτόχρονα, πράγμα που δεν μπορεί να κάνει ο εγκέφαλος λόγω της εστίασης της προσοχής σειριακά σε αντικείμενα (δεν μπορείς δηλαδή να κάνεις focus σε περισσότερα από 1 αντικείμενα ταυτόχρονα, παρά μόνο μερικώς με την περιφεριακή όραση).

Στο 2ο βίντεο βλέπεις πως μαθαίνει το ΑΙ να αναγνωρίζει αντικείμενα μέσα σε άλλα αντικείμενα (πχ γάτα σε καναπέ). Με την ταχύτητα εξέλιξης της τεχνολογίας (brute CPU force, αλγόριθμοι και κάμερες 3d), το συγκεκριμένο task θα γίνει πολύ ασφαλέστερο γενικά σε σύγκριση με τα λάθη ανθρώπων.

[logistoulis]

Η οδήγηση από ανθρώπους θα απαγορευθεί μελλοντικά. 

 

Και μην ρωτήσει κάποιος γιατί...

 

Αρκετό αίμα χύθηκε στους δρόμους.

όπως και το σεξ, αρκετοί έπαθαν aids, μόνο ρομπότ θα πηγαίνουν με τις γυναίκες μας εμείς απλά θα αράζουμε σπίτι να ζούμε από το επίδομα της google και θα πηγαίνουμε μόνο μέχρι το γυμναστήριο

[pirmen56]

Δεν υπάρχει καμία σύγκριση με το 1970 και το 2017, σε κανένα επίπεδο. 

Ούτε σε υπολογιστική ισχύ, ούτε σε αλγόριθμούς, ούτε σε ΑΙ. Ολα έχουν αναπτυχθεί εκθετικά.

 

Ο βασικός αλγόριθμος μάθησης(back propagation) είναι ίδιος σε λογική. Μετά έχουμε την έκρηξη δεδομένων από το ίντερνετ και την επίλυση του μέγα προβλήματος exploding gradient.

Ποιός τα λέει αυτά; Τα κορυφαία ονόματα του χώρου όπως ο Hinton, ο LeCun και άλλοι. Όχι εγώ πάντως.

 

Αυτό λένε οι άνθρωποι στα βίντεο, ότι και ο ανθρώπινος εγκέφαλος με εικόνες αρχίζει να εκπαιδεύεται, παίρνοντας χιλιάδες εικόνες ανά λεπτό, και συνολικά τρισεκατομμύρια μέσα στα πρώτα χρόνια ζωής. Συγκρίνεις λοιπόν το τελικό αποτέλεσμα ενός ώριμου εγκέφαλου με μια τεχνολογία που είναι αντίστοιχη των πρώτων χρόνων ζωής του ανθρώπου. 

 

 

Πολύ καλά τα λες, αφού τα σπούδασες κιόλας. Ο εγκέφαλος αναγνωρίζει μόνος του μοτίβα μέσα από μια μακρά περίοδο εκπαίδευσης. Στην αρχή τα απλά όπως μικρές άκρες/γραμμές και μετά όλο και πιο σύνθετα. Αυτό που λέμε unsupervised learning. Όχι το supervised learning που γίνεται με back propagation.

Πρωτοπόροι όπως ο Hinton(πρόσφατα) λένε ότι το back prop είναι μάλλον μια εντελώς λάθος ιδέα για AI κοντά στο επίπεδο των ζώων. Άρα δεν μιλάμε για πρόβλημα ισχύος, αλλά για παπάντζες-μη βιολογικά ρεαλιστικούς αλγόριθμους.

 

Σαν νευροεπιστήμονας θα ξέρεις σίγουρα σίγουρα ότι οι νευρώνες αναγνωρίζουν μοτίβα. Δηλαδή όταν ο Χ νευρώνας παίρνει δεδομένα από 80.000 άλλους ανακαλύπτει μοτίβα μέσα σε αυτά που του στέλνουν και αναλόγως στέλνει και αυτός σήματα προς τα πάνω.

 

Όταν λοιπόν οι νευροεπιστήμονες, σαν και σένα, δεν έχουν κατανοήσει* το μηχανισμό με τον οποίο οι νευρώνες γίνονται επιλεκτικοί σε κάποιο μοτίβο(να το αναγνωρίσουν, ώστε να στείλουν σήμα προς τους ανώτερους ιεραρχικά), πώς περιμένεις να δεις AI αλγόριθμους της προκοπής;

*Διόρθωσέ με αν κάνω λάθος

[qwerty99]

Πολύ καλά τα λες, αφού τα σπούδασες κιόλας. Ο εγκέφαλος αναγνωρίζει μόνος του μοτίβα μέσα από μια μακρά περίοδο εκπαίδευσης. Στην αρχή τα απλά όπως μικρές άκρες/γραμμές και μετά όλο και πιο σύνθετα. Αυτό που λέμε unsupervised learning. Όχι το supervised learning που γίνεται με back propagation.

Πρωτοπόροι όπως ο Hinton(πρόσφατα) λένε ότι το back prop είναι μάλλον μια εντελώς λάθος ιδέα για AI κοντά στο επίπεδο των ζώων. Άρα δεν μιλάμε για πρόβλημα ισχύος, αλλά για παπάντζες-μη βιολογικά ρεαλιστικούς αλγόριθμους.

 

Σαν νευροεπιστήμονας θα ξέρεις σίγουρα σίγουρα ότι οι νευρώνες αναγνωρίζουν μοτίβα. Δηλαδή όταν ο Χ νευρώνας παίρνει δεδομένα από 80.000 άλλους ανακαλύπτει μοτίβα μέσα σε αυτά που του στέλνουν και αναλόγως στέλνει και αυτός σήματα προς τα πάνω.

 

Όταν λοιπόν οι νευροεπιστήμονες, σαν και σένα, δεν έχουν κατανοήσει* το μηχανισμό με τον οποίο οι νευρώνες γίνονται επιλεκτικοί σε κάποιο μοτίβο(να το αναγνωρίσουν, ώστε να στείλουν σήμα προς τους ανώτερους ιεραρχικά), πώς περιμένεις να δεις AI αλγόριθμους της προκοπής;

*Διόρθωσέ με αν κάνω λάθος

 

Στον άνθρωπο μπορεί να υπάρχει η αμφίδρομη επικοινωνία που λες, αλλά αυτό όταν πας να το μεταφράσεις σε κώδικα και σε κάτι πρακτικό, εκεί αρχίζουν οι δυσκολίες. Στον εγκέφαλό μας, το hardware το ίδιο είναι αυτό που δίνει τη δυνατότητα μάθησης, όχι το software. Εχει δηλαδή εγγενείς δυνατότητες εξελιγμένες μέσα σε εκατομμύρια χρόνια. Είναι άλλο ένας νευρώνας (ένα νευρικό κύτταρο) και άλλο ένα δίκτυο νευρώνων. Το τι γίνεται και στα μεν και στα δε, ακόμα το ψάχνουμε (ιδίως στο single νευρώνα). Οι γνώσεις από τις βιολογικές επιστήμες φυσικά και θα ανοίξουν δρόμους στην τεχνολογία. Αν το δει κανείς πολύ γενικά, ουσιαστικά τεχνητό AI σημαίνει να προσπαθούμε να μιμηθούμε με software αυτό που κάνει το hardware.

 

Δεν μπαίνω καθόλου στο θέμα του αν η Α ή Β στρατηγική είναι σωστή ή λανθασμένη, ή αν υπάρχει προτιμότερη, γιατί για να κάνω κάτι τέτοιο θα έπρεπε ο ίδιος να έχω μελετήσει σε βάθος το θέμα, πράγμα που δεν έχω κάνει. Για να φέρω και ένα παράδειγμα, είναι σα να λες ποια είναι η προτιμότερη λύση για την αποκρυπτογράφιση, η Α ή Β τακτική. Και συζητάνε, συζητάνε, συζητάνε... Και έρχονται οι κβαντικοί υπολογιστές με την απίστευτη brute CPU force, και λίγη σημασία θα έχει... Η όποια προσέγγιση έχει ακολουθηθεί μπορεί να μην είναι η καλύτερη, αλλά έχει αποτέλεσμα, δεν είναι σε αδιέξοδο. Το σημερινό αποτέλεσμα είναι οφθαλμοφανές στην οδήγηση & αναγνώριση αντικειμένων. Γίνονται λάθη ? Βεβαίως. Θα ξεπεραστούν σύντομα ? Βεβαίως. Το ζητούμενο είναι η επίλυση ενός πρακτικού προβλήματος στο σήμερα, με τα υπάρχοντα μέσα (hardware). Τα υπόλοιπα είναι θεωρητικές συζητήσεις και θεωρητικά μοντέλα.  

 

Επαναλαμβάνω ότι βρίσκω άδικη την κριτική σου, γιατί συγκρίνεις ένα εγκέφαλο που έχει εξελιχθεί μέσα σε εκατομμύρια χρόνια και έναν ανθρώπινο εγκέφαλο που μαθαίνει μέσα σε χρόνια επίσης, με συστήματα hardware & software λίγων δεκαετιών (και επίσης έχω την αίσθηση ότι κάπου/κάπως εμπλέκεις σε αυτό το συγκεκριμένο αλλά σύνθετο task (αναγνώριση αντικειμένων) το γενικό ΑΙ). 

 

Με την θέση των παρακάτω 1-2 σημείων δεν συμφωνώ. Στο 3ο έχεις δίκιο, σε πρώτη φάση θα χρειάζονται δρόμοι με καλή σήμανση, αυτό εννοείται για το επίπεδο ΑΙ που έχουν πετύχει. Αλλά αυτό θα εξελιχθεί τις επόμενες δεκαετίες, προς πιο λειτουργικές λύσεις. 

 

Θα ένιωθες καθόλου εξαπατημένος από "διψασμένους" για επιδοτήσεις επιστήμονες;

 

Η οδήγηση οχημάτων αυτόνομα είναι strong AI, όχι weak AI task. Δηλαδή θέλει μηχανές με επίπεδο αντίληψης του έξω κόσμου στα επίπεδα των ανθρώπων ή έστω εξελιγμένων θηλαστικών/πτηνών. Δεν φαντάζεσαι πόσο απέχουμε από αυτό.

 

Ίσως όμως με διάφορες man made λύσεις να γίνει εφικτό για χώρες με υπερασφαλείς δρόμους και τέλεια σήμανση.

Επεξ/σία 28 Οκτωβρίου 2017 από qwerty99

[pirmen56]

Αν το δει κανείς πολύ γενικά, ουσιαστικά τεχνητό AI σημαίνει να προσπαθούμε να μιμηθούμε με software αυτό που κάνει το hardware.

 

Μπορείς με software να πετύχεις παρόμοιο αποτελεσμα με το βιολογικό hw, μόνο όταν έχεις κατανοήσει τους βασικούς του μηχανισμούς. Όταν έχεις καταλάβει συνοπτικά πώς το μυαλό ανακαλύπτει μοτίβα ώστε να αναπτύξεις κάτι παρεμφερές δικό σου ή ακόμα και ένα πιστό αντιγραφο. Πράγμα το οποίο δυστυχώς δεν ισχύει. Λείπει το κλειδί του unsupervised learning από παντού.

Αν και γίνονται κάποιες σοβαρές προσπάθειες τώρα τελευταία(curious AI).

[qwerty99]

Μπορείς με software να πετύχεις παρόμοιο αποτελεσμα με το βιολογικό hw, μόνο όταν έχεις κατανοήσει τους βασικούς του μηχανισμούς.

 

Όταν έχεις καταλάβει συνοπτικά πώς το μυαλό ανακαλύπτει μοτίβα ώστε να αναπτύξεις κάτι παρεμφερές δικό σου ή ακόμα και ένα πιστό αντιγραφο. Πράγμα το οποίο δυστυχώς δεν ισχύει.

 

Καταρχήν ΔΕΝ έχουμε καταλάβει πως γίνεται ακόμα σε επίπεδο hw εγκεφάλου, για να το μιμηθούμε (ιδίως σε κυτταρικό επίπεδο, ξαναγράφω). Προσπαθούνε με όσα γνωρίζουμε. Το 2ο σημείο, είναι ακόμα πιο συζητήσιμο. Για παράδειγμα, παρόλο που υπάρχουν δυνατοί CPU, βλέπεις ότι για συγκεκριμένες λειτουργίες χρειάζεσαι dedicated κυκλώματα (πχ κάρτες γραφικών) για να κάνεις πολύ πιο γρήγορα κάτι. Για το αν λοιπόν στο μέλλον θα χρειαστεί κάτι ειδικότερο και όχι μόνο software, θα φανεί.