2017网站建设报价方案,网站互点都是怎么做的,wordpress置顶无效,加强网站建设和维护转载自知乎导读#xff1a;在读完Uber AI Lab发表的一篇关于AGI的论文之后#xff0c;本文作者恍然觉得有一种道破天机的感觉。他评价道#xff0c;虽然这篇论文是泛泛之谈#xff0c;却揭示了一些真正实现AGI的方法论——AI-GA#xff08;AI-generating algorithms#… 转载自知乎导读在读完Uber AI Lab发表的一篇关于AGI的论文之后本文作者恍然觉得有一种道破天机的感觉。他评价道虽然这篇论文是泛泛之谈却揭示了一些真正实现AGI的方法论——AI-GAAI-generating algorithms这也许是通往AGI的一条道路。1 前言最近Uber AI Lab的Jeff Clune发了一篇很特别的paperAI-GAs: AI-generating algorithms, an alternate paradigm for producing general artificial intelligencehttps://arxiv.org/abs/1905.10985读罢深感和我对AGI的思考不谋而合特和大家分享一下这里面的思想。先说结论AI-GA这篇文章虽然是泛泛而谈但是我认为是一篇具有历史性意义的文章因为这里面揭示的就是真正实现AGI的方法论。我们来看一下paper里面的这一段话什么感觉道破天机的感觉在Jeff Clune眼里very intelligent people会是什么人呢只能是最顶级的学术大牛了比如paper acknowledgements里面的Peter Dayan 德国马普所Zoubin Ghahramani 剑桥大学还有一堆openai和uber ai lab的人。为什么Jeff Clune会说“It was not an easy decision for me to make. 因为以前AGI根本就是一个概念是触碰不到的地方。具体的实现途径是什么没人说清楚。DeepMind和OpenAI推崇的DRL深度强化学习就是AGI吗不是。为什么呢因为AGI应该内部就包含了DRL而不是DRL创造AGI。后面的具体分析我们会说DRL的作用确实是AGI必不可少的组件。现在Jeff Clune以个人名义写了AI-GA可以说把AGI的实现途径说清楚了。我们知道AGI这一个目标在Alan Turing提出图灵测试的时候可以说就有了甚至Alan Turing在他1950年的人工智能开篇论文Computing Machinery and Intelligence中说了这实际上已经道明了AGI的实现途径了。牛逼的图灵才提出人工智能就已经睿智的看到了实现的方向。我们后人不过是把图灵的思想具体化而已而Jeff Clune提出的AI-GA正是一条具体化的实现道路。那么就让我们一起来道破天机吧以下内容包含大量个人思考2 什么是通用人工智能AGIArtificial General IntelligenceAGI称为通用人工智能或者叫强人工智能简单的说就是创造和人类一样聪明甚至比人还聪明的计算机程序。现在已经实现的很多程序神经网络也是一段程序比如AlphaGoAlphaStar 都只是在某一个特定领域超越人类还谈不上AGI。但是AlphaGo相比以前的深蓝完全通过自学习的方法实现已经是革命性的突破。3 什么是AI-GA?AI-GA 是AI-generating algorithms的简称也就是要AI自己学习生成算法自己学习产生AGI。AI-GA 核心包含了三个部分meta-learning architectures (Meta Learning 神经网络结构即AutoMLmeta-learning the learning algorithms themselves 即现在常说的Meta Learninggenerating effective learning environments 生成有效的学习环境为了让更多的读者理解这三个部分我们先解释一下Meta Learning。4 什么是Meta 有一个简单的公式来说明Meta这个词的含义Meta-X X about XX可以代指任何事物。比如1 Meta-Book: Book about Book 一本书里面的主角在写一本书2Meta-Movie: Movie about Movie 一部电影里面的主角在拍一部电影可能更有名的例子是你在桥上看风景看风景的人在楼上看你。------《断章》卞之琳那么楼上看你的人可以称为Meta-PersonPerson about Person 看风景的人的眼里有一个你在看风景。还有一个很酷的例子就是无限镜了https://www.bilibili.com/video/av11156770/这是一个Meta-Meta-...-Meta-Mirror。镜子里面还有镜子无尽头。5 什么是Meta Learning套用上面的公式Meta Learning就是learning about learning也称为Learning to Learn。顾名思义Meta Learning是学习如何学习。学习这个概念相对上面的书镜子这种具体的概念显得比较抽象不好理解。什么是学习呢什么又是学习如何学习呢举个栗子什么是学习比如学习语文数学物理化学我们学的是具体的112Emc2什么是学习如何学习比如不管是学数学物理还是化学生物我们都要先学习理解一些概念然后通过练习和更多的思考来掌握和拓展这些概念。能够触类旁通举一反三。这些都是学习的技巧。我们说一个人学习成绩很好是不仅仅是说他学习好而是学习能力很强知道如何学习。这里我们可以看到meta learning的知识是更通用更抽象的甚至是无法具化的东西。比如怎么学会举一反三怎么学会理性分析这些能力不局限于任何一个科目或知识。而只有让AI能够meta learning能够learning to learn才有可能实现AGI6 理解AI-GA第一步我们的宇宙达尔文生物进化就是最好的AGI算法因为我们人类就是显而易见的AGI所以如果假设我们这个宇宙是高维生物创造出来的虚拟世界那么他们成功了。那么我们是如何被创造出来的呢智慧是如何被创造出来的呢这么一个哲学性的问题或许放到春秋时代放到古希腊也是一个常被讨论的问题。但是现在我们可以有一个更科学性的解释脑洞我们的宇宙自带一系列的初始化参数简称宇宙常数然后通过大爆炸诞生各种星球进行演化。拓展一下实际上有无数个不同宇宙常数的宇宙在同时进行大爆炸之后的演化。在演化过程当中由于有几乎无限的样本星球也就是对整个”文明“空间进行了无尽的探索其中产生了地球这一个幸运儿诞生了生命。而在生命的演化过程中生命体的DNA自带了生存的本能不以生存为本能的生物都被淘汰光了因为留下了我们这样的智慧体不断的提升文明水平甚至现在在考虑创造智能来超越自己。这就是natural evolution而这是诞生AGI最自然的方式。总会有那么一个像地球这样的星球出现能够产生智能演化出高级文明。实际上说到这我们会越来越相信我们这个世界就是虚拟世界就和Elon Musk相信的一样。我们不过是虚拟世界下演化过程中的尘埃而已。宇宙常数不就是对应我们训练神经网络所用的超参吗也许另一个宇宙光速不是300000m/s而是3000000m/s。创造我们的高维生物具备一种几乎无限计算的能力来模拟整个宇宙演化的过程。而反过来假设我们有一天也具备了这种无限计算能力我们或许也可以创造我们的宇宙去演化里面的文明。从这个角度看我们是creature创造我们的是meta-creature而我们有一天也可以变成meta-creature。现在我们创造的虚拟世界可以说是一个简化版。以目前VR技术的发展10年我相信我们将可以实现在VR中看到的和现实别无二致的效果虚拟将不再是虚拟。有人会有疑问我们能拥有无限计算能力吗这个完全取决于这个宇宙的设定如果这个宇宙有一个计算能力上限那么我们就至多到那个上限。但我相信这个计算能力上限会几乎是无限的。作为参考让我们思考一下能量energy。想象我们回到100年前回到爱因斯坦发现相对论的1905年之前。当时的人们能想象能量的极限在哪里也许是水力也许是煤炭。然后我们再想一下爱因斯坦发现Emc2是一件多么疯狂的事情意味着一点点的质量都具有难以估量的能量。而这就是核能就是原子弹产生的源头。假如未来人类可以通过强相互作用力来获取能量那么这个能量几乎是无限的了。所以当我们能够获取无限的计算能力的时候我们也就可以变成meta-creature。我觉得这是一个比God上帝高级的多的词汇7 理解AI-GAMeta Learning是关键现在我们可以来理解AI-GA了。AI-GA 的三个部分meta-learning architectures (Meta Learning 神经网络结构即AutoMLmeta-learning the learning algorithms themselves 即现在常说的Meta Learninggenerating effective learning environments 生成有效的学习环境首先AI-GA是完全基于神经网络的其次AI-GA的核心思想在于meta learning的inner loop内循环是完全自学习的没有任何的inductive bias或者说先验知识。我们就想象一下我们构造了一个婴儿大脑的神经网络然后通过生活和学习慢慢成长为成熟的大脑。我们现在要meta learning这个婴儿大脑。而这个所谓的”婴儿大脑“就需要包括Jeff Clune提到两个部分大脑的神经网络结构大脑内部的神经网络参数具备学会学习的能力所以我们需要能够meta learning这两部分。第一部分其实就是现在最火的AutoML NAS神经网络结构搜索用神经网络自动的寻找一个最优的网络结构。所以称为meta learning architectures更合适。第二部分就是现在一样最火的meta learning学习算法本身。但是现在不管是第一部分还有第二部分还是too young为什么这么说现在的AutoML搜索的网络结构依然只是前向传播的连接方式而人类的大脑恐怕不是这样。AutoML能够自动构建带memory的神经网络呢AutoML能构造出比LSTM更好的网络结构吗AutoML能构造出带feedback的网络结构吗现在的meta reinforcement learning并不能处理超长的sequenceMAML做n次梯度将没有意义。使用evolution的做法正如前面分析宇宙发现的问题需要巨量的算力目前还远远达不到。然后Jeff Clune还提出了第三部分我们需要为训练这个meta learning agent构建合适的训练环境。我们还无法创造宇宙我们还不具备无限的算力。要创造AGI我们需要针对性的创建适合的训练环境。这是一个大问题也确实是比较少人涉及的研究问题。Jeff Clune他们倒是研究了一下提出了POET还挺有意思的POET: Endlessly Generating Increasingly Complex and Diverse Learning Environments and their Solutions through the Paired Open-Ended Trailblazerhttps://eng.uber.com/poet-open-ended-deep-learning/但是要创造AGI这样的环境显然是远远不够的。Jeff Clune呼吁更多的研究者研究一下这一部分。说到这里AI-GA已经理解完成了。AI-GA需要两个loop一个outer loop和inner loop。我们可以把outer loop对比为多重宇宙及无数的星球而inner loop就是星球上生物的演化。我们需要构建化两个loop从而实现AGIJeff Clune说的前两部分都是inner loop而第三部分是outer loop。我们可以使用任何方法包括evolution或drl的方法来训练inner loop。8 理解AI-GA意义是什么肯定有很多读者看到这会说这不等于没说吗现在根本还是做不出AGI嘛哪来的”宇宙级“算力是的不得不承认AGI要实现还需要很长的一段路。但是我们要看到我们比图灵说的具体化太多了。我们有了具体的实现方式Jeff Clune说的每一部分都是现在实实在在的目前学术界最火爆的研究问题。人工智能的发展过程中走了很多的弯路当然我们可以认为这是一种探索exploration而现在我们确定了方向并且这个方向是正确的可能性极高我们在这个方向下还有很多值得研究就如我在前面指出来的automl和metarl的问题。如果你打算创造AGI那么你就应该朝这些方向去努力。9 结语AI-GA大概就像Emc2一样虽然远远达不到Emc2的宇宙真理级但AI-GA指明了发展AGI的方向而实现AGI的意义在我看来比Emc2的大得多因为有了AGI我们就可以利用AGI来发现更多的宇宙理论。这里不得不考虑一下伦理问题安全问题AGI实现了人类会不会毁灭的问题。这和Emc2是一样的Emc2使人类进入了核时代核能既可以创造能源也可以是足够毁灭人类的核弹。但是核弹被创造出来人类还没毁灭这靠着我们人类每一个人的生物本能------活着而这就够了在活着这件事上所有人类不分种族都一样。相信AGI的出现将使人类进入宇宙文明的篇章原文链接https://zhuanlan.zhihu.com/p/74813776张亚勤、刘慈欣、周鸿祎、王飞跃、约翰.翰兹联合推荐这是一部力图破解21世纪前沿科技大爆发背后的规律与秘密深度解读数十亿群体智能与数百亿机器智能如何经过50年形成互联网大脑模型详细阐述互联网大脑为代表的超级智能如何深刻影响人类社会、产业与科技未来的最新著作。《崛起的超级智能;互联网大脑如何影响科技未来》2019年7月中信出版社出版。刘锋著。了解详情请点击【新书】崛起的超级智能互联网大脑如何影响科技未来未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文
