همچنین: دیوید چالمرز فیلسوف می گوید هوش مصنوعی در 10 سال آینده 20 درصد شانس دارد.
همچنین: LeCun، Hinton، Bengio: توطئهگران هوش مصنوعی جایزه معتبر تورینگ را دریافت کردند
به گفته هینتون، رویکرد رو به جلو ممکن است برای سخت افزار محاسباتی فانی مناسب باشد.
حتی مهندسانی که در فن آوری درگیر مهارت دارند، به دلیل ترس از عدم قطعیت، به کندی از پارادایم رایانه های جاودانه بی نقص و یکسان دست می کشند.
هینتون، سخنرانی پایانی پنجشنبه را در سال جاری ارائه می دهد کنفرانس سیستم های پردازش اطلاعات عصبیNeurIPS، در نیواورلئان، گفت که جامعه تحقیقاتی یادگیری ماشین “در درک مفاهیم یادگیری عمیق برای نحوه ساخت کامپیوترها کند بوده است.”
هینتون در سخنرانی دعوت شده خود بیشتر وقت خود را صرف صحبت در مورد رویکرد جدیدی به شبکه های عصبی به نام شبکه رو به جلو کرد که تکنیک انتشار پس از آن را تقریباً در همه شبکه های عصبی از بین می برد. او پیشنهاد کرد که با برداشتن تورهای پشتی و رو به جلو، ممکن است به طور منطقی تری به آنچه در زندگی واقعی در مغز اتفاق می افتد، تقریب بزند.
او گفت که یکی از موانع ساخت رایانه های فانی آنالوگ جدید این است که مردم به قابلیت اطمینان اجرای یک نرم افزار بر روی میلیون ها دستگاه وابسته هستند.
از این نظر، هینتون در جایگاه خود در این زمینه، صاحب امتیاز هوش مصنوعی است.
به گفته هینتون، این نیاز به این معنی است که رایانههای دیجیتال «همه انواع ویژگیهای متغیر، تصادفی، لایهای، آنالوگ و غیرقابل اعتماد سختافزار را از دست دادهاند، که ممکن است برای ما بسیار مفید باشد». این چیزها بیش از حد غیرقابل اعتماد هستند که اجازه نمی دهند “دو بیت مختلف سخت افزار دقیقاً به یک شکل در سطح دستورالعمل ها عمل کنند.”
او با اشاره به یک نوع از چندین دهه قدمت گفت: «اگر این کار را انجام دهیم، میتوانیم از محاسبات آنالوگ با توان بسیار کم استفاده کنیم، میتوان موازیسازی تریلیونها راه را با استفاده از چیزهایی مانند ممریستورها برای وزنها داشت. تراشه آزمایشی که بر اساس عناصر مدار غیر خطی است.
او ادامه داد: «آنچه من فکر میکنم این است که ما یک نوع کاملاً متفاوت از رایانه را خواهیم دید، نه برای چند سال، اما دلایل زیادی برای بررسی این نوع رایانه کاملاً متفاوت وجود دارد.
تمام رایانههای دیجیتال تا به امروز برای «جاودانگی» ساخته شدهاند، جایی که سختافزار به گونهای طراحی شده است که قابل اعتماد باشد تا همان نرمافزار در هر جایی اجرا شود. ما میتوانیم برنامههای یکسانی را روی سختافزارهای فیزیکی مختلف اجرا کنیم… دانش جاودانه است.»
اکنون، اگر قرار است چنین چیزی اتفاق بیفتد، ما باید یک روش یادگیری داشته باشیم که در یک قطعه سخت افزاری خاص اجرا شود، و یاد می گیریم که از ویژگی های خاص آن قطعه سخت افزاری خاص بدون اینکه بدانیم چیست، استفاده کنیم. هینتون توضیح داد که همه آن خواص هستند. اما من فکر میکنم که الگوریتم رو به جلو یک نامزد امیدوارکننده برای آنچه این روش کوچک ممکن است باشد باشد.
از هینتون خواسته شد که در کنفرانس به منظور قدردانی از مقاله خود در یک دهه پیش سخنرانی کند.طبقه بندی ImageNet با شبکه های عصبی کانولوشن عمیقاین مقاله با دانش آموزان فارغ التحصیل خود الکس کریژفسکی و ایلیا سوتسکور نوشته است. این مقاله جایزه “آزمون زمان” کنفرانس را به دلیل “تأثیر عظیم” در این زمینه دریافت کرد. این اثر که در سال 2012 منتشر شد، اولین بار بود که یک شبکه عصبی کانولوشنال ایجاد شد. در رقابت تشخیص تصویر ImageNet در سطح انسانی رقابت کرد و این رویدادی بود که دوران فعلی هوش مصنوعی را به حرکت درآورد.
از آن برای قرار دادن چیز دیگری استفاده می شود: برای قرار دادن چیزی شبیه GPT-3 در توستر خود با یک دلار استفاده می شود، بنابراین با استفاده از چند وات می توانید با توستر خود گفتگو کنید.
هینتون، که جایزه ACM Turing را برای دستاوردهایش در علوم کامپیوتر، معادل جایزه نوبل در این زمینه، دریافت کرد، توطئه یادگیری عمیق را تشکیل داد. Yann LeCun و Yoshua Bengio از موسسه MILA مونترال برای هوش مصنوعی.
او گفت: «در میان افرادی که به محاسبات آنالوگ علاقه دارند، هنوز تعداد بسیار کمی وجود دارند که مایلند از جاودانگی چشم پوشی کنند. او گفت که این به دلیل دلبستگی به ثبات و پیش بینی پذیری است. “اگر می خواهید سخت افزار آنالوگ شما هر بار همان کار را انجام دهد… شما با این همه چیزهای الکتریکی سرگردان و چیزهای دیگر با مشکل واقعی مواجه شده اید.”
منبع: https://www.zdnet.com/article/we-will-see-a-completely-new-type-of-computer-says-ai-pioneer-geoff-hinton-mortal-computation/#ftag=RSSbaffb68
او گفت که این رایانه های فانی را می توان «رشد کرد» و از شر کارخانه های گران قیمت ساخت تراشه خلاص شد.
همچنین: تست تورینگ جدید: آیا شما انسان هستید؟
هیلتون به جمعیت NeurIPS گفت که کامپیوترهای فانی جدید جایگزین کامپیوترهای دیجیتال سنتی نخواهند شد. هینتون گفت: «این رایانه نیست که مسئولیت حساب بانکی شما را بر عهده دارد و دقیقاً می داند چقدر پول دارید.
همچنین: هوش مصنوعی در مورد استروئیدها: شبکه های عصبی بسیار بزرگتر با سخت افزار جدید ارائه می شوند، مثلا Bengio، Hinton، و LeCun پیش نویس مقاله کار رو به جلو است در صفحه اصلی هینتون ارسال شده است (PDF) در دانشگاه تورنتو، جایی که او استاد ممتاز است. “ما کاری را انجام خواهیم داد که من آن را محاسبات فانی می نامم، جایی که دانشی که سیستم آموخته و سخت افزار، جدایی ناپذیر هستند.” و همچنین شما می توانید سخت افزار را بدون دانستن کیفیت دقیق رفتار دقیق قطعات مختلف سخت افزار رشد دهید. او پیشنهاد کرد: “شما باید آن را با هر یک از آن تلفن های همراه جایگزین کنید که باید به عنوان یک تلفن همراه کودک شروع شود و باید یاد بگیرد که چگونه یک تلفن همراه باشد.” “و این بسیار دردناک است.” به گفته جفری هینتون، پیشگام هوش مصنوعی، اشکال یادگیری ماشینی هوش مصنوعی، انقلابی در سیستمهای کامپیوتری ایجاد میکنند، نوع جدیدی از اتحادیه سختافزار-نرمافزار که میتواند هوش مصنوعی را در توستر شما قرار دهد. هینتون توضیح داد: «اکنون، جایگزین آن، که دانشمندان کامپیوتر واقعاً آن را دوست ندارند، زیرا به یکی از اصول اساسی آنها حمله میکند، این است که بگوییم از جدایی سختافزار و نرمافزار چشمپوشی میکنیم.» جفری هینتون، برنده جایزه تورینگ، گفت که کامپیوترهای دیجیتال معمولی، با اولویت دادن به قابلیت اطمینان، در مورد “همه انواع ویژگی های متغیر، تصادفی، فلکه ای، آنالوگ و غیرقابل اعتماد سخت افزار که ممکن است برای ما بسیار مفید باشد” از دست داده اند. NeurIPS 2022
به گفته هینتون، سیستمهای رایانهای آینده رویکرد متفاوتی خواهند داشت: آنها «نورومورفیک» و «فانی» خواهند بود، به این معنی که هر رایانه پیوندی نزدیک از نرمافزاری خواهد بود که شبکههای عصبی را با سختافزار به هم ریخته نشان میدهد. ، به معنای داشتن عناصر آنالوگ به جای دیجیتال، که می تواند عناصر عدم قطعیت را در خود جای دهد و می تواند در طول زمان توسعه یابد.
همچنین: بنژیو، هینتون و لکان، پدرخواندههای عمیقآموز میگویند که این رشته میتواند نقصهای خود را برطرف کند.