【新智元导读】Andrej Karpathy是深度学习和计算机视觉专家、特斯拉人工智能部门主管,他最近在 Y Conf 作题为《通用人工智能从何处来?》的演讲,讨论监督学习、无监督学习、AIXI等领域最新的进展,带来AGI解决方案的一些深刻见解。本文提供全部PPT和简要介绍。
PPT下载:https://docs.google.com/presentation/d/119VW6ueBGLQXsw-jGMboGP2-WuOnyMAOYLgd44SL6xM/edit#slide=id.p
通用人工智能(AGI)从何来?
“Deep Learning”这个词的搜索热度
技术进步的几个关键时间点:
……
机器智能生态全景图3.0 [Shivon Zilis]
两个观点:
例如:AlphaGo
围棋AI的有利属性:
参考 Karpathy 博客文章:
Andrej Karpathy:为什么 AlphaGo很难应用到围棋以外的世界?
问题:可以把AlphaGo的方法应用在Amazon拣货挑战赛的机器人上吗?
小结
假如我们能够让AI不再那么“窄”,会怎样?
一般技术的成熟度曲线 vs AI技术成熟度曲线
那么,通用人工智能(AGI)从何处来?
第一部分:监督学习
监督学习:收集很多很多有标签的数据,然后利用这些数据训练神经网络
Amazon Mechanical Turk(亚马逊土耳其机器人)
核心想法:从人类行为中收集数据,然后训练一个大型网络去模拟人类
这种方法的AI:
第二部分 无监督学习
无监督学习:大的生成模型
例如:(变分)自编码器
另一个例子:Unsupervised Sentiment Neuron(无监督情感神经元)
参考:OpenAI 发现独特情感神经元,无监督学习系统表征情感取得突破
想法:
神经网络有强大的“大脑状态”
那么,这样的AI能够接管世界吗?——(不)
第三部分:AIXI
AIXI:
AIXI 表达式
super intelligent agent 的定义
MC-AIXI agent loop
这些AI是怎样的?
第四部分:人脑模拟
如何测量一个完整的大脑状态?
第五部分:Artificial Life
自然智能从何而来?
结论:我们需要创造激励新的认知工具的环境
多智能体环境的益处: