智能的几点随想

梳理一个实现AGI的简单框架

更好智能的各个维度: 下面所列方法均有开源代码。

0 《人工智能的未来》(On Intelligence)一书,是由杰夫•霍金斯介绍了大脑的智能属性之一是预测, prediciton(预测的各个角度:4d时空预测,DFP多传感器相互的属性等信息预测-6表示方法,

发展progressive着提高预测的精度,cGAN各种条件下的预测);监督学习的标签预测,特定环境的特定行动的特定结果的一致性cGAN,

Curiosity-driven Exploration by Self-supervised Prediction http://mp.weixin.qq.com/s/A3pYqzakPCYn68wcQfDtCQ AGI:我与世界的互动是不是如我所愿。动作条件CycleGAN好奇心探索,

熟悉环境的预训练。https://github.com/pathak22/noreward-rl

1更多的维度-空间(2d到3d)加时间监督 videogan;

1我们生活在四维的时空中,真正的智能必须感知这四个维度,3维空间和时间,所有接受的信息应该是视频形式,视频是非常好的输入素材。只通过图片训练的智能有其先天缺陷。

基于四维时空的预测学习或记忆学习。所以我们依据做了基于视频的预测。

2更多传感器,视听触等, 压力的感知和 reward 动作的感知学习。 宽泛讲就是多维度的信息,比如虚拟环境各种指标信息--DFP,不同传感器互相监督即cGAN;

2视频的信息从像素出发维度太高,而且视频中很多内容是完全不同的,区分视频中的不同物体应该不仅仅是从视觉区分(使用的时候是从视觉来区分,但是训练的时候是不同传感器直接区分的)

视频中不同物体的本质是物体的不同属性的区分,通过视觉联想其他感知信息的内容来区分。从视觉中区分出不同远近,不同软硬的物体,不同用途的物体,不同冷热危险的物体。现在只做了深度的学习,其他属性还未开始训练学习。

3 Progressive Growing of GANs 智力的成长发展,2分类或3分类进行简单功能的精准实现 --7-- 上下左右,前后远近 先离散后回归。

3学习开始可以从简单开始,就像progressive growing gans 图像越来越清晰,分类或其他功能的准确度也可以越来越精确,先从2分类或3分类开始训练即可。

将特征空间压缩到非常低的维度,比如高低,胖瘦,大小,快慢,前后,左右,上下,

4 conditon gan;条件生成 外界环境的特定条件下的特定反应。 最新的cGAN 论文。https://github.com/pfnet-research/sngan_projection

condition:不同时间,不同空间,不同条件,不同的传感器属性,不同物体属性。

cGAN 各种不同的条件就是标签,条件监督可以用在传感器监督,标签监督,更细致的监督可以参考pix2pix-vid2vid-两幅图像大小一致的情况, vectro2vector

生物各种不同情况的反应就是各种condition GAN的 动作输出。语言的很多限定词都是conditon,无人驾驶的红绿灯,各种异常情况都是各种conditonGAN。

因果推理和cGAN的预测也是相关的。

5 人脑发育到一定阶段神经元增长不多,增加的是神经元的链接,通过不同区域神经网络的链接的增加,实现了不同的关系属性及概念的互相链接。这个可以对应进行神经网络的highway的不断增加。

5 more and more highway for 概念关联。

6capsnet 胶囊 (Capsule) 是一个包含多个神经元的载体,每个神经元表示了图像中出现的特定实体的各种属性 多属性表示。

code:

cGAN https://github.com/pfnet-research/sngan_projection,

Curiosity https://github.com/pathak22/noreward-rl,

vid2vid,

下面是相对重复的一些关键点。

7极低的特征空间维度 beta-vae distangle:bayesgan https://github.com/ermongroup/Variational-Ladder-Autoencoder; 这些都是图像。

动作也可以很低,上下左右,前后远近,

8 cnn filter reinforcement learning 选择特定filter进行处理。 or densenet?

9 DFP Human certainly possess the innate ability to switch goals based on different circumstances -----联系 4

imitation carla; Curiosity-driven

10 vid2vid prediction https://github.com/createamind/vid2vid ; Curiosity-driven

动作与环境互动及强化学习所探索的! 11 imitation meta-learning。 https://zhuanlan.zhihu.com/p/33789604

欢迎大家批评留言交流,提出不同的智能点的各种方法的实现思路想法

持续完善阅读原文 https://github.com/createamind/busyplan/blob/master/zdx/Plan-thinkout.md

原文发布于微信公众号 - CreateAMind(createamind)

原文发表时间:2018-02-23

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【计算机视觉这一年】万字长文盘点近百篇代表论文、应用和市场(全文报告下载)

作者:The M Tank 编辑:胡祥杰 刘小芹 【新智元导读】The M Tank发布了一份对计算机视觉领域最近一年进展的报告《A Year in Com...

3655
来自专栏互联网大杂烩

评价模型数据挖掘之评价模型

是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成目标层、准则层和方案层,并通过人们的判断对决策方案的优劣进行排序,在此基础上进行定性和定量分析。...

1842
来自专栏机器之心

浅析Geoffrey Hinton最近提出的Capsule计划

选自知乎专栏 作者:SIY.Z 机器之心经授权转载 本文有可能是知乎上分析介绍深度学习最为全面的文章之一。希望做物理的、做数学的、做生物的、做化学的、做计算机、...

39714
来自专栏PPV课数据科学社区

【译文】统计建模的24种应用(上)

在这里,我们讨论统计模型的一般应用情况。不管他们是否源自数据科学,运筹学,工程学,机器学习或统计学,如决策树,logistic回归,贝叶斯模型,马尔可夫模型,数...

3374
来自专栏AI科技评论

独家 | EMNLP 2017 录用论文作者解读:深度残差网络下的弱监督关系抽取

AI 科技评论按:在今年的 EMNLP 2017 上,台湾大学黄意尧与加州圣塔芭芭拉大学 (UCSB)William Wang 教授有一篇合作论文被录用。受AI...

3818
来自专栏量子位

LeCun亲授的深度学习入门课:从飞行器的发明到卷积神经网络

Root 编译整理 量子位 出品 | 公众号 QbitAI 深度学习和人脑有什么关系?计算机是如何识别各种物体的?我们怎样构建人工大脑? 这是深度学习入门者绕不...

3605
来自专栏专知

【深度】浅析Geoffrey Hinton最近提出的Capsule计划

【导读】本文全面介绍了深度学习的来龙去脉以及Hinton最近提出的Capsule计划。希望做物理的、做数学的、做生物的、做化学的、做计算机、包括做科幻的都能看的...

3006
来自专栏机器之心

专访 | 诺基亚首席科学家范力欣:用模糊逻辑实现可解释的深度神经网络

深度学习发展到今天,很大程度上依然是一个「实验主导」的、「先有实验结果再找可能解释」的学科。对实验结果的理论解释,争议不断,而且随着时间的推移,研究者们给出的解...

1042
来自专栏AI科技大本营的专栏

【NLP年度重磅盘点】12项重大行业突破!详解2017年深度学习加持下的NLP大事件

翻译 | 林椿眄、刘畅、彭硕 编辑 | Donna Suisui 过去几年,深度学习架构和算法在图像识别和语音处理等领域取得了重大的进步。而在NLP(自然语言处...

4098
来自专栏AI科技大本营的专栏

被捧上天的深度学习,遇到这些问题根本干不过简单模型

今天我们来唱唱反调,推荐一篇Hacker News和Reddit的双料热文《何时该不用深度学习》。 作者 | Pablo Cordero 翻译 | reason...

3549

扫码关注云+社区

领取腾讯云代金券