登入
家
欧洲地区特别部分：热门话题
走向广泛的ai
信用卡：盖蒂图像
尽管在人工智能（AI）和深度学习中取得了巨大的成功，但对当前的深度学习方法进行了关键评估。8.深度学习是数据饥饿，具有有限的知识转移能力，不迅速适应改变任务或分布，并不充分地融入世界或先前的知识。1那3.那8.那14.虽然深入学习在自然语言处理和视觉基准中擅长，但它通常在现实世界的应用中表现不佳。在新数据，新应用程序，野外部署和压力测试中显示了深度学习模型。4.那5.那7.那13.那15.因此，从业人员怀疑这些模型，犹豫雇用他们在现实世界中。
广泛的AI是一种复杂和自适应的系统，凭借其感官感知，以前的经验和学习技巧，成功地执行了任何认知任务。
目前的AI研究试图克服深度学习的批评和局限性。AI研究和机器学习尤其适用于AI-A“广泛”的新水平 - 为技能获取和问题解决方案的显着增强和更广泛的能力。3.我们将“广泛AI”对比“狭窄的AI”，这是目前应用的AI系统。广泛的AI在以下基本属性中显着超过了一个狭窄的AI：知识转移和互动，适应性和鲁棒性，抽象和高级推理，以及效率（如伴随所示）（如伴随所示）数字）。广泛的AI是一种复杂和自适应的系统，凭借其感官感知，以前的经验和学习技巧，成功地执行了任何认知任务。
数字。AI系统认知能力的层次模型。3.
提高适应性和稳健性，广泛的AI利用少量学习，自我监督的学习通过对比学习，使用上下文和内存处理感觉输入。使用现有知识或以前的经验，少量学习培训具有少量数据的模型。少量学习具有夸张的真实应用程序，例如，当学习模型必须快速适应新的情况时，为新客户，新产品，新进程，新工作流或新的感官输入。
随着愿景和语言中的未标记数据的大公司出现，自我监督学习对比学习变得非常受欢迎。图像的视图与其他图像的视图形成对比，或者图像的文本描述与其他图像的文本描述对比。对比语言 - 图像预训练（剪辑）10.在零拍摄转移学习中产生了非常令人印象深刻的结果。剪辑模型有可能成为最重要的基础模型之一。2具有高零点传输学习性能的模型非常适应性，非常稳健，因此应该在现实应用程序中部署时表现良好，并将被从业者信任。
广泛的AI应该使用上下文和以前的经验来处理输入。概念短期记忆9.是认知科学的概念，其指出人类在感知刺激时，立即将其与存储在长期存储器中的信息相关联。像人类，机器学习和AI方法应该“激活大量可能相关信息”9.储存在情节内或长期记忆中。非常有希望现代Hopfield网络那11.那12.那16.这揭示了数据中的协方差结构，从而使深度学习更加强大。如果在数据中共同发生功能，那么现代Hopfield网络在检索的样本中放大了这种共同发生。现代Hopfield网络是一种学习方法的补救措施，这些方法遭受了“解释”问题。解释的是确认观察到的事件的一个原因，这可以防止该方法找到替代原因。解释是短切学习的一个原因5.和聪明的汉斯现象。7.现代Hopfield网络避免通过丰富的协方差结构解释。
图形神经网络（GNN）是一种非常有前途的研究方向，因为它们在图形结构上运行，其中节点和边缘与标签和特性相关联。GNN是神经象征性计算的主要模型。6.它们描述了分子的性质，模拟社交网络，或预测具有粒子粒子相互作用的物理和工程应用中的未来状态。
欧洲的一个广阔的ai的机会
广泛AI最有希望的方法是神经象征性的AI，即双边AI.将方法与符号和子符号AI组合。与其他地区相比，欧洲在象征性和亚象征性的AI中都有强大的研究群体，因此有前所未有的机会为下一级别的AI-A广泛的AI做出基本贡献。
欧洲在象征性和亚象征性的既有强大的研究群体，因此有前所未有的机会为下一级别的AI-A广告奠定基本贡献。
AI研究人员应努力通过相结合符号和亚象征性AI的双边AI方法来努力提供大大提高和更广泛的技能和问题解决能力。
参考
1. Bengio，Y.，Lecun，Y.和Hinton，G.图灵讲座：深度学习AI。安排。ACM 64.，7（7月2021年），58-65;DOI：10.1145 / 3448250
2. Bommasani，R.等人。论基础模型的机遇和风险（2021年）;arxiv：2108.07258。
3. Chollet，F.关于智力的衡量标准（2019）;arxiv：1911.01547。
4. D'Amour，A.等人。缺点呈现出现代机器学习中可信度的挑战（2020年）;arxiv：011.03395。
5. Geirhos，R.，Jacobsen，J.-H.，Michaelis，C.，Zemel，R.S.，Brendel，W.，遭受抵抗，M.和Wichmann，F.A.深度神经网络中的快捷方式学习（2020）;arxiv：2004.07780。
6.羊肉，L.C.，Garcez，A。，Gori，M.，Pratated，M.，Avelar，P.和Vardi，M.图神经网络符合神经象征性计算：调查和观点（2020）;arxiv：2003.00330。
7. Lapuschkin，S.等人。揭开聪明的汉斯预测器并评估机器真正学习的机器。自然通信10.（2019）。
8.马库斯，G.深度学习：批判性评估。（2018）;arxiv：1801.00631。
9.波特，M.在感知和思想中概念短期记忆。心理学中的前沿3（2012），113。
10. Radford，A.等。从自然语言监督学习可转让的视觉模型。在38的诉讼程序钍实习生。Conf。机器学习。2021。
11. Ramsauer，H.等人。Hopfield网络是您所需要的（2020）;arxiv：2008.02217。
12. Ramsauer，H.等人。Hopfield网络是您所需要的。在2021实习生的诉讼程序。Conf。学习陈述;https://openreview.net/forum?id=tl89rnziicd.。
13. reht，b。，roelofs，R.，Schmidt，L.和Shankar，V.（2019）。ImageNet分类器概括到Imagenet吗？36的诉讼程序钍实习生。Conf。机器学习97.（2019），5389-5400。
14. Sutton，R.苦课。2019年;http://www.incompleteideas.net/incideas/bitterlesson.html.
15. Taori，R.，Dave，A.，Shankar，V.，Carlini，N.，Recht，B.和Schmidt，L.测量自然DDistibution的鲁棒性在图像分类中的变化。在第33次的诉讼程序。神经信息处理系统的进步。Curran Associates，Inc.，2020,18583-18599
16. Widrich，M.等。现代Hopfield网络和免疫曲目分类的关注。神经信息处理系统的进步33（2020）;https://bit.ly/3jppi5y.。
数字图书馆由Computing Machinery协会发布。版权所有©2022 ACM，Inc。
没有发现任何条目