Современные подходы к машинному обучению не приведут нас к настоящему ИИ. Такой, который может по-настоящему понять вас и самостоятельно освоить новые знания и навыки. Как люди.
Текущие основные методы, хотя и очень эффективны в узких областях, обычно имеют некоторые или все из следующих ограничений:
- Каждое узкое приложение нужно специально обучать
- Требуются большие объемы структурированных данных для обучения, созданных вручную.
- Как правило, обучение необходимо контролировать: данные обучения должны быть помечены тегами.
- Требуется длительное автономное / пакетное обучение
- Не обучайтесь постепенно или в интерактивном режиме в реальном времени.
- Плохая способность к переносу обучения, возможность повторного использования модулей и интеграции
- Системы непрозрачны, что затрудняет их отладку.
- Производительность не может быть проверена или гарантирована на «длинном хвосте».
- Они кодируют корреляцию, а не причинно-следственную связь или онтологические отношения.
- Не кодируйте объекты или пространственные отношения между объектами.
- Работать только с очень узкими аспектами естественного языка
- Не подходит для высокоуровневых символических рассуждений или планирования.
В итоге, вот контрольный список ключевых особенностей интеллекта машинного обучения, взятый из статьи по ссылке выше:
Что же тогда подходит?
Я подробно остановился на этом в другом посте, а пока я дам ключ к разгадке, указав на короткую статью о превосходном эссе Пэта Лэнгли, в которой он подчеркивает различия между текущими основными подходами к ИИ и тем, что он называет парадигмой когнитивных систем.
Более широкую картину хорошо передает термин AGI.
Питер Восс - основатель SmartAction и генеральный директор AGI Innovations Inc
Пожалуйста, поставьте лайк и поделитесь - если хотите :)
