Комментарии 11
Эволюция в наиболее общей формулировке — накопление необратимых изменений. Чтобы получить в нейросетях возможности, которые эволюция дала биологическим существам, необходимо иметь и вариант «смерти», полного удаления содержимого сети. Иначе, при попытках сохранить весь опыт, в конце-концов получим только энтропийную смерть.
Иначе, при попытках сохранить весь опыт, в конце-концов получим только энтропийную смерть.
Странное заявление. Кто пытается сохранять весь опыт? И как, скажем, вагон micro-sd карточек (точнее чего-то более устойчивого) с записями ощущений за 1000 лет вызовет энтропийную смерть? Что такое "энтропийная смерть", кстати?
А вот то, что уничтожение нейросети вызывает полную потерю накопленного опыта — это факт.
Что такое «энтропийная смерть», кстати?наличие всех возможных вариантов aka хаос.
уничтожение нейросети вызывает полную потерю накопленного опыта — это фактбиологическая эволюция так и работает, и у неё кое-что получается. А, да, конечно, наследование информации подразумевается.
наличие всех возможных вариантов aka хаос.
Что это означает применительно к информационным системам? Накопление информации и её обработка не приводит к хаосу, а совсем наоборот.
биологическая эволюция так и работает, и у неё кое-что получается. А, да, конечно, наследование информации подразумевается.
Удалить мутацию из генного пула без смерти или стерилизации её носителя не получится. Удалить информацию из сети вполне можно. В общем, не вижу рационального зерна в этой апологии смерти.
«Награды — этого достаточно»
Прокрастинация.
МПиО + максимизация вознаграждения — это круто, НО.
МПиО это, все-таки, вчерашний, если не позавчерашний день. Не стоит, на мой взгляд, тратить время и деньги на генетические алгоритмы «на стерроидах». Есть путь прямее и быстрее. Не, я понимаю, что Гугл денег не считает и мощностей у него хватит на то, чтоб научить алгоритмы решать задачи методом перебора и рекомбинации, отбрасывая пустое, но есть, как уже сказал, технологии куда более продвинутые и гарантирующие результат без компромиссов. Это первое.
Второе. Максимизация вознаграждения — что это за зверь? Ну получил ИИ вознаграждение (какое, кстати?), и что дальше? Это же прямо по Галилею: Наука — это ответ на вопрос «Зачем/почему?» и … следующий вопрос «Зачем/почему?» к полученному ответу. А еще-то раз задать вопрос «Зачем/почему?» к максимизации вознаграждения нельзя? Но если его задать и на него ответить, то получается, что максимизация вознаграждения — это не цель, а средство достижения цели сохраниться (существовать, длиться, быть, жить).
Полагаю, что Гугл, как я уже сказал выше, может позволить себе выпускать сотни, тысячи, миллионы ИИ для решения конкретных сотен, тысяч и миллионов задач (что называется «подходом снизу»), но их, этих задач, становится все больше — насколько эффективен такой подход?
Почему бы не попробовать «подход сверху», т. е. накрыть все отдельные задачи, как частные случаи, одним универсальным алгоритмом?
Алё, Хассабис, мы писали тебе письма (как электронные, так и бумажные), в которых было подробное и обстоятельное описание такого подхода.
МПиО это, все-таки, вчерашний, если не позавчерашний день. Не стоит, на мой взгляд, тратить время и деньги на генетические алгоритмы «на стерроидах». Есть путь прямее и быстрее. Не, я понимаю, что Гугл денег не считает и мощностей у него хватит на то, чтоб научить алгоритмы решать задачи методом перебора и рекомбинации, отбрасывая пустое, но есть, как уже сказал, технологии куда более продвинутые и гарантирующие результат без компромиссов. Это первое.
Второе. Максимизация вознаграждения — что это за зверь? Ну получил ИИ вознаграждение (какое, кстати?), и что дальше? Это же прямо по Галилею: Наука — это ответ на вопрос «Зачем/почему?» и … следующий вопрос «Зачем/почему?» к полученному ответу. А еще-то раз задать вопрос «Зачем/почему?» к максимизации вознаграждения нельзя? Но если его задать и на него ответить, то получается, что максимизация вознаграждения — это не цель, а средство достижения цели сохраниться (существовать, длиться, быть, жить).
Полагаю, что Гугл, как я уже сказал выше, может позволить себе выпускать сотни, тысячи, миллионы ИИ для решения конкретных сотен, тысяч и миллионов задач (что называется «подходом снизу»), но их, этих задач, становится все больше — насколько эффективен такой подход?
Почему бы не попробовать «подход сверху», т. е. накрыть все отдельные задачи, как частные случаи, одним универсальным алгоритмом?
Алё, Хассабис, мы писали тебе письма (как электронные, так и бумажные), в которых было подробное и обстоятельное описание такого подхода.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
DeepMind: обучения с подкреплением достаточно для достижения «настоящего» ИИ