Любая семантическая конструкция в рамках знаковой системы является моделью. )))
Нет смысла пытаться переопределять устоявщиеся термины и тем более нет смысла пытаться натягивать сову на глобус (это я про Ваши толкования физики) )))
Мне думается, Вы путаете местность и карту, пытаясь совместить в одном разные типы карт, вместо того, чтобы определить оптимальный маршрут. Как профессиональный физик могу сказать: [i] нет физики [/i]. Есть большое количество парадигм (представлений) с моделями (теориями), построенными в их рамках, которые сводятся друг с другом только по границам. В лучшем случае.
Пока не будет поставлена задача — совершенно не важно какие «слова» использовать. )))
А вот с задачей в Ваших «построениях» как раз и проблема.
Да, возможно. Но в вопросе «обучаемости» я разделяю мнение Андрея Карпатого (который как раз руководит разработками автопилота в Тесле), когда он говорит, что машинное обучение — это Программирование 2.0. Просто другой тип программирования. Поэтому ответ на вопрос о мышлении следует искать не в каскадах глубокого обучения, а в архитектуре AGI.
Да, Вы совершенно правы. За исключением может быть одного нюанса, который я не понял из Вашего сообщения. В тренировочных сетах и ML моделях интеллекта нет. И взяться ему там неоткуда. В машинном обучении нет обучения в когнитивном смысле этого слова. По моему скромному мнению.
На мой вкус, главная ошибка была в том, что разработчики наивно полагали, что интеллект возникнет в системах сам по себе, как эмерджентное свойство обработки миллионов training set'ов. А он не возник… ))))
Некоторое противоречие заключается в том, что почти никто не понимает как «ЭТО» происходит у человека. И в среднем, человеческие решения не являются эталонными, иначе бы цивилизация не представляла собой такую помойку. И возникновение «машинных решений» происходит не потому, что это забавно, а потому, что машины справляются со многими задачами лучше людей. Качественнее, быстрее, дешевле. И пока будет так, нет никакой реальной силы остановить развитие машинных технологий.
Это просто разный тип программирования. В обычном необходимо задавать логику обработки данных, в моделях машинного обучения только примеры. И получается так, что ML лучше справляется с генерацией логики и учетом внутренних взаимосвязей данных. Поэтому ИИ и применяют сейчас везде. )))
Да, я понял, просто это не были «мои слова», я просто приводил факты. Железные. )))
Нет. Насколько я понял исследования, дообучать нельзя. Есть такой момент, называется «кризис трехлетия», это когда человек «обретает» сознание и «я». После него уже слабоумие, если нет социализации. В этом именно проблема и есть, что интеллект — это не персональный феномен, а коллективный. Как mainframe и терминалы. )))
Если бы Вы видели противоречия в том, что говорили — это была бы серьезная проблема. )))
Вы отрицаете факт того, что человек, выросший ВНЕ человеческого общества остается животным? И (если не отрицаете) какое объяснение этому согласно Вашей модели?
Нет. Прошиты только инстинкты. Всё прочее находится в социуме и культуре. Обезьяны очень мало отличаются от людей по «прошивке», а вот культуры у них нет, поэтому интеллект в зачаточном состоянии.
Да, но у новорожденного нет интеллекта. Более того, если он не будет жить в социуме (с паттернами и предрассудками), то останется животным маугли. Более того, если первые два года не уделять должного внимания социализации ребенка (говорить с ним, играть, трогать, давать трогать себя, знакомить с другими людьми), то ребенок останется недоразвитым интеллектуально. Так что в вопросе паттернов и предрассудков не всё так однозначно.
Это всё замечательно и даже не вызывает внутренних противоречий и протестов. Один единственный вопрос: Как? Как сделать так, чтобы система начала заниматься моделированием? Какие есть подходы, механизмы, решения?
Как самому написать модель и запрограммировать ее — понятно. Как обучить нейронную сеть или использовать любую другую аппроксимационную модель из арсенала машинного и глубокого обучения — понятно. А вот что такое «опережающее машинное моделирование» и как оно выглядит — вообще не понятно. ))))
Всё это было бы хорошо и правильно, если бы не одно маленькое обстоятельство — в мире становится все больше занятий, которые машины деляют лучше человека. Некоторое время назад к ним перешли все комбинаторные игры. Оказалось, что шахматы и го — это не интеллектуальные занятия. А в средние века интеллектуальными считались эрудиция, умение читать и писать. Граница интеллектуального убегает… )))
Обучение — это точно такой же проект, как все прочие, эффективность процесса обучения — важнейший элемент его. И у меня есть серьезные сомнения, что предметный способ погружения в проблематику DS — это самый эффективный путь в нем. Вы перечислили такое количество инструментов и технологий, что захватывает дух. )))
В качестве альтернативного (или дополнительного) варианта освоения DS возможен задачный подход, когда выбирается небольшая простая задача (например, тот же MNIST или что-то еще обучательное) и производится решение end-to-end. С анализа датасета до оформления решения. Проектный подход эффективнее по трем причинам: 1) задача определяет модели, 2) задача определяет инструменты, 3) задача определяет требования к качеству решения и оптимизацию его. Очень многие из пересчисленных Вами технологий так или иначе будут использованы, но будет совершенно иной ракурс. Без этих ограничений и фокусирования DS можно изучать неограниченно долго. )))
Нет смысла пытаться переопределять устоявщиеся термины и тем более нет смысла пытаться натягивать сову на глобус (это я про Ваши толкования физики) )))
Модели вообще не бывают верными. Модели бывают полезными в тех или иных задачах, сообразно требованиям к достаточности решения.
Пока не будет поставлена задача — совершенно не важно какие «слова» использовать. )))
А вот с задачей в Ваших «построениях» как раз и проблема.
Нет. Насколько я понял исследования, дообучать нельзя. Есть такой момент, называется «кризис трехлетия», это когда человек «обретает» сознание и «я». После него уже слабоумие, если нет социализации. В этом именно проблема и есть, что интеллект — это не персональный феномен, а коллективный. Как mainframe и терминалы. )))
Вы отрицаете факт того, что человек, выросший ВНЕ человеческого общества остается животным? И (если не отрицаете) какое объяснение этому согласно Вашей модели?
Как самому написать модель и запрограммировать ее — понятно. Как обучить нейронную сеть или использовать любую другую аппроксимационную модель из арсенала машинного и глубокого обучения — понятно. А вот что такое «опережающее машинное моделирование» и как оно выглядит — вообще не понятно. ))))
В качестве альтернативного (или дополнительного) варианта освоения DS возможен задачный подход, когда выбирается небольшая простая задача (например, тот же MNIST или что-то еще обучательное) и производится решение end-to-end. С анализа датасета до оформления решения. Проектный подход эффективнее по трем причинам: 1) задача определяет модели, 2) задача определяет инструменты, 3) задача определяет требования к качеству решения и оптимизацию его. Очень многие из пересчисленных Вами технологий так или иначе будут использованы, но будет совершенно иной ракурс. Без этих ограничений и фокусирования DS можно изучать неограниченно долго. )))