La IA más fuerte del planeta, y también la más general , se puede observar en los algoritmos escalables que comprenden AlphaGo Zero.
Esto probablemente no sea sorprendente, porque:
- ¿Cómo afectará la inteligencia artificial al capitalismo?
- ¿Qué impacto tendrá una IA fuerte en la exploración espacial?
- ¿AI matará trabajos?
- ¿Cuál es el alcance de la inteligencia artificial en la India?
- ¿Cuáles son los principales campos donde se utiliza la inteligencia artificial?
- Los cerebros biológicos son ejemplos fantásticos de inteligencia general.
- Los algoritmos se vuelven cada vez más generales , y también se vuelven más fuertes , cuanto más imitamos a la biología en nuestros modelos. Es por eso que es importante tener en cuenta las limitaciones biológicas del cerebro, al intentar construir más y más algoritmos generales.
- Deepmind se estaba adaptando (y todavía lo está) a las limitaciones biológicas del cerebro, por lo que continuamente construyeron modelos más y más generales, lo que condujo a AlphaGo Zero . (Ejemplo de trabajos anteriores: AtariQ Player que se basa en el hipocampo y Early Visual Concept Learner, que se basa en la corriente visual ventral)
- AlphaGo Zero mejoró AlphaGo, al condensar la política anterior y la red de valor en un módulo . Tener estos modelos como un solo bloque es razonablemente similar al cerebro biológico , porque el cerebro es observable como un bloque general. Como ejemplo, los hurones pueden desarrollar vías visuales completamente funcionales en las porciones auditivas de sus cerebros o un hombre con una compresión significativa de la materia cerebral, es bastante normal / saludable . Si los módulos en el cerebro estuvieran aislados, como se ve en el predecesor AlphaGo de AlphaGo Zero, el hombre no podría vivir normalmente con su cerebro comprimido en una capa delgada, y los mamíferos inteligentes como los hurones no podrían reconectar las superficies auditivas de sus cerebros para ver. Esto indica que una región es lo suficientemente flexible como para hacerse cargo de la función de otra, o en otras palabras, hay una distribución uniforme de la computación, como se ve en las matemáticas de múltiples, o la teoría de campo medio / redes de aprendizaje de múltiples, como el modelo en este artículo de Poole et al o Deepmind’s Early Visual Concept Learner.
- AlphaGo Zero se benefició de la atención en inferencia / no juego propio y entrenamiento, donde se centró aproximadamente en la región de actividad en el tablero. En este escenario hay una estimación escalar [matemática] v [/ matemática] del jugador actual que gana desde la posición [matemática] s [/ matemática] a partir de pesos completamente aleatorios [matemática] θ_0 [/ matemática], buscando acciones óptimas por paso de tiempo [math] t [/ math] de las probabilidades muestreadas [math] \ pi_t [/ math], en las instancias anteriores de la red [math] f_ {θ_ {i − 1}} [/ math]. (Notablemente la atención se ve en la inteligencia biológica general)
- AlphaGo Zero puede verse como codificación o modelado de una medida de la intuición humana en términos de una secuencia de búsqueda [matemática] \ pi = \ alpha_ {θ_ {i − 1}} \ big (s_t \ big) [/ math] parametrizada por neural net [math] θ [/ math], es decir, una combinación de búsqueda de árbol monte-carlo y red neuronal convolucional residual. Esencialmente, la ” intuición ” puede observarse simplemente como antecedentes o sesgos algorítmicos (como le gusta hablar a Bengio Yoshua) que permiten un cálculo óptimo en los espacios de entrada. Esto significa que esto permitió a AlphaGo Zero reducir el espacio de búsqueda masivo que es Go . La capacidad de reducir grandes espacios problemáticos es inherente nuevamente, en la inteligencia biológica general. (Vea por qué juegos como Go o Atari Games son importantes para desarrollar algoritmos más y más generales aquí)
La gran conclusión es que Deepmind está siendo muy sensible, cuando enfatizan que la consideración de las limitaciones biológicas del cerebro … es muy importante.
