Es razonable que el uso de Supermatemáticas puede proporcionar beneficios no triviales en el aprendizaje profundo , especialmente si se tiene en cuenta que el cerebro se puede medir mediante operaciones supersimétricas, y que es importante tener en cuenta las restricciones biológicas al construir inteligencia artificial.
Vea una respuesta intrigante a continuación, sobre Supermatemáticas y Aprendizaje profundo :
- ¿Cómo se evalúa la inteligencia artificial general?
- Cómo contribuir al campo de la IA además de investigar
- ¿La inteligencia artificial / automatización resultará en un descontento social sustancial debido a la falta de disponibilidad de los trabajos y habilidades adecuados en el futuro?
- ¿Podría una inteligencia artificial hipotética consciente o consciente estar libre de falacias y ambigüedades / ilusiones perceptivas como los humanos?
- ¿Cuánto ve que la IA afecta a la industria médica?
La respuesta de Jordan Bennett a ¿Cuál es la próxima gran cosa en el aprendizaje automático después de que hayamos terminado con el aprendizaje profundo?
▽
▽
Descargo de responsabilidad: tenga en cuenta que, aparte de las limitaciones particulares de hardware, no tengo un título en física o matemáticas, y por lo tanto, el experimento de juguete que describo / invento anteriormente, es difícil para mí extender matemáticamente ( más allá de la discusión de Supermatemáticas ya presente en mis documentos) y mucho menos ejecutar experimentalmente.
No obstante, el documento constituye el uso de algún algoritmo de aprendizaje de refuerzo de ” Transversal campo ising (súper) hamiltoniano “, donde el uso de operaciones supersimétricas es imperativamente eficiente, ya que tales operaciones permiten representaciones profundamente abstractas (como es naturalmente ofrecido por el grupo de simetría Lie Superalgebras) , de manera pertinente, en un régimen óptimo complejo complejo de tiempo-espacio biológicamente sostenible.
De lo anterior, se puede obtener que estas representaciones profundamente abstractas son lo que razonablemente puede capturar ciertos ” antecedentes físicos ” (ver página 4 del documento), abundan las leyes de la física .
▼
▼
▼
Nota:
Por separado, el enfoque de Deepmind constituye la creación de algoritmos generales, y al igual que algunas otras compañías de inteligencia artificial, Deepmind no está presionado para producir algoritmos de IA a corto plazo, por lo que se enfocan en el objetivo a largo plazo de crear AGI.
Como resultado, los trabajos realizados por Deepmind o empresas similares, pueden observarse regularmente como avances no triviales en la dirección de AGI.
Por lo general, cada uno de dichos nuevos trabajos incrementales tienden a representar alguna habilidad no trivial que anteriormente no existía en medio de algoritmos, wrt inteligencia general.
