Solo puedo ofrecer mi propia opinión. No pretendo hablar por la comunidad de IA / aprendizaje profundo.
Las redes de aprendizaje profundo son el estado actual de la técnica para descubrir las transformaciones (funciones) de alguna entrada a alguna salida para ciertas situaciones (reconocimiento de imágenes, etc.). En esencia, una función captura de manera compacta el rango de comportamiento posiblemente infinito de entrada-salida, simplemente porque estos comportamientos obedecen ciertas leyes matemáticas. En los términos más simples,
[matemáticas] f (X) = Y [/ matemáticas]
- Cómo implementar clustering basado en densidad
- ¿Qué campos necesitan NLP (procesamiento del lenguaje natural) o técnicas de minería de texto?
- ¿Cuál es una explicación intuitiva de las redes residuales profundas?
- ¿Cuál es el estándar de JMLR contra documentos en ICML y NIPS?
- ¿Tiene sentido el uso de bosques aleatorios en los datos financieros si se supone que los rendimientos dependen en serie (es decir, que los rendimientos actuales dependen de los rendimientos pasados)?
donde [math] X \ en R ^ n \; [/ math] y [math] Y \ en R ^ m \; [/ math] son entradas y salidas. El trabajo de DL es descubrir cuál es el mejor modelo posible que capta esta situación o cuál es el mejor [matemática] \; f. [/ Matemática] En la mayoría de los casos, averiguar la [matemática] \; f \; [/ math] no es una posibilidad práctica, si es así, necesariamente llamaríamos a esta función un algoritmo determinista.
Estas son todas las matemáticas que usaré, lo prometo. Usando este modelo simple, el desafío es describir primero la autoconciencia. Si la autoconciencia tiene una descripción funcional, entonces DL puede encontrar un modelo lo suficientemente bueno para ello. Dicho de otra manera, la pregunta es, ¿puedo tener un modelo de cómputo que imite la autoconciencia? Matemáticamente hablando, pienso en la autoconciencia como una máquina de estados no determinista (porque permitiría que varios estados estuvieran activos simultáneamente), que es una abstracción más alta que las funciones. Cada uno de estos estados encapsula un modelo generado por una red DL, y hay salidas de estado activadas por las salidas del modelo. En última instancia, la máquina de estado se vería como una red neuronal mega-DL. Tendré que patentar cómo funcionan exactamente estas máquinas de estado y cómo puede imitar la autoconciencia (es broma … lo de código abierto cuando se valida).
Entonces, sí, DL es un paso hacia la autoconciencia, pero no es un medio en sí mismo. DL es seguramente el bloque de construcción para las matemáticas más elaboradas que eventualmente simularán la autoconciencia.