Successes and Failures It's fine in

Successes and Failures
It's fine in theory to talk about neural nets that tell males from females, but if that was all they were useful for, they would be a sad project indeed. In fact, neural nets have been enjoying growing success in a number of fields, and significantly: their successes tend to be in fields that posed large difficulties for symbolic AI. Neural networks are, by design, pattern processors - they can identify trends and important features, even in relatively complex information. What's more, they can work with less-than-perfect information, such as blurry or static-filled pictures, which has been an insurmountable difficulty for symbolic AI systems. Discerning patterns allows neural nets to read handwriting, detect potential sites for new mining and oil extraction, predict the stock market, and even learn to drive.

Interestingly, neural nets seem to be good at the same things we are, and struggle with the same things we struggle with. Symbolic AI is very good at producing machines that play grandmaster-level chess, that deduce logic theorems, and that compute complex mathematical functions. But Symbolic AI has enormous difficulty with things like processing a visual scene (discussed in a later chapter), dealing with noisy or imperfect data, and adapting to change. Neural nets are almost the exact reverse - their strength lies in the complex, fault-tolerant, parallel processing involved in vision, and their weaknesses are in formal reasoning and rule-following. Although humans are capable of both forms of intellectual functioning, it is generally thought that humans possess exceptional pattern recognition ability. In contrast, the limited capacity of human information processing systems often makes us less-than-perfect in tasks requiring abstract reasoning and logic.

Critics charge that a neural net's inability to learn something like logic, which has distinct and unbreakable rules, proves that neural nets cannot be an explanation of how the mind works. Neural net advocates have countered that a large part of the problem is that abstract rule-following ability requires many more nodes than current artificial neural nets implement. Some attempts are now being made at producing larger networks, but the computational load increases dramatically as nodes are added, making larger networks very difficult. Another set of critics charge that neural nets are too simplistic to be considered accurate models of human brain function. While artificial neural networks do contain some neuron-like attributes (connection strengths, inhibition/excitation, etc.) they overlook many other factors which may be significant to the brain's functioning. The nervous system uses many different neurotransmitters, for instance, and artificial neural nets do not account for those differences. Different neurons have different conduction velocities, different energy supplies, even different spatial locations, which may be significant. Moreover, brains do not start as a jumbled, randomised set of connection strengths, there is a great deal of organization present even during fetal development. Any or all of these can be seen as absolutely essential to the functioning of the brain, and without their inclusion in the artificial neural network models, it is possible that the models end up oversimplified.

One of the fundamental objections that has been raised towards back-propogation style networks like the ones discussed here is that humans seem to learn even in the absence of an explicit 'teacher' which corrects our outputs and models the response. For neural networks to succeed as a model of cognition, it is imperative that they produce a more biologically (or psychologically) plausible simulation of learning. In fact, research is being conducted with a new type of neural net, known as an 'Unsupervised Neural Net', which appears to successfully learn in the absence of an external teacher.

ผลลัพธ์ (ไทย) 1:

ความสำเร็จและความล้มเหลว
มันดีในทฤษฎีการพูดคุยเกี่ยวกับตาข่ายประสาทที่บอกเพศชายจากหญิง แต่ถ้าคำ ทั้งหมดที่พวกเขามีประโยชน์สำหรับพวกเขาจะเศร้าโครงการแน่นอน ในความเป็นจริง ตาข่ายประสาทมีการเพลิดเพลินกับการเติบโตประสบความสำเร็จในฟิลด์ และอย่างมีนัยสำคัญ: ความสำเร็จของพวกเขามักจะ อยู่ในเขตข้อมูลที่ทำให้เกิดปัญหาใหญ่สำหรับสัญลักษณ์ไอ เครือข่ายประสาทจะ ตามแบบ รูปแบบการประมวลผล - พวกเขาสามารถระบุแนวโน้มและคุณลักษณะที่สำคัญ แม้ในข้อมูลที่ค่อนข้างซับซ้อน แก่ พวกเขาสามารถทำงานกับข้อมูลน้อยกว่าสมบูรณ์ เช่นมัว หรือคงเต็มไปด้วยภาพ ซึ่งมีปัญหาที่ insurmountable สำหรับระบบ AI สัญลักษณ์ ฉลาดรูปแบบช่วยให้มุ้งประสาทในการอ่านลายมือ ตรวจสอบไซต์เป็นเหมืองใหม่และน้ำมันสกัดเย็น ทายผลหุ้น และแม้แต่เรียนรู้การขับรถ

แล็ ตาข่ายประสาทดูเหมือนจะดีเหมือนกันเรามี และต่อสู้กับสิ่งเดียวกันกับการ สัญลักษณ์ AI เป็นอย่างดีในการผลิตเครื่องจักรที่เล่นหมากรุกระดับท่านอาจารย์ฮวงจุ้ย ที่เลิกทฤษฎีตรรกะ และที่คำนวณฟังก์ชันทางคณิตศาสตร์ที่ซับซ้อน แต่สัญลักษณ์ AI มีปัญหาอย่างมากกับสิ่งที่ต้องการประมวลผลภาพฉาก (กล่าวถึงในบทต่อไป), จัดการกับข้อมูลเสียงดัง หรือไม่สมบูรณ์ และการปรับเปลี่ยน ย้อนกลับที่แน่นอนมีมุ้งประสาท - กำลังอยู่ในคอมเพล็กซ์ ทนต่อ ประมวลผลแบบขนานที่เกี่ยวข้องกับวิสัยทัศน์ และจุดอ่อนของพวกเขาอยู่ในทางเหตุผลและกฎต่อไปนี้ แม้ว่ามนุษย์มีความสามารถในรูปแบบของการทำงานทางปัญญา โดยทั่วไปคิดว่า จะให้ มนุษย์มีความสามารถในการรับรู้รูปแบบพิเศษ ในทางตรงกันข้าม จำกัดกำลังการผลิตของมนุษย์ข้อมูลประมวลผลระบบมักจะทำให้เราน้อยกว่าเหมาะในงานที่ต้องใช้เหตุผลนามธรรมและตรรกะ

ที่เป็นประสาทที่นักวิจารณ์ค่าสุทธิของไม่สามารถเรียนรู้บางสิ่งบางอย่างเช่นตรรกะ ซึ่งมีข้อแตกต่าง และแตก พิสูจน์ว่า ตาข่ายประสาทไม่มีคำอธิบายวิธีการทำงานของจิตใจ สนับสนุนประสาทสุทธิมี countered ส่วนใหญ่ของปัญหานั้นว่า นามธรรมต่อกฎความต้องการโหนหลายเพิ่มมากขึ้นกว่าปัจจุบันใช้ตาข่ายประสาทประดิษฐ์ บางตอนนี้กำลังทำที่ผลิตเครือข่ายขนาดใหญ่ แต่โหลดคำนวณเพิ่มอย่างมากจะเพิ่มโหน ทำเครือข่ายที่ใหญ่มากยาก อีกชุดของนักวิจารณ์คิดตาข่ายประสาทเร่งรีบเกินไปจะเป็นรุ่นถูกต้องของฟังก์ชันสมองมนุษย์ ในขณะที่เครือข่ายประสาทเทียมประกอบด้วยบางแอตทริบิวต์เช่นเซลล์ประสาท (จุดแข็งจุดเชื่อมต่อ ยับยั้ง/ในการกระตุ้น ฯลฯ) จะมองข้ามปัจจัยอื่น ๆ มากมายซึ่งอาจมีความสำคัญกับการทำงานของสมอง ระบบประสาทใช้ใน neurotransmitters ต่าง ๆ เช่น และตาข่ายประสาทเทียมไม่บัญชีสำหรับความแตกต่าง Neurons ต่าง ๆ มีตะกอนจึงแตกต่างกัน อุปกรณ์พลังงานแตกต่างกัน แม้แต่ปริภูมิตำแหน่ง ซึ่งอาจเป็นสำคัญ นอกจากนี้ สมองเริ่มทำงานเป็นชุดเชื่อมต่อจุดแข็ง randomised ประจำวัน มีการจัดการที่ดีขององค์กรอยู่ในระหว่างพัฒนาและทารกในครรภ์แม้ ใด ๆ หรือทั้งหมดเหล่านี้สามารถเห็นได้เป็นอย่างที่จำเป็นต่อการทำงานของสมอง และ โดยการรวมในแบบจำลองโครงข่ายประสาทเทียม เป็นที่สิ้นสุดแบบจำลองค่า oversimplified

หนึ่งอุปสรรคพื้นฐานที่ได้รับการเลี้ยงต่อกลับ propogation เครือข่ายลักษณะเช่นกล่าวถึงนี่ คือว่า มนุษย์ดูเหมือนจะ เรียนรู้ในการขาดงานที่ชัดเจน 'ครู' ซึ่งจะแสดงผลของเรา และโมเดลการตอบสนอง สำหรับเครือข่ายประสาทจะประสบความสำเร็จเป็นของประชาน มันเป็นความจำเป็นที่พวกเขาผลิตจำลองเป็นไปได้มากชิ้น (หรือ psychologically) การเรียนรู้ ว่าจะกำลังดำเนินการวิจัยในความเป็นจริง มีประสาทสุทธิ ชนิดใหม่เรียกว่าการ 'Unsupervised ประสาทสุทธิ' ที่เรียนสำเร็จในกรณีเป็นอาจารย์ภายนอก

ผลลัพธ์ (ไทย) 2:

ความสำเร็จและความล้มเหลว
ก็ปรับในทางทฤษฎีที่จะพูดคุยเกี่ยวกับประสาทที่บอกเพศจากหญิง แต่ถ้านั่นคือทั้งหมดที่พวกเขามีประโยชน์สำหรับพวกเขาก็จะเป็นโครงการที่น่าเศร้าจริง ในความเป็นจริงประสาทได้รับการประสบความสำเร็จที่เพิ่มขึ้นในจำนวนของเขตข้อมูลและมีความหมาย: ความสำเร็จของพวกเขามีแนวโน้มที่จะอยู่ในเขตข้อมูลที่ถูกวางความยากลำบากขนาดใหญ่สำหรับสัญลักษณ์เอไอ เครือข่ายประสาทจะโดยการออกแบบหน่วยประมวลผลรูปแบบ - พวกเขาสามารถระบุแนวโน้มและคุณสมบัติที่สำคัญแม้จะอยู่ในข้อมูลที่ค่อนข้างซับซ้อน ยิ่งไปกว่านั้นพวกเขาสามารถทำงานกับข้อมูลที่น้อยกว่าที่สมบูรณ์แบบเช่นภาพเบลอหรือคงที่ที่เต็มไปด้วยซึ่งได้รับความยากลำบากผ่านไม่ได้สำหรับระบบ AI สัญลักษณ์ รูปแบบที่ฉลาดช่วยให้ประสาทการอ่านลายมือตรวจสอบเว็บไซต์ที่มีศักยภาพสำหรับการทำเหมืองใหม่และการสกัดน้ำมันคาดการณ์การลงทุนในตลาดหุ้นและได้เรียนรู้ที่จะขับรถที่น่าสนใจประสาทดูเหมือนจะเป็นสิ่งที่ดีที่สิ่งเดียวกันกับที่เรามีและต่อสู้กับเดียวกัน สิ่งที่เราต่อสู้กับ สัญลักษณ์ AI เป็นสิ่งที่ดีมากที่เครื่องผลิตที่เล่นหมากรุกแกรนด์มาสเตอร์ระดับที่สรุปทฤษฎีตรรกะและฟังก์ชั่นการคำนวณทางคณิตศาสตร์ที่ซับซ้อน แต่สัญลักษณ์เอไอมีความยากลำบากอย่างมากกับสิ่งที่ต้องการการประมวลผลภาพที่มองเห็น (กล่าวถึงในบทต่อมา), การจัดการกับข้อมูลที่มีเสียงดังหรือไม่สมบูรณ์และปรับตัวเข้ากับการเปลี่ยนแปลง ประสาทเกือบจะย้อนกลับที่แน่นอน - ความแรงของพวกเขาอยู่ในที่ซับซ้อนความผิดพลาดประมวลผลแบบขนานส่วนร่วมในวิสัยทัศน์และจุดอ่อนของพวกเขาในการให้เหตุผลอย่างเป็นทางการและกฎต่อไปนี้ แม้ว่ามนุษย์มีความสามารถของทั้งสองรูปแบบของการทำงานทางปัญญามันเป็นความคิดโดยทั่วไปว่ามนุษย์มีความสามารถในการจดจำรูปแบบพิเศษ ในทางตรงกันข้ามความจุของระบบการประมวลผลข้อมูลของมนุษย์มักจะทำให้เราน้อยกว่าที่สมบูรณ์แบบในการทำงานที่ต้องใช้เหตุผลนามธรรมและตรรกะนักวิจารณ์กล่าวหาว่าไร้ความสามารถสุทธิประสาทที่จะเรียนรู้สิ่งที่ต้องการตรรกะซึ่งมีกฎระเบียบที่แตกต่างกันและแตกพิสูจน์ประสาทที่ ตาข่ายไม่สามารถอธิบายวิธีการทำงานของจิตใจ สนับสนุนสุทธิประสาทได้โต้ว่าส่วนใหญ่ของปัญหาคือนามธรรมกฎต่อไปนี้ความสามารถในการกำหนดโหนดอื่น ๆ อีกมากมายกว่าปัจจุบันตาข่ายประสาทเทียมใช้ บางคนพยายามที่ขณะนี้กำลังการผลิตที่ทำในเครือข่ายขนาดใหญ่ แต่เพิ่มภาระการคำนวณอย่างมากในขณะที่มีการเพิ่มโหนดทำให้เครือข่ายขนาดใหญ่ที่ยากมาก ชุดของนักวิจารณ์อีกกล่าวหาว่าประสาทจะง่ายเกินไปที่จะได้รับการพิจารณาแบบจำลองที่ถูกต้องของการทำงานของสมองมนุษย์ ในขณะที่เครือข่ายประสาทเทียมทำมีแอตทริบิวต์ของเซลล์ประสาทเหมือนบางคน (จุดแข็งของการเชื่อมต่อการยับยั้ง / กระตุ้น ฯลฯ ) พวกเขามองข้ามปัจจัยอื่น ๆ ที่อาจมีความสำคัญต่อการทำงานของสมอง ระบบประสาทใช้สารสื่อประสาทที่แตกต่างกันเช่นและประสาทเทียมไม่บัญชีสำหรับความแตกต่างเหล่านั้น เซลล์ประสาทที่แตกต่างกันจะมีความเร็วที่แตกต่างกันการนำอุปกรณ์พลังงานที่แตกต่างกันแม้สถานที่ของพื้นที่ที่แตกต่างกันซึ่งอาจจะเป็นอย่างมีนัยสำคัญ นอกจากนี้สมองไม่ได้เริ่มต้นเป็นที่คลั่งไคล้ในชุดแบบสุ่มในจุดแข็งของการเชื่อมต่อมีการจัดการที่ดีขององค์กรในปัจจุบันแม้ในระหว่างการพัฒนาของทารกในครรภ์ ใด ๆ หรือทั้งหมดเหล่านี้สามารถมองเห็นเป็นอย่างที่จำเป็นต่อการทำงานของสมองและโดยรวมของพวกเขาในรูปแบบเครือข่ายเทียมประสาทเป็นไปได้ว่ารุ่นท้ายสมจริงหนึ่งคัดค้านพื้นฐานที่ได้รับการยกไปทางด้านหลัง เครือข่ายรูปแบบ -propogation เช่นคนที่กล่าวถึงที่นี่ก็คือมนุษย์ดูเหมือนจะเรียนรู้แม้กระทั่งในกรณีที่ไม่มี 'ครู' อย่างชัดเจนที่จะแก้ไขผลและรูปแบบการตอบสนองของเรา สำหรับเครือข่ายประสาทที่จะประสบความสำเร็จเป็นรูปแบบของความรู้ความเข้าใจก็มีความจำเป็นที่พวกเขาผลิตทางชีวภาพมากขึ้น (หรือจิตใจ) จำลองที่เป็นไปได้ของการเรียนรู้ ในความเป็นจริงการวิจัยจะถูกดำเนินการกับรูปแบบใหม่ของโครงข่ายประสาทเทียมที่รู้จักกันเป็น 'Unsupervised ประสาทสุทธิ' ซึ่งดูเหมือนจะประสบความสำเร็จในการเรียนรู้ในตัวตนของครูภายนอก

ผลลัพธ์ (ไทย) 3:

ความสำเร็จและความล้มเหลว
ไม่เป็นไรในทฤษฎีที่จะพูดคุยเกี่ยวกับตาข่ายประสาทที่บอกผู้ชายจากผู้หญิง แต่ถ้านั่นคือทั้งหมดที่พวกเขามีประโยชน์สำหรับพวกเขาจะเป็นโครงการที่เศร้าจริงๆ ในความเป็นจริง , ตาข่ายประสาทได้รับการเพลิดเพลินกับความสำเร็จมากขึ้นในตัวเลขของเขตข้อมูลและสถิติ : ความสำเร็จของพวกเขามักจะเป็นในเขตข้อมูลที่ถูกวางปัญหาใหญ่สำหรับสัญลักษณ์ AI โครงข่ายประสาทเทียม , โดยการออกแบบโปรเซสเซอร์ -- รูปแบบพวกเขาสามารถระบุแนวโน้มและคุณลักษณะที่สำคัญ แม้ในรายละเอียดค่อนข้างซับซ้อน มีอะไรเพิ่มเติมที่พวกเขาสามารถทำงานกับน้อยกว่าข้อมูลที่สมบูรณ์แบบ เช่น ตาพร่า หรือเต็มภาพแบบคงที่ ซึ่งเป็นสิ่งที่ยากสำหรับระบบ AI สัญลักษณ์ ลวดลายพิถีพิถันให้ตาข่ายประสาทอ่านลายมือตรวจสอบเว็บไซต์ใหม่ที่มีศักยภาพสำหรับเหมืองแร่และการสกัดน้ำมันคาดการณ์ตลาดหุ้น และยังเรียนรู้ที่จะไดรฟ์

น่าสนใจ ตาข่ายประสาท ดูเหมือนจะเก่งอย่างที่เราเป็น และต่อสู้กับสิ่งเดิมที่เราต่อสู้ สัญลักษณ์ AI เป็นอย่างดีในการผลิตเครื่องที่เล่นหมากรุกระดับอาจารย์ปู่ ที่สรุปเชิงตรรกะ และฟังก์ชั่นที่คำนวณทางคณิตศาสตร์ที่ซับซ้อนแต่สัญลักษณ์ AI มีมหาศาลยากกับสิ่งที่ต้องการการประมวลผลฉากภาพ ( ที่กล่าวถึงในบทต่อไป ) , การจัดการกับเสียงดังหรือข้อมูลไม่สมบูรณ์ และปรับตัวเข้ากับการเปลี่ยนแปลง ตาข่ายประสาทจะกลับแน่นอน - ความแรงของพวกเขาอยู่ในคอมเพล็กซ์ ) ขนานการประมวลผลที่เกี่ยวข้องกับวิสัยทัศน์ และจุดอ่อนของพวกเขาอยู่ในเหตุผลที่เป็นทางการและกฎต่อไปนี้แม้ว่ามนุษย์มีความสามารถของทั้งสองรูปแบบของการทำงานทางปัญญาก็จะคิดโดยทั่วไปว่ามนุษย์มีความสามารถในการรู้จำรูปแบบพิเศษ ในทางตรงกันข้าม , ความจุที่จำกัดของระบบการประมวลผลข้อมูลมนุษย์มักให้เราน้อยกว่าที่สมบูรณ์แบบในการให้เหตุผลเชิงนามธรรมและตรรกะ วิจารณ์

แล้วที่ประสาทสุทธิไม่สามารถที่จะเรียนรู้สิ่งที่ชอบตรรกะซึ่งมีกฎที่แตกต่างกันและแตกว่าตาข่ายประสาทไม่สามารถอธิบายวิธีการคิดงาน สนับสนุนเครือข่ายประสาทได้แย้งว่าส่วนใหญ่ของปัญหาที่เป็นนามธรรมในกฎต่อไปนี้ต้องใช้อีกหลายจุดกว่ากระแสประสาทเทียมตาข่ายใช้ . พยายามจะถูกสร้างขึ้น ในการผลิต เครือข่ายขนาดใหญ่แต่โหลดคอมพิวเตอร์เพิ่มขึ้นอย่างมาก เช่น โหนดเครือข่ายขนาดใหญ่เพิ่ม ทำยากมาก อีกชุดแล้ววิจารณ์ว่าตาข่ายประสาทจะง่ายเกินไปที่จะได้รับการพิจารณาที่ถูกต้องรูปแบบของการทำงานของสมองมนุษย์ ในขณะที่โครงข่ายประสาทเทียมทำจะมีเซลล์ประสาทเช่นคุณลักษณะ ( จุดแข็ง , เชื่อมต่อการยับยั้ง / แผ่น ฯลฯพวกเขามองข้ามปัจจัยอื่น ๆซึ่งอาจจะสำคัญกับการทำงานของสมอง ระบบประสาทใช้สารสื่อประสาทหลายชนิดที่แตกต่างกัน ตัวอย่าง และข่ายประสาทเทียมไม่บัญชีสำหรับความแตกต่างเหล่านั้น เซลล์ประสาทที่แตกต่างกันมีการสิ้นเปลืองพลังงานที่แตกต่างกันความเร็วแตกต่างกัน แม้แตกต่างกัน พื้นที่สถานที่ ซึ่งอาจจะสำคัญ นอกจากนี้สมองไม่ได้เริ่มต้นเป็นมากขึ้นชุดของจุดแข็งด้านการเชื่อมต่อ มีการจัดการที่ดีขององค์กร ปัจจุบันแม้ในระหว่างการพัฒนาของทารกในครรภ์ . ใดหรือทั้งหมดของเหล่านี้สามารถมองเห็นเป็นอย่างที่จำเป็นต่อการทำงานของสมอง และโดยรวมของโครงข่ายประสาทเทียมแบบ เป็นไปได้ว่า รุ่นท้ายยอดคุณสมบัติ .

หนึ่งในพื้นฐานการคัดค้านว่าได้ยกต่อหลัง propogation รูปแบบเครือข่ายเช่นคนที่กล่าวถึงในที่นี้คือ มนุษย์จะเรียนรู้แม้ในกรณีที่ไม่มีของระบบผู้เชี่ยวชาญ ' ครู ' ซึ่งแก้ไขผลผลิตของเราและรูปแบบการตอบสนอง สำหรับโครงข่ายที่จะประสบความสำเร็จเป็นรูปแบบของความรู้มันเป็นสิ่งจำเป็นที่พวกเขาผลิตได้มากขึ้น ( หรือจิตใจ ) จำลองน่าเชื่อถือของการเรียนรู้ ในความเป็นจริงการวิจัยจะถูกดำเนินการกับรูปแบบใหม่ของนิวรอลเน็ต , ที่รู้จักกันเป็น ' unsupervised ประสาทสุทธิ ซึ่งปรากฏได้เรียนรู้ในการเป็นครูที่ภายนอก