Programming

[2003] 電腦演化的速度


發信人: SANJYSAN@bbs.ee.ntu.edu.tw (水丁格的貓), 看板: weapon
標  題: Re: 二足步行武器….有研發的價值嗎?
發信站: 台大電機 Maxwell BBS (Thu Jul  3 20:29:24 2003)
轉信站: Dream!news.ccns.ncku!news.civil.ncku!netnews.csie.nctu!freebsd.ntu!bbs.

※ 引述《tmg (kuso 煙酒生)》之銘言:
: ※ 引述《BorgFox (林居者與農夫)》之銘言:
: 1. 你總是要灌輸這個類神經網路知識,但,你要如何整理它將要學習的知識
:    (就是,老師是誰?)

演化式系統。
使用複數系統在真實/虛擬環境之中演化,甚至是使之互相對抗。
這種概念可以應用於符號論與連結論這兩大AI派別。

重點就是,電腦演化的速度絕對遠比人類快的多人類花了幾千萬
年,可是電腦發展到現在不過50年。

: 2. 你要如何有效率有系統地將知識灌入類神經網路中
:    (就是,從國小到大學的教材要如何編排?)

只要成功演化出來以後再copy就可以了。

不過連結式系統可能無法用單純copy的方式,或許要使用高度壓縮
式的教學法。簡單來講,你要調好一堆node花的時間通常遠比教會
一個小孩作某件事快的多了。當然,如果要用人一個一個去調node
權重,那確實再過幾億年AI都不會生出智慧來。所以這也得靠電腦
自己去調教。所以這類AI基本上會有兩種類型:

1.創建型:一開始是兩台以上的電腦從零開始建立最初的智慧結構
,可能要花很長的時間。接下來是複數電腦互相討論以升級。

2.教學型:以一對多的方法,由已經成熟的電腦跳過演化程序,直
接去調整「學生」的知識架構,使之至少具備一定的初始能力。
等學生達到某個程度,再開始加入演化程序。

1會先出現,但12兩個都會持續存在。因為各有其優缺點。即使已
有成熟通用的架構,仍然有需要去探索全新的架構。

而後者就是電腦能而人類不能的地方。人腦系統高度成熟,但無法
改變,只能架在現有的硬體系統上。但是電腦可以隨時挑一台新的
從零開始。

當然,以後如果開放基因調整容許瘋狂科學家亂搞的話,人也有可
重新佈線。但還要面對另一個問題:改了DNA的受精卵要長成一個
成人要20年,而AI"轉大人"卻不需要這麼久。

: 3. 你怎麼確認你的知識與灌輸方法沒有問題
:    (就是,你怎麼確認你的教法不是像建構式數學殘害兒童大腦的方式?)
: 以人類這樣的大腦都免不了這類的問題
: 也別期待類神經網路系統就碰不到這樣的問題

AI有個人類不會有的優點:
你可以惡搞AI,但卻不能隨便惡搞人腦….

: 講完了我的立場之後,既然我關心的焦點在於 AI 能為人服務些什麼
: 那麼,很重要的一點是,我想要拿 AI 來解決我所不能解不會解,
: 或者是對我而言是很麻煩很棘手的問題
: 通常而言,我會遇到一個問題,幾乎都是在火燒屁股的時候
: 也就是說,當我想要動用 AI 來解我的問題時,我會期待它要很快地給我解答
: (當然這裡對 “很快" 兩字須要再多作說明,不過這不是我的重點
:   只要大家知道我在講什麼就好了)
: 如果現在遇上一個問題,打算使用類神經網路來解決時
: 我們這時發現,我們必須花時間訓練這個類神經網路
: 如果這個問題是以前碰過的也還好,因為以前花過時間訓練過了
: 可是如果是第一次遇到的問題呢?

有些問題被人類視之為藝術,但卻可以丟給AI作的。
第一個會出現的AI我認為應該會出現在證券市場。
第二個則會出現在戰場。

這些都有幾個共同特點:
1.基本模式類似,歷史上都已出現,而且都行之已久,有大量資料
2.雖然基本模式類似,但因為涉及強烈競爭,故難以預測
3.任何變動直接影響整體,輸入與輸出是非線性的,故無法簡化
4.難以直接實驗

: 以人類而言,對於一而再再而三發生的問題,
: 我們人類會自然而然發展出一些 heuristic 的方法來應付
: 甚至誇張一點的會把這些東西寫成 SOP 要求其它人照著一步一步做
: 傳統演算法就有如這樣的角色
: 但人類智慧的展現在於,有能力應付各式各樣的突發狀況
: 以類神經網路而言,對於一個新問題要花多少時間學習?
: 如果每一件事,都得花很長的時間學習,失去時效性的話,那它的價值何在?

這不是人與AI的差異,而是基礎沒打好。
比如有誰會期待一個小三學生馬上就可以應付linux的driver死都抓不到的狀況?

: 還有第三個瓶頸點
: 就是,你要如何確保你所架構出的類神經網路是好的?而不是爛的?
: 以人類而言,人的才能天生不平等,有人總明,有人駑鈍
: 以一個智障而言,他大腦神經元個數不見得比普通人低
: 但是因為神經元連接結構上的關係,你無論再怎麼訓練他
: 他有些東西學不會就是學不會
: 那要如何知道大腦神經元連接結構是好是壞?
: 對不起,全世界所有醫學專家都很想知道這個答案
: 如果你能對這件事作有系統的分類時,你就可以到斯德哥爾摩渡假去了
: 那什麼是聰明的類神經網路架構?什麼是智障的類神經網路架構?
: 決定點並不是取決於神經元個數的多寡
: 如果架構不對,再多的神經元仍然還是一支智障的類神經網路
: 那聰明的類神經網路架構到底要具備什麼條件?你問我我問誰?

用演化式的方法,你不需要確定NN是好是壞,你甚至不須知到他
裡面是怎麼連結的,只要確定他能得出好的結果就可以了。

嚴格的說,根本沒有好壞的問題,只有適不適應的問題。

這其實就是天擇的特點。國中生物課本的英國灰蛾就是最好例子。

英國灰蛾是灰色的,停在白楊樹上不易被鳥看見,所以這種特徵可
以承受環境壓力。少數突變出來的灰蛾就會被鳥吃掉。工業革命以
後英國白楊樹被煙塵燻黑,停在樹上的灰蛾反而變成非常明顯的目
標,因此灰蛾數量遽減,反而黑蛾數量增加。

同樣的概念,假設一個AI在給定的工作環境裡運作的很好,那麼他
就是有用的。假設不行,那就沒有用,format掉重作再來吧。

簡單來講,演化出來的AI本身就是一個黑箱,你無法知道其原理,
只知道他通過演化考驗(演化環境由人類設定,即為人擇)。萬一這
個AI壞掉了通常也無法修復,只能format重來。

在這種情況下,AI的"智慧"和人類的"智慧"之間根本無法區別。
(ps:到時鐵定會出現道德爭議)

事實上不要說AI,人類的智慧你怎麼去定義?我們說愛因斯坦是
天才,是因為他所表現出來的成果受到眾人認同,而不是他大腦
的連結方式經過證明是最好最佳的。沒有人瞭解人類大腦的詳細
佈線方式,但人類依然表現的很好。

不過嚴格來說,這也是一種打賭。假如你是老闆,你雇了一個員
工,但你怎麼知道他值得你花錢去僱請他?顯然你不會知道他大
腦佈線的方式,你能參考的也只是他的學歷、經驗這些。但這都
不能保證這個員工值得花這個錢。你只能下注,然後看他的後續
表現如何,然後再決定他的去留。

這個例子同時也說明了一件事:

你不需要瞭解AI的架構如何,你只要知道他有沒有用就可以了。

─── 相遇 相助 相知 相守 相別離 ───
my homepage,歡迎參觀
http://home.pchome.com.tw/internet/aum_san/sanjysan/

※ Origin: 臺大電機 Maxwell 站 ◆ From: 61-231-20-14.HINET-IP.hinet.net

廣告

One thought on “[2003] 電腦演化的速度

  1. IBM成功以電腦模擬出超越貓的大腦
    http://www.ithome.com.tw/itadm/article.php?c=58203
    科學家已進行了全球第一次近乎即時性的腦皮層模擬,其規模已超越貓的大腦,包含10億個神經元以及10兆個具各別學習能力的突觸。此模擬是在 Lawrence Livermore國家實驗室的Dawn Blue Gene/P超級電腦上進行,具有**147456個處理器以及144TB的主記憶體容量**。
    (並且還有其他科學家來踢館
    http://www.ithome.com.tw/itadm/article.php?c=58321)

    google一下人腦神經元數目-
    “人類的腦神經細胞數量約有一千五百億個’ — 是貓腦神經元的150倍.
    粗淺的推論: 假設摩爾定律一直都成立, 每18個月速度增加一倍, 12年後超級電腦就快要能模擬人腦吧.

發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com Logo

您的留言將使用 WordPress.com 帳號。 登出 / 變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 / 變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 / 變更 )

Google+ photo

您的留言將使用 Google+ 帳號。 登出 / 變更 )

連結到 %s