人类级人工智能还需数十年,但我们现在就需要开始辩论 | 戴密斯·哈萨比斯 | 谷歌时代精神
Human AI is Decades Away, But We Need to Start the Debate Now | Demis Hassabis | Google Zeitgeist
频道:Google Zeitgeist · 时长:16:41 · 发布:2015-05-12 · 播放:304832
简介
DeepMind的戴密斯·哈萨比斯在谷歌时代精神活动上发言,称人类级人工智能还需数十年,但辩论应从现在开始。他介绍了DeepMind对游戏智能体的关注。
HN 为什么推荐
HN 引用它作为DeepMind CEO早期对人工智能及其游戏重点的观点,出现在AlphaGo和OpenAI的讨论中。
机器学习与深度学习 · AI 安全、AGI 与影响 · 科技先驱与访谈
中文字幕节选
在DeepMind,我们基本上研究人工智能,而AI是一门 让机器变得智能的科学。我相信这最终 将成为人类有史以来最重要的技术之一, 但在深入探讨之前,因为本次会议 名为《万物理论》,我想先简单 解释一下我个人的历程,我是如何走到这一步的,以及 为什么我决定将我的生命和职业生涯奉献给解决这个问题。 所以从上学时很小的时候,我就意识到 从某种根本意义上说,只有两门学科 真正值得学习:物理学和神经科学。 物理学,当然,是关于解释外部世界,即外在的 世界,当然包括整个宇宙,而 神经科学和心理学则相反,是关于解释内在的 这里,我们的内心世界。然后当我进一步思考时, 我实际上得出结论,心灵更重要, 因为显然这是我们实际解读外部 世界的方式,事实上,你知道‘心灵解读世界’ 这个想法最早是由伟大的哲学家 伊曼努尔·康德提出的,实际上,是心灵创造了我们周围的现实。 所以这就是AI的用武之地,因为理解的终极表达 是能够重新创造它,正如 理查德·费曼所说,他是我科学上的英雄之一,‘我无法 建造的东西,我就没有真正理解,’这是其中一件 让我对人工智能感到兴奋的事情。我认为,最终 它将帮助我们更好地理解我们自己的心灵。 所以我的个人旅程,正如Darsheni提到的,始于游戏, 这就是我进入AI的方式。我开始下国际象棋, 我四岁时被教如何下棋,后来加入了各种 英格兰象棋队,并担任过多个英格兰青少年象棋队的队长, 到十二岁时我成为了象棋大师。问题是,当你 从小教一个孩子下棋, 如果他们像我小时候那样有相当反思性的性格, 你会不由自主地思考和内省, 你的大脑中究竟是什么在产生 这些棋步。是什么机制让你在像国际象棋这样复杂的游戏中 制定这些计划? 所以当我大约八岁时,我实际上拿了一些 我从国际象棋锦标赛中赢得的奖金,买了我的 第一台电脑,一台ZX Spectrum 48k,我自学了编程。 我记得最早创建的一个大型程序 实际上是一个下棋程序,它下得不太好, 但它能打败我的小弟弟,我当时非常高兴, 那时我还小。 你知道,它成功了,这是我走向AI之路的开始。 现在,我对编程、国际象棋和游戏的热爱,自然地 结合在了电子游戏的形式中,我的第一个 职业是创建和设计电子游戏。我做了十年, 我写了几款畅销游戏,但可能我最著名的 游戏是我十七岁时写的《主题公园》。这 是最早使用人工智能作为主要游戏组成部分的游戏之一。 所以这款游戏在90年代中期,94年问世, 游戏的理念是你设计自己的迪士尼世界, 成千上万的小人带着自己的欲望和特点来到 那个迪士尼世界,评判并决定他们在你的主题公园里有多开心。 他们会去告诉朋友,然后第二天再来。 所以这款游戏催生了一整个称为管理模拟游戏的类型, 真正开启了整个创意游戏类型,在这种游戏中, 不是射击和杀戮,而是实际上你创造和 建造东西,游戏会根据你的玩法做出反应,所以没有两个 人会得到相同的游戏,因为AI会适应
HN 上的讨论
你和你上面的评论者都没有抓住重点。首先观看:[VIDEO](人工智能和物理学)是相当相关且可行的 ^我引用上面的视频不是因为我看了它并认为(嘿,这有道理)。我引用它是因为我在人工智能工作中已经有同样的感觉,并觉得(哇,还有别人懂)另外:[LINK] 当你致力于解决问题时,把各种可行的想法/知识记在脑子里是好的。世界上所有的物理实验都不会给你对问题的洞察,除非你有可行的想法来如何将发现整合到理解/知识中。人们经常犯的错误是,你可以不断敲打和蛮力地获取知识/理解……“理论可以通过实验证明;但没有路径从实验通向理论的诞生。”——阿尔伯特·爱因斯坦古代哲学家解决了很多问题。比你似乎认为的要多。正是从他们的想法中,人们知道去哪里‘证明’事物。观看费曼的视频并真正理解他在说什么。 — dframe, 2015-09
我觉得目标4是一个游戏代理非常有趣。DeepMind从一开始就专注于这一点[0],并且在Atari游戏方面取得了巨大进展[1]。而且DeepMind能够使用单个代理,而不是为每个游戏使用不同的特定代理。我想知道OpenAI是否想走不同的方向,尽管强化学习取得了相当大的成功。而其他目标在成为“现实世界”功能之前肯定需要大量工作,尤其是目标3。但当然,这取决于他们对‘有用’的定义。[0]:[VIDEO] [1]:[LINK] — ktta, 2016-06
我非常喜欢Jeff Atwood的解释[0],以及他帖子中引用的DeepMind CEO演讲[1] [0] [LINK] [1] [VIDEO] — SonicSoul, 2016-03
相关视频
- 费曼:知道与理解 · TehPhysicalist · 5:37
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- Jim Simons(完整版访谈)- Numberphile · Numberphile2 · 1:00:43
- Steve Jobs 2005 年斯坦福大学毕业演讲 · JoshuaG · 14:34
- 发生在马身上的事正在发生在我们身上 · CGP Grey · 15:00
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14
- Alan Kay - 正常被认为有害 · powerfuloutlet · 1:07:26
- 培育语言,作者:Guy Steele · Bill Pugh · 53:31
- USENIX Security '18-Q:为什么主题演讲者不断建议改进安全性是可能的? · USENIX · 51:22
- 软件设计哲学 | John Ousterhout | Talks at Google · Talks at Google · 1:01:40
- “Uncle” Bob Martin - “编程的未来” · Paul Stringer's Mobile Tech · 1:18:21
- VCF East: Ken Thompson 接受 Brian Kernighan 采访 · Vintage Computer Federation · 1:03:51
- 第一讲 | 机器学习(斯坦福) · Stanford · 1:08:40
- Hamming,“你和你的研究”(1995年6月6日) · securitylectures · 44:02