人工智能

与以前的版本相比，AlphaGo Zero包含了多项改进。在这份备忘单中可以看到Alpha Go Zero的建筑细节。 这些改进之一是使用单个神经网络，该神经网络可以同时计算移动概率和状态值，而旧版本则使用两个单独的神经网络。根据论文表明，合并的神经网络效率更高： 它使用一个神经网络，而不是两个。早期版本的AlphaGo使用“策略网络”来选择下一个动作，并使用“价值网络”来从每个位置预测游戏的获胜者。这些都结合在AlphaGo Zero中，可以对其进行更有效的培训和评估。 对我来说，这似乎很不直观，因为从软件设计的角度来看，这违反了关注点原则上的分离。这就是为什么我想知道为什么合并被证明是有益的。 这种技术-将不同的任务合并到单个神经网络中以提高效率-是否可以总体上应用于其他神经网络，还是需要某些条件才能起作用？

10 neural-networks  comparison  architecture  alphago-zero  efficiency 

我正在尝试开发一种神经网络，该网络可以识别CAD模型中的设计特征（即槽，凸台，孔，凹穴，台阶）。 我打算用于网络的输入数据是anxn矩阵（其中n是CAD模型中的面数）。矩阵右上角三角形中的“ 1”表示两个面之间的凸关系，而左下角三角形中的“ 1”表示凹关系。两个位置均为零表示面不相邻。下图给出了这样一个矩阵的例子。 可以说，我将最大模型尺寸设置为20个面，并对小于此尺寸的任何物体应用填充，以使网络输入的尺寸恒定。 我希望能够识别5种不同的设计特征，因此将具有5种输出神经元-[槽，袋，孔，凸台，台阶] 我会说这成为一种“模式识别”问题，对吗？例如，如果我为网络提供了许多训练模型-以及描述模型中存在的设计特征的标签，网络会学会识别与某些设计特征相关的矩阵中表示的特定邻接模式吗？ 我是机器学习的一个完整的初学者，我试图了解这种方法是否有效-如果需要更多信息来理解问题，请发表评论。任何输入或帮助，将不胜感激，谢谢。

10 neural-networks  machine-learning  convolutional-neural-networks  pattern-recognition  detecting-patterns 

我对深度学习还很陌生，但是我认为我找到了开始使用它的正确环境。问题是我只使用了这种算法来预测结果。对于我的新项目，我需要信息来为机器提供信息以优化结果。有人可以简要说明我应该如何进行吗？我被卡住了。 情况如下： 我有一台机器，该机器可以在整个长度上取用不同等级的木材制成的木板，并且必须将其切成切割清单中提供的块。这台机器将始终选择可从给定木板获得的最高分数。的得分是由每个块的相乘而得到区域通过其乘数。我要构建的算法必须为切割清单中列出的每个块提供该机器一个乘法器。该机器的所有物理输出将由机器人存储在架子上，直到需要为止。如果切割机有助于提高木板的分数，则可以将其降级。 价值必须激励机器使我得到最需要的砖块，而又不降低木材的等级。 优化目标 确保每个区块在需要的时候都有库存，但是没有理由不要太早 尽可能减少木材的降级（某些树种非常昂贵） 输入点 需要此块之前的时间 该块的木材等级 此区块所需的金额 街区（也许？） 提供给算法的反馈 块准备就绪的时间（必须尽可能短） 木材降级面积*跳过等级数 预期的返回数据 一个乘法器，它将使该块相对于其他块具有最佳优先级 我没有收集到的信息 每种木材每种等级的平均比率 到目前为止，我已经弄清楚的是，可能需要将我的反馈仅粉碎为一个值才能使其成为输出节点。问题是我不明白如何使该算法确定乘数。我试图通过深度学习解决这个问题是错误的吗？

10 deep-learning 

似乎大多数项目都试图教AI学习各种特定语言。 在我看来，跨语言的书面和口头单词与词组之间存在关系-在学习第二语言后，大多数使用者会更容易地学习更多的语言，并且我们开始理解不同语言中的单词与词组之间的关系。 有没有人尝试训练AI学习所有语言？ 这是否比尝试向AI教授一种具有特定语言的所有特定细节的单一语言更容易解决？既然您实际上从培训集中省略了许多其他语言的相关数据？

10 natural-language-processing 

在人工智能的背景下，奇点是指能够递归自我改进的人工智能通用技术的出现，导致人工超智能（ASI）的迅速出现，其极限是未知的，在实现技术奇点后不久。因此，这些超级智能将能够解决我们可能无法解决的问题。 根据《人工智能的未来进展：专家意见调查》中的一项民意测验（2014） 受访者的中位数估计是2040-2050年左右将开发高级机器智能的几分之一 距离不是很远。 鉴于人工智能可以解决许多问题而使我们受益，那么人工智能将具有无所不知的能力又有什么问题呢？

10 machine-learning  philosophy  singularity  cognitive-science 

我一直在研究Viv开发中的人工智能代理。根据我的理解，该AI可以生成新代码并根据用户查询执行它。我很想知道的是，这种AI如何学习基于某些查询生成代码。此过程涉及哪种机器学习算法？我考虑的一件事是逐步分解程序的数据集。例如： 代码平均取5个学期 1-将所有5个项加在一起 2-除以5 然后，我将训练一种将文本转换为代码的算法。据我所知。但是还没有尝试任何东西，因为我不确定从哪里开始。有人对如何实现Viv有任何想法吗？这是Viv的演示。

10 neural-networks  machine-learning  deep-learning  ai-design  natural-language-processing 

我在读有关约翰·麦卡锡（John McCarthy）及其对人工智能的正统见解。在我看来，他似乎并不十分赞成将资源（如时间和金钱）用于使AI玩象棋这样的游戏。相反，他希望更多地专注于通过图灵测试和模仿人类行为的AI。 我还阅读了许多有关大型公司（如IBM，Google等）的文章。他们花费数百万美元制作了AI，以玩国际象棋，围棋等游戏。 这在多大程度上合理？

10 research  game-theory  chess 

关于人工智能的现有法规已经到位？政府官方机构准备的哪些报告或建议已经发表？ 到目前为止，我知道戴维·金爵士为英国政府所做的报告。

10 agi  legal 

我想从一个让我思考MCTS的性能如何的场景开始：假设有一个动作尚未添加到搜索树中。某些层/动作太深了。但是，如果我们玩这个招，那么游戏基本上就赢了。但是，我们还假设在给定的游戏状态下可以采取的所有举动都是非常非常糟糕的。为了争辩，我们假设有1000种可能的动作，其中只有一种是好的（但非常好），而其余的则很不好。不会MCTS没有认识到这一点，并没有朝着这个方向发展搜索树，并且还对该子树进行非常糟糕的评价？我知道MCTS最终会收敛到minimax（如果有足够的内存，最终它将建立整个树）。然后它应该知道即使有很多坏的可能性，此举也是好的。但是我想实际上这不是人们可以依靠的。也许有人可以告诉我这是否是我的正确评估。 除了这种特殊情况外，我还想知道是否还有其他这样的情况，MCTS的表现会很差（或非常好）。

10 gaming  monte-carlo-tree-search 

我正在阅读有关AI如何将世界变成超级计算机来解决它认为需要解决的问题的胡说八道。那不是AI。那就是程序编程陷入了一些循环废话中。人工智能将需要发展和重新组织其神经元。如果通过重写代码变得智能，它将不会停留在硬代码上。

10 philosophy 

据我所知，当前的大多数人工智能研究都使用某种神经网络或其变体。一个很好的例子是DeepMind的alphago，我认为它是一个深度神经网络，用于视觉CNN，文本，音乐和其他有序特征RNN等。但是对于机器学习应用，我们有神经网络，支持向量机，随机森林，回归方法等可用于应用程序。 那么，神经网络及其变体是达到“真正的”人工智能的唯一途径吗？

10 neural-networks 

回到大学时，我有一位复杂性理论老师，他说人工智能在术语上是一个矛盾。他认为，如果可以机械地计算，那不是智能，而是数学。 这似乎是中国会议室论点的变体。这种说法是一个比喻，将一个人放在一个装满中文书的房间里。这个人听不懂中文，但在门下却用中文漏掉了信息。这个人必须使用包含转换规则的书来回答这些信息。该人可以应用转换规则，但不了解自己正在交流什么。 中式房间的论点成立吗？我们可以说人工智能只是聪明的算法吗？

10 philosophy  chinese-room-argument 

何时开始研究人工智能？那时是人工智能吗？还是另外一个名字？

10 history 

谁首先创造了人工智能一词？是否有发表的研究论文首先使用了该术语？

10 terminology  history 

在此视频中，一位专家说：“思考什么是智能（特别是关于人工智能）的一种方法是作为优化过程。” 能否始终将智能视为优化过程，并且可以始终将人工智能建模为优化问题？模式识别呢？还是他的性格不正确？

10 optimization  agi