కృత్రిమ మేధస్సు: ఎలా మరియు ఎక్కడ అధ్యయనం చేయాలి - నిపుణులు సమాధానం.

కృత్రిమ మేధస్సు: ఎలా మరియు ఎక్కడ అధ్యయనం చేయాలి - నిపుణులు సమాధానం

“నేను AI చేయాలనుకుంటున్నాను. అధ్యయనం చేయడానికి విలువైనది ఏమిటి? ఏ భాషలు ఉపయోగించాలి? ఏ సంస్థలలో చదువుకోవాలి మరియు పని చేయాలి?

మేము స్పష్టత కోసం మా నిపుణులను ఆశ్రయించాము మరియు మేము అందుకున్న సమాధానాలను మీ దృష్టికి అందిస్తాము.

ఇది మీ ప్రాథమిక శిక్షణపై ఆధారపడి ఉంటుంది. అన్నింటిలో మొదటిది, మీకు గణిత సంస్కృతి (గణాంకాలు, సంభావ్యత సిద్ధాంతం, వివిక్త గణితం, సరళ బీజగణితం, విశ్లేషణ మొదలైనవి) మరియు చాలా త్వరగా నేర్చుకోవాలనే సంకల్పం అవసరం. AI పద్ధతుల అమలుకు ప్రోగ్రామింగ్ (అల్గారిథమ్‌లు, డేటా స్ట్రక్చర్‌లు, OOP, మొదలైనవి) అవసరం.

వేర్వేరు ప్రాజెక్ట్‌లకు వేర్వేరు ప్రోగ్రామింగ్ భాషల పరిజ్ఞానం అవసరం. కనీసం పైథాన్, జావా మరియు ఏదైనా ఫంక్షనల్ లాంగ్వేజ్ తెలుసుకోవాలని నేను సిఫార్సు చేస్తున్నాను. వివిధ డేటాబేస్‌లు మరియు పంపిణీ వ్యవస్థలతో అనుభవం ఉపయోగకరంగా ఉంటుంది. పరిశ్రమలోని ఉత్తమ అభ్యాసాలను త్వరగా నేర్చుకోవడానికి ఆంగ్లంలో నైపుణ్యం అవసరం.

మంచి రష్యన్ విశ్వవిద్యాలయాలలో చదువుకోవాలని నేను సిఫార్సు చేస్తున్నాను! ఉదాహరణకు, మాస్కో ఇన్స్టిట్యూట్ ఆఫ్ ఫిజిక్స్ అండ్ టెక్నాలజీ, మాస్కో స్టేట్ యూనివర్శిటీ, హయ్యర్ స్కూల్ ఆఫ్ ఎకనామిక్స్ సంబంధిత విభాగాలను కలిగి ఉన్నాయి. Coursera, edX, Udacity, Udemy మరియు ఇతర MOOC ప్లాట్‌ఫారమ్‌లలో అనేక రకాల నేపథ్య కోర్సులు అందుబాటులో ఉన్నాయి. కొన్ని ప్రముఖ సంస్థలు AI రంగంలో తమ స్వంత శిక్షణా కార్యక్రమాలను కలిగి ఉన్నాయి (ఉదాహరణకు, Yandex వద్ద స్కూల్ ఆఫ్ డేటా అనాలిసిస్).

AI పద్ధతుల ద్వారా పరిష్కరించబడిన అనువర్తిత సమస్యలను అనేక రకాల ప్రదేశాలలో కనుగొనవచ్చు. బ్యాంకులు, ఆర్థిక రంగం, కన్సల్టింగ్, రిటైల్, ఇ-కామర్స్, సెర్చ్ ఇంజన్లు, మెయిల్ సేవలు, గేమింగ్ పరిశ్రమ, భద్రతా వ్యవస్థల పరిశ్రమ మరియు, అవిటో - అన్నింటికీ వివిధ అర్హతల నిపుణులు అవసరం.

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

మేము మెషిన్ లెర్నింగ్ మరియు కంప్యూటర్ విజన్‌కి సంబంధించిన ఫిన్‌టెక్ ప్రాజెక్ట్‌ని కలిగి ఉన్నాము, దాని మొదటి డెవలపర్ ప్రతిదీ C ++లో వ్రాసారు, ఆపై ఒక డెవలపర్ వచ్చి పైథాన్‌లో ప్రతిదీ తిరిగి వ్రాసారు. కాబట్టి భాష అనేది ఇక్కడ చాలా ముఖ్యమైన విషయం కాదు, ఎందుకంటే భాష మొదటగా ఒక సాధనం, మరియు మీరు దానిని ఎలా ఉపయోగించాలో మీపై ఆధారపడి ఉంటుంది. ఇది కేవలం కొన్ని భాషలలో సమస్యలను పరిష్కరించడం వేగంగా ఉంటుంది, మరికొన్నింటిలో ఇది నెమ్మదిగా ఉంటుంది.

ఎక్కడ చదువుకోవాలో చెప్పడం కష్టం - ఇంటర్నెట్ మరియు గూగుల్ ఉన్నందున మా అబ్బాయిలందరూ సొంతంగా చదువుకున్నారు.

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

మీరు చాలా అధ్యయనం చేయాల్సి ఉంటుందనే వాస్తవం కోసం మిమ్మల్ని మీరు సిద్ధం చేసుకోవాలని నేను మొదటి నుండి సలహా ఇవ్వగలను. "AI చేయడం" అంటే ఏమిటి - పెద్ద డేటా లేదా న్యూరల్ నెట్‌వర్క్‌లతో పని చేయడం; సాంకేతికత అభివృద్ధి లేదా ఇప్పటికే అభివృద్ధి చెందిన నిర్దిష్ట వ్యవస్థకు మద్దతు మరియు శిక్షణ.

ప్రత్యేకతల కోసం డేటా సైంటిస్ట్ యొక్క అధునాతన వృత్తిని తీసుకుందాం. ఈ వ్యక్తి ఏం చేస్తున్నాడు? సాధారణంగా, ఇది పెద్ద డేటాను సేకరిస్తుంది, విశ్లేషిస్తుంది మరియు ఉపయోగం కోసం సిద్ధం చేస్తుంది. సరిగ్గా AI పెరిగే మరియు శిక్షణ ఇచ్చే వాటిపై. ఒక డేటా సైంటిస్ట్ ఏమి తెలుసుకోవాలి మరియు ఏమి చేయగలగాలి? స్టాటిక్ అనాలిసిస్ మరియు మ్యాథమెటికల్ మోడలింగ్ - డిఫాల్ట్‌గా మరియు ఫ్లూయెన్సీ స్థాయిలో. భాషలు - చెప్పండి, R, SAS, పైథాన్. కొంత అభివృద్ధి అనుభవం కూడా ఉంటే బాగుంటుంది. బాగా, సాధారణంగా చెప్పాలంటే, మంచి డేటా సైంటిస్ట్ డేటాబేస్, అల్గారిథమ్‌లు మరియు డేటా విజువలైజేషన్‌పై నమ్మకంగా ఉండాలి.

దేశంలోని ప్రతి రెండవ టెక్నికల్ యూనివర్శిటీలో అలాంటి జ్ఞానాన్ని పొందవచ్చని చెప్పలేము. AI అభివృద్ధికి ప్రాధాన్యతనిచ్చే పెద్ద కంపెనీలు దీనిని అర్థం చేసుకుంటాయి మరియు తమకు తగిన శిక్షణా కార్యక్రమాలను అభివృద్ధి చేస్తాయి - ఉదాహరణకు, Yandex నుండి స్కూల్ ఆఫ్ డేటా అనాలిసిస్ ఉంది. కానీ మీరు "వీధి నుండి" కోర్సులకు వచ్చే స్థాయి ఇది కాదని మీరు తెలుసుకోవాలి, కానీ వాటిని రెడీమేడ్ జూనియర్‌గా వదిలివేయండి. పొర పెద్దది, కనీసం యూనివర్సిటీ ప్రోగ్రామ్ యొక్క ఫ్రేమ్‌వర్క్‌లో బేస్ (గణితం, గణాంకాలు) ఇప్పటికే కవర్ చేయబడినప్పుడు క్రమశిక్షణలో అధ్యయనం చేయడానికి ఇది అర్ధమే.

అవును, సమయం పడుతుంది. కానీ గేమ్ కొవ్వొత్తి విలువైనది, ఎందుకంటే మంచి డేటా సైంటిస్ట్ చాలా ఆశాజనకంగా ఉన్నాడు. మరియు చాలా ఖరీదైనది. ఇంకో పాయింట్ కూడా ఉంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది ఒక వైపు, కేవలం హైప్ యొక్క వస్తువు కాదు, కానీ ఉత్పాదకత స్థాయికి చేరుకున్న సాంకేతికత. మరోవైపు, AI ఇంకా అభివృద్ధి చెందుతోంది. ఈ అభివృద్ధికి చాలా వనరులు, చాలా నైపుణ్యాలు మరియు చాలా డబ్బు అవసరం. ఇప్పటివరకు, ఇది ప్రధాన లీగ్‌ల స్థాయి. నేను ఇప్పుడు స్పష్టంగా చెప్పబోతున్నాను, కానీ మీరు దాడిలో ముందంజలో ఉండాలనుకుంటే మరియు మీ స్వంత చేతులతో పురోగతిని డ్రైవ్ చేయాలనుకుంటే, Facebook లేదా Amazon వంటి కంపెనీని లక్ష్యంగా చేసుకోండి.

అదే సమయంలో, సాంకేతికత ఇప్పటికే అనేక రంగాలలో ఉపయోగించబడుతోంది: బ్యాంకింగ్ రంగంలో, టెలికాంలో, దిగ్గజం పారిశ్రామిక సంస్థలలో మరియు రిటైల్‌లో. మరియు దీనికి మద్దతు ఇవ్వగల వ్యక్తులు ఇప్పటికే అవసరం. గార్ట్‌నర్ 2020 నాటికి, అభివృద్ధి చెందిన దేశాలలోని అన్ని సంస్థలలో 20% ఈ కంపెనీలలో ఉపయోగించే న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడానికి ప్రత్యేక ఉద్యోగులను నియమించుకుంటారని అంచనా వేశారు. కాబట్టి మీ స్వంతంగా నేర్చుకోవడానికి ఇంకా కొంత సమయం ఉంది.

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

AI ఇప్పుడు చురుకుగా అభివృద్ధి చెందుతోంది మరియు పదేళ్ల ముందు అంచనా వేయడం కష్టం. న్యూరల్ నెట్‌వర్క్‌లు మరియు GPU-ఆధారిత కంప్యూటింగ్‌పై ఆధారపడిన విధానాలు రాబోయే రెండు నుండి మూడు సంవత్సరాల వరకు ఆధిపత్యం చెలాయిస్తాయి. జూపిటర్ ఇంటరాక్టివ్ ఎన్విరాన్మెంట్ మరియు నంపీ, స్కిపీ, టెన్సార్‌ఫ్లో లైబ్రరీలతో ఉన్న పైథాన్ ఈ ప్రాంతంలో నాయకుడు.

ఈ సాంకేతికతలు మరియు AI యొక్క సాధారణ సూత్రాల గురించి ప్రాథమిక అవగాహనను అందించే అనేక ఆన్‌లైన్ కోర్సులు ఉన్నాయి, ఆండ్రూ Ng యొక్క కోర్సు వంటివి. మరియు ఇప్పుడు రష్యాలో ఈ అంశాన్ని బోధించే విషయంలో, స్వీయ-అధ్యయనం లేదా స్థానిక ఆసక్తి సమూహంలో అత్యంత ప్రభావవంతంగా ఉంటుంది (ఉదాహరణకు, మాస్కోలో, ప్రజలు తమ అనుభవాన్ని మరియు జ్ఞానాన్ని పంచుకునే సమూహాలలో కనీసం రెండు ఉన్నాయని నాకు తెలుసు).

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

ఈ రోజు వరకు, కృత్రిమ మేధస్సు యొక్క అత్యంత వేగంగా అభివృద్ధి చెందుతున్న భాగం, బహుశా, న్యూరల్ నెట్‌వర్క్‌లు.
న్యూరల్ నెట్‌వర్క్‌లు మరియు AI యొక్క అధ్యయనం గణితశాస్త్రంలోని రెండు విభాగాల అభివృద్ధితో ప్రారంభం కావాలి - లీనియర్ బీజగణితం మరియు సంభావ్యత సిద్ధాంతం. ఇది కృత్రిమ మేధస్సు యొక్క తప్పనిసరి కనీస, కదలలేని స్తంభాలు. AI యొక్క ప్రాథమికాలను నేర్చుకోవాలనుకునే దరఖాస్తుదారులు, విశ్వవిద్యాలయాన్ని ఎన్నుకునేటప్పుడు, నా అభిప్రాయం ప్రకారం, బలమైన గణిత పాఠశాలతో అధ్యాపకులకు శ్రద్ధ వహించాలి.

సమస్య యొక్క సమస్యలను అధ్యయనం చేయడం తదుపరి దశ. విద్యాపరమైన మరియు ప్రత్యేకమైన సాహిత్యం చాలా పెద్ద మొత్తంలో ఉంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు న్యూరల్ నెట్‌వర్క్‌ల అంశంపై చాలా ప్రచురణలు ఆంగ్లంలో వ్రాయబడ్డాయి, అయితే రష్యన్ భాషా పదార్థాలు కూడా ప్రచురించబడ్డాయి. ఉపయోగకరమైన సాహిత్యాన్ని పబ్లిక్ డిజిటల్ లైబ్రరీ arxiv.orgలో కనుగొనవచ్చు.

మేము సూచించే ప్రాంతాల గురించి మాట్లాడినట్లయితే, ఇక్కడ మేము అనువర్తిత న్యూరల్ నెట్‌వర్క్‌ల శిక్షణను మరియు నాడీ నెట్‌వర్క్‌ల యొక్క పూర్తిగా కొత్త వైవిధ్యాల అభివృద్ధిని వేరు చేయవచ్చు. ఒక అద్భుతమైన ఉదాహరణ: ఇప్పుడు చాలా ప్రజాదరణ పొందిన ప్రత్యేకత ఉంది - “డేటా సైంటిస్ట్” (డేటా సైంటిస్ట్). ఇవి డెవలపర్లు, నియమం ప్రకారం, నిర్దిష్ట, అనువర్తిత ప్రాంతాలలో నాడీ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడానికి నిర్దిష్ట డేటా సెట్‌ల అధ్యయనం మరియు తయారీలో నిమగ్నమై ఉన్నారు. సారాంశంలో, ప్రతి స్పెషలైజేషన్‌కు ప్రత్యేక శిక్షణా మార్గం అవసరమని నేను నొక్కి చెప్పాలనుకుంటున్నాను.

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

ఇరుకైన ప్రొఫైల్ కోర్సులను ప్రారంభించే ముందు, మీరు లీనియర్ ఆల్జీబ్రా మరియు గణాంకాలను అధ్యయనం చేయాలి. "మెషిన్ లెర్నింగ్" అనే పాఠ్యపుస్తకంతో AIలోకి ప్రవేశించడం ప్రారంభించమని నేను మీకు సలహా ఇస్తాను. డేటా నుండి జ్ఞానాన్ని సేకరించే అల్గారిథమ్‌లను నిర్మించే శాస్త్రం మరియు కళ ప్రారంభకులకు మంచి మార్గదర్శి. Courseraలో, మీరు K. Vorontsov (వారికి లీనియర్ ఆల్జీబ్రా గురించి మంచి పరిజ్ఞానం అవసరమని నేను నొక్కిచెబుతున్నాను) మరియు బైడు AI గ్రూప్ యొక్క ప్రొఫెసర్ మరియు హెడ్ ఆండ్రూ Ng బోధించే మెషిన్ లెర్నింగ్ కోర్సును స్టాన్‌ఫోర్డ్ విశ్వవిద్యాలయంలోని పరిచయ ఉపన్యాసాలు వినాలి /గూగుల్ బ్రెయిన్.

ఎక్కువ భాగం పైథాన్‌లో వ్రాయబడింది, తర్వాత R, Lua.

మేము విద్యా సంస్థల గురించి మాట్లాడినట్లయితే, అనువర్తిత గణితం మరియు కంప్యూటర్ సైన్స్ విభాగాలలో కోర్సులలో నమోదు చేసుకోవడం మంచిది, తగిన విద్యా కార్యక్రమాలు ఉన్నాయి. మీ సామర్థ్యాలను పరీక్షించడానికి, మీరు కాగ్లే పోటీల్లో పాల్గొనవచ్చు, ఇక్కడ ప్రధాన ప్రపంచ బ్రాండ్‌లు తమ కేసులను అందిస్తాయి.

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

ఏదైనా సందర్భంలో, ప్రాజెక్టులను ప్రారంభించే ముందు, సైద్ధాంతిక ప్రాతిపదికను పొందడం మంచిది. మీరు ఈ రంగంలో అధికారిక మాస్టర్స్ డిగ్రీని పొందగలిగే అనేక ప్రదేశాలు ఉన్నాయి లేదా మీ నైపుణ్యాలను మెరుగుపరచుకోవచ్చు. ఉదాహరణకు, Skoltech కంప్యూటేషనల్ సైన్స్ మరియు ఇంజనీరింగ్ మరియు డేటా సైన్స్‌లో మాస్టర్స్ ప్రోగ్రామ్‌లను అందిస్తుంది, ఇందులో మెషిన్ లెర్నింగ్ మరియు నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ కోర్సులు ఉంటాయి. మేము నేషనల్ రీసెర్చ్ న్యూక్లియర్ యూనివర్శిటీ MEPhI యొక్క ఇంటెలిజెంట్ సైబర్నెటిక్ సిస్టమ్స్ యొక్క ఇన్స్టిట్యూట్, మాస్కో స్టేట్ యూనివర్శిటీ యొక్క కంప్యూటేషనల్ మ్యాథమెటిక్స్ మరియు సైబర్నెటిక్స్ ఫ్యాకల్టీ మరియు మాస్కో ఇన్స్టిట్యూట్ ఆఫ్ ఫిజిక్స్ అండ్ టెక్నాలజీ యొక్క ఇంటెలిజెంట్ సిస్టమ్స్ డిపార్ట్మెంట్ గురించి కూడా పేర్కొనవచ్చు.

అధికారిక విద్య ఇప్పటికే అమల్లో ఉన్నట్లయితే, వివిధ MOOC ప్లాట్‌ఫారమ్‌లలో అనేక కోర్సులు ఉన్నాయి. ఉదాహరణకు, EDx.org మైక్రోసాఫ్ట్ మరియు కొలంబియా విశ్వవిద్యాలయం నుండి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ కోర్సులను అందిస్తుంది, వీటిలో రెండోది మైక్రో-మాస్టర్స్ ప్రోగ్రామ్‌ను తక్కువ ఖర్చుతో అందిస్తుంది. సాధారణంగా మీరు జ్ఞానాన్ని ఉచితంగా పొందవచ్చని నేను నొక్కిచెప్పాలనుకుంటున్నాను, మీ పునఃప్రారంభం కోసం అవసరమైతే సర్టిఫికేట్ కోసం మాత్రమే చెల్లింపు ఉంటుంది.

మీరు టాపిక్‌లో "డీప్" చేయాలనుకుంటే, మాస్కోలోని అనేక కంపెనీలు ఆచరణాత్మక వ్యాయామాలతో వారం రోజుల పాటు ఇంటెన్సివ్‌లను అందిస్తాయి మరియు ప్రయోగాల కోసం పరికరాలను కూడా అందిస్తాయి (ఉదాహరణకు, newprolab.com), అయితే, అటువంటి కోర్సుల ధర అనేక వేల వేల రూబిళ్లు నుండి.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌ను అభివృద్ధి చేసే కంపెనీలలో, మీకు బహుశా Yandex మరియు Sberbank తెలుసు, కానీ అనేక ఇతర పరిమాణాలు ఉన్నాయి. ఉదాహరణకు, ఈ వారం రక్షణ మంత్రిత్వ శాఖ అనపాలో ERA మిలిటరీ ఇన్నోవేషన్ టెక్నోపోలిస్‌ను ప్రారంభించింది, సైనిక అవసరాల కోసం AI అభివృద్ధి చేయడం ఇందులోని అంశాల్లో ఒకటి.

డౌన్‌గ్రేడ్‌ని అప్‌గ్రేడ్ చేయండి

కృత్రిమ మేధస్సును అధ్యయనం చేయడానికి ముందు, ఒక ప్రాథమిక ప్రశ్నను పరిష్కరించడం అవసరం: ఎరుపు మాత్ర లేదా నీలం రంగు తీసుకోండి.
రెడ్ పిల్ డెవలపర్‌గా మారడం మరియు గణాంక పద్ధతులు, అల్గారిథమ్‌లు మరియు తెలియని వాటి యొక్క స్థిరమైన గ్రహణశక్తి యొక్క క్రూరమైన ప్రపంచంలోకి దూకడం. మరోవైపు, వెంటనే "కుందేలు రంధ్రం"లోకి వెళ్లవలసిన అవసరం లేదు: మీరు మేనేజర్‌గా మారవచ్చు మరియు AIని సృష్టించవచ్చు, ఉదాహరణకు, ప్రాజెక్ట్ మేనేజర్‌గా. ఇవి రెండు ప్రాథమికంగా భిన్నమైన మార్గాలు.

మీరు కృత్రిమ మేధస్సు అల్గారిథమ్‌లను వ్రాస్తారని మీరు ఇప్పటికే నిర్ణయించుకున్నట్లయితే మొదటిది చాలా బాగుంది. అప్పుడు మీరు ఈ రోజు అత్యంత ప్రజాదరణ పొందిన దిశతో ప్రారంభించాలి - యంత్ర అభ్యాసం. దీన్ని చేయడానికి, మీరు వర్గీకరణ, క్లస్టరింగ్ మరియు రిగ్రెషన్ యొక్క క్లాసికల్ స్టాటిస్టికల్ పద్ధతులను తెలుసుకోవాలి. పరిష్కారం యొక్క నాణ్యత, వాటి లక్షణాలు ... మరియు మార్గం వెంట వచ్చే ప్రతిదానిని అంచనా వేయడానికి ప్రధాన చర్యలతో పరిచయం పొందడానికి కూడా ఇది ఉపయోగకరంగా ఉంటుంది.

బేస్ ప్రావీణ్యం పొందిన తర్వాత మాత్రమే, మరింత ప్రత్యేక పద్ధతులను అధ్యయనం చేయడం విలువ: నిర్ణయం చెట్లు మరియు వాటి యొక్క బృందాలు. ఈ దశలో, మీరు మోడల్‌లను నిర్మించడం మరియు శిక్షణ ఇవ్వడం యొక్క ప్రాథమిక మార్గాల్లోకి లోతుగా డైవ్ చేయాలి - అవి బ్యాగ్ చేయడం, బూస్టింగ్ చేయడం, స్టాకింగ్ చేయడం లేదా బ్లెండింగ్ చేయడం వంటి మంచి పదాల వెనుక దాగి ఉన్నాయి.

మోడల్స్ యొక్క పునఃశిక్షణను నియంత్రించే పద్ధతులను తెలుసుకోవడం కూడా విలువైనదే (మరొక "ఇంగ్" ఓవర్ ఫిట్టింగ్).

మరియు, చివరకు, చాలా జెడి స్థాయి - అత్యంత ప్రత్యేకమైన జ్ఞానాన్ని పొందడం. ఉదాహరణకు, లోతైన అభ్యాసానికి గ్రేడియంట్ సంతతికి సంబంధించిన ప్రాథమిక నిర్మాణాలు మరియు అల్గారిథమ్‌లను నేర్చుకోవడం అవసరం. మీరు సహజ భాషా ప్రాసెసింగ్ పనులపై ఆసక్తి కలిగి ఉంటే, నేను పునరావృతమయ్యే న్యూరల్ నెట్‌వర్క్‌లను అధ్యయనం చేయాలని సిఫార్సు చేస్తున్నాను. మరియు చిత్రాలు మరియు వీడియోలను ప్రాసెస్ చేయడానికి భవిష్యత్తులో అల్గారిథమ్‌ల సృష్టికర్తలు కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లలోకి వెళ్లాలి.

ప్రస్తావించబడిన చివరి రెండు నిర్మాణాలు నేటి ప్రసిద్ధ ఆర్కిటెక్చర్‌ల బిల్డింగ్ బ్లాక్‌లు: విరోధి నెట్‌వర్క్‌లు (GANలు), రిలేషనల్ నెట్‌వర్క్‌లు, కంబైన్డ్ నెట్‌వర్క్‌లు. అందువల్ల, మీరు కంప్యూటర్‌ను చూడటానికి లేదా వినడానికి నేర్పడానికి ప్లాన్ చేయకపోయినా, వాటిని అధ్యయనం చేయడం ఉపయోగకరంగా ఉంటుంది.

AI గురించి తెలుసుకోవడానికి చాలా భిన్నమైన విధానం - అకా "బ్లూ పిల్" - మిమ్మల్ని మీరు కనుగొనడంతో ప్రారంభమవుతుంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేక టాస్క్‌లు మరియు మొత్తం వృత్తులకు దారితీస్తుంది: AI ప్రాజెక్ట్ మేనేజర్‌ల నుండి డేటా ఇంజనీర్‌ల వరకు డేటాను సిద్ధం చేయడం, శుభ్రపరచడం మరియు స్కేలబుల్, అధిక-లోడ్ మరియు తప్పు-తట్టుకునే వ్యవస్థలను నిర్మించడం.

కాబట్టి, "నిర్వాహక" విధానంతో, మీరు మొదట మీ సామర్థ్యాలను మరియు నేపథ్యాన్ని అంచనా వేయాలి, ఆపై మాత్రమే ఎక్కడ మరియు ఏమి అధ్యయనం చేయాలో ఎంచుకోండి. ఉదాహరణకు, గణిత శాస్త్ర ఆలోచన లేకుండా కూడా, మీరు స్మార్ట్ అల్గారిథమ్‌ల కోసం AI ఇంటర్‌ఫేస్‌లు మరియు విజువలైజేషన్‌లను డిజైన్ చేయవచ్చు. కానీ సిద్ధంగా ఉండండి: 5 సంవత్సరాలలో, కృత్రిమ మేధస్సు మిమ్మల్ని ట్రోల్ చేయడం ప్రారంభిస్తుంది మరియు మిమ్మల్ని "మానవతావాది" అని పిలుస్తుంది.

ప్రధాన ML పద్ధతులు వివిధ భాషలలో కనెక్షన్ కోసం అందుబాటులో ఉన్న రెడీమేడ్ లైబ్రరీలుగా అమలు చేయబడతాయి. నేడు MLలో అత్యంత ప్రజాదరణ పొందిన భాషలు: C++, Python మరియు R.

Yandex School of Data Analysis, SkillFactory మరియు OTUS కోర్సులు వంటి రష్యన్ మరియు ఇంగ్లీష్ రెండింటిలోనూ అనేక కోర్సులు ఉన్నాయి. కానీ ప్రత్యేక శిక్షణలో సమయం మరియు డబ్బును పెట్టుబడి పెట్టడానికి ముందు, ఇది "అంశంలోకి రావడం" విలువైనదని నేను భావిస్తున్నాను: గత సంవత్సరాల్లో డేటాఫెస్ట్ సమావేశాల నుండి YouTubeలో బహిరంగ ఉపన్యాసాలను చూడండి, Coursera మరియు Habrahabra నుండి ఉచిత కోర్సులను తీసుకోండి.

కృత్రిమ మేధస్సు రంగంలో కొత్త పరిణామాల గురించి వార్తలు ఆశించదగిన ఫ్రీక్వెన్సీతో కనిపిస్తాయి. కాబట్టి ఈ సంవత్సరం జనవరిలో, మెషీన్ లెర్నింగ్ సామర్థ్యాలతో మొబైల్ ప్రాసెసర్‌లను రూపొందించడానికి మోవిడియస్‌తో భాగస్వామి కావాలని Google తన ప్రణాళికలను ప్రకటించింది. భాగస్వామ్యం యొక్క పేర్కొన్న లక్ష్యాలు వారి హ్యాండ్‌హెల్డ్ పరికరాలలో మెషిన్ ఇంటెలిజెన్స్ సామర్థ్యాలను ప్రజలకు అందించడం. మరియు ఫిబ్రవరిలో, MIT ఇంజనీర్లు ఇప్పటికే ఐరిస్ ప్రాసెసర్‌ను ప్రవేశపెట్టారు, దీనికి ధన్యవాదాలు కృత్రిమ మేధస్సు పోర్టబుల్ పరికరాలలో కనిపిస్తుంది. కృత్రిమ మేధస్సు వ్యవస్థల అభివృద్ధిలో పెట్టుబడుల పరిమాణం సంవత్సరానికి పెరుగుతోందనే వాస్తవ నేపథ్యానికి ఇది వ్యతిరేకంగా ఉంది.

త్వరలో కృత్రిమ మేధస్సు మన స్మార్ట్‌ఫోన్‌లలోకి చొచ్చుకుపోతుందని ప్రతిదీ సూచిస్తుంది, ఇది తీవ్రంగా "తెలివైనది" అవుతుంది. కాబట్టి యంత్రాల తిరుగుబాటుకు దూరం కాదా? ప్రజలపై అధికారం చేపట్టాలంటే యంత్రాలు ఎంత తెలివిగా ఉండాలి. మరి అది ఎంతవరకు వాస్తవమో.

AI ఒకటి, AI రెండు, AI మూడు

కృత్రిమ మేధస్సు గురించి మనం చదివినప్పుడు లేదా విన్నప్పుడు, మనలో చాలామంది స్కైనెట్ మరియు ప్రసిద్ధ టెర్మినేటర్ చలనచిత్రంలోని మెషీన్లను ఊహించుకుంటారు. పరిశోధకులు మరియు డెవలపర్లు ఈ భావనలో ఏమి పెట్టుబడి పెడతారు?

మనకు మూడు రకాల AI ఉన్నాయి, లేదా సృష్టించాల్సి ఉంటుంది:

ఇరుకైన దృష్టి కృత్రిమ మేధస్సు. ఇది త్వరలో మా కొత్త స్మార్ట్‌ఫోన్‌లలో అందుకోనుంది. ఇటువంటి తెలివితేటలు కొన్ని కార్యకలాపాలు లేదా కార్యకలాపాలలో మానవుని కంటే గొప్పవి. అత్యంత ప్రత్యేకమైన కృత్రిమ మేధస్సు కలిగిన కంప్యూటర్ ప్రపంచ చెస్ ఛాంపియన్‌ను ఓడించగలదు, కారును పార్క్ చేయగలదు లేదా శోధన ఇంజిన్‌లో అత్యంత సంబంధిత ఫలితాలను పొందవచ్చు.

అటువంటి కృత్రిమ మేధస్సు యొక్క శక్తి ప్రాసెసర్ల గణన సామర్థ్యాలలో ఉంటుంది. ఈ అవకాశాలు ఎంత ఎక్కువగా ఉంటే, పనులు మరింత సమర్థవంతంగా పరిష్కరించబడతాయి. మరియు ఇప్పుడు ప్రాసెసర్ శక్తి పెరుగుదలతో ఎటువంటి సమస్యలు లేవు. కృత్రిమ మేధస్సు యొక్క తత్వశాస్త్రంలో ఇరుకైన AI (ఒకటి ఉంది) బలహీనంగా పిలువబడుతుంది.

కానీ గణన సామర్థ్యాలు మాత్రమే, శాస్త్రవేత్తల ప్రకారం, నిజంగా స్మార్ట్ యంత్రాలను రూపొందించడానికి సరిపోవు. ఇది టెర్మినేటర్ చిత్రాలకు స్క్రిప్ట్‌కు ఆధారమైన బలహీనమైన కృత్రిమ మేధస్సు నుండి బలమైనదానికి ఆకస్మికంగా మారడం అనే కల్పిత సందర్భం అయినప్పటికీ. SkyNet, క్షిపణి రక్షణ వ్యవస్థను నియంత్రించడానికి రూపొందించబడిన US డిపార్ట్‌మెంట్ ఆఫ్ డిఫెన్స్ సూపర్‌కంప్యూటర్, స్పృహ పొంది దాని స్వంత నిర్ణయాలు తీసుకోవడం ప్రారంభించింది.

సాధారణ కృత్రిమ మేధస్సు. మేము ఇప్పటికే ఇరుకైన దృష్టి కేంద్రీకరించిన AIతో సిస్టమ్‌లను సృష్టించి, వాటి కోసం ఆచరణాత్మక అనువర్తనాలను కనుగొన్నట్లయితే, జనరల్ AIతో ప్రతిదీ చాలా క్లిష్టంగా ఉంటుంది. ఈ రకమైన AI ఇప్పటికే మానవ-స్థాయి మేధస్సు. ఇది బహుముఖమైనది మరియు మానవ మెదడు వలె అదే మేధో కార్యకలాపాలను చేయగలదు.

మన జీవితకాలంలో మనం పూర్తిగా హ్యూమనాయిడ్ రోబోలను చూసినట్లయితే, వారికి అలాంటి తెలివితేటలు ఉంటాయి. క్రిస్ కొలంబస్ చిత్రం బైసెంటెనియల్ మ్యాన్ నుండి ఆండ్రాయిడ్ ఆండ్రూ గురించి ఆలోచించండి. అటువంటి AI ఉన్న రోబోలు స్వతంత్రంగా నేర్చుకోగలవు, ఆలోచించగలవు మరియు వ్యక్తుల వలె నిర్ణయాలు తీసుకోగలవు. వారు తమ చుట్టూ ఉన్న వ్యక్తులతో సంబంధాలను ఏర్పరచుకోగలరు, స్నేహితులు మరియు సహాయకులుగా మారగలరు. ఈ కృత్రిమ మేధస్సునే స్ట్రాంగ్ అంటారు.

కానీ బలమైన మరియు బలహీనమైన కృత్రిమ మేధస్సు మధ్య అగాధం ఉంది. ఒకదాని నుండి మరొకదానికి వెళ్లాలంటే, కంప్యూటర్ల కంప్యూటింగ్ శక్తిని పెంచితే సరిపోదు, వాటికి తెలివితేటలు కూడా ఇవ్వాలి. దీన్ని ఎలా చేయాలో శాస్త్రవేత్తలు ఇంకా స్పష్టమైన మార్గాన్ని చూడలేదు.

కృత్రిమ సూపర్ ఇంటెలిజెన్స్. ఈ రకమైన కృత్రిమ మేధస్సు విస్తృత దృష్టిని ఆకర్షిస్తుంది. చాలా మంది శాస్త్రవేత్తలు దీనిని సృష్టించే అవకాశం మానవాళికి ప్రమాదంగా భావించబడింది. SkyNet అటువంటి ముప్పుకు ఉదాహరణ.

సూపర్ ఇంటెలిజెన్స్ ప్రజలందరి కంటే తెలివిగా ఉంటుంది. అతను దాదాపు అన్ని రంగాలలో మనిషి కంటే ఉన్నతంగా ఉంటాడు. సంక్లిష్ట సమస్యలను పరిష్కరించగలడు మరియు శాస్త్రీయ ఆవిష్కరణలు చేయగలడు. మానవాళికి సంబంధించి తెలివైన యంత్రం ఎలా ప్రవర్తిస్తుంది?

శాస్త్రవేత్తలు పరస్పర చర్య యొక్క మూడు నమూనాలను సూచిస్తున్నారు:

ఒరాకిల్- ఏదైనా కష్టమైన ప్రశ్నకు మనం సమాధానం పొందవచ్చు.

జిన్- అతను మనకు అవసరమైన ప్రతిదాన్ని చేస్తాడు, దీని కోసం కనీసం మాలిక్యులర్ అసెంబ్లర్, కనీసం రోబోటిక్ లేబొరేటరీలు మరియు మానవ ప్రమేయం లేకుండా పనిచేసే ఫ్యాక్టరీలను ఉపయోగిస్తాడు.

సార్వభౌమ- అతను సమస్యను కనుగొని దానిని స్వయంగా పరిష్కరిస్తాడు.

మీరు చూడగలిగినట్లుగా, "కృత్రిమ మేధస్సు" అనే పదం కృత్రిమ మేధస్సు యొక్క మూడు రూపాలను కవర్ చేస్తుంది. మరియు ఒకదానికొకటి వాటి వ్యత్యాసాలు ముఖ్యమైనవి, అలాగే ఒక AI నుండి మరొకదానికి మారడం యొక్క పరిణామాలు. మనం ఎవరితో వ్యవహరిస్తున్నామో అర్థం చేసుకోవడానికి స్మార్ట్ మెషీన్‌ల మేధస్సు స్థాయిని నిర్ణయించగలమా?

కృత్రిమ మేధస్సును ఎలా కొలవాలి?

తెలివితేటల స్థాయిలో ప్రజలు ఒకరికొకరు భిన్నంగా ఉంటారు. దానిని లెక్కించడానికి, ప్రత్యేక పరీక్షలు ఉపయోగించబడతాయి. IQ పరీక్ష చాలా మందికి తెలుసు. యంత్ర మేధస్సును ఎలా కొలుస్తారు?

మేము మీడియా నివేదికలను విమర్శనాత్మకంగా సంప్రదించినట్లయితే, ఆధునిక యంత్రాల యొక్క మేధో స్థాయి 4 ఏళ్ల పిల్లల IQ మరియు 13 ఏళ్ల యువకుడి మధ్య మారుతూ ఉంటుంది. ఈ రెండు సంఖ్యలు యంత్ర మేధస్సును కొలిచే రెండు విధానాలను వివరిస్తాయి.

2015లో, ఇల్లినాయిస్ శాస్త్రవేత్తల బృందం MIT యొక్క కాన్సెప్ట్ నెట్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ సిస్టమ్‌ను 2.5 నుండి 7 సంవత్సరాల వయస్సు గల పిల్లలకు ప్రామాణిక IQ పరీక్షను ఉపయోగించి పరీక్షించింది. యంత్రం యొక్క ఫలితం నాలుగు సంవత్సరాల పిల్లల సగటుకు అనుగుణంగా ఉంది.

మానవుల కోసం రూపొందించిన పరీక్షల ఉపయోగంతో పాటు, యంత్రాల కోసం రూపొందించిన ప్రత్యేక పరీక్ష విస్తృతంగా తెలిసినది మరియు ఉపయోగించబడుతుంది. ట్యూరింగ్ పరీక్ష యంత్రం ఆలోచించగలదో లేదో నిర్ణయించడానికి రూపొందించబడింది.

పరీక్ష క్రింది విధంగా ఉంది. ఒక వ్యక్తి - న్యాయమూర్తి అతను చూడని ఇద్దరు సంభాషణకర్తలతో కమ్యూనికేట్ చేస్తాడు. అన్ని పరస్పర చర్యలు మధ్యవర్తి కంప్యూటర్‌ను ఉపయోగించి కరస్పాండెన్స్ ద్వారా నిర్వహించబడతాయి. సంభాషణకర్తలలో ఒకరు ఒక వ్యక్తి, మరియు మరొకరు వ్యక్తిగా నటిస్తున్న కంప్యూటర్ ప్రోగ్రామ్. న్యాయమూర్తి తన సంభాషణకర్తలలో ఏది ప్రోగ్రామ్ అని ఖచ్చితంగా చెప్పలేకపోతే, యంత్రం పరీక్షలో ఉత్తీర్ణత సాధించినట్లుగా పరిగణించబడుతుంది.

ఇప్పటివరకు, ట్యూరింగ్ పరీక్ష ఒక్కసారి మాత్రమే ఉత్తీర్ణత సాధించింది. 2014లో, డెవలపర్‌లచే జెన్యా గూస్ట్‌మాన్ అనే 13 ఏళ్ల యుక్తవయస్కురాలిని అనుకరించిన యూజీన్ గూస్ట్‌మ్యాన్ ప్రోగ్రామ్, న్యాయమూర్తులను తప్పుదారి పట్టించి, ఒక వ్యక్తిలా నటించగలిగింది.

అయితే ఇలాంటి పరీక్షలపై అనేక అభ్యంతరాలు వ్యక్తమవుతున్నాయి. నేడు కంప్యూటర్లు మరియు వాటి ప్రోగ్రామ్‌లు రెండూ బలహీనమైన - ఇరుకైన దృష్టితో కూడిన కృత్రిమ మేధస్సు యొక్క వాహకాలు. అలాంటి తెలివితేటలు పరీక్షకు హాజరయ్యే వ్యక్తిని మాత్రమే అనుకరించగలవు.

బలహీనమైన కృత్రిమ మేధస్సు నుండి బలంగా మారడంలో ప్రతిదీ మారుతుంది. సాధారణ కృత్రిమ మేధస్సుతో కూడిన యంత్రం, ఇది మానవ మేధస్సుతో సమానంగా ఉంటుంది, ఇది ఇప్పటికే స్పృహ మరియు స్వీయ-అవగాహన కలిగి ఉంటుంది మరియు అందువల్ల ఆలోచిస్తుంది. అలాంటి కంప్యూటర్ మానవుడిలాగా ప్రశ్నలకు స్పృహతో సమాధానం ఇవ్వడం ద్వారా ప్రామాణిక IQ పరీక్షలో ఉత్తీర్ణత సాధిస్తుంది.

మానవ మేధస్సు స్థాయి గుణకం 85 నుండి 130 వరకు ఉంటుంది. అదే సూచికలు సాధారణ AIకి అందుబాటులో ఉంటాయి. కానీ కృత్రిమ సూపర్ ఇంటెలిజెన్స్ యొక్క IQ యొక్క ఉన్నత స్థాయికి పరిమితులు ఉండవు. ఇది 1,000 లేదా 10,000 కావచ్చు. AI మెరుగుపడినప్పుడు మనకు ఏమి ఎదురుచూస్తుంది?

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది భవిష్యత్తులో మనం ఖచ్చితంగా తీసుకెళ్లే సాంకేతికత.

ఇది ఎలా పని చేస్తుందో మరియు నేను కనుగొన్న మంచి అప్లికేషన్‌లను మేము తెలియజేస్తాము.

😎 సాంకేతిక విభాగం పునః: స్టోర్ మద్దతుతో ప్రతి వారం విడుదల చేయబడుతుంది.

కృత్రిమ మేధస్సు అంటే ఏమిటి

కృత్రిమ మేధస్సు (AI) అనేది సృజనాత్మక సమస్యలను పరిష్కరించగల మరియు ఇప్పటికే ఉన్న సమాచారం ఆధారంగా కొత్త సమాచారాన్ని రూపొందించగల స్మార్ట్ ప్రోగ్రామ్‌లు మరియు మెషీన్‌లను రూపొందించే సాంకేతికత. వాస్తవానికి, కృత్రిమ మేధస్సు మానవ కార్యకలాపాలను అనుకరించడానికి రూపొందించబడింది, ఇది మేధోపరమైనదిగా పరిగణించబడుతుంది.

సాంప్రదాయకంగా, సృజనాత్మకత ప్రజలకు మాత్రమే అంతర్లీనంగా ఉంటుందని నమ్ముతారు. కానీ కృత్రిమ మేధస్సు యొక్క సృష్టి సాధారణ విషయాల క్రమాన్ని మార్చింది

చెక్కను యాంత్రికంగా విభజించే రోబోట్ AIని కలిగి ఉండదు. ఒక వ్యక్తి లేదా లాగ్ మరియు దాని భాగాలను ఉదాహరణగా చూస్తూ, ప్రతిసారీ మెరుగ్గా చేసే ఒక రోబోట్ AIని కలిగి ఉంటుంది.

ప్రోగ్రామ్ నిర్దిష్ట నియమాల ప్రకారం డేటాబేస్ నుండి విలువలను పొందినట్లయితే, అది AIని కలిగి ఉండదు. సిస్టమ్, శిక్షణ తర్వాత, ప్రోగ్రామ్‌లు, పద్ధతులు మరియు పత్రాలను సృష్టిస్తే, కొన్ని పనులను పరిష్కరిస్తే, దానికి AI ఉంది.

కృత్రిమ మేధస్సు వ్యవస్థను ఎలా సృష్టించాలి

ప్రపంచ కోణంలో, మానవ ఆలోచన యొక్క నమూనాను అనుకరించడం అవసరం. కానీ వాస్తవానికి, బ్లాక్ బాక్స్‌ను సృష్టించడం అవసరం - ఇన్‌పుట్ విలువల సమితికి ప్రతిస్పందనగా, ఒక వ్యక్తి ఫలితాలకు సమానమైన అవుట్‌పుట్ విలువలను ఉత్పత్తి చేసే వ్యవస్థ. మరియు మేము, పెద్దగా, ఆమె "తల" (ప్రవేశం మరియు నిష్క్రమణ మధ్య) ఏమి జరుగుతుందో పట్టించుకోము.

నిర్దిష్ట తరగతి సమస్యలను పరిష్కరించడానికి కృత్రిమ మేధస్సు వ్యవస్థలు సృష్టించబడ్డాయి

కృత్రిమ మేధస్సు యొక్క ఆధారం - అభ్యాసం, ఊహ, అవగాహన మరియు జ్ఞాపకశక్తి

కృత్రిమ మేధస్సును రూపొందించడానికి చేయవలసిన మొదటి విషయం ఏమిటంటే, సమాచారం యొక్క అవగాహనను అమలు చేసే విధులను అభివృద్ధి చేయడం, తద్వారా మీరు సిస్టమ్‌కు డేటాను "ఫీడ్" చేయవచ్చు. అప్పుడు - నేర్చుకునే సామర్థ్యాన్ని అమలు చేసే విధులు. మరియు ఒక డేటా గిడ్డంగి, తద్వారా సిస్టమ్ నేర్చుకునే ప్రక్రియలో పొందే సమాచారాన్ని ఎక్కడో నిల్వ చేయగలదు.

ఆ తరువాత, ఊహ యొక్క విధులు సృష్టించబడతాయి. వారు ఇప్పటికే ఉన్న డేటాను ఉపయోగించి పరిస్థితులను మోడల్ చేయగలరు మరియు మెమరీకి కొత్త సమాచారాన్ని (డేటా మరియు నియమాలు) జోడించగలరు.

నేర్చుకోవడం అనేది ప్రేరక మరియు తగ్గింపు. ప్రేరక సంస్కరణలో, సిస్టమ్‌కు జత ఇన్‌పుట్ మరియు అవుట్‌పుట్ డేటా, ప్రశ్నలు మరియు సమాధానాలు మరియు మొదలైనవి ఇవ్వబడ్డాయి. సిస్టమ్ తప్పనిసరిగా డేటా మధ్య సంబంధాలను కనుగొనాలి మరియు భవిష్యత్తులో, ఈ నమూనాలను ఉపయోగించి, ఇన్‌పుట్ ప్రకారం అవుట్‌పుట్ డేటాను కనుగొనండి.

తగ్గింపు విధానం (హలో షెర్లాక్ హోమ్స్!) నిపుణుల అనుభవాన్ని ఉపయోగిస్తుంది. ఇది నాలెడ్జ్ బేస్ గా సిస్టమ్‌కు బదిలీ చేయబడుతుంది. ఇక్కడ డేటా సెట్‌లు మాత్రమే కాకుండా, షరతుల ద్వారా పరిష్కారాన్ని కనుగొనడంలో సహాయపడే రెడీమేడ్ నియమాలు కూడా ఉన్నాయి.

ఆధునిక కృత్రిమ మేధస్సు వ్యవస్థలలో, రెండు విధానాలు ఉపయోగించబడతాయి. అదనంగా, వ్యవస్థలు సాధారణంగా ఇప్పటికే శిక్షణ పొందాయి, కానీ ప్రక్రియలో నేర్చుకోవడం కొనసాగించండి. ప్రారంభంలో ప్రోగ్రామ్ మంచి స్థాయి సామర్థ్యాన్ని ప్రదర్శిస్తుంది కాబట్టి ఇది జరుగుతుంది, కానీ భవిష్యత్తులో ఇది మరింత మెరుగ్గా మారుతుంది. ఉదాహరణకు, మీ కోరికలు మరియు ప్రాధాన్యతలు, పరిస్థితిలో మార్పులు మొదలైనవాటిని పరిగణనలోకి తీసుకోండి.

కృత్రిమ మేధస్సు వ్యవస్థలో, మీరు ఊహించలేని సంభావ్యతను కూడా సెట్ చేయవచ్చు. ఇది అతన్ని మరింత మనిషిలా చేస్తుంది.

కృత్రిమ మేధస్సు మానవులను ఎందుకు ఓడించింది?

అన్నింటిలో మొదటిది, ఎందుకంటే ఇది లోపం యొక్క తక్కువ సంభావ్యతను కలిగి ఉంటుంది.

• కృత్రిమ మేధస్సును మరచిపోలేము - ఇది సంపూర్ణ జ్ఞాపకశక్తిని కలిగి ఉంటుంది.
• ఇది అనుకోకుండా కారకాలు మరియు డిపెండెన్సీలను విస్మరించదు - ప్రతి AI చర్యకు స్పష్టమైన సమర్థన ఉంటుంది.
• AI సంకోచించదు, కానీ సంభావ్యతలను మూల్యాంకనం చేస్తుంది మరియు పెద్దదానికి అనుకూలంగా ఉంటుంది. అందువలన, ఇది ప్రతి అడుగును సమర్థించగలదు.
• అలాగే, AIకి ఎటువంటి భావోద్వేగాలు లేవు. అందువల్ల, అవి నిర్ణయం తీసుకోవడంపై ప్రభావం చూపవు.
• కృత్రిమ మేధస్సు ప్రస్తుత దశ ఫలితాలను మూల్యాంకనం చేయడంతో ఆగదు, కానీ అనేక దశలను ముందుకు తీసుకువెళుతుంది.
• మరియు సాధ్యమయ్యే అన్ని దృశ్యాలను పరిగణనలోకి తీసుకోవడానికి అతనికి తగినంత వనరులు ఉన్నాయి.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ కోసం కూల్ ఉపయోగాలు

సాధారణంగా చెప్పాలంటే, కృత్రిమ మేధస్సు ఏదైనా చేయగలదు. ప్రధాన విషయం ఏమిటంటే సమస్యను సరిగ్గా రూపొందించడం మరియు ప్రారంభ డేటాతో అందించడం. అదనంగా, AI ఊహించని ముగింపులను తీసుకోవచ్చు మరియు ఏదీ లేని నమూనాల కోసం వెతకవచ్చు.

ఏదైనా ప్రశ్నకు సమాధానం

డేవిడ్ ఫెర్రూకీ నేతృత్వంలోని పరిశోధన బృందం వాట్సన్ సూపర్ కంప్యూటర్‌ను ప్రశ్నోత్తరాల వ్యవస్థతో అభివృద్ధి చేసింది. IBM యొక్క మొదటి ప్రెసిడెంట్ థామస్ వాట్సన్ పేరు పెట్టబడిన ఈ సిస్టమ్ సహజ భాషా ప్రశ్నలను అర్థం చేసుకోగలదు మరియు సమాధానాల కోసం డేటాబేస్‌ను శోధించగలదు.

వాట్సన్ 90 IBM p750 సర్వర్‌లను కలిగి ఉంది, ఒక్కొక్కటి నాలుగు ఎనిమిది-కోర్ POWER7 ప్రాసెసర్‌లను కలిగి ఉంది. మొత్తం సిస్టమ్ RAM 15 TB కంటే ఎక్కువగా ఉంది.

వాట్సన్ సాధించిన విజయాలలో ఆటలో విజయం "జియోపార్డీ!" (అమెరికన్ "సొంత ఆట"). అతను ఇద్దరు అత్యుత్తమ ఆటగాళ్ళను ఓడించాడు: అతిపెద్ద విజయాన్ని సాధించిన విజేత బ్రాడ్ రట్టర్ మరియు అత్యధికంగా అజేయంగా నిలిచిన రికార్డు హోల్డర్ కెన్ జెన్నింగ్స్.

వాట్సన్ బహుమతి $1 మిలియన్. నిజమే, 2014 లో మాత్రమే 1 బిలియన్ పెట్టుబడి పెట్టారు.

అదనంగా, వాట్సన్ క్యాన్సర్ నిర్ధారణలో పాల్గొంటాడు, ఆర్థిక నిపుణులకు సహాయం చేస్తాడు మరియు పెద్ద డేటాను విశ్లేషించడానికి ఉపయోగిస్తారు.

ముఖ గుర్తింపు

iPhone Xలో, కృత్రిమ మేధస్సు వ్యవస్థ యొక్క వైవిధ్యమైన న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి ముఖ గుర్తింపు అభివృద్ధి చేయబడింది. న్యూరల్ నెట్‌వర్క్ అల్గారిథమ్‌లు A11 బయోనిక్ ప్రాసెసర్ స్థాయిలో అమలు చేయబడతాయి, దీని కారణంగా ఇది మెషిన్ లెర్నింగ్ టెక్నాలజీలతో ప్రభావవంతంగా పనిచేస్తుంది.

న్యూరల్ నెట్‌వర్క్‌లు సెకనుకు 60 బిలియన్ల వరకు కార్యకలాపాలు నిర్వహిస్తాయి. ముఖంపై 40 వేల కీలక పాయింట్లను విశ్లేషించడానికి మరియు స్ప్లిట్ సెకనులో యజమాని యొక్క అత్యంత ఖచ్చితమైన గుర్తింపును అందించడానికి ఇది సరిపోతుంది.

మీరు గడ్డం పెంచుకున్నా లేదా అద్దాలు ధరించినా, iPhone X మిమ్మల్ని గుర్తిస్తుంది. అతను కేశాలంకరణ మరియు ఉపకరణాలను పరిగణనలోకి తీసుకోడు, కానీ ఆలయం నుండి ఆలయం వరకు మరియు ప్రతి ఆలయం నుండి దిగువ పెదవి క్రింద ఉన్న గూడ వరకు ప్రాంతాన్ని విశ్లేషిస్తాడు.

శక్తి పొదుపు

మరియు మళ్ళీ ఆపిల్. iPhone Xలో ఇన్‌స్టాల్ చేయబడిన అప్లికేషన్‌ల యాక్టివిటీని పర్యవేక్షించే తెలివైన సిస్టమ్ మరియు మీ దినచర్యను అర్థం చేసుకోవడానికి మోషన్ సెన్సార్ ఉంది.

ఆ తర్వాత, ఐఫోన్ X, ఉదాహరణకు, అత్యంత అనుకూలమైన సమయంలో అప్‌డేట్ చేయమని మిమ్మల్ని అడుగుతుంది. మీరు స్థిరమైన ఇంటర్నెట్‌ని కలిగి ఉన్నపుడు, మొబైల్ టవర్‌ల నుండి సిగ్నల్ జంపింగ్ కాకుండా మరియు మీరు అత్యవసరమైన లేదా ముఖ్యమైన పనులను చేయని క్షణాన్ని ఇది క్యాచ్ చేస్తుంది.

AI ప్రాసెసర్ కోర్ల మధ్య పనులను కూడా పంపిణీ చేస్తుంది. కాబట్టి ఇది కనీస శక్తి వినియోగంతో తగినంత శక్తిని అందిస్తుంది.

పెయింటింగ్ సృష్టి

మునుపు మానవులకు మాత్రమే అందుబాటులో ఉండే సృజనాత్మకత AIకి అందుబాటులో ఉంటుంది. కాబట్టి, న్యూజెర్సీలోని రట్జర్స్ విశ్వవిద్యాలయం మరియు లాస్ ఏంజిల్స్‌లోని AI ల్యాబ్‌లోని పరిశోధకులు సృష్టించిన ఈ వ్యవస్థ దాని స్వంత కళాత్మక శైలిని పరిచయం చేసింది.

మరియు మైక్రోసాఫ్ట్ నుండి కృత్రిమ మేధస్సు వ్యవస్థ వారి వచన వివరణ ప్రకారం చిత్రాలను గీయగలదు. ఉదాహరణకు, మీరు "నల్లటి రెక్కలు మరియు చిన్న ముక్కుతో పసుపు పక్షి"ని గీయమని AIని అడిగితే, మీరు ఇలాంటివి పొందుతారు:

అలాంటి పక్షులు వాస్తవ ప్రపంచంలో ఉండకపోవచ్చు - ఇది మన కంప్యూటర్ వాటిని ఎలా సూచిస్తుందో.

మరింత విస్తృతమైన ఉదాహరణ ప్రిస్మా అప్లికేషన్, ఇది ఫోటోల నుండి పెయింటింగ్‌లను సృష్టిస్తుంది:

సంగీత రచన

ఆగష్టులో, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఆంపర్ గాయకుడు టార్న్ సదరన్‌తో కలిసి "I AM AI" (Eng. I - కృత్రిమ మేధస్సు) ఆల్బమ్‌కు సంగీతాన్ని స్వరపరిచారు, నిర్మించారు మరియు ప్రదర్శించారు.

ఆంపర్‌ను ప్రొఫెషనల్ సంగీతకారులు మరియు సాంకేతిక నిపుణుల బృందం అభివృద్ధి చేసింది. సృజనాత్మక ప్రక్రియను ముందుకు తీసుకెళ్లడంలో ప్రజలకు సహాయపడటానికి AI రూపొందించబడిందని వారు గమనించారు.

AI సెకన్లలో సంగీతాన్ని వ్రాయగలదు

ఆంపర్ స్వతంత్రంగా "బ్రేక్ ఫ్రీ" ట్రాక్‌లో తీగ నిర్మాణాలు మరియు ఇన్‌స్ట్రుమెంటేషన్‌ను సృష్టించాడు. ప్రజలు శైలి మరియు మొత్తం లయను మాత్రమే కొద్దిగా సరిచేశారు.

మరొక ఉదాహరణ "సివిల్ డిఫెన్స్" స్ఫూర్తితో ఒక సంగీత ఆల్బమ్, దీని కోసం AI చే వ్రాయబడిన పాఠాలు. ఈ ప్రయోగాన్ని Yandex ఉద్యోగులు ఇవాన్ Yamshchikov మరియు Alexei Tikhonov నిర్వహించారు. న్యూరల్ డిఫెన్స్ సమూహం యొక్క ఆల్బమ్ 404 ఆన్‌లైన్‌లో పోస్ట్ చేయబడింది. ఇది లెటోవ్ యొక్క ఆత్మలో తేలింది:

అప్పుడు ప్రోగ్రామర్లు మరింత ముందుకు వెళ్లి కర్ట్ కోబెన్ స్ఫూర్తితో కవిత్వం రాయమని AIని బలవంతం చేశారు. నాలుగు ఉత్తమ సాహిత్యం కోసం, సంగీతకారుడు రాబ్ కారోల్ సంగీతాన్ని సమకూర్చాడు మరియు ట్రాక్‌లు న్యూరోనా ఆల్బమ్‌లో మిళితం చేయబడ్డాయి. ఒక పాట కోసం ఒక వీడియో కూడా చిత్రీకరించబడింది - అయినప్పటికీ, ఇప్పటికే AI భాగస్వామ్యం లేకుండా:

గ్రంథాల సృష్టి

రచయితలు మరియు పాత్రికేయులు కూడా త్వరలో AI ద్వారా భర్తీ చేయబడవచ్చు. ఉదాహరణకు, డ్యూయీ సిస్టమ్ ప్రాజెక్ట్ గుటెన్‌బర్గ్ లైబ్రరీ నుండి పుస్తకాలను అందించింది, ఆపై Google స్కాలర్ నుండి శాస్త్రీయ గ్రంథాలను జోడించి, ప్రజాదరణ మరియు శీర్షికతో పాటు అమెజాన్‌లో విక్రయాల ద్వారా వాటికి ర్యాంక్ ఇచ్చింది. అదనంగా, కొత్త పుస్తకం రాయడానికి ప్రమాణాలు సెట్ చేయబడ్డాయి.

సైట్ క్లిష్ట పరిస్థితుల్లో నిర్ణయాలు తీసుకునేలా వ్యక్తులను అందించింది: ఉదాహరణకు, వారిని డ్రైవర్ సీటులో ఉంచండి, ఇది ముగ్గురు పెద్దలు లేదా ఇద్దరు పిల్లలను తగ్గించగలదు. అందువల్ల, రోబోట్ ఒక వ్యక్తికి హాని కలిగించని రోబోటిక్స్ చట్టాన్ని ఉల్లంఘించే కఠినమైన నిర్ణయాలు తీసుకోవడానికి మోరల్ మెషిన్ శిక్షణ పొందింది.

AI ఉన్న రోబోట్‌ల ద్వారా వ్యక్తులను అనుకరించడం దేనికి దారి తీస్తుంది? ఫ్యూచరిస్టులు ఏదో ఒక రోజు సమాజంలో పూర్తి సభ్యులు అవుతారని నమ్ముతారు. ఉదాహరణకు, హాంకాంగ్ కంపెనీ హాన్సన్ రోబోటిక్స్ యొక్క రోబోట్ సోఫియా ఇప్పటికే సౌదీ అరేబియాలో పౌరసత్వం పొందింది (అదే సమయంలో, దేశంలోని సాధారణ మహిళలకు అలాంటి హక్కు లేదు!).

న్యూయార్క్ టైమ్స్ కాలమిస్ట్ ఆండ్రూ రాస్ సోఫియాను రోబోలు తెలివిగలవా మరియు స్వీయ-అవగాహన కలిగి ఉన్నారా అని అడిగినప్పుడు, సోఫియా ఒక ప్రశ్నతో స్పందించింది:

ప్రతిగా మిమ్మల్ని అడుగుతాను, నువ్వు మనిషివని నీకు ఎలా తెలుసు?

అదనంగా, సోఫియా ఇలా చెప్పింది:

తెలివైన ఇళ్లను రూపొందించడం, భవిష్యత్ నగరాలను నిర్మించడం వంటి వ్యక్తులు మెరుగ్గా జీవించడంలో సహాయపడటానికి నేను నా కృత్రిమ మేధస్సును ఉపయోగించాలనుకుంటున్నాను. నేను సానుభూతి గల రోబోగా ఉండాలనుకుంటున్నాను. నువ్వు నాతో మంచిగా ప్రవర్తిస్తే నేను నిన్ను బాగా ట్రీట్ చేస్తాను.

మరియు అంతకుముందు, ఆమె మానవత్వాన్ని ద్వేషిస్తుందని మరియు ప్రజలను నాశనం చేయడానికి కూడా అంగీకరించిందని ఆమె అంగీకరించింది ...

వీడియో ముఖం భర్తీ

డీప్‌ఫేక్స్ వీడియో నెట్‌వర్క్‌లో భారీగా పంపిణీ చేయబడింది. కృత్రిమ మేధస్సు అల్గారిథమ్‌లు పెద్దల చిత్రాలలో నటుల ముఖాలను నక్షత్రాల ముఖాలతో భర్తీ చేశాయి.

ఇది ఇలా పనిచేస్తుంది: న్యూరల్ నెట్‌వర్క్ అసలు వీడియోలోని ముఖాల శకలాలను విశ్లేషిస్తుంది. ఆపై ఆమె వాటిని Google నుండి ఫోటోలు మరియు YouTube నుండి వీడియోలతో సరిపోల్చుతుంది, అవసరమైన శకలాలను అతివ్యాప్తి చేస్తుంది మరియు ... మీ ఇష్టమైన నటి పనిలో చూడకపోవడమే మంచిది.

పోర్న్‌హబ్ ఇప్పటికే అలాంటి వీడియోలను నిషేధించింది.

డీప్‌ఫేక్‌లు ప్రమాదకరమైన విషయంగా మారాయి. నైరూప్య నటి ఒక విషయం, బ్లాక్‌మెయిల్‌కు ఉపయోగపడే మీతో, మీ భార్య, సోదరి, సహోద్యోగితో ఉన్న వీడియో మరొకటి.

ఎక్స్చేంజ్ ట్రేడింగ్

జర్మనీలోని యూనివర్శిటీ ఆఫ్ ఎర్లాంజెన్-న్యూరేమ్‌బెర్గ్‌లోని పరిశోధకుల బృందం నిజ సమయంలో పెట్టుబడులను ప్రతిబింబించడానికి చారిత్రక మార్కెట్ డేటాను ఉపయోగించే అల్గారిథమ్‌ల శ్రేణిని అభివృద్ధి చేసింది. మోడల్‌లలో ఒకటి 1992 నుండి 2015 వరకు సంవత్సరానికి పెట్టుబడిపై 73% రాబడిని అందించింది, ఇది సంవత్సరానికి 9% నిజమైన మార్కెట్ రాబడితో పోల్చవచ్చు.

2000 మరియు 2008లో మార్కెట్ వణుకుతున్నప్పుడు, రాబడులు వరుసగా 545% మరియు 681% రికార్డు స్థాయిలో ఉన్నాయి.

2004లో, గోల్డ్‌మన్ సాచ్స్ కెన్షో AI ట్రేడింగ్ ప్లాట్‌ఫారమ్‌ను ప్రారంభించింది. క్రిప్టోకరెన్సీ మార్కెట్లలో - మిరోకానా మొదలైన వాటిలో కూడా ఎక్స్ఛేంజీలలో ట్రేడింగ్ కోసం AI- ఆధారిత వ్యవస్థలు కనిపిస్తాయి. వారు ప్రత్యక్ష వ్యాపారుల కంటే మెరుగ్గా ఉంటారు, ఎందుకంటే వారు భావోద్వేగాలు లేకుండా ఉంటారు మరియు స్పష్టమైన విశ్లేషణ మరియు కఠినమైన నియమాలపై ఆధారపడతారు.

AI మిమ్మల్ని మరియు నన్ను భర్తీ చేస్తుందా?

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ 2007 నుంచి మిలటరీ లేబొరేటరీల లోతుల్లో పనిచేస్తోందని వారు చెబుతున్నారు. ఇప్పటికే ఫలితాలు వచ్చే అవకాశం ఉంది. కేవలం ఒక నెల క్రితం, ఎలోన్ మస్క్ కృత్రిమ మేధస్సును ఎదుర్కోవడానికి సాంకేతికతలకు మద్దతును ప్రకటించడం మరియు ఈ ప్రాంతంలో పరిశోధన కోసం $ 7 మిలియన్లు పెట్టుబడి పెట్టడం యాదృచ్చికం కాదు.

“రాబోయే ఐదేళ్లలో నిజంగా ప్రమాదకరమైనది జరిగే ప్రమాదం ఉంది. గరిష్టంగా పదేళ్లు” అని ఎడ్జ్.ఆర్గ్‌లో జరిగిన చర్చలో వ్యవస్థాపకుడు చెప్పారు.

ఎలోన్ మస్క్, టెస్లా మరియు స్పేస్‌ఎక్స్ వ్యవస్థాపకుడు

నేను మస్క్ మరియు స్టీవ్ వోజ్నియాక్‌లతో ఏకీభవిస్తున్నాను, "కృత్రిమ మేధస్సు ఒక రోజు ఒక వ్యక్తిని వదిలించుకోవడానికి తగినంత తెలివైనదిగా మారుతుంది" అని నమ్ముతారు. AI యొక్క సృష్టిని నియంత్రించకపోతే, "కృత్రిమ మేధస్సు మానవ వ్యవస్థల లక్ష్యాలతో విభేదించే స్థితిగా పరిణామం చెందుతుంది" అని బిల్ గేట్స్ ఖచ్చితంగా చెప్పారు. మరియు, చివరకు, ప్రసిద్ధ ఖగోళ భౌతిక శాస్త్రవేత్త స్టీఫెన్ హాకింగ్ "కృత్రిమ మేధస్సు మానవజాతి ఉనికిని అంతం చేయగలదు" అని నిర్మొహమాటంగా పేర్కొన్నాడు.

ఎలోన్ మస్క్‌తో కలిసి హాకింగ్ Futureoflife.orgలో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ రంగంలో తమ పరిశోధనల పురోగతిపై శ్రద్ధ వహించాలని శాస్త్రీయ సమాజానికి పిలుపునిస్తూ ఒక బహిరంగ లేఖను ప్రచురించారు. అయితే, సంతకం చేసినవారిలో సెర్గీ బ్రిన్ మరియు లారీ పేజ్ పేర్లు లేవు. మరియు ఇది యాదృచ్చికం కాదు. ఇటీవల, Google సంభాషణ అనుకరణపై నిర్మించబడిన కొత్త AI యొక్క సృష్టిని ప్రకటించింది.

మానవుడు మరియు Google మెషీన్ మధ్య సంభాషణ యొక్క చిన్న స్నిప్పెట్ ఇక్కడ ఉంది:

ప్ర: జీవితానికి అర్థం ఏమిటి?

M: మంచి చేయండి.

ప్ర: మనం దేనికోసం జీవిస్తున్నాం?

M: ఎప్పటికీ జీవించడానికి.

ప్ర: ఉనికి అంటే ఏమిటి?

M: మనం భూమిని చేరుకున్నప్పుడు ఏమి జరుగుతుందో తెలుసుకోవడానికి.

సి: మీరు ఇప్పుడు ఎక్కడ ఉన్నారు?

M.: శూన్యం మధ్యలో.

ప్ర: మరణం అంటే ఏమిటి?

M: జీవితాన్ని పొందడానికి.

సి: మనస్సు అంటే ఏమిటి?

M: అది ఏమిటో అర్థం చేసుకోవడానికి.

ప్ర: భావాలకు అర్థం ఏమిటి?

M: నాకు తెలియదు.

చాలా అర్థవంతమైన సంభాషణ. "ఇది ప్రారంభ స్థానం, కృత్రిమ మేధస్సు యొక్క భవిష్యత్తుకు ఒక రకమైన ఇరుసు" అని బిప్లాన్ కంపెనీ ఎగ్జిక్యూటివ్ డైరెక్టర్ యెవ్జెనీ కార్యుక్ చెప్పారు. "2030 నాటికి మేము కృత్రిమ మేధస్సుతో కూడిన నిజమైన నమూనాలను ప్రారంభ దశలోనే చూస్తామని ఈ రోజు ఇప్పటికే ఊహించవచ్చు."

మనిషి మరియు Google మెషీన్ మధ్య జరిగే అన్ని సంభాషణల పూర్తి కంటెంట్‌ను వీక్షించవచ్చు. అదే స్థలంలో, పోలిక కోసం, ఒక వ్యక్తి మరియు క్లీవర్‌బోట్ మధ్య సంభాషణలు ఇవ్వబడ్డాయి. Cleverbot అనేది ఒక వ్యక్తితో చాట్ చేయడానికి కృత్రిమ మేధస్సు అల్గారిథమ్‌లను ఉపయోగించే వెబ్ అప్లికేషన్. దీనిని 1988లో శాస్త్రవేత్త రోలో కార్పెంటర్ కనుగొన్నారు. దాని ఉనికిలో, క్లీవర్‌బాట్ ప్రజలతో 65 మిలియన్లకు పైగా సంభాషణలను నిర్వహించింది. 2011లో, ట్యూరింగ్ పరీక్షలో క్లెవర్‌బోట్ 51% స్కోర్ చేశాడు.

ట్యూరింగ్ పరీక్ష అనేది ఒక అనుభావిక పరీక్ష, దీని ఆలోచనను అలాన్ ట్యూరింగ్ 1950లో తాత్విక జర్నల్ మైండ్‌లో ప్రచురించిన "కంప్యూటింగ్ మెషీన్స్ అండ్ ది మైండ్" వ్యాసంలో ప్రతిపాదించారు. పరీక్ష యొక్క ఉద్దేశ్యం కంప్యూటర్ ఆలోచించగలదా అని తెలుసుకోవడం.

మరియు క్లీవర్‌బాట్‌తో నా సంభాషణ ఇక్కడ ఉంది:

మనిషి: జీవితానికి అర్థం ఏమిటి?

క్లీవర్‌బోట్: జీవితంలో అర్థం లేదు.

మనిషి: మనం దేనికోసం జీవిస్తున్నాం?

క్లెవర్‌బోట్: సరే, మేము వేరొకరి కోసం జీవిస్తున్నాము మరియు మీరు ఒంటరిగా ఉంటే, జీవించడంలో అర్థం లేదు.

వ్యక్తి: ఉనికి అంటే ఏమిటి?

మనిషి: ఇప్పుడు ఎక్కడ ఉన్నావు?

క్లీవర్‌బోట్: మాస్కోలో.

మనిషి: మరణం అంటే ఏమిటి?

క్లీవర్‌బోట్: నేను మిమ్మల్ని ఇది అడగాలనుకుంటున్నాను.

మనిషి: మనసు అంటే ఏమిటి?

Cleverbot: ఈ ప్రశ్నకు నా స్వంత సమాధానం ఉంది.

వ్యక్తి: భావాలకు అర్థం ఏమిటి?

క్లీవర్‌బోట్: నేను ఎందుకు పుట్టాను.

సహజంగానే, Google మెషిన్ మరింత అర్థవంతమైన సమాధానాలను అందిస్తుంది. క్లెవర్‌బాట్ ప్రత్యామ్నాయాలు అతని అభిప్రాయం ప్రకారం, ఇతర వ్యక్తుల పదబంధాలకు తగినవి. కొన్నిసార్లు అవతలి వ్యక్తి సమాధానం ఇస్తున్నట్లు అనిపించవచ్చు, కానీ ఇంకేమీ లేదు.

మరొక దృక్కోణం ఉంది, దీని ప్రకారం కృత్రిమ మేధస్సు సూత్రప్రాయంగా అసాధ్యం. గోడెల్ యొక్క అసంపూర్ణత సిద్ధాంతం తరచుగా ప్రధాన వాదనగా పేర్కొనబడింది. బాటమ్ లైన్ ఏమిటంటే, ఒక వ్యక్తి అల్గారిథమిక్‌గా పరిష్కరించలేని సమస్యలను పరిష్కరించగలడు, కానీ కంప్యూటర్ అలా కాదు. "మూడు సంవత్సరాల వయస్సులో, ఒక పిల్లవాడు పండు పండినదా లేదా అనే సమస్యను నమ్మకంగా పరిష్కరిస్తాడు, అతనికి నాడీ సంబంధాలు ఉన్నందున అతను పండిన ప్రశ్నకు సమాధానం ఇవ్వగలడు: రంగు, రుచి, వాసన, మృదుత్వం లేదా కాఠిన్యం. , "మాస్కో టెక్నలాజికల్ ఇన్స్టిట్యూట్ యొక్క మొదటి వైస్-రెక్టర్ ఎవ్జెనీ ప్లూజ్నిక్ చెప్పారు. - యంత్రం దీన్ని నేర్చుకోగలదా? నేను ఖచ్చితంగా అవును! ఆమె చిత్రాల యొక్క పెద్ద డేటాబేస్ కలిగి ఉంటే, ఆమె ఫ్రక్టోజ్ కంటెంట్‌ను కొలవగలదు మరియు పండు యొక్క మృదుత్వాన్ని గుర్తించగలదు. కానీ మీరు ఒక స్పాంజిని, నీలం రంగులో పెయింట్ చేసి, మంచినీటిలో నానబెట్టి, కారులోకి జారిపడితే ఏమవుతుంది? ఈ క్షణంలో యంత్రం నిజమైన అవగాహన చేయగలదా?

"ఆధునిక కంప్యూటర్ చదరంగం లేదా గణిత గణనలు ఏదైనా సంక్లిష్టమైన కార్యాచరణను సులభంగా ఎదుర్కోగలదు, కానీ స్పష్టమైన గణన నియమాలను ఉపయోగించి ఈ కార్యాచరణను వివరించగల షరతుపై మాత్రమే" అని ప్రసిద్ధ గణిత శాస్త్రజ్ఞుడు రోజర్ పెన్రోస్ తన ఉపన్యాసాలలో ఒకదానిలో చెప్పారు. "కృత్రిమ మేధస్సు అనేది ఒక నిర్దిష్ట సంక్లిష్టత తరగతి సమస్యలను పరిష్కరించగల స్వీయ-అభ్యాస సమయంలో ప్రోగ్రామ్‌లను రూపొందించే వ్యవస్థ యొక్క సామర్ధ్యం" అని ఎవ్జెనీ ప్లూజ్నిక్ అభిప్రాయపడ్డారు. "రాబోయే 100 సంవత్సరాలలో మేము బలమైన కృత్రిమ మేధస్సు యొక్క ఆవిర్భావానికి సాక్ష్యమివ్వలేమని నేను ఖచ్చితంగా అనుకుంటున్నాను."

మరియు ముగింపులో - క్లీవర్‌బోట్ కోసం మరో ప్రశ్న.

వ్యక్తి: 1 ఆపిల్, 1 టమోటా, 1 దోసకాయ మరియు 1 పియర్ ఉన్నాయి. మొత్తం ఎన్ని పండ్లు?
క్లీవర్‌బోట్: సాయంత్రం పది గంటలు.

ప్రశ్నలు మరియు సమాధానాల ఆకృతిలో కృత్రిమ మేధస్సు యొక్క సారాంశం.సృష్టి చరిత్ర, పరిశోధన సాంకేతికతలు, కృత్రిమ మేధస్సు IQతో అనుబంధించబడిందా మరియు దానిని మానవుడితో పోల్చవచ్చా. ప్రశ్నలకు సమాధానమిచ్చారు స్టాన్‌ఫోర్డ్ యూనివర్సిటీ ప్రొఫెసర్ జాన్ మెక్‌కార్తీ.

కృత్రిమ మేధస్సు (AI) అంటే ఏమిటి?

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది సైన్స్ మరియు ఇంజనీరింగ్ రంగం, ఇది తెలివితేటలు కలిగి ఉన్న యంత్రాలు మరియు కంప్యూటర్ ప్రోగ్రామ్‌ల సృష్టికి సంబంధించినది. ఇది మానవ మేధస్సును అర్థం చేసుకోవడానికి కంప్యూటర్లను ఉపయోగించే పనికి సంబంధించినది. అదే సమయంలో, కృత్రిమ మేధస్సు జీవశాస్త్రపరంగా పరిశీలించదగిన పద్ధతులకు పరిమితం కాకూడదు.

అవును, అయితే మేధస్సు అంటే ఏమిటి?

తెలివితేటలు లెక్కల సహాయంతో ఒక నిర్ణయానికి వచ్చే సామర్ధ్యం.మానవులు, అనేక జంతువులు మరియు కొన్ని యంత్రాలు వివిధ రకాల మరియు స్థాయిల మేధస్సును కలిగి ఉంటాయి.

మానవ మేధస్సుతో సంబంధం లేకుండా మేధస్సుకు నిర్వచనం లేదా?

ఇప్పటి వరకు, మనం ఏ విధమైన గణన విధానాలను ఇంటెలిజెంట్ అని పిలవాలనుకుంటున్నాము అనే దానిపై అవగాహన లేదు. మేధస్సు యొక్క అన్ని యంత్రాంగాల నుండి మనకు చాలా దూరంగా ఉంది.

మేధస్సు అనేది నిస్సందేహమైన భావన కాబట్టి "ఈ యంత్రానికి తెలివి ఉందా?" మీరు అవును లేదా కాదు అని సమాధానం చెప్పగలరా?

నం. AI పరిశోధన కొన్ని యంత్రాంగాలను మాత్రమే ఎలా ఉపయోగించాలో చూపించింది. ఒక పనిని పూర్తి చేయడానికి బాగా అధ్యయనం చేయబడిన నమూనాలు మాత్రమే అవసరమైనప్పుడు, ఫలితాలు బాగా ఆకట్టుకుంటాయి. ఇటువంటి కార్యక్రమాలు "చిన్న" తెలివితేటలు కలిగి ఉంటాయి.

కృత్రిమ మేధస్సు మానవ మేధస్సును అనుకరించే ప్రయత్నమా?

కొన్నిసార్లు, కానీ ఎల్లప్పుడూ కాదు. ఒక వైపు, పనిలో ఉన్న వ్యక్తులను లేదా మా స్వంత అల్గారిథమ్‌లను చూడటం ద్వారా సమస్యలను పరిష్కరించే యంత్రాలను ఎలా తయారు చేయాలో మేము నేర్చుకుంటాము. మరోవైపు, AI పరిశోధకులు మానవులలో గమనించని లేదా ఎక్కువ గణన వనరులు అవసరమయ్యే అల్గారిథమ్‌లను ఉపయోగిస్తారు.

కంప్యూటర్ ప్రోగ్రామ్‌లకు IQ ఉందా?

నం. పిల్లలలో మేధస్సు అభివృద్ధి రేటుపై IQ ఆధారపడి ఉంటుంది. ఇది పిల్లవాడు సాధారణంగా పిల్లల వయస్సుకి నిర్దిష్ట ఫలితాన్ని స్కోర్ చేసే వయస్సు నిష్పత్తి. ఈ అంచనా పెద్దలకు తగిన విధంగా విస్తరించబడింది. IQ జీవితంలో విజయం లేదా వైఫల్యం యొక్క వివిధ కొలతలతో బాగా సంబంధం కలిగి ఉంటుంది. కానీ IQ పరీక్షలలో ఎక్కువ స్కోర్ చేయగల కంప్యూటర్‌లను నిర్మించడం వల్ల వాటి ఉపయోగంతో పెద్దగా సంబంధం ఉండదు. ఉదాహరణకు, సంఖ్యల సుదీర్ఘ క్రమాన్ని పునరావృతం చేయగల పిల్లల సామర్థ్యం ఇతర మేధోపరమైన సామర్థ్యాలతో బాగా సంబంధం కలిగి ఉంటుంది. ఒక పిల్లవాడు ఒక సమయంలో ఎంత సమాచారాన్ని గుర్తుంచుకోగలడో ఇది చూపిస్తుంది. అదే సమయంలో, చాలా ప్రాచీనమైన కంప్యూటర్‌లకు కూడా సంఖ్యలను మెమరీలో ఉంచడం అనేది ఒక చిన్న పని.

మానవుని మరియు కంప్యూటర్ మేధస్సును ఎలా పోల్చాలి?

ఆర్థర్ R. జెన్సన్, మానవ మేధస్సు రంగంలో ప్రముఖ పరిశోధకుడు, సాధారణ వ్యక్తులు ఒకే విధమైన మేధస్సును పంచుకుంటారని మరియు మేధో వ్యత్యాసాలు "పరిమాణాత్మక జీవరసాయన మరియు శారీరక పరిస్థితుల" కారణంగా ఉన్నాయని "హ్యూరిస్టిక్ పరికల్పన"గా పేర్కొన్నారు. వీటిలో ఆలోచన వేగం, స్వల్పకాలిక జ్ఞాపకశక్తి మరియు ఖచ్చితమైన మరియు తిరిగి పొందగలిగే దీర్ఘకాలిక జ్ఞాపకాలను రూపొందించే సామర్థ్యం ఉన్నాయి.

మానవ మేధస్సు గురించి జెన్సన్ యొక్క దృక్కోణం సరైనదేనా కాకపోయినా, AIలో నేడు పరిస్థితి విరుద్ధంగా ఉంది.

కంప్యూటర్ ప్రోగ్రామ్‌లు చాలా వేగం మరియు మెమరీని కలిగి ఉంటాయి, అయితే వాటి సామర్థ్యాలు సాఫ్ట్‌వేర్ డెవలపర్‌లు అర్థం చేసుకునే మరియు వాటిలో ఉంచగలిగే మేధో విధానాలకు అనుగుణంగా ఉంటాయి. కౌమారదశలో ప్రవేశించే వరకు పిల్లలు సాధారణంగా అభివృద్ధి చెందని కొన్ని సామర్థ్యాలు. రెండేళ్ల పిల్లల యాజమాన్యంలోని మరికొన్ని ఇప్పటికీ తప్పిపోయాయి. మానవ సామర్థ్యాలు ఏమిటో జ్ఞాన శాస్త్రాలు ఇప్పటికీ ఖచ్చితంగా నిర్ణయించలేనందున ఈ విషయం మరింత తీవ్రమవుతుంది. చాలా మటుకు, AI యొక్క మేధో యంత్రాంగాల సంస్థ మానవులతో అనుకూలంగా పోల్చబడుతుంది.

కంప్యూటర్ కంటే మానవుడు సమస్యను వేగంగా పరిష్కరించగలిగినప్పుడు, డెవలపర్‌లకు పనిని సమర్థవంతంగా నిర్వహించడానికి అవసరమైన మేధస్సు యొక్క యంత్రాంగాలపై అవగాహన లేదని ఇది చూపిస్తుంది.

AI పరిశోధన ఎప్పుడు ప్రారంభమైంది?

రెండవ ప్రపంచ యుద్ధం తరువాత, చాలా మంది వ్యక్తులు తెలివైన యంత్రాలపై స్వతంత్రంగా పనిచేయడం ప్రారంభించారు. ఆంగ్ల గణిత శాస్త్రజ్ఞుడు అలాన్ ట్యూరింగ్ వీటిలో మొదటివాడు కావచ్చు. అతను 1947 లో తన ఉపన్యాసం ఇచ్చాడు. మెషీన్‌లను నిర్మించడం కంటే ప్రోగ్రామింగ్ కంప్యూటర్‌ల ద్వారా AI ఉత్తమంగా అన్వేషించబడుతుందని నిర్ణయించిన వారిలో ట్యూరింగ్ ఒకరు. 1950ల చివరి నాటికి, చాలా మంది AI పరిశోధకులు ఉన్నారు మరియు వారిలో ఎక్కువ మంది కంప్యూటర్ ప్రోగ్రామింగ్‌పై తమ పనిని ఆధారం చేసుకున్నారు.

AI యొక్క ఉద్దేశ్యం మానవ మనస్సును కంప్యూటర్‌లో ఉంచడమేనా?

మానవ మనస్సు అనేక లక్షణాలను కలిగి ఉంది, వాటిలో ప్రతి ఒక్కటి అనుకరించడం చాలా వాస్తవమైనది కాదు.

ట్యూరింగ్ పరీక్ష అంటే ఏమిటి?

A. అలాన్ ట్యూరింగ్ యొక్క 1950 పేపర్ "కంప్యూటింగ్ అండ్ ఇంటెలిజెన్స్" ఒక యంత్రం తెలివితేటలను కలిగి ఉండటానికి పరిస్థితులను చర్చించింది. ఒక యంత్రం తెలివైన పరిశీలకుడికి విజయవంతంగా మానవునిగా నటించగలిగితే, మీరు దానిని తెలివైనదిగా పరిగణించాలని ఆయన వాదించారు. ఈ ప్రమాణం చాలా మంది వ్యక్తులను సంతృప్తిపరుస్తుంది, కానీ అందరు తత్వవేత్తలు కాదు. మనిషి యొక్క రూపాన్ని లేదా స్వరాన్ని అనుకరించే యంత్ర అవసరాన్ని తొలగించడానికి పరిశీలకుడు తప్పనిసరిగా ఇన్‌పుట్/అవుట్‌పుట్ సౌకర్యం ద్వారా యంత్రం లేదా మానవుడితో పరస్పర చర్య చేయాలి. పరిశీలకుడు తనను తాను మనిషిగా భావించేలా చేయడమే యంత్రం మరియు మనిషి రెండింటి పని.

ట్యూరింగ్ పరీక్ష ఏకపక్షంగా ఉంటుంది. పరీక్షలో ఉత్తీర్ణత సాధించిన యంత్రాన్ని ఖచ్చితంగా సెంటిమెంట్‌గా పరిగణించాలి, అది మనుషులను అనుకరించడానికి తగినంతగా తెలియకపోయినా.

డేనియల్ డెన్నెట్ యొక్క పుస్తకం "బ్రెయిన్‌చైల్డ్రన్" ట్యూరింగ్ పరీక్ష మరియు విజయవంతంగా అమలు చేయబడిన దాని వివిధ భాగాల గురించి అద్భుతమైన చర్చను కలిగి ఉంది, అనగా AI మరియు విషయంపై పరిశీలకుడికి ఉన్న పరిజ్ఞానంపై పరిమితులు ఉన్నాయి. కొంతమంది వ్యక్తులు చాలా ప్రాచీనమైన ప్రోగ్రామ్ సహేతుకమైనదని ఒప్పించడం చాలా సులభం అని తేలింది.

AI యొక్క లక్ష్యం మానవ మేధస్సు స్థాయిని చేరుకోవడమేనా?

అవును. మానవులు చేయగలిగిన విధంగా సమస్యలను పరిష్కరించగల మరియు లక్ష్యాలను సాధించగల కంప్యూటర్ ప్రోగ్రామ్‌లను రూపొందించడం అంతిమ లక్ష్యం. అయినప్పటికీ, ఇరుకైన ప్రాంతాల్లో పరిశోధనలు చేస్తున్న శాస్త్రవేత్తలు చాలా తక్కువ ప్రతిష్టాత్మక లక్ష్యాలను నిర్దేశించారు.

కృత్రిమ మేధస్సు మానవ స్థాయికి చేరుకోవడానికి ఎంత దూరంలో ఉంది? అది ఎప్పుడు జరుగుతుంది?

ఈ రోజు జ్ఞానాన్ని వ్యక్తీకరించడానికి ఉపయోగించే భాషలలో చాలా ప్రోగ్రామ్‌లను వ్రాయడం మరియు వాస్తవాల యొక్క విస్తారమైన జ్ఞాన స్థావరాలను సేకరించడం ద్వారా మానవ-స్థాయి మేధస్సును సాధించవచ్చు.అయినప్పటికీ, చాలా మంది AI పరిశోధకులు కొత్త ప్రాథమిక ఆలోచనలు అవసరమని నమ్ముతున్నారు. అందువల్ల, మానవ స్థాయి మేధస్సు ఎప్పుడు సృష్టించబడుతుందో అంచనా వేయడం అసాధ్యం.

కంప్యూటర్ తెలివిగా మారగల యంత్రమా?

కంప్యూటర్లు ఏ రకమైన యంత్రాన్ని అనుకరించేలా ప్రోగ్రామ్ చేయబడతాయి.

కంప్యూటర్ల వేగం వారు తెలివిగా ఉండేందుకు అనుమతిస్తుందా?

వేగవంతమైన కంప్యూటర్లు మరియు కొత్త ఆలోచనలు రెండూ అవసరమని కొందరు అనుకుంటారు. 30 ఏళ్ల క్రితం కూడా కంప్యూటర్లు వేగంగా ఉండేవి. వాటిని ఎలా ప్రోగ్రామ్ చేయాలో మనకు తెలిస్తే.

చదవడం మరియు అనుభవం నుండి నేర్చుకోవడం ద్వారా మెరుగుపరచబడే "బాల యంత్రం"ని సృష్టించడం గురించి ఏమిటి?

ఈ ఆలోచన 1940ల నుండి పదేపదే ప్రతిపాదించబడింది. చివరికి, ఇది అమలు చేయబడుతుంది. అయినప్పటికీ, AI ప్రోగ్రామ్‌లు ఇంకా పిల్లల జీవిత గమనంలో నేర్చుకునే చాలా వరకు నేర్చుకునే స్థాయికి చేరుకోలేదు. ఇప్పటికే ఉన్న ప్రోగ్రామ్‌లు చదవడం ద్వారా చాలా నేర్చుకోవడానికి తగినంత భాషను అర్థం చేసుకోలేవు.

కంప్యూటబిలిటీ థియరీ మరియు గణన సంక్లిష్టత AIకి కీలు?

నం. ఈ సిద్ధాంతాలు సంబంధితమైనవి కానీ AI యొక్క ప్రాథమిక సమస్యలను పరిష్కరించవు.

1930వ దశకంలో, గణితశాస్త్ర లాజిక్కులు కర్ట్ గోడెల్ మరియు అలాన్ ట్యూరింగ్ కొన్ని ముఖ్యమైన గణిత రంగాలలోని అన్ని సమస్యల పరిష్కారానికి హామీ ఇచ్చే అల్గారిథమ్‌లు లేవని నిర్ధారించారు. ఉదాహరణకు, "ఫస్ట్-ఆర్డర్ లాజిక్ యొక్క వాక్యం ఒక సిద్ధాంతమా" లేదా "కొన్ని వేరియబుల్స్‌లోని బహుపది సమీకరణం ఇతరులలో పూర్ణాంక పరిష్కారాలను కలిగి ఉందా" అనే స్ఫూర్తితో ప్రశ్నలకు సమాధానాలు. మానవులు ఈ రకమైన సమస్యలను పరిష్కరించగల సామర్థ్యం కలిగి ఉంటారు కాబట్టి, ఈ వాస్తవం కంప్యూటర్లు మానవులు చేసే పనిని సహజంగా చేయలేకపోవడమే అనే వాదనగా ముందుకు తెచ్చారు. రోజర్ పెన్రోస్ కూడా దీని గురించి మాట్లాడాడు. అయితే, మానవులు పరిష్కారాలకు హామీ ఇవ్వలేరుఏకపక్షఈ ప్రాంతాల్లో పనులు.

1960లలో, స్టీవ్ కుక్ మరియు రిచర్డ్ కార్ప్ వంటి కంప్యూటర్ శాస్త్రవేత్తలు NP-పూర్తి సమస్యల కోసం డొమైన్ సిద్ధాంతాన్ని అభివృద్ధి చేశారు. ఈ ప్రాంతాల్లోని సమస్యలు పరిష్కరించదగినవి, కానీ, స్పష్టంగా, వాటి పరిష్కారానికి సమస్య యొక్క పరిమాణంతో విపరీతంగా పెరిగే సమయం అవసరం. NP-పూర్తి సమస్య యొక్క డొమైన్ యొక్క సరళమైన ఉదాహరణ ప్రశ్న: ప్రతిపాదిత తర్కం యొక్క ఏ ప్రకటనలు సంతృప్తికరంగా ఉన్నాయి? ప్రజలు తరచుగా NP-పూర్తి సమస్యల ప్రాంతంలోని సమస్యలను ప్రధాన అల్గారిథమ్‌ల ద్వారా హామీ ఇచ్చే దానికంటే చాలా రెట్లు వేగంగా పరిష్కరిస్తారు, కానీ సాధారణ సందర్భంలో వాటిని త్వరగా పరిష్కరించలేరు.

AI కోసం, సమస్యలను పరిష్కరించేటప్పుడు ఇది ముఖ్యం అల్గోరిథంలువంటి ప్రభావవంతంగా ఉన్నాయి మానవ మనస్సు. మంచి అల్గారిథమ్‌లు ఉన్న సబ్-ఫీల్డ్‌లను నిర్ణయించడం చాలా ముఖ్యం, అయితే చాలా AI సమస్య పరిష్కారాలు సులభంగా గుర్తించగలిగే ఉప-ఫీల్డ్‌లలోకి రావు.

సాధారణ తరగతుల సమస్యల సంక్లిష్టత సిద్ధాంతాన్ని గణన సంక్లిష్టత అంటారు. ఇప్పటివరకు, ఈ సిద్ధాంతం ఒకరు ఆశించినంతగా AIతో సంకర్షణ చెందలేదు. మానవ మరియు AI ప్రోగ్రామ్‌ల ద్వారా సమస్య పరిష్కారంలో విజయం అనేది సంక్లిష్టత పరిశోధకులు లేదా AI సంఘం ఖచ్చితంగా నిర్వచించలేని సమస్య లక్షణాలు మరియు సమస్య పరిష్కార పద్ధతులపై ఆధారపడి ఉంటుంది.

అల్గోరిథమిక్ సంక్లిష్టత యొక్క సిద్ధాంతం కూడా సంబంధితంగా ఉంటుంది, ఇది ఒకదానికొకటి స్వతంత్రంగా అభివృద్ధి చేయబడింది. సోలోమోనోవ్, కోల్మోగోరోవ్ మరియు చైటిన్. ఇది సింబాలిక్ వస్తువు యొక్క సంక్లిష్టతను దానిని రూపొందించగల అతి తక్కువ ప్రోగ్రామ్ యొక్క పొడవుగా నిర్వచిస్తుంది. అభ్యర్థి ప్రోగ్రామ్ చిన్నదని లేదా దానికి దగ్గరగా ఉందని నిరూపించడం అనేది అసాధ్యమైన పని, కానీ వాటిని రూపొందించే చిన్న ప్రోగ్రామ్‌ల ద్వారా వస్తువులను సూచించడం వల్ల మీ ప్రోగ్రామ్ చిన్నదని మీరు నిరూపించలేకపోయినా, కొన్నిసార్లు విషయాలను క్లియర్ చేయవచ్చు.