S*****n
发帖数: 4185 | 1 说啥backpropagation，既要求差还要求微分，
人类脑细胞的dentrite和synaptic都不可能进行这么复杂的反馈。
而且实验上这种倒着传播的路径在生物学上就没有这个机制。 |
p***n
发帖数: 17190 | 2 可以的
有向前回饋向後回饋
多轉個幾圈就有了
【在 S*****n 的大作中提到】
: 说啥backpropagation，既要求差还要求微分，
: 人类脑细胞的dentrite和synaptic都不可能进行这么复杂的反馈。
: 而且实验上这种倒着传播的路径在生物学上就没有这个机制。
|
d*****u
发帖数: 17243 | 3 深度学习从来就没说要跟人的神经系统一样。
虽然有的人追求那个过程 |
S*****n
发帖数: 4185 | 4 人的神经系统应该没这个生物学部机制。
计算机当然随便搞了，微分积分随便算。
【在 p***n 的大作中提到】
: 可以的
: 有向前回饋向後回饋
: 多轉個幾圈就有了
|
e*n
发帖数: 1511 | 5 凭什么照人脑学就是最好的？
：说啥backpropagation，既要求差还要求微分，
：人类脑细胞的dentrite和synaptic都不可能进行这么复杂的反馈。 |
s*****l
发帖数: 7106 | 6 人脑确实不是backprop这么初等的机制
dl用这个是因为容易算
【在 S*****n 的大作中提到】
: 说啥backpropagation，既要求差还要求微分，
: 人类脑细胞的dentrite和synaptic都不可能进行这么复杂的反馈。
: 而且实验上这种倒着传播的路径在生物学上就没有这个机制。
|
S*****n
发帖数: 4185 | 7 人脑能有啥高等机制？
【在 s*****l 的大作中提到】
: 人脑确实不是backprop这么初等的机制
: dl用这个是因为容易算
|
l**a
发帖数: 11 | 8 高等到基本不知道怎么模型化
【在 S*****n 的大作中提到】
: 人脑能有啥高等机制？
|
h**c
发帖数: 1979 | |
b********6
发帖数: 35437 | 10 人脑看一个脸就能想起姓什名谁，电脑的算法还做不到
给两岁的小孩子看鸭子的图片，他就能举一反三认识很多鸭子的卡通图形，电脑还差很远 |
|
|
s*****l
发帖数: 7106 | 11 基本上
主要是人脑研究太少太局限
【在 l**a 的大作中提到】
: 高等到基本不知道怎么模型化
|
s*****l
发帖数: 7106 | 12 你说的这个已经差不多了
很远
【在 b********6 的大作中提到】
: 人脑看一个脸就能想起姓什名谁，电脑的算法还做不到
: 给两岁的小孩子看鸭子的图片，他就能举一反三认识很多鸭子的卡通图形，电脑还差很远
|
r********n
发帖数: 7441 | 13 深度学习就是非线性关联，浅层模型本质都是线性关联
不管哪种，都是数据说了算，数据没反映的关系模型都不好使
) 的大作中提到: 】
【在 h**c 的大作中提到】
: 深学就是诈骗
|
b********6
发帖数: 35437 | 14 差的远的很
[在 sinical (一江春水向东流) 的大作中提到：]
:你说的这个已经差不多了
:☆ 发自 iPhone 买买提 1.24.09 |
S*****n
发帖数: 4185 | 15 对，所谓训练数据就是只有告诉计算机答案，计算机才能做些推论。
【在 r********n 的大作中提到】
: 深度学习就是非线性关联，浅层模型本质都是线性关联
: 不管哪种，都是数据说了算，数据没反映的关系模型都不好使
:
: ) 的大作中提到: 】
|
s*****l
发帖数: 7106 | 16 ok
除非你是专门做人脸识别的
否则你不会比我知道的多
【在 b********6 的大作中提到】
: 差的远的很
: [在 sinical (一江春水向东流) 的大作中提到：]
: :你说的这个已经差不多了
: :☆ 发自 iPhone 买买提 1.24.09
|
s*****l
发帖数: 7106 | 17 人好不了多少
摸石头过河
掉水里的时候多
【在 S*****n 的大作中提到】
: 对，所谓训练数据就是只有告诉计算机答案，计算机才能做些推论。
|
b********6
发帖数: 35437 | 18 电脑的识别是靠高性能芯片，人脑没有这个计算过程
表面上看起来电脑识别图像速度可以超过人脑，实际上内部算法差了十万八千里
[在 sinical (一江春水向东流) 的大作中提到：]
:ok
:除非你是专门做人脸识别的
:否则你不会比我知道的多
:☆ 发自 iPhone 买买提 1.24.09 |
c*****t
发帖数: 10738 | 19 人脑的神经元数目秒杀现在的DL网络，不需要高级的算法。 |
d*****u
发帖数: 17243 | 20 一个汉语母语的人从开始学英语到能翻译普通文字至少得学个四五年。很多人还学不会。
现在计算机从零开始训练几个小时就能把新闻类文字翻译个大概了。不过现在达不到人
的翻译水平上限。 |
|
|
h*******i
发帖数: 4386 | 21 back prop是训练的时候，inference的时候没有这么复杂，一根杆子捅下去。
【在 S*****n 的大作中提到】
: 说啥backpropagation，既要求差还要求微分，
: 人类脑细胞的dentrite和synaptic都不可能进行这么复杂的反馈。
: 而且实验上这种倒着传播的路径在生物学上就没有这个机制。
|
S*****n
发帖数: 4185 | 22
) 的大作中提到: 】
吹的玄乎其玄的阿法狗，无非就是用围棋基本原理排除些排列组合，然后把剩下的可能
都穷举，记录到深度网络里而已。
背几百万棋谱，基本所有可能都搞定了。
【在 h**c 的大作中提到】
: 深学就是诈骗
|
o***o
发帖数: 194 | 23 我老养猪几十年前就看出来马公吹牛的人工智能是什么货色了
就是暴力计算，或者暴力数据训练
尼玛其实看一点就知道了
电脑知道自己在干嘛吗，这点还不如我老养的一头猪
【在 S*****n 的大作中提到】
:
: ) 的大作中提到: 】
: 吹的玄乎其玄的阿法狗，无非就是用围棋基本原理排除些排列组合，然后把剩下的可能
: 都穷举，记录到深度网络里而已。
: 背几百万棋谱，基本所有可能都搞定了。
|
l*******k
发帖数: 922 | 24 有一个说法叫无知者无畏。这楼里的几个连基本的概念都没搞清就大言不惭的批这批那。
DL本来不需要和人脑的机能完全一样。就像飞机虽然有翅膀，开始也是从鸟类的飞行得
到启发，但飞行的原理和鸟类完全不同。现在还有那个鸟的飞行高度和速度能和飞机相
比的？DL达到比人脑更强的能力不一定需要完全和人脑的机制相同。 |
g******t
发帖数: 18158 | 25 我没有做过人脸识别，但是大概能猜个差不多
应该是找出一些 features，比如瞳孔距离，嘴巴的角度，和头的宽度，发迹线的高低
，等等
把这些features数字化一下，然后再 cluster 一下，就找出相似度高的，就识别出来的
靠谱吗？
【在 s*****l 的大作中提到】
: ok
: 除非你是专门做人脸识别的
: 否则你不会比我知道的多
|
o***o
发帖数: 194 | 26 这种是偷换概念的傻冒的说法，菌斑早就有人驳斥过了
你能造出鸟这么灵活的飞行器吗？
拿两种不同设计目的的东西比较，本身就很傻冒
那。
【在 l*******k 的大作中提到】
: 有一个说法叫无知者无畏。这楼里的几个连基本的概念都没搞清就大言不惭的批这批那。
: DL本来不需要和人脑的机能完全一样。就像飞机虽然有翅膀，开始也是从鸟类的飞行得
: 到启发，但飞行的原理和鸟类完全不同。现在还有那个鸟的飞行高度和速度能和飞机相
: 比的？DL达到比人脑更强的能力不一定需要完全和人脑的机制相同。
|
d*****u
发帖数: 17243 | 27 不是穷举。是（自动）构造状态函数。即使从来没见过的输入也可以得出符合要求的结
果。
深度学习的关键是在内部生成Manifold
穷举是不可能的，轻易就不可计算了
【在 S*****n 的大作中提到】
:
: ) 的大作中提到: 】
: 吹的玄乎其玄的阿法狗，无非就是用围棋基本原理排除些排列组合，然后把剩下的可能
: 都穷举，记录到深度网络里而已。
: 背几百万棋谱，基本所有可能都搞定了。
|
d*****u
发帖数: 17243 | 28 你说这个是20年前甚至更早的做法。
现在都是直接输入图像，用多层卷积网络自动生成特征。
卷积网络的参数是训练来的。
希望大家评价深度学习的时候多了解一下。
来的
【在 g******t 的大作中提到】
: 我没有做过人脸识别，但是大概能猜个差不多
: 应该是找出一些 features，比如瞳孔距离，嘴巴的角度，和头的宽度，发迹线的高低
: ，等等
: 把这些features数字化一下，然后再 cluster 一下，就找出相似度高的，就识别出来的
: 靠谱吗？
|
l*******k
发帖数: 922 | 29 DL为什么要和人脑的功能一模一样？DL在某些方面比人脑强的多，就像飞机被鸟的速度
快得多。要说灵活，看你怎么定义了。如果以转弯的角加速度比，飞机比鸟高多了。如
果只限低速灵活性，我相信肯定能造出比鸟更灵活的drone。
【在 o***o 的大作中提到】
: 这种是偷换概念的傻冒的说法，菌斑早就有人驳斥过了
: 你能造出鸟这么灵活的飞行器吗？
: 拿两种不同设计目的的东西比较，本身就很傻冒
:
: 那。
|
S******t
发帖数: 378 | 30 deepmind星际上把人类选手打得翻不了身，虽然是欧洲菜鸡但是也略显AI头角。
以后战争直接上AI指挥，人类都不行 |
|
|
S*****n
发帖数: 4185 | 31 打游戏跟计算机打，基本靠计算机让才能玩。
【在 S******t 的大作中提到】
: deepmind星际上把人类选手打得翻不了身，虽然是欧洲菜鸡但是也略显AI头角。
: 以后战争直接上AI指挥，人类都不行
|
o***o
发帖数: 194 | 32 智商不行才会这么说
想要替代人做的事情，当然要在人擅长的，征服自然，创造文明的技能比人强。
弄个下棋，打游戏，尼玛这是人的工作技能吗，你是要进军职业围棋，替代棋手吗，还
是要进军游戏竞技行业，人家带你玩吗，除此之外有啥吹的
这种和鸟飞行逻辑一样，一看就是偷换概念，用不相干技能比较，再得出一个错误结论
智商不行的傻冒太多，天天拿着错误明显的东西吹牛，我养猪的都比他们聪明的多
【在 l*******k 的大作中提到】
: DL为什么要和人脑的功能一模一样？DL在某些方面比人脑强的多，就像飞机被鸟的速度
: 快得多。要说灵活，看你怎么定义了。如果以转弯的角加速度比，飞机比鸟高多了。如
: 果只限低速灵活性，我相信肯定能造出比鸟更灵活的drone。
|
b***y
发帖数: 14281 | 33 你怎么知道人脑没有这个计算过程？你自己感觉不到不代表没有。人脑学习也是不断纠
错的过程，纠错机制就是靠的神经元对不同刺激做出相对的反应，这个化学生物过程本
身就是一个复杂的计算过程，其实很DL理论上差别不大。只不过人脑每个神经元自己会
计算，而且是分子级别的计算，函数更加复杂，效率更高。
计算机只用一块芯片去模拟数亿个神经元细胞的计算过程，当然是比较累了。深度学习
原理不错只是数量级上差的太多。
★ 发自iPhone App: ChinaWeb 1.1.5
★ 发自iPhone App: ChinaWeb 1.1.5
★ 发自iPhone App: ChinaWeb 1.1.5
【在 b********6 的大作中提到】
: 电脑的识别是靠高性能芯片，人脑没有这个计算过程
: 表面上看起来电脑识别图像速度可以超过人脑，实际上内部算法差了十万八千里
: [在 sinical (一江春水向东流) 的大作中提到：]
: :ok
: :除非你是专门做人脸识别的
: :否则你不会比我知道的多
: :☆ 发自 iPhone 买买提 1.24.09
|
b***y
发帖数: 14281 | 34 当然不是。你完全不了解现在的AI技术。你这种做法是很难达到人脑的识别率的。现在
的做法是靠神经网络自动学习，神经网络会在学习过程中自发的“发现”一些你所说的
feature，但是谁也说不清究竟是什么feature，无论是电脑还是编程序的人都不能确定
，只能根据训练出来的参数猜一个大概。但是可以观察到的效果就是训练好了的电脑比
人对人脸识别的准确率还高。但是为什么会高呢？不知道。就象人脑一样，看见两张脸
我们会感觉他们就是一个人，但一定要量化分析说为什么，其实我们不能做到。神经网
络也是一样，为什么算出来这两张脸的相似度高其实电脑也不知道。
这就是深度学习的一个大问题。就是当它work的时候谁也说不清楚为什么work，只能猜
个大概，其实就和人脑的行为很像。
来的
★ 发自iPhone App: ChinaWeb 1.1.5
【在 g******t 的大作中提到】
: 我没有做过人脸识别，但是大概能猜个差不多
: 应该是找出一些 features，比如瞳孔距离，嘴巴的角度，和头的宽度，发迹线的高低
: ，等等
: 把这些features数字化一下，然后再 cluster 一下，就找出相似度高的，就识别出来的
: 靠谱吗？
|
t******x
发帖数: 55 | 35 人是靠特征识别，这有啥说不清的
你问个小孩，这个人有大胡子，是xxx，怎么做的都很明显了
特征识别，而且是有意识的，筛选掉不相关的特征，所以连人照片变成动画图片都能识别
【在 b***y 的大作中提到】
: 当然不是。你完全不了解现在的AI技术。你这种做法是很难达到人脑的识别率的。现在
: 的做法是靠神经网络自动学习，神经网络会在学习过程中自发的“发现”一些你所说的
: feature，但是谁也说不清究竟是什么feature，无论是电脑还是编程序的人都不能确定
: ，只能根据训练出来的参数猜一个大概。但是可以观察到的效果就是训练好了的电脑比
: 人对人脸识别的准确率还高。但是为什么会高呢？不知道。就象人脑一样，看见两张脸
: 我们会感觉他们就是一个人，但一定要量化分析说为什么，其实我们不能做到。神经网
: 络也是一样，为什么算出来这两张脸的相似度高其实电脑也不知道。
: 这就是深度学习的一个大问题。就是当它work的时候谁也说不清楚为什么work，只能猜
: 个大概，其实就和人脑的行为很像。
:
|
w********2
发帖数: 632 | 36 feature就是关键点。ai没那么玄。
【在 b***y 的大作中提到】
: 当然不是。你完全不了解现在的AI技术。你这种做法是很难达到人脑的识别率的。现在
: 的做法是靠神经网络自动学习，神经网络会在学习过程中自发的“发现”一些你所说的
: feature，但是谁也说不清究竟是什么feature，无论是电脑还是编程序的人都不能确定
: ，只能根据训练出来的参数猜一个大概。但是可以观察到的效果就是训练好了的电脑比
: 人对人脸识别的准确率还高。但是为什么会高呢？不知道。就象人脑一样，看见两张脸
: 我们会感觉他们就是一个人，但一定要量化分析说为什么，其实我们不能做到。神经网
: 络也是一样，为什么算出来这两张脸的相似度高其实电脑也不知道。
: 这就是深度学习的一个大问题。就是当它work的时候谁也说不清楚为什么work，只能猜
: 个大概，其实就和人脑的行为很像。
:
|
b********6
发帖数: 35437 | 37 人不会两次掉进同一条河
再傻逼的小孩也不会摸开水壶两次
而基于统计的AI却可以一次次地重复做傻逼的事，比如tesla不停地撞truck trailer和
高速隔离带
【在 b***y 的大作中提到】
: 当然不是。你完全不了解现在的AI技术。你这种做法是很难达到人脑的识别率的。现在
: 的做法是靠神经网络自动学习，神经网络会在学习过程中自发的“发现”一些你所说的
: feature，但是谁也说不清究竟是什么feature，无论是电脑还是编程序的人都不能确定
: ，只能根据训练出来的参数猜一个大概。但是可以观察到的效果就是训练好了的电脑比
: 人对人脸识别的准确率还高。但是为什么会高呢？不知道。就象人脑一样，看见两张脸
: 我们会感觉他们就是一个人，但一定要量化分析说为什么，其实我们不能做到。神经网
: 络也是一样，为什么算出来这两张脸的相似度高其实电脑也不知道。
: 这就是深度学习的一个大问题。就是当它work的时候谁也说不清楚为什么work，只能猜
: 个大概，其实就和人脑的行为很像。
:
|
s******r
发帖数: 5309 | 38 backprop只不过是电脑比较方便执行的反馈机制而已，不是神经网络必须用的，脑神经
完全可以用其他反馈方式或者干脆用试错方式调整网络。 |
t******x
发帖数: 55 | 39 差之毫厘，失之千里
人脑图像识别是有意识的特征识别，噪声也是有意识的过滤，潜意识也是一种意识
所以训练过程，因为有意识参与，很快就能识别特征，根本不需要超大规模的训练集合
动物其实也是有意识的，比如猪，你杀它之前，自己就能意识到
【在 b********6 的大作中提到】
: 人不会两次掉进同一条河
: 再傻逼的小孩也不会摸开水壶两次
: 而基于统计的AI却可以一次次地重复做傻逼的事，比如tesla不停地撞truck trailer和
: 高速隔离带
|
o***o
发帖数: 194 | 40 深度学习那些吹牛就是傻逼
不仅我养猪的能看出来，菌斑其他人都能看出来毛病是什么，无话可说了吧 |
|
|
c****3
发帖数: 10787 | 41 这个我几年前就说过了，没有理解，人工智能就是joke
这几年还是吹牛，故意回避理解是什么，人的意识是什么，这个本质问题
然后就是偷梁换柱，用不相关的东西说明形式大好，回避那些人天生擅长的问题，比如
判断，语言，理解，推理，和骗差不多。
其实下棋证明AI正确，和用计算器证明AI超过人是一样的，没什么意义。
尼玛GRE最基本的逻辑错误，还有这么多人看不出，傻傻的上当 |
b***y
发帖数: 14281 | 42 你那都是模糊概念，大致上虽然如此，但你去拿把尺量一下就发现那些标准都不靠谱，
没有一个精确的量化公式能实际上达到人眼识别的精度，但神经网络可以。
识别
★ 发自iPhone App: ChinaWeb 1.1.5
【在 t******x 的大作中提到】
: 人是靠特征识别，这有啥说不清的
: 你问个小孩，这个人有大胡子，是xxx，怎么做的都很明显了
: 特征识别，而且是有意识的，筛选掉不相关的特征，所以连人照片变成动画图片都能识别
|
d*****u
发帖数: 17243 | 43 美国平均每个司机要出两三次车祸。
出严重事故的要么死了要么被吊销驾照，不然更多。
训练的模型有问题要么是遇到了非常新的情况，要么是训练方法有问题。
【在 b********6 的大作中提到】
: 人不会两次掉进同一条河
: 再傻逼的小孩也不会摸开水壶两次
: 而基于统计的AI却可以一次次地重复做傻逼的事，比如tesla不停地撞truck trailer和
: 高速隔离带
|
b***y
发帖数: 14281 | 44 但feature不是人手工加进去的，是电脑自己找出来的，程序里只有一个convolution层
，在训练前并不包含任何feature，训练后有某些feature也是人通过多参数结果的一些
研究模模糊糊的猜测的。
★ 发自iPhone App: ChinaWeb 1.1.5
【在 w********2 的大作中提到】
: feature就是关键点。ai没那么玄。
|
b***y
发帖数: 14281 | 45 这是因为人脑有数十亿神经元。AI最多几万。一两岁的娃很可有犯同一个错误两次，你
的很多对人智力的认识都是基于六岁以后儿童的，而他们从出生开始学习训练的海量强
化是现在任何强化学习的AI都达不到万分之一的数量级差别。
★ 发自iPhone App: ChinaWeb 1.1.5
【在 b********6 的大作中提到】
: 人不会两次掉进同一条河
: 再傻逼的小孩也不会摸开水壶两次
: 而基于统计的AI却可以一次次地重复做傻逼的事，比如tesla不停地撞truck trailer和
: 高速隔离带
|
d*****u
发帖数: 17243 | 46 AI就是engineering，至少在现阶段只是用来完成任务，不是用来重现人的喜怒哀乐。
【在 c****3 的大作中提到】
: 这个我几年前就说过了，没有理解，人工智能就是joke
: 这几年还是吹牛，故意回避理解是什么，人的意识是什么，这个本质问题
: 然后就是偷梁换柱，用不相关的东西说明形式大好，回避那些人天生擅长的问题，比如
: 判断，语言，理解，推理，和骗差不多。
: 其实下棋证明AI正确，和用计算器证明AI超过人是一样的，没什么意义。
: 尼玛GRE最基本的逻辑错误，还有这么多人看不出，傻傻的上当
|
t******x
发帖数: 55 | 47 本来就不需要那么准确的量化
我早就说过，非线性是世界的真理，不是线性。生物就是明白无误的证据。中国古人就
明白这个道理。
以为数学，线性才是世界真理，明显是错误的，是地球这种低级文明的特征。
深度学习这种假的非线性方法，连非线性真正的大门都没有摸到，和生物一比就明白无误
【在 b***y 的大作中提到】
: 你那都是模糊概念，大致上虽然如此，但你去拿把尺量一下就发现那些标准都不靠谱，
: 没有一个精确的量化公式能实际上达到人眼识别的精度，但神经网络可以。
:
: 识别
: ★ 发自iPhone App: ChinaWeb 1.1.5
|
P******r
发帖数: 273 | 48 人不是看不出，傻傻的上当好不好？
都是屁股决定脑袋。靠这个吃饭，拿钱的人当然要维护这个，就是心里明白也要拼命维
护。最近几年无数人靠这个拿大钱，谁愿意砸自己饭碗？
【在 c****3 的大作中提到】
: 这个我几年前就说过了，没有理解，人工智能就是joke
: 这几年还是吹牛，故意回避理解是什么，人的意识是什么，这个本质问题
: 然后就是偷梁换柱，用不相关的东西说明形式大好，回避那些人天生擅长的问题，比如
: 判断，语言，理解，推理，和骗差不多。
: 其实下棋证明AI正确，和用计算器证明AI超过人是一样的，没什么意义。
: 尼玛GRE最基本的逻辑错误，还有这么多人看不出，傻傻的上当
|
b***y
发帖数: 14281 | 49 能够理解就不可能智能了，有智能当然你就无法理解，这是一体两面，你自己去想想道
理吧。
★ 发自iPhone App: ChinaWeb 1.1.5
【在 c****3 的大作中提到】
: 这个我几年前就说过了，没有理解，人工智能就是joke
: 这几年还是吹牛，故意回避理解是什么，人的意识是什么，这个本质问题
: 然后就是偷梁换柱，用不相关的东西说明形式大好，回避那些人天生擅长的问题，比如
: 判断，语言，理解，推理，和骗差不多。
: 其实下棋证明AI正确，和用计算器证明AI超过人是一样的，没什么意义。
: 尼玛GRE最基本的逻辑错误，还有这么多人看不出，傻傻的上当
|
d*****u
发帖数: 17243 | 50 AI相关产品，有些效果很好，你每天都在用。这项技术也在发展。
阴谋论没意思。我也可以说没搭上车的羡慕嫉妒恨，故意诋毁来自慰。
【在 P******r 的大作中提到】
: 人不是看不出，傻傻的上当好不好？
: 都是屁股决定脑袋。靠这个吃饭，拿钱的人当然要维护这个，就是心里明白也要拼命维
: 护。最近几年无数人靠这个拿大钱，谁愿意砸自己饭碗？
|
|
|
c****3
发帖数: 10787 | 51 技术水平差了很远，所以搞不清，没有那么玄妙
简单的，做个像人手臂这样灵活的机器手，现在技术都做不到。这个有啥秘密，就是技
术水准差
一个技术低端的文明，去反向工程一个高级文明的产品，当然就是搞不懂，搞不懂还扯
到哲学，就是找借口
【在 b***y 的大作中提到】
: 能够理解就不可能智能了，有智能当然你就无法理解，这是一体两面，你自己去想想道
: 理吧。
:
: ★ 发自iPhone App: ChinaWeb 1.1.5
|
o***o
发帖数: 194 | 52 吹的最先进的人脸识别就是人脸测绘
看iphone的faceid装了那么多红外测量装置，就知道现在的人脸识别是什么玩意了
所谓的特征识别，其实是靠测绘识别，量脸上的各种距离比例，就是这种东西
尼玛我养猪的都能看出来，人是没有这些测绘装置的 |
b********6
发帖数: 35437 | 53 就像电脑和人比图形识别一样，虽然现在电脑速度比人快，但是思维方式差了几条街
司机出车祸多是因为reckless driving, 比如超速酒驾疲劳驾驶打电话等等，真正不能
避免的车祸电脑也躲不过去
基于统计的自动驾驶注定了一定比例的错误，而且因为因为没有正真理解思维过程，改
变一个东西的反应往往导致其他场景反应错误增加，
[在 daigaku (๑۩۞۩๑) 的大作中提到：]
:美国平均每个司机要出两三次车祸。
:出严重事故的要么死了要么被吊销驾照，不然更多。
:训练的模型有问题要么是遇到了非常新的情况，要么是训练方法有问题。 |
d*****u
发帖数: 17243 | 54 其实什么是“意识”和“理解”，本来也不清楚。
动物都能对环境作出一些有效应对。高等一点的哺乳动物有复杂的条件反射和学习能力。
对于电脑来说，目前只是让他们有针对性的完成一些任务。还没有构造全能型的agent
【在 b********6 的大作中提到】
: 就像电脑和人比图形识别一样，虽然现在电脑速度比人快，但是思维方式差了几条街
: 司机出车祸多是因为reckless driving, 比如超速酒驾疲劳驾驶打电话等等，真正不能
: 避免的车祸电脑也躲不过去
: 基于统计的自动驾驶注定了一定比例的错误，而且因为因为没有正真理解思维过程，改
: 变一个东西的反应往往导致其他场景反应错误增加，
: [在 daigaku (๑۩۞۩๑) 的大作中提到：]
: :美国平均每个司机要出两三次车祸。
: :出严重事故的要么死了要么被吊销驾照，不然更多。
: :训练的模型有问题要么是遇到了非常新的情况，要么是训练方法有问题。
|
b*******8
发帖数: 37364 | 55 到现在图像识别还分不清狗和炸鸡块 李飞飞搞了个标准图库 大家的软件在上面精度很
高 后来有人把那里的图形做一些扭曲 人依然毫不费力识别 AI就抓瞎了 等于一套题库
做烂了 换题目又不会了 没搞懂 不会举一反三
★ 发自iPhone App: ChinaWeb 1.1.5
【在 o***o 的大作中提到】
: 吹的最先进的人脸识别就是人脸测绘
: 看iphone的faceid装了那么多红外测量装置，就知道现在的人脸识别是什么玩意了
: 所谓的特征识别，其实是靠测绘识别，量脸上的各种距离比例，就是这种东西
: 尼玛我养猪的都能看出来，人是没有这些测绘装置的
|
d*****u
发帖数: 17243 | 56 专门有一个领域叫做adversarial learning
【在 b*******8 的大作中提到】
: 到现在图像识别还分不清狗和炸鸡块 李飞飞搞了个标准图库 大家的软件在上面精度很
: 高 后来有人把那里的图形做一些扭曲 人依然毫不费力识别 AI就抓瞎了 等于一套题库
: 做烂了 换题目又不会了 没搞懂 不会举一反三
:
: ★ 发自iPhone App: ChinaWeb 1.1.5
|
w********2
发帖数: 632 | 57 有了几百万张的大图库，你一样可以找到一些feature。做feature selection比较难一
些，要做dimension reduction，传统统计没这个。
【在 b***y 的大作中提到】
: 但feature不是人手工加进去的，是电脑自己找出来的，程序里只有一个convolution层
: ，在训练前并不包含任何feature，训练后有某些feature也是人通过多参数结果的一些
: 研究模模糊糊的猜测的。
:
: ★ 发自iPhone App: ChinaWeb 1.1.5
|
w********2
发帖数: 632 | 58 这才是关键。李飞飞那个图库是她成名的关键，都是人工建起来的。ai自己去建个图库
看看。没后面隐藏的库，看看pure unsupervised ml能不能活。
【在 b*******8 的大作中提到】
: 到现在图像识别还分不清狗和炸鸡块 李飞飞搞了个标准图库 大家的软件在上面精度很
: 高 后来有人把那里的图形做一些扭曲 人依然毫不费力识别 AI就抓瞎了 等于一套题库
: 做烂了 换题目又不会了 没搞懂 不会举一反三
:
: ★ 发自iPhone App: ChinaWeb 1.1.5
|
d*****u
发帖数: 17243 | 59 这个说白了是因为AI是用来帮人干活的。
人类觉得黄牛和水牛都是牛，或者中国人觉得山羊和绵羊都是羊，实际上这个是
arbitrary的
【在 w********2 的大作中提到】
: 这才是关键。李飞飞那个图库是她成名的关键，都是人工建起来的。ai自己去建个图库
: 看看。没后面隐藏的库，看看pure unsupervised ml能不能活。
|
b*******8
发帖数: 37364 | 60 pure unsupervised，AI就抓瞎了，或者说代价太大。下围棋，打星际，都可以得到明
确的反馈，赢了还是输了，但现实生活中就没这么简单。如果都要海量的数据训练，比
如一个物种辨别哪些是天敌，哪些是食物可以吃的，像AI这样有一亿条命都不够用啊。
脱离了人类，AI其实存活不下去。帮人干干活还行，但说什么硅基生命取代人类就扯淡
了，丫根本没有适应环境独立生存下去的能力。
【在 w********2 的大作中提到】
: 这才是关键。李飞飞那个图库是她成名的关键，都是人工建起来的。ai自己去建个图库
: 看看。没后面隐藏的库，看看pure unsupervised ml能不能活。
|
|
|
w********2
发帖数: 632 | 61 ai自己发展看看，进化不了几年就死了。没电还不行。
【在 d*****u 的大作中提到】
: 这个说白了是因为AI是用来帮人干活的。
: 人类觉得黄牛和水牛都是牛，或者中国人觉得山羊和绵羊都是羊，实际上这个是
: arbitrary的
|
w********2
发帖数: 632 | 62 是这样的。如果没有明确的反馈，算法会难很多。不是normal 或 binomial的分别了。
【在 b*******8 的大作中提到】
: pure unsupervised，AI就抓瞎了，或者说代价太大。下围棋，打星际，都可以得到明
: 确的反馈，赢了还是输了，但现实生活中就没这么简单。如果都要海量的数据训练，比
: 如一个物种辨别哪些是天敌，哪些是食物可以吃的，像AI这样有一亿条命都不够用啊。
: 脱离了人类，AI其实存活不下去。帮人干干活还行，但说什么硅基生命取代人类就扯淡
: 了，丫根本没有适应环境独立生存下去的能力。
|
b*******8
发帖数: 37364 | 63 属实。而且还有很多情况，反馈可以很清晰，但代价很大，样本很少，不能海量训练
总感觉不能这样不懂装懂，靠大数据苦练刷题。AI将来必须要有某种提炼出演绎逻辑规
则的能力。
【在 w********2 的大作中提到】
: 是这样的。如果没有明确的反馈，算法会难很多。不是normal 或 binomial的分别了。
|
d*****u
发帖数: 17243 | 64 没有反馈怎么evaluate performance呢？还是没有目的自由发展？
目前AI没有七情六欲，他不会有人生目标，也就没有动力和方向。
unsupervised learning一般最终都是要服务于某个supervised learning的
【在 w********2 的大作中提到】
: 是这样的。如果没有明确的反馈，算法会难很多。不是normal 或 binomial的分别了。
|
m***t
发帖数: 1 | |
Y****w
发帖数: 95 | 66 AI问题很多
最近发现AI已经开始像人一样开始cheat了
而且医学AI看X光片虽然很准，但是它无法解释自己的结论。这会让医生非常不舒服。
医生一般不会去trust AI blindly。 |
d*****u
发帖数: 17243 | 67 现在医疗界常常用deep learning方法找结论，然后反过来用传统的rule-based方法找
解释。
听起来很滑稽但很多时候就是这么做的。
听过一个讲座就是说这个。
【在 Y****w 的大作中提到】
: AI问题很多
: 最近发现AI已经开始像人一样开始cheat了
: 而且医学AI看X光片虽然很准，但是它无法解释自己的结论。这会让医生非常不舒服。
: 医生一般不会去trust AI blindly。
|
Y****w
发帖数: 95 | 68 所以我觉得radiologists短期之内不用担心失业
【在 d*****u 的大作中提到】
: 现在医疗界常常用deep learning方法找结论，然后反过来用传统的rule-based方法找
: 解释。
: 听起来很滑稽但很多时候就是这么做的。
: 听过一个讲座就是说这个。
|
w********2
发帖数: 632 | 69 我过去做过一个项目，就是这样。把仪器数据处理后textmining做network找出最大节
点，然后一拍脑袋搞出个biomedical hypothesis，非常新颖。说明ai主要还是
regression，不是causal effect。
【在 d*****u 的大作中提到】
: 现在医疗界常常用deep learning方法找结论，然后反过来用传统的rule-based方法找
: 解释。
: 听起来很滑稽但很多时候就是这么做的。
: 听过一个讲座就是说这个。
|
