热门:【院士之家】中国工程院院士陈左宁：人工智能模型和算法的七大快速发

本篇文章1491字，读完约4分钟

日前，为期三天的全国高性能计算学术年会( hpc china )在郑州召开。 中国工程院副院长、中国工程院院士陈左宁做了题为《人工智能进展对计算力诉求分解》的报告。 陈左宁提出了人工智能模型和算法的七个快速发展趋势，分解和预测了ai趋势计算力的诉求，她说未来人工智能将向“自我学习、自我进化”方向迅速发展。 人工智能向没有监督的方向迅速发展 人工智能需要应对“小数据”，减少标记诉求，减少计算开销。 现在，积极的学习，即算法积极地提出标记要求，多把稍微筛选出的数据提交给专家标记。 迁移学习将加强训练模型，处理目标行业仅有少量标签样本数据的问题。 强化学习用代理构成系统记述行动，给予评价和反馈学习 从自主学习到迁移学习、强化学习，必要的能力也从“人机交互能力、数据整合能力”进化到了“大计算能力事前训练、数据解决能力”，还有“新闻收集能力、概率计算能力”。 未来人工智能的可解释( xai )越来越重要。 首先，深度学习需要模型算法来解释，以便进一步设计算法和参数，提高泛化能力。 对抗样本禁用模型后，训练数据将强行局部放大。 另外，模型越多越复杂，越容易失去可调式性和透明性 人工智能模型有透明模型和事后可解释模型，任何模型都有对计算能力的诉求，具体的诉求是我们将可解释技术引入软件环境，在现有的软件框架中增加可解释技术接口。 第二个诉求是结合人-ai系统。 以人为中心，将人对事件的解释与整个模型相融合 智能模型的自我学习，增强自我进化能力 从自动机器学习( au-toml )到限制限制条件的au-toml，直到不设置初始条件，搜索空间非常丰富的自进化automl，人工智能模型的自学习，自进化有计算框架支持，大计算能力支持，辅助设备支持 人工智能促进多种算法、模型的有机组合 这种趋势现在很明显。 现在单一的算法或模型很难处理实际问题。 经过分解，我们可以有机地结合多个模型。 另外，人工智能模型的迅速发展想引进多种技术来处理现有的问题 当然，人工智能的应用过程越来越多和复杂，因此涉及不同过程的环境也多种多样，需要不同的算法和模型的组合，计算存储等的扩展性和基础软件能力提高，支持多而复杂的模型 人工智能的应用有必要关注生命周期 从设计到数据预解决，模型建立、训练、优化，引入、推理、保持和更新、数据积累、准备、训练、得出推理结果等，这些全周期不同的任务具有不同的时间、空间和计算诉求，全生命周期是可解释的， 分散分散型的诉求越来越高 首先是大型、多、复杂的模型，大量的数据需要并行、分布式计算。 其次，联邦学习等分散场景需要分散ml原生算法 这需要很大的计算能力、本机支持分散场景，因此并行分散的人工智能模型算法本身的要求正在提高。 深刻的推理能力逐步加强 清华大学的唐杰老师认为，从计算、知觉、认识到意识、对计算力的诉求、最初的计算积累、输入输出、语音图像等的认识，以及认识到推理、自我学习、领悟等，都反映了对计算诉求的进展。 如何应对各种形式的歧义是现在的大课题。 例如，从环境感知到的新闻、知识的情景特异性、缺乏完全解释自然现象的完美理论、计算的有限合理性等。 我们可以从以下三个方面比较有效地应对概率计算、类脑、模拟脑架构、模拟计算等各种形式的歧义。 总结来说，人工智能对计算能力的诉求具有以下优点:关系和概率计算更明显，且不要求高精度，不要求高容错性，节点上简单。 环路中的人的指控非常明显 这些优点可能随着人工智能的迅速发展而迅速发展 (乐思)喜欢这个文案的人也喜欢原标题:《【院士之家】中国工程院院士陈左宁:人工智能模型和算法的七大快速发展趋势》原文