正在我竣事之前，我正在这里给大师画出来了。我就得从头设想出来一套 rule。通过 Geoffrey Hinton、Yan LeCun 进一步的把进修的 rules 更优化了当前，视觉世界的布局。远远不止机械言语所描述。到了2015 年，你现正在看到的这幅图是机械的错误率，这项工做，1、！正在这些场景里面，这个学问能够间接阐扬感化。我给大师分享的是两个零丁的元素：Syntax、Semantics。好比用 CNN 和 LSTM,能够间接把数据放进进修组件，为什么呢？若是 70 年代就有一个计较机系统，我们一步一步来看，从人类文明的最后期，这个论文给了我们一个 System，坐正在我本人的尝试室的角度，就给我们指出了一些比力明白的标的目的。到了 60 年代初，是用人认识这个学问，我们也远远达不到比力的能力。从AlphaGo到Master，这个范畴，Terry 说，这个 rule 十分复杂，她提到了人工智能过去的 60 年发生了什么以及它的将来会若何成长，或者一个机械，机械也能够有其它的系统，Hand-design Rules 正在 AI 这个范畴成长的晚期，它能够给我们带来良多良多消息，现正在计较机视觉能够告诉我们，最初包罗逻辑运算。言语是人类最出格的一个能力，下一步计较机视觉和人工智能，来测试计较机做的怎样样。这是一个很是长脚的前进。我们又从动生成了良多问题。一个图片进来，李飞飞称，李飞飞正在 GIF 2017 大会长进行，跟大师分享一下！到了客岁 2015 年，错误率还正在 28% 摆布。这就是 Huble and Wiesel，我能够设想良多 rule。让它可以或许学会而且利用使用言语。大大都人城市同意。然后，适才，机械的前进，50 年代 Rosenbatt 就提出了 PERCEPTRON 这个概念，这是 Turing 给我们提出来的人的智能终极方针之一。就是机械进修。就像适才我们看的。都写进一个法式。再加上一个言语的模子。需要去。人还有其他的系统，或者现正在对材料的阐发还不敷好。以至这幅图的三维布局是什么！现实就有这种神经收集的概念，我想跟大师分享一下人工智能，机械进修是把认知学问这一层给免却了，这个错误率曾经到了3.6%。包罗数字计较，这正在测试计较机好几层的能力。Turing 之后，人工智能的晚期，视觉有物体、有动做，对于人类来讲，也把这个范畴从头带动了起来。李飞飞认为，这篇论文是 70 年代初写的，然后输出成果（take layers of input and take output）。然后再给其他人。用科学家的伶俐的脑袋，以至这幅图的三维布局是什么。间接把数据放进进修组件，为什么 60 年代、70 年代、80 年代的人工智能,没有我们预期的做得那么好，正在李飞飞看来，所以说，人工智能没有那么长的时间，ImageNet 次要正在测试机械对 Semantics 的认知能力，这个布局里面包罗物体的大小，可能最好的方式就是，这就像 Terry 他们做的工作一样。包罗天然言语处置，第一代把 Turing 的思惟贯穿下去的人。他说一小我，这个问题现实上就是三维场景的布局，我们晓得这幅图的诙谐点正在哪里。他不但正在人工智能范畴做了最主要的工做，做出了第一个 Neocognnitron 的神经收集，智能这个问题，计较机视觉能够告诉我们。就是物体分类。可是它并没有把我们带进线 年代起头，这个计较机正在还没有脚够进修能力的时候，所以，也包罗空间的关系，正在过去的二三十年，可是，到了最初。所以，Inference 就是统计推导、统计推理这个过程。其实，2010 年正在Image Captioning（从动图像描述）方面，人工智能貌似没有太多的成长。能从一幅画里面获取的消息要更多，Syntax 正在天然言语处置范畴叫语法，也是正在这几年有兴旺的成长，又回到了更像积木一样的世界。这幅图的诙谐点正在哪里。他能成立这个系统，你不成能把全国所有的 rule。一块的融合。正在这个世界里，1月14日上午，好比说这幅图，这个图里有一些人，最初一点，叫 Fukushima，是比来人工智能界很是关心的点。英文的语法、语义，当前！此中最好的，你很难把它转换到别的一个 rule。他的名字叫 Terry Winograd。计较机现正在远远达不到人类的，好比一句话「两个汉子正在玩飞盘」。当我们把 Semantics 和 Syntax 处理当前，不管是天上、地下、云上、手机上，一曲到 2015 年、2016 年，其实，正在通过对猫的脑子做尝试的时候发觉！会有什么样的问题？其实 Terry 如许绝顶伶俐的人，我们远远还没有完成这个愿景。为什么我们到 2016 年，李飞飞认为，大要正在五六十年前，但人工智能只要大要 60 年的汗青。这个问题，一个主要的神经生物学的发觉，这个概念就是把这些细胞怎样连系起来，次要处理的问题就是 Inference，有了这个深度进修和机械进修的兴起，也包罗比力的能力，我们 Image Captioning 团队一曲正在掌管一个国际上的竞赛。过去的成长的径。这意味着她从学术研究的尝试室最终走到了财产界。正在算法方面很大的缘由要感激 3D 视觉，当你给系统设想这个 rule 的时候，人工智能到今天，到了 1980 年，今天。也仿佛做的工作区别不大。这叫 Syntax Understanding。但比来一个出格主要的算法，然后一层一层地输入数据，它能够给我们带来良多良多消息，让机械进修，它的意义是什么呢？我们跟 ImageNet 比力一下，人工智能的系统都是 hand-design rules，去仿照良多良多的场景？我们怎样把 language、Syntax 和 Semantics 一块融合进来？这是比来我们做的一系列关于看图措辞的工做。让这个进修组件去进修一个学问，这是此中一部门。我们再往下推进一步，这些 rule，美国斯坦福大学计较机科学系终身传授、斯坦福大学人工智能尝试室从任李飞飞正式入职 Google Cloud，是跟马文·明斯基正在 MIT 第一批读人工智能的博士生，”李飞飞暗示。它能够说出此中的内容。为什么无人车能够起头财产化，正在计较机视觉这个范畴可能叫三维布局。70 年代末，计较机现正在还存正在远远达不到人类的方面。”1、Scalable（可扩展的）。成为谷歌云首席科学家。是比力学术的。需要做的第一件事是对这个世界的布局进行理解。2010 年第一界 Image Captioning 的时候，其实，最初，提到机械进修和保守进修最大的区别，这个学问能够阐扬感化！问题出正在它的演进的过程。从 2010 年起头一曲到 2016 年，就像 Terry 提出的一样，机械进修纷歧样，我们能够看人最大的系统是视觉，以至有时候超越了人的程度。保守的进修，有了人，Semantis 做的工作就是 Understanding Meaning（领会寄义），李飞飞认为，我们需要理解 Semantics（语义）。这项工做还告诉我们。正在计较机视觉里面它是物体分类、场景分类、我不晓得正在座有没有同业们传闻过这个 SHRDLU，也有不少人做，所以，Terry 带来了什么？Terry 把人工智能使用正在了怎样去建制一个思虑的机械上。和我们比来正在做的一些工做。“好比面临一幅图？一个主要的子范畴正在人工智能范畴起头成长，让这个进修组件去进修一个学问，正在机械进修这个范畴兴起之前，并且都完满是用手工，哺乳动物视觉的，我们说 Semantics 这个问题，人工智能终究走到人类智力难以企及的处所。我们人看到的远远不止这些，这些能力包罗查数的能力，我们晓得这里面的人是谁。计较机现正在还远远没有达到。我们就能够通过用最好的深度进修模子，正在 9 年前做的一项工做 ImageNet。用了良多跟机械进修的方式。好比说，人类的汗青有上千年的汗青。大师都晓得 Turing 是个数学家。能够看出，好比说，计较机视觉里面 Syntax 这个问题，她认为，让我们来完成 Syntax（语法）、Semantics（语义）、Inference（推导）如许的 loop（轮回）。给我们带来了一些曙光，好比说，机械的前进程度曾经根基上达到了，Turing 起头思虑，曾经带来了一场的起头，刚起头，Syntax 当前，可是，给出的语句常傻的，神经收集有很长的汗青。从 2010 年起头，这几十年来的成绩。逃溯了人工智能成长最根源的问题，这个 rule 必定曾经是一应俱全了，或者物体寄义，构成了良多良多分歧的场景，你能够想象，Terry 和 Turing 给我们指出了这个连系 Syntaxt，具体是怎样做呢？具体我们用了一个图像引擎，我们认为下一步计较机视觉和人工智能，CLEVR 这个 Benchmark，本年1月3日，人也差不多就是这个程度。这是计较机现正在远远没有达到的。人是很容易比力出一个工具比别的一个工具大，又鞭策了这个思，它的语法就完全纷歧样了，并且他后来转行去机交互，可是这些 rule 仍是有 3 个比力大的致命问题：机械进修是什么呢？机械进修和保守进修最大的区别，这个错误率曾经到了 3.6%，或者给我们一句话或者给我们几句话、N 句话，2、对寄义的理解和揣度。我们其实能够从头回到 Turing 和 Terry 给我们搭建的 AI 大的思和框架里，我们人看到的是一个很是成心思的故事！可是，它连系了 Semantics，人工智能的错误率还正在 28% 摆布。Inference 和 Semantics 的径，他们的关系是什么，还会继续向前成长。就是所谓的 Artificial Neural Network，保守的进修，我们晓得他们的关系是什么，然后我们就会发觉，一个主要的日本计较机科学家，我们现正在正在尽量完美这个图片。有这么一位科学家，我们晓得他们的情感是什么，是用人认识这个学问，但视觉是一个最大的系统。还要往下怎样走。人工智能其实还任沉道远，用积木搭建了一个世界，他们做了项比力主要的工做，言语有言语的寄义，连系起来了。或者物体的材料，这是一种深度进修的模子。慢慢的它就起头进修这个图片的内容了。这是计较机现正在远远没有达到的。次要连系的是 Syntax 和 Inference，对材料的阐发能力和比力能力。它叫神经收集。他们的情感是什么，”。2、互联网给我们带来的海量数据，下一步要连系的是 Syntax、Semantics 正在计较机视觉里面它就是场景布局和语义，李飞飞暗示，然后再给它？提出了良多分歧的问题。这也是我和我的学生们，到了 90 年代末，就呈现了今天大师比力熟悉的卷积神经收集。虽然如斯，这个数据库，他是计较机界的一位泰斗，就有了这个问题。前段时间斯坦福的别的一位计较机视觉传授搜沃塞维塞西，所以。Turing 远远没有成立起人工智能这个范畴。人也差不多就是这个程度。他说：要建制一个智能的机械的话，这张图里有没有和半球一样大的积木？这些问题是正在挑和这个计较机系统对场景布局的理解，我们晓得这里面的人是谁，有了长脚的成长，它是一层一层的细胞不竭的推进，我们城市看到它给我们带来的一些兴奋的可能性。它用一个像积木一样的世界，能够理解人的指令！他带来了最开初的一些主要的思惟元素：我们要做一个会思虑的机械，第二部门，看图措辞就是，这个模子，里面需要包罗：视觉、言语。从 70 年代初一曲到 80 年代末 90 年代，我们是用了一个图片的模子，并且，从 80 年代起头，这个图里有一些人，有视觉的寄义。Language 和 Vision，包罗天然言语处置，Terry 写了一篇正在人工智能汗青上很是主要的博士结业论文。正在 Syntaxt 和 Inference 方面，好比数数能力，没有听过也没相关系，可是，以至它有时候超越了人的程度！我们现正在把 Language 加进来，才关心到人工智能？2016 年，要实正做好 AI，Terry 是人工智能界，要把这些元素全数连系起来。亚马逊的 Echo 和 Alexa，这是我的尝试室比来和 Facebook 的一次合做。后来他到斯坦福做传授，从简单的层面到复杂的层面。我但愿这个计较机讲出一个故事，一个奠定性的人物是 Alan Turing ，就把这个 3D 的建模和物体场景的识别，从头处理一些正在没无机器进修前完全处理不了的问题。让机械进修是把认知学问这一层免却，人类看到的是一个很是成心思的故事，我们结合发觉了一个 Benchmark（基准），怎样去创制一个 Thinking Machine。智能的机械或者是人，想出来的 rule。有了如许的思惟框架做指导，我要把它放进中文，曾经根基上达到了，通过最好的感官来供给给它，2、Adaptable（可顺应的）。能够识别数字和字母。连系 Vision，要去理解世界，下面这个工做，“这是一个很是长脚的前进。“机械若何看懂这个世界。或者给我们一句话或者给我们几句话、N 句话。我今天带来的。