[過去ﾛｸﾞ] (強いAI)技術的特異点/シンギュラリティ142 (1002ﾚｽ)
上下前次1-新
このｽﾚｯﾄﾞは過去ﾛｸﾞ倉庫に格納されています｡
次ｽﾚ検索 歴削→次ｽﾚ 栞削→次ｽﾚ 過去ﾛｸﾞﾒﾆｭｰ
1(1): 2018/11/21(水)07:32 ID:RLyrQ/EA(1/6) AAS
2045年頃に人類は技術的特異点(Technological Singularity)を迎えると予測されている。
未来技術によって、どのような世界が構築されるのか？人類はどうなるのか？
などを様々な視点から網羅的に考察し意見交換する総合的なスレッド。
■技術的特異点：収穫加速の法則とコンピュータの成長率に基づいて予測された、
生物的制約から開放された知能[機械ベース or 機械で拡張]が生み出す、
具体的予測の困難な時代が到来する起点。
■収穫加速の法則：進歩のペースがどんどん早くなるという統計的法則。
ここでの進歩とは、技術的進歩だけでなく生物的進化、生化学的秩序形成も含む。
★ 関連スレ(特化した話はこちらで)
(AI) 技術的特異点と政治・経済・社会 (BI)
省11
2: 2018/11/21(水)07:33 ID:RLyrQ/EA(2/6) AAS
★関連書籍・リンク・テンプレ集(必見)
外部ﾘﾝｸ:goo.gl
★技術情報『米国におけるAI研究動向』
外部ﾘﾝｸ:goo.gl
3: 2018/11/21(水)07:33 ID:RLyrQ/EA(3/6) AAS
技術的なニュース記事は↓にまとめています
シンギュラ関連ニュース保管庫
2chｽﾚ:future
4(1): 2018/11/21(水)07:34 ID:RLyrQ/EA(4/6) AAS
この後、yamaguti先生が連投する可能性があります
5: 2018/11/21(水)08:24 ID:/ImsVdgR(1) AAS
いちもつ
6(1): YAMAGUTIseisei 2018/11/21(水)08:56 ID:sfyGuXNf(1/54) BE AAS
BEｱｲｺﾝ:nida.gif
>215 ｰ 181112 2332 FvbK+74o >216 ｰ 1112 2336 FvbK+74o 231 ｰ 1113 0025 NAZBFeAf 外部ﾘﾝｸ:mobiletwitter.com
>TOP500 | Green500 リストの2018年11 。TOP500は1位のSummit、2位のSierra、5位のPiz Daint、7位のABCIなど全体で127システムがGPU搭載です。Green500の首位は日本のShobu、2位がNVIDIAのSATURNV ファイブ！#SC18
>外部ﾘﾝｸ:www.top500.org
>外部ﾘﾝｸ:www.top500.org
>Twitterﾘﾝｸ:_ksasaki 、Green500の首位は Shoubu system B
:
> #Top500 in # of systems by country:
> 1. China 227
> 2. US 109
省18
7(2): yamaguti 2018/11/21(水)08:57 ID:sfyGuXNf(2/54) BE AAS
BEｱｲｺﾝ:nida.gif
>414 ｰ 181114 2139 O/Vjl2xq
> 中国の Exascale スーパーコンピューターの開発
> 外部ﾘﾝｸ:computational-chemistry.com
>
>新華通信社 、中国が Shuguang (曙光) とも呼ばれる Dawning Information Industry ry Exascale スーパーコンピュータのプロトタ
>
>新華 (外部ﾘﾝｸ[htm]:www.xinhuanet.com
:
>現在までの結論 、中国は 3 つの exascale のプロト 、最終的なシステムの導入の少なくとも 2 年前に実施 できまし
省22
9: yamaguti 2018/11/21(水)09:03 ID:sfyGuXNf(4/54) BE AAS
BEｱｲｺﾝ:nida.gif
2chｽﾚ:future YowaiAI Kiken ## KoutuuJiko
11: yamaguti 2018/11/21(水)09:05 ID:sfyGuXNf(6/54) BE AAS
BEｱｲｺﾝ:nida.gif
> Go to:
シミュ ry 結果
ットワークモデルのパフォーマンスを示すシミュ
ｰク構造は、先に説明したように、それぞれが2つの層を有する1つ以上の皮質柱からなる（図1）。 2chｽﾚ:future
? 第1組のシミュレーションでは、 ry 。
シミュレーションの最初のセットでは、各列の入力層は150個のミニカラムから成り、ミニカラム当たり16個のセルがあり、合計2,400個のセル
? ry
各列の出力レイヤーは、4,096個のセルで構成され、ミニカラムには配置されません。
?
省19
12(1): yamaguti 2018/11/21(水)09:07 ID:sfyGuXNf(7/54) BE AAS
BEｱｲｺﾝ:nida.gif
ネットワークコンバージェンス
? ry 表現は、感知された特徴および位置の最近のシーケンスと一致
先に議論したように、出力層における表現は、特徴および位置の最近感知されたシーケンスと一致する。
複数の出力表現は、感知された特徴および位置が1つの特定の物体に固有でない場合に同時にアクティブになる。
? オブジェクトは移動によって探索されるので、出
ェクトは動きによって探索され、出力は単一オブジェクト表現に収束します。
図3は、1列ネッ ry と3列 ry ｰクの収束速度を示
一緒に働く複数の列は認識に必要な感覚の数を減らします。
図3
省12
13(1): yamaguti 2018/11/21(水)09:17 ID:sfyGuXNf(8/54) BE AAS
BEｱｲｺﾝ:nida.gif
2chｽﾚ:future JidouToutatu
14(2): yamaguti 2018/11/21(水)09:18 ID:sfyGuXNf(9/54) BE AAS
BEｱｲｺﾝ:nida.gif
? ry 、トレーニングセット内のオ ry トの総数の関数としてオ ry トを明確に認識するのに必要な感覚の平均数をプ
図4Aでは、オブジェクトを曖昧でなく認識するのに必要な感覚の平均数をトレーニングセット内のオ ry トの総数の関数としてプロットしている。
予想されるように、必要な感覚の数は、格納されたオ ry トの総数とともに増加する。
しかし、すべての場合、ry ｰクは最終的にすべてのオブジェクトを正しく認識します。
感覚の数は、オブジェクトのセット間の全体的な混乱にも依存します。
? よりユニークなオ ry トであればあ
ェクトがよりユニークであればあるほど、ry ｰクはそれらをあいまい
図4
? ry ェクトの集合が増加するにつれて、単一の列 ry ｰクを持つオ ry トを明白に
省13
15: yamaguti 2018/11/21(水)09:19 ID:sfyGuXNf(10/54) BE AAS
BEｱｲｺﾝ:nida.gif
? 図4Bは、ネットワーク内の皮質柱の数の関数として物体を認識するのに必要な感覚の平均数を示す。
図4Bは、物体を認識するのに必要な感覚の平均数をネットワーク内の皮質柱の数の関数として示す。 >>14
このグラフは、複数の列を含む利点を示
必要とされる感覚の数は、列の数が増えるにつれて急速に減少する。
したがって、単一列 ry ｰクはオブジェクトを認識することができますが、複数列 ry ｰクははるかに高速です。
十分な数の列 ry 、非常に混乱しているオブジェクトでさえ、単一の感覚で曖昧さを解消する。
? ry 各列は、他の列ごとに横方向 ry 。
この実験では、各カラムは、他のカラムから横方向の入力
? ry 我々は、感覚の数の関数として明白に認識され得る物体の割合（「精度」）をプ
省9
16: yamaguti 2018/11/21(水)09:20 ID:sfyGuXNf(11/54) BE AAS
BEｱｲｺﾝ:nida.gif
容量
ここに示したネットワークモデルでは、各皮質柱は物体の予測モデルを構築する。
重要な質問は、1つの列が表すことができるオブジェクトの数です。
、より多くの列 ry 容量 ry ？
このセクションでは、正確に認識できるオブジェクトの数に対するさまざまなパラメータの影響を調べます。
?
容量は、ネットワークが混乱せずに学習し認識できる最大オブジェクト数と定義します。
容量に影響を及ぼす4つの異なる要因、すなわちネットワークの表現空間、入力層のミニカラムの数、出力層のニューロンの数、および皮質柱の数を分析する。
我々の分析では、実験データに報告された数値と同様の数値を使用した。
省14
17(2): yamaguti 2018/11/21(水)09:25 ID:sfyGuXNf(12/54) BE AAS
BEｱｲｺﾝ:nida.gif
? Similarly, the output layer can represent
? Unknown node type: span
? unique objects, where n is the number of output cells and w is the number of active cells at any time.
? 同様に、出力層は、
? 一意のオブジェクトであり、 nは出力セルの数であり、 wは任意の時間におけるアクティブセルの数である。
同様に、出力層は、 nを出力セルの、 wをアクティブセルの、任意の時間における数として、一意のオブジェクトを表現できる。
? ry 、2つのフィーチャ/位置のペアまたは2つのオブジェクトの表現が、 ry ビット（補足的なマテリアル）を持つことはほとんどありません。
そのような大きな表現空間では、2つのフィーチャ/位置ペアまたは2つのオ ry トの表現が、偶然にかなりの数のオーバーラップするビットを持つことはほとんどありません（補足資料）。
したがって、ユニークに表現することができるオ ry トおよびフィーチャロケーションペアの数は、 ry ｰク容量の制限要因ではありません。
省13
18: yamaguti 2018/11/21(水)09:40 ID:sfyGuXNf(13/54) BE AAS
BEｱｲｺﾝ:nida.gif
?
実際のネットワーク容量を測定する為に、私たちはオ ry ト数を増やしてネットワークを訓練し認識精度をプロットしました。
出力層に4,096セル、入力層に150個のミニカラムがある単一の皮質欄では、認識精度は400オ ry トまで完璧なままです（図5A、青）。 >>17
学習されたオ ry トの数が ry ｰクの容量を超えると、検索精度が低
? 増加することが期待されます。
数学的分析から、入力層と出力層のサイズが増加するにつれてネットワークの容量が増加 ry 。我々 ry 再びテストした。
アクティブセルの数を固定すると、入力層のミニカラムの数とともに容量が増加します（図5A）。 >>17
、入力層のセルが多くなると、活性化の希薄さが増し、出力セルが誤って活性化される可能性が低くなるためです。
入力層のサイズが固定されている場合（図5B）、出力セルの数によって容量も大幅に増加します。
省10
19: yamaguti 2018/11/21(水)09:41 ID:sfyGuXNf(14/54) BE AAS
BEｱｲｺﾝ:nida.gif
2chｽﾚ:future RihaKigen 2018 Teisei
20(1): yamaguti 2018/11/21(水)09:43 ID:sfyGuXNf(15/54) BE AAS
BEｱｲｺﾝ:nida.gif
ノイズ耐性
図6
ノイズに対する単一列 ry ｰクのロバスト性。
（A）認識精度は、感覚入力（青色）および位置入力（黄色）における雑音量の関数としてプロットされる。
（B）感覚数の関数としての認識精度。
色付きの線は、位置入力のノイズレベルに対応
ry 単一列 ry 頑健性 ry
。 ネットワークが一連のオブジェクトを学習した後、 ry のランダムノイズを感覚入力と位置入力に ry
。このノイズは、入力のアクティブビットに全体的なスパース性を変更することなく影響を与えました（「マテリアルとメソッド」を参照）。
省5
上下前次1-新書関写板覧索設栞歴
あと 982 ﾚｽあります
ｽﾚ情報 赤ﾚｽ抽出 画像ﾚｽ抽出 歴の未読ｽﾚ AAｻﾑﾈｲﾙ ｱﾎﾞﾝOFF
ぬこの手 ぬこTOP 0.021s