Con el debido respeto a todos los que han sugerido varios libros de AI y clases de Aprendizaje automático: el primer paso es entender lo que importa en AI.
Y (de manera apropiada) lo que más importa es la comprensión. Y la comprensión comienza con “Lo que importa”. Esto suena complicado, divertido o tautológico, pero en realidad no lo es. Dejame explicar.
La mayoría de las investigaciones de inteligencia artificial de hoy en día están equivocadas; Han estado tratando de resolver el problema equivocado durante sesenta y cinco años por la suma de un millón de años-hombre. Resolver el problema correcto es mucho más fácil y deberíamos hacerlo en unos cinco años. Este es un muy buen momento para entrar en la investigación de la IA … siempre que evite casi todo lo que se ha hecho en la investigación de la IA hasta la fecha, ya que muy poco de eso contribuye realmente a encontrar la solución correcta.
El primer paso es darse cuenta de que la mente humana no es científica. Es un resultado de la evolución y es excelente para encontrar soluciones rápidas y sucias para problemas especificados de manera incompleta en casi ningún tiempo. Casi todo lo que hacemos a diario se hace de esta manera; Para eso usamos nuestros cerebros, y esto es lo que una IA debería poder hacer. Se llama “comprensión intuitiva”.
- ¿Qué buenos juegos existen donde aprendes matemáticas y lógica sin saberlo?
- ¿Puede alguien con un coeficiente intelectual de 80 aprender habilidades cognitivas?
- ¿Por qué es tan difícil para mí aprender básicamente algo y parece que todos aprenden cosas tan fácilmente?
- ¿Qué es mejor para aprender marketing digital, ir a un instituto o aprender a trabajar en tiempo real con otros?
- Si primero capto los conceptos detrás de las letras griegas que se usan en matemáticas, ¿eso ayudaría a maximizar mi comprensión al estudiar matemáticas de alto nivel?
El segundo paso es darse cuenta de que la comprensión requiere la capacidad de saber “Lo que importa”. Lo que es relevante y lo que es irrelevante para la situación actual. El problema central no resuelto en la IA es encontrar una medida independiente del dominio del problema de “saliencia”, para saber si algo importa o no. Actualmente, los investigadores están evaluando varios algoritmos para la atención independiente del dominio en esta área y algunos están mostrando cierta promesa. Este rincón de la investigación de la IA es donde está la acción.
El tercer paso es darse cuenta de que las respuestas a la mayoría de las preguntas en el dominio de AI se pueden reducir a un tamaño manejable considerando las limitaciones epistemológicas. Como ejemplo de una declaración en epistemología, considere “Sólo puede aprender lo que ya casi sabe”. Esta simple verdad, expresada por el Prof. Patrick Winston (MIT) alrededor de 1980, constituye la base de lo que hoy se conoce como “Aprendizaje Profundo”, que se ha convertido en el mayor avance en IA en los últimos 20 años. La epistemología contiene los indicios de muchos avances más como este. Solo tienes que dejar de lado el viejo pensamiento reduccionista de AI. Lo que es difícil, ya que la mayor parte de la educación de todos se ha centrado en aprender cómo hacer Reducción.
“La mayor sorpresa para los investigadores de AI es que tienen que crear sistemas que lleguen a conclusiones sobre escasa evidencia”, yo, en varias charlas.
El razonamiento lógico es lento y nuestros cerebros gastan solo alrededor del 0.001% de sus ciclos en este modo de pensar. En contraste, la comprensión intuitiva es rápida y se usa para todo, desde la secuenciación de los músculos de las piernas a medida que avanzamos por el piso hasta la generación y comprensión del lenguaje para disfrutar de una sinfonía. La investigación de AI hasta la fecha se ha centrado en este 0,001% de las operaciones del cerebro, descuidando el 99,999% que el cerebro gasta en la parte de la comprensión intuitiva.
En “Pensando rápido y lento”, Daniel Kahneman analiza estos dos modos de pensar con cierto detalle.
Por lo tanto, para comenzar con la inteligencia artificial, debe comprender que la comprensión es más importante que el razonamiento, que la mayoría de los libros y métodos de AI analizan la parte más pequeña, el razonamiento, y que necesita aprender todo lo que pueda sobre los métodos que se pueden usar. para implementar el Entendimiento. Se implementan utilizando ciertos tipos de técnicas de aprendizaje automático que se basan en el aprendizaje no supervisado. Se les llama métodos libres modelo.
El camino más fácil es ver la charla que di en Stanford el 17 de mayo de 2014: Teoría del proceso dual
y luego, para leer mi introducción a “Reducción”, el proceso de simplificación de nuestra Realidad enriquecida a modelos (y modelos parciales) que una IA podría usar: Página en syntience.com
y luego a leer los otros materiales en Syntience Technology Resources en la Web.
Si entiendes lo que importa en AI, entonces podrás ignorar más del 90% de todos los libros de texto de AI y materiales similares y enfocarte en las pocas cosas que importan. Como la prominencia, la comprensión y la epistemología.
Una vez que llegue a ese punto, necesita conocer un lenguaje de programación. Cualquier lenguaje antiguo servirá; Los problemas que necesita resolver no requieren nada sofisticado como Lisp o Haskell. C o Java lo harán bien.
