0 просмотров

Мозговой интеллект: выйти за рамки искусственного интеллекта

Искусственный интеллект (ИИ) — важная технология, поддерживающая повседневную социальную жизнь и экономическую деятельность. Он вносит большой вклад в устойчивый рост экономики Японии и решает различные социальные проблемы. В последние годы ИИ привлек внимание как ключ к росту в развитых странах, таких как Европа и США, и в развивающихся странах, таких как Китай и Индия. Внимание было сосредоточено в основном на разработке новых технологий информационно-коммуникационных технологий (ИКТ) искусственного интеллекта и робототехники (РТ).Хотя недавно разработанная технология искусственного интеллекта, безусловно, превосходно извлекает определенные шаблоны, у нее есть много ограничений. Большинство моделей ИКТ чрезмерно зависят от больших данных, лишены функции представления о себе и сложны. В этой статье мы стремимся не просто разработать технологию искусственного интеллекта следующего поколения, а разработать новую концепцию универсальной технологии познания интеллекта под названием «За пределами ИИ». В частности, мы планируем разработать интеллектуальную модель обучения под названием «Интеллект мозга (BI)», которая генерирует новые идеи о событиях, не переживая их, используя искусственную жизнь с функцией воображения. Мы также проведем демонстрации разработанной модели обучения интеллекта BI для автоматического вождения, точной медицинской помощи и промышленных роботов.

Статья в тему:  На какой стадии находится искусственный интеллект

Это предварительный просмотр содержимого подписки, доступ через ваше учреждение.

Варианты доступа

Купить одну статью

Мгновенный доступ к полной статье PDF.

Цена включает НДС (Нидерланды)

использованная литература

  1. Сири, https://en.wikipedia.org/wiki/Siri. По состоянию на 20 апреля 2017 г.
  2. AlphaGo, https://deepmind.com/research/alphago/. По состоянию на 20 апреля 2017 г.
  3. IBM Watson, https://www.ibm.com/watson/. По состоянию на 20 апреля 2017 г.
  4. Речевой API Microsoft Translator, https://www.microsoft.com/en-us/translator/speech.aspx. По состоянию на 20 апреля 2017 г.
  5. Amazon Prime Air, https://www.amazon.com/Amazon-Prime-Air/b?node=8037720011. По состоянию на 20 апреля 2017 г.
  6. Тайгман Ю., Ян М., Ранзато М., Вольф Л. (2014) «DeepFace: преодоление разрыва с производительностью на уровне человека при проверке лиц», Международная конференция IEEE по компьютерному зрению и распознаванию образов (CVPR2014), стр. 1–8.
  7. Стэнфордская лаборатория искусственного интеллекта, http://ai.stanford.edu/. По состоянию на 20 апреля 2017 г.
  8. MIT BigDog, https://slice.mit.edu/big-dog/. По состоянию на 20 апреля 2017 г.
  9. 4-й Базовый план науки и техники Японии, http://www8.cao.go.jp/cstp/english/basic/. По состоянию на 20 апреля 2017 г.
  10. AI EXPO, http://www.ai-expo.jp/en/. По состоянию на 20 апреля 2017 г.
  11. 2017 год станет годом ИИ, http://fortune.com/2016/12/30/the-year-of-artificial-intelligence/. По состоянию на 20 апреля 2017 г.
  12. LeCun Y, Bengio Y, Hinton G (2015)Глубокое обучение. Nature 521(7553):436–444 СтатьяGoogle Scholar
  13. Bengio Y, Ducharme R, Vincent P, Janvin C (2003) Нейронно-вероятностная языковая модель. J Mach Learn Res 3:1137–1155 MATHGoogle Scholar
  14. Мних А., Хинтон Г. (2007) «Три новые графические модели для статистического языкового моделирования», In Proc of ICML07, стр. 641–648.
  15. Т. Миколов, М. Карафиат, Л. Бергет, Дж. Чернокки, С. Худанпур, (2010) «Языковая модель на основе рекуррентной нейронной сети», In Proc of Interspeech 10, стр. 1045–1048.
  16. Суцкевер И., Виньялс О., Ле К. (2014) «Обучение последовательностям с помощью нейронных сетей», Достижения в области нейронных систем обработки информации, стр. 3104–3112.
  17. Мэй Х., Бансал М., Уолтер М. (2016) «О чем и как говорить? Выборочная генерация с использованием LSTM с выравниванием от грубого к точному», В NAACL-HLT, стр. 1–11.
  18. Луонг М., Ле К., Суцкевер И., Виньялс О., Кайзер Л. (2016) «Многозадачная последовательность для обучения последовательности», In Proc ICLR, стр. 1–10.
  19. Бурлард Х., Морган М. (1994) Распознавание речи коннекционистов: гибридный подход. Kluwer Academic Publishers, Нидерланды
  20. Грейвс А., Мохамед А., Хинтон Г. (2013) «Распознавание речи с помощью глубоких рекуррентных нейронных сетей», В ICASSP 2013, стр. 1–5.
  21. Видерхольд Б., Рива Г., Видерхольд М. (2015) Виртуальная реальность в здравоохранении: медицинское моделирование и эмпирический интерфейс. ARCTT 13:239 Академия Google
  22. Барч Г., Митра А., Митра С., Алмал А., Стивен К., Скиннер Д., Фрай Д., Ленехан П., Ворзель В., Кот Р. (2016)Использование алгоритмов искусственного интеллекта и машинного обучения с профилированием экспрессии генов для прогнозирования рецидивирующего немышечного инвазивного уротелия рак мочевого пузыря. J Urol 195:493–498 СтатьяGoogle Scholar
  23. Лабонноте Н., Хойланд К. (2017) Технологии умного дома, которые поддерживают независимую жизнь: проблемы и возможности для строительной отрасли — систематическое картографическое исследование.Intell Buildings Int 29(1):40–63 СтатьяGoogle Scholar
  24. Четлур С., Вулли С., Вандермерш П., Коэн Дж., Тран Дж., Катандзаро Б., Шелхамер Э. (2014) Cudnn: эффективные примитивы для глубокого обучения, стр. 1–10, arXiv: 1410.0759
  25. Коутс А., Хувал Б., Ван Т., Ву Д., Катандзаро Б., Эндрю Н. (2013)Глубокое обучение с помощью раскладушек HPC-систем, В материалах 30-й Международной конференции по машинному обучению, стр. 1337–1345.
  26. Лейси Г., Тейлор Г., Арейби С. (2016) Глубокое обучение на FPGA: прошлое, настоящее и будущее, стр. 1–8, ar Xiv: 1602.04283
  27. Лин В., Лин С., Ян Т. (2017) Интеграция престижа бизнеса и искусственного интеллекта для принятия корпоративных решений в динамичной среде. Киберсистемы: 1–22. https://doi.org/10.1080/01969722.2017.1284533
  28. Ратнапарки А., Пилли Э., Джоши Р. (2016) Обзор платформ масштабирования для глубоких нейронных сетей, в материалах Международной конференции по новым тенденциям в коммуникационных технологиях, стр. 1–6.
  29. Райна Р., Мадхаван А., Нг А. (2009) Крупномасштабное глубокое обучение без учителя с использованием графических процессоров, В протоколе 26-й ежегодной международной конференции по машинному обучению, стр. 873–880.
  30. Катандзаро Б. (2013)Глубокое обучение с системами COTS HPC, в материалах 30-й Международной конференции по машинному обучению, стр. 1337–1345.
  31. Дин Дж., Коррадо Г., Монга Р., Чен К., Девин М., Ле К., Мао М., Ранзато М., Сеньор А., Такер П., Ян К., Нг А (2012) Крупномасштабные распределенные глубокие сети, In Proc of Advances in Neural Системы обработки информации, стр. 1223–1231.
  32. Chilimbi T, Suzue Y, Apacible J, Kalyanaraman K (2014) Project adam: Создание эффективной и масштабируемой системы обучения глубокому обучению, в материалах 11-го симпозиума USENIX по проектированию и внедрению операционных систем, стр. 571–582.
  33. Qualcomm Zeroth, https://www.qualcomm.com/invention/cognitive-technologies/zeroth. По состоянию на 27 апреля 2017 г.
  34. Меролла П., Артур Дж., Альварес-Икаса Р., Кэссиди А., Савада Дж., Акопян Ф., Джексон Б., Имам Н., Го С., Накамура Й., Бреззо Б., Во И., Эссер С., Аппусвами Р., Таба Б., Амир А., Фликнер М., Риск В., Манохар Р., Модха Д. (2014) Интегральная схема с миллионом импульсных нейронов с масштабируемой коммуникационной сетью и интерфейсом. Science 345(6197):668–673 СтатьяGoogle Scholar
  35. Хан М., Лестер Д., Плана Л., Раст А., Джин Х., Пайнкрас Э., Фурбер С. (2008) SpiiNNaker: отображение нейронных сетей на многопроцессорном процессоре с массивным параллельным интерфейсом, в материалах Международной объединенной конференции IEEE по нейронным сетям, стр. 2849. –2856
  36. Ласити М., Уиллкокс Л. (2016) Новый подход к автоматизации услуг. MIT Sloan Manag Rev 2016: 1–16 Google Scholar
  37. Миколов Т., Карафиат М., Бургет Л., Чернокки Дж., Худанпур С. (2010) Языковая модель на основе рекуррентной нейронной сети, In Proc of Interspeech 2010, стр. 1045–1048.
  38. Шустер М., Паливал К. (1997) Двунаправленные рекуррентные нейронные сети. IEEE Trans Signal Process 45(11):2673–2681
  39. Грейвс А., Джайтли Н., Мохамед А. (2013) Гибридное распознавание речи с глубоким двунаправленным LSTM, В материалах семинара IEEE по автоматическому распознаванию и пониманию речи, стр. 1–4.
  40. Грейвс А., Шмидхубер Дж. (2005) Каркасная классификация фонем с двунаправленным LSTM и другими архитектурами нейронных сетей. Neural Netw 18(5–6):602–610 СтатьяGoogle Scholar
  41. Мишра А., Десаи В. (2006)Прогнозирование засухи с использованием рекурсивной нейронной сети с прямой связью. Ecol Model 198(1–2):127–138 СтатьяGoogle Scholar
  42. Карпати А., Тодеричи Г., Шетти С., Леунг Т., Суктанкар Р., Ли Ф. (2014) Крупномасштабная классификация видео с помощью сверточных нейронных сетей, в материалах конференции IEEE по компьютерному зрению и распознаванию образов, стр. 1725–1732.
  43. LeCun Y, Boser B, Denker J, Henderson D, Howard R, Hubbard W, Jackel L (1989) Обратное распространение применяется к распознаванию рукописного почтового индекса. Neural Comput 1(4):541–551 СтатьяGoogle Scholar
  44. Белл Р., Корен Ю. (2007) Уроки призового конкурса Netflix.Информационный бюллетень ACM SIGKDD Explorations 9(2):75–79 СтатьяGoogle Scholar
  45. Симонян К., Зиссерман А. (2015) «Очень глубокие сверточные сети для крупномасштабного распознавания изображений», В протоколе IEEE ICLR2015, стр. 1–14.
  46. Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A (2015) Углубляясь в свертки, In Proc of IEEE Conference on Computer Vision and Pattern Recognition, стр. 1– 12
  47. Арора С., Бхаскара А., Ге Р. и Ма Т. (2013) «Доказуемые границы для изучения некоторых глубоких представлений», arXiv:abs/1310.6343.
  48. He K, Zhang X, Ren S, Sun J (2016) Глубокое остаточное обучение для распознавания изображений, In Proc. Конференции IEEE по компьютерному зрению и распознаванию образов, стр. 1–12.
  49. Chen M, Ma Y, Li Y, Wu D, Zhang Y (2017) Wearable 2.0: обеспечение интеграции человека и облака в системы здравоохранения следующего поколения. IEEE Commun Mag 54 (12): 3–9 Google Scholar
  50. Song J, Zhang Y (2016) TOLA: Тематическая помощь в обучении на основе киберфизической системы и больших данных. Future Gener Comput Syst. https://doi.org/10.1016/j.future.2016.05.040
  51. Чжан И (2016) Grorec: групповая интеллектуальная рекомендательная система, объединяющая социальные, мобильные технологии и технологии больших данных. IEEE Trans Serv Comput 9(5):786–795 СтатьяGoogle Scholar
  52. Liu Q, Ma Y, Alhussein M, Zhang Y, Peng L (2016) Зеленый центр обработки данных с датчиками IoT и облачной интеллектуальной системой контроля температуры. Comput Netw 101:104–112 СтатьяGoogle Scholar
  53. Чен Д., Мэннинг С. (2014) Быстрый и точный синтаксический анализатор зависимостей с использованием нейронных сетей, In Proc of Empirical Methods in Natural Language Processing, стр. 740–750.
  54. Калхбреннер Н., Грефенштетт Э., Блансом П. (2014) Сверточная нейронная сеть для моделирования предложений, В протоколе ежегодного собрания Ассоциации компьютерной лингвистики, стр. 655–665.
  55. Ciresan D, Meier U, Masci J, Schmidhuber J (2012)Глубокая нейронная сеть с несколькими столбцами для классификации дорожных знаков. Neural Netw 32:333–338 СтатьяGoogle Scholar
  56. Сантос С., Сян Б., Чжоу Б. (2015) Классификация отношений путем ранжирования с помощью сверточных нейронных сетей, В протоколе ежегодного собрания Ассоциации вычислительной лингвистики, стр. 626–634.
  57. Ху Б., Ту З., Лу З., Чен К. (2015) Контекстно-зависимый выбор перевода с использованием сверточной нейронной сети, В протоколе ежегодного собрания Ассоциации вычислительной лингвистики, стр. 536–541.
  58. Li Y, Lu H, Li J, Li X, Li Y, Serikawa S (2016) Рассеивание и классификация подводных изображений с помощью глубокой нейронной сети. Comput Electr Eng 54:68–77 СтатьяGoogle Scholar
  59. Lu H, Li B, Zhu J, Li Y, Li Y, Xu X, He L, Li X, Li J, Serikawa S (2017)Коррекция интенсивности раны и сегментация с помощью сверточных нейронных сетей. Concurr Comput: Практический опыт 29(6):1–8 СтатьяGoogle Scholar
  60. Lu H, Li Y, Uemura T, Ge Z, Xu X, He L, Serikawa S, Kim H (2017) FDCNet: фильтрация глубокой сверточной сети для классификации морских организмов, Мультимедийные инструменты и приложения, стр. 1–14
  61. Lu H, Li Y, Zhang L, Serikawa S (2015) Повышение контрастности изображений в мутной воде. J Opt Soc Am 32(5):886–893 СтатьяGoogle Scholar
  62. Серикава С., Шимомура Т. (1998) Предложение системы обнаружения функций с использованием искусственной жизни насекомого. Trans IEE Jpn 118-C(2):170–179 Google Scholar
  63. Стэнли К., Мииккулайнен Р. (2002)Развитие нейронных сетей за счет увеличения топологий. Evol Comput 10(2):99–127 СтатьяGoogle Scholar
  64. Schrum J, Miikkulainen R (2014) Развитие мультимодального поведения с помощью модульных нейронных сетей в Ms. Pac-Man, In Proc of the Genetic and Evolutionary Computation Conference, стр. 325–332.
  65. Стэнли К., Амбросио Д., Гаучи Дж. (2009) Кодирование на основе гиперкуба для развивающихся крупномасштабных нейронных сетей. Artif Life 15(2):185–212 СтатьяGoogle Scholar
  66. Эммерт-Страйб Ф., Демер М., Хайбе-Каинс Б. (2014) Сети регуляции генов и их приложения: понимание биологических и медицинских проблем с точки зрения сетей. Front Cell Dev Biol 2(38):1–7 Google Scholar
  67. Dinh H, Aubert M, Noman N, Fujii T, Rondelez Y, Iba H (2015) Эффективный метод развития реакционных сетей в синтетических биохимических системах. IEEE Trans Evol Comput 19(3):374–386 СтатьяGoogle Scholar
  68. Хванг К., Чен М. (2017) Аналитика больших данных для облака, Интернета вещей и когнитивных вычислений. Press, Wiley, 432 страницы Google Scholar
Статья в тему:  Искусственный интеллект, что такое частичная модель

Благодарности

Эта работа была поддержана Ведущей инициативой для выдающихся молодых исследователей (LEADER) Министерства образования, культуры, спорта, науки и технологий Японии (16809746), Грантами в помощь научным исследованиям JSPS (17 K14694), Исследовательский фонд Китайская академия наук (№ MGE2015KG02), Исследовательский фонд Государственной ключевой лаборатории морской геологии в Университете Тунцзи (MGK1608), Исследовательский фонд Государственной ключевой лаборатории океанотехники в Шанхайском университете Цзяотун (1510), Исследовательский фонд Фонда развития телекоммуникаций , и Ассоциация развития фундаментальных исследований в области судостроения и шельфа.

Информация об авторе

Авторы и принадлежность

  1. Технологический институт Кюсю, Китакюсю, Япония Хуимин Лу, Хёнсеоп Ким и Сейити Серикава
  2. Университет Янчжоу, Янчжоу, Китай Юджи Ли
  3. Хуачжунский университет науки и технологий, Ухань, Китай Мин Чен
  1. Хуимин Лу
голоса
Рейтинг статьи
Ссылка на основную публикацию
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
Adblock
detector