アカウント名:
パスワード:
何がどうなってこんな救出困難な洞窟の奥深くまで入り込んだの
そら、人間だれしも今目に見えているもの以外にまで、なかなか想像が回らないものだからよ。世の中の事故、失敗というのは、起きてしまった後に振り返ってみると「ちょっと先を考えておけば、こういうことが起きそうだというのは容易に想像ついたなぁ」というようなものがほとんどでしょ。
まあ、人間もフレーム問題 [wikipedia.org]を解決しているわけではないという証左やねw
同感。人間がフレーム問題を解決できてAIにはできないとか言うやつホント馬鹿馬鹿しいと思う。解決できてるわけがない。
「フレーム問題を解決」というのは「問題が解決するまでちゃんと推論すること」ではなく、「どっかテキトーな時点で推論を打ち切って行動すること」なので。うまくやってるかどうかはさておき、ヒトが何らかの方法で「解決」していること。機械知性は、すごい低いレベルで行うことはできるけど、AIと呼べるレベルになってくるとどこで打ち切るべきか「作ってるヒトには」分からないのが問題。
・・・だと思ってたんですけど、違うんでしょうか。
#ディープラーニングはそこを機械の”直感”に任せて強引に解決している、とは言えなくもない。
フレーム問題は文字通りフレーム(枠)の数やサイズの際限が無いって問題で、想定し終わったフレームの中での探索はまたちょっと別の話になるかと……
フレームが想定済みであるなら、フレーム内での発生率やリスクを推定出来るため、「十分に発生率が低い状況入力」または「十分にリスクが高い行動出力」について、それを前提とした状況先読みが不要として探索木からその枝を刈り取る事ができる。
将棋やチェスなんかの人工知能は「将棋やチェス」ってフレームに特化した人工知能なんだよ。だから相手が反則手を打っても自分の勝ちにならないだとか、相手の駒が途中で増えるとか、相手がずっと俺のターンになったてボコボコにされる可能性とかを想定しなくて良い。問題分野内での探索についてはそれなりに枝刈りがうまく出来て実際それなりに強くなっている。
ちなみにディープラーニングは一般的には特定のフレーム内で特定の関数(評価関数など)を最適化する仕組み。将棋AIとかは評価関数を用いて手の評価や枝刈りを行うわけだから、より狭いフレームで使う技術でも有る。まぁ、関数であれば応用が効くから、状況に対する出力を一足飛びに求める学習を掛けることも出来るけど、意味のある学習結果が得られなかったりするから結局フレーム決めてその範囲内で学習するのが効果的っていう。それに最適化だから入力に対応した範囲でのフレームでしか学習しないだろうというのが予想できる。人間並みに複雑な系を一発で学習させられたらなんとかなるかもしれんけど、そこまでいくともはや別物なんでないかな……計算量的にもサンプルデータ的にも当分不可能だし。
より多くのコメントがこの議論にあるかもしれませんが、JavaScriptが有効ではない環境を使用している場合、クラシックなコメントシステム(D1)に設定を変更する必要があります。
普通のやつらの下を行け -- バッドノウハウ専門家
そもそも (スコア:1)
何がどうなってこんな救出困難な洞窟の奥深くまで入り込んだの
Re: (スコア:2, すばらしい洞察)
そら、人間だれしも今目に見えているもの以外にまで、なかなか想像が回らないものだからよ。
世の中の事故、失敗というのは、起きてしまった後に振り返ってみると
「ちょっと先を考えておけば、こういうことが起きそうだというのは容易に想像ついたなぁ」
というようなものがほとんどでしょ。
まあ、人間もフレーム問題 [wikipedia.org]を解決しているわけではないという証左やねw
Re: (スコア:0)
同感。
人間がフレーム問題を解決できてAIにはできないとか言うやつホント馬鹿馬鹿しいと思う。
解決できてるわけがない。
Re: (スコア:0)
「フレーム問題を解決」というのは「問題が解決するまでちゃんと推論すること」ではなく、「どっかテキトーな時点で推論を打ち切って行動すること」なので。
うまくやってるかどうかはさておき、ヒトが何らかの方法で「解決」していること。
機械知性は、すごい低いレベルで行うことはできるけど、AIと呼べるレベルになってくるとどこで打ち切るべきか「作ってるヒトには」分からないのが問題。
・・・だと思ってたんですけど、違うんでしょうか。
#ディープラーニングはそこを機械の”直感”に任せて強引に解決している、とは言えなくもない。
Re:そもそも (スコア:0)
フレーム問題は文字通りフレーム(枠)の数やサイズの際限が無いって問題で、
想定し終わったフレームの中での探索はまたちょっと別の話になるかと……
フレームが想定済みであるなら、フレーム内での発生率やリスクを推定出来るため、
「十分に発生率が低い状況入力」または「十分にリスクが高い行動出力」について、
それを前提とした状況先読みが不要として探索木からその枝を刈り取る事ができる。
将棋やチェスなんかの人工知能は「将棋やチェス」ってフレームに特化した人工知能なんだよ。
だから相手が反則手を打っても自分の勝ちにならないだとか、相手の駒が途中で増えるとか、
相手がずっと俺のターンになったてボコボコにされる可能性とかを想定しなくて良い。
問題分野内での探索についてはそれなりに枝刈りがうまく出来て実際それなりに強くなっている。
ちなみにディープラーニングは一般的には特定のフレーム内で特定の関数(評価関数など)を最適化する仕組み。
将棋AIとかは評価関数を用いて手の評価や枝刈りを行うわけだから、より狭いフレームで使う技術でも有る。
まぁ、関数であれば応用が効くから、状況に対する出力を一足飛びに求める学習を掛けることも出来るけど、
意味のある学習結果が得られなかったりするから結局フレーム決めてその範囲内で学習するのが効果的っていう。
それに最適化だから入力に対応した範囲でのフレームでしか学習しないだろうというのが予想できる。
人間並みに複雑な系を一発で学習させられたらなんとかなるかもしれんけど、そこまでいくともはや別物なんでないかな……計算量的にもサンプルデータ的にも当分不可能だし。