Ši išsami analizė gretina dirbtinių neuroninių tinklų mokymo mechaniką su žmogaus kognityviniu vystymusi. Nors gilusis mokymasis remiasi atgaline sklaida, didžiuliais duomenų rinkiniais ir milijardais iteracinių koregavimų, siekiant rasti statistinius modelius, žmogaus mokymasis naudoja labai efektyvų, mažai duomenų turintį sinapsinį plastiškumą, kurį lemia kontekstas, fizinė patirtis ir konceptuali abstrakcija.
Dirbtinių svorių matematinis optimizavimas naudojant gradientinį nuolydį ir masinius duomenų rinkinius, siekiant sumažinti paklaidos funkciją.
Neuroninių takų biologinė adaptacija, kurią lemia sensorinė patirtis, smalsumas ir kontekstinė konceptualizacija.
| Funkcija | Neuroninių tinklų mokymai | Žmogaus mokymosi procesai |
|---|---|---|
| Pirminis mechanizmas | Matematinis gradiento nusileidimas ir atgalinis sklidimas | Biologinis sinapsinis plastiškumas ir neurotransmiterių moduliacija |
| Duomenų efektyvumas | Labai žemas; reikalauja didžiulių skaičiavimo duomenų rinkinių | Labai aukštas; apibendrina taisykles iš kelių pavyzdžių |
| Energijos suvartojimas | Megavatai didelio masto klasterių mokymui | Maždaug 20 vatų nuolatinės medžiagų apykaitos galios |
| Nuolatinis mokymasis | Silpnas; linkęs visiškai pamiršti ankstesnes užduotis | Puiku; papildo senus įgūdžius naujais įgūdžiais |
| Mokymosi kryptis | Griežtai orientuotas į tikslą per nuostolių funkcijos mažinimą | Tyrinėjantis, savarankiškas ir atsižvelgiantis į kontekstą |
| Aparatinės ir programinės įrangos padalijimas | Aiškus kodo ir fizinių silicio lustų atskyrimas | Neatskiriama; fizinė architektūra yra programinė įranga |
Dirbtiniai tinklai mokosi koreguodami skaitinius svorius standžioje matricoje. Atgalinio sklidimo metu centrinis algoritmas apskaičiuoja tikslią išvesties paklaidą ir perduoda skaičiavimo pagrindu atliktas korekcijas atgaline tvarka per sistemą. Žmogaus smegenys, priešingai, naudoja lokalizuotą sinapsinį plastiškumą. Fiziniai keliai stiprėja arba silpnėja priklausomai nuo ląstelių šuolių laiko, leisdami biologinei sistemai organiškai prisitaikyti be pasaulinio pagrindinio algoritmo, valdančio koregavimus.
Kad atpažintų dviratį, dirbtinis tinklas turi apdoroti tūkstančius skirtingų vaizdų su įvairiais kampais, apšvietimu ir fonu, kad nustatytų statistines ribas. Žmogaus vaikui paprastai reikia pamatyti dviratį tik vieną ar du kartus. Žmogaus pažinimas naudoja esamas protines sistemas, intuityvią fiziką ir struktūrines analogijas, o dirbtinis tinklas iš esmės pradeda veikti nuo tuščio atsitiktinio triukšmo lapo kiekvieną kartą, kai inicijuojama nauja architektūra.
Dirbtinės sistemos yra pagarsėjusios savo trapumu už siauro mokymo pasiskirstymo ribų. Modelis, apmokytas meistriškai žaisti konkretų vaizdo žaidimą, visiškai suges, jei fono spalva šiek tiek pasikeis, nebent jis bus tikslingai pakoreguotas. Žmonės puikiai mokosi perkeliamuoju būdu, sklandžiai taikydami abstrakčias pusiausvyros, impulso ir strategijos sąvokas, išmoktas vienoje srityje, visiškai nepažįstamuose scenarijuose.
Kai dirbtinis neuroninis tinklas yra priverstas išmokti visiškai naują užduotį, nauji gradiento atnaujinimai dažnai perrašo ankstesnėms užduotims nustatytus skaitinius svorius, sukeldami katastrofišką užmiršimą. Žmogaus smegenys elegantiškai susidoroja su mokymusi visą gyvenimą. Mes miegame, kad įtvirtintume kasdienę patirtį ilgalaikėse struktūrose, užtikrindami, kad mokymasis vairuoti automobilį nesumažintų mūsų gebėjimo rašyti, kalbėti ar atpažinti pažįstamus veidus.
Dirbtiniai neuroniniai tinklai veikia lygiai taip pat, kaip biologinės žmogaus smegenys.
Terminas „neuroninis tinklas“ daugiausia yra metafora. Nors ankstyvieji dizainai buvo laisvai įkvėpti biologijos, šiuolaikinis gilusis mokymasis remiasi standžiu matricų skaičiavimu ir globaliais optimizavimo algoritmais, kurie visiškai nepanašūs į gyvo smegenų audinio chaotišką, cheminę ir asinchroninę mechaniką.
Giluminio mokymosi modeliai, apmokyti, įgyja žmogui būdingą supratimą.
Dirbtinio intelekto modeliai puikiai tinka statistinių koreliacijų tarp įvesties ir išvesties žemėlapiuose nubrėžti, tačiau jiems visiškai trūksta semantinio supratimo. Modelis gali generuoti nepriekaištingus vandens aprašymus be jokios drėgmės, troškulio ar fizinio egzistavimo sąvokos.
Žmogaus smegenys turi fiksuotą atminties talpą, kaip ir kompiuterio atminties bankas.
Žmogaus atmintis neveikia kaip skaitmeninis kietasis diskas, pildomas gigabaitais duomenų. Biologinė atmintis yra konstruktyvi ir asociatyvi; naujų sąvokų mokymasis iš tikrųjų sukuria daugiau sąsajų, kurios gali palengvinti būsimo informacijos gavimą, o ne sukelti fizinės erdvės pritrūkimą.
Padidinus dirbtinio intelekto tinklo dydį, jis automatiškai galės mąstyti žmogaus lygmenyje.
Parametrų didinimas pagerina atitikimo šablonus ir sukuria labai sudėtingą mimikrą, tačiau tai neišsprendžia pagrindinių architektūrinių apribojimų. Vien dydis nesuteikia dirbtiniam intelektui vidinės motyvacijos, fizinio įkūnijimo ar gebėjimo atsainiai samprotauti apie pasaulį.
Neuroninių tinklų mokymas neturi lygių, kai reikia analizuoti didžiulius struktūrizuotų duomenų kiekius, kad būtų rasti subtilūs, daugiamačiai modeliai, kurių žmogus nemato. Tačiau žmogaus mokymasis išlieka auksiniu standartu adaptyviam, kūrybiškam problemų sprendimui nenuspėjamoje aplinkoje, kur trūksta duomenų ir kontekstas yra svarbiausias.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
