ไม่นานมานี้ แมชชีนเลิร์นนิงเป็นสิ่งแปลกใหม่ในวิชาฟิสิกส์ แม้ว่านักฟิสิกส์จะนำเทคนิคการคำนวณใหม่ๆ มาใช้อย่างรวดเร็วอยู่เสมอ แต่ปัญหาแรกๆ ที่ปัญญาประดิษฐ์ (AI) รุ่นต่างๆ นี้สามารถแก้ไขได้ เช่น การจดจำลายมือ การระบุแมวในภาพถ่าย และการเอาชนะมนุษย์ด้วยแบ็คแกมมอน ไม่ใช่ปัญหาประเภทที่ได้รับ นักฟิสิกส์ลุกจากเตียงในตอนเช้า ด้วยเหตุนี้ คำว่า “แมชชีนเลิร์นนิง” จึงไม่ปรากฏใน เว็บไซต์
Physics World
จนถึงปี 2009 และเป็นเวลาหลายปีหลังจากนั้น คำว่า “แมชชีนเลิร์นนิง” ก็ปรากฏขึ้นเป็นระยะๆ เท่านั้น
อย่างไรก็ตาม ในช่วงกลางปี 2010 สถานการณ์เริ่มเปลี่ยนไป นักฟิสิกส์การแพทย์ค้นพบว่าการฝึกเครื่องเพื่อระบุแมวนั้นไม่แตกต่างจากการฝึกเครื่องเพื่อระบุมะเร็ง นักวิทยาศาสตร์ด้านวัสดุได้เรียนรู้ว่า
AI สามารถปรับคุณสมบัติของโลหะผสมใหม่ให้เหมาะสม ไม่ใช่แค่คะแนนแบ็คแกมมอนเท่านั้น ไม่นานนัก ชุมชนฟิสิกส์ที่เหลือก็พบเหตุผลที่จะเข้าร่วมปาร์ตี้แมชชีนเลิร์นนิง การสแกนอย่างรวดเร็วของPhysics Worldเอกสารสำคัญแสดงให้เห็นว่าตั้งแต่ปี 2017 นักฟิสิกส์ได้ใช้แมชชีนเลิร์นนิง
เพื่อปรับปรุงการจัดเก็บออปติคัล ทำให้ลำแสงซินโครตรอนเสถียร ทำนายวิวัฒนาการของมะเร็ง ปรับปรุงรูปแบบเลเซอร์เฟมโตวินาที ตรวจจับคลื่นความโน้มถ่วง และค้นหาสารเรืองแสง LED ที่ดีที่สุดในรายการสารประกอบ 100,000 ชนิด แท้จริงแล้ว แอปพลิเคชันแมชชีนเลิร์นนิงได้แพร่กระจายอย่างรวดเร็ว
จนไม่โดดเด่นอีกต่อไป ในไม่ช้า สิ่งเหล่านี้อาจกลายเป็นกิจวัตรประจำวัน ซึ่งเป็นสัญญาณบ่งบอกถึงความสำเร็จของเทคโนโลยีทั้งหมดนี้ทำให้เป็นเวลาที่ยอดเยี่ยมสำหรับนักฟิสิกส์ที่จะหยิบสำเนาของYou Look Like a Thing and I Love Youซึ่งเป็นไพรเมอร์ที่ช่ำชอง ให้ข้อมูล
และมักจะส่งเสียงหัวเราะขบขันเกี่ยวกับวิธีที่แมชชีนเลิร์นนิงสามารถ (และมักจะทำ) ผิดพลาด และโดย “ผิดพลาด” ผู้เขียน Janelle Shane ไม่ได้พูดถึงเครื่องจักรที่กลายเป็นอัจฉริยะเกินจริงและโค่นล้มมนุษย์ที่อ่อนแอที่คิดค้นพวกเขา ในความเป็นจริง สิ่งที่ตรงกันข้ามคือความจริง ปัญหาส่วนใหญ่ของ AI
ไม่ได้เกิดขึ้น
เพราะอัลกอริทึมฉลาดเกินไป แต่เพราะมันสว่างพอๆ กับไส้เดือน Shane เหมาะสมที่จะแสดงความคิดเห็นเกี่ยวกับพฤติกรรมบ้าๆ บอๆ ของอัลกอริทึม ตั้งแต่ปี 2559 เธอได้ให้ความบันเทิงแก่ผู้อ่านบล็อกAI Weirdness ของเธอเป็นประจำ โดยให้โครงข่ายประสาทเทียม
(อัลกอริทึมการเรียนรู้ของเครื่องประเภทหนึ่ง) เนื้อหาของข้อความและขอให้พวกเขาสร้างข้อความใหม่ในรูปแบบที่คล้ายกัน AI ที่มีประโยชน์จำนวนมากได้รับการ “ฝึกฝน” ในลักษณะนี้ แต่ความอัจฉริยะที่แปลกประหลาดของ Shane คือการป้อนสิ่งแปลกปลอมทางวัฒนธรรมให้กับอัลกอริทึมของเธอ
เช่น สีผสมอาหาร สูตรอาหาร และรสชาติของไอศกรีม แทนที่จะ (พูดว่า) ข้อมูลผลึกศาสตร์ ผลลัพธ์ – เฉดสีชมพูอบอุ่นที่โครงข่ายประสาทเทียมเรียกว่า “Stanky Bean”; สูตรสำหรับ “หอยเชลล์”; และ (ที่ฉันชอบเป็นการส่วนตัว) ไอศกรีมรสชาติที่เรียกว่า “Necrostar with Chocolate Person”
นั้นแปลกและมักจะเป็นที่รัก ชื่อหนังสือเป็นอีกตัวอย่างหนึ่ง: เห็นได้ชัดว่า “คุณดูเหมือนสิ่งของและฉันรักคุณ” เป็นแนวคิดของอัลกอริทึมเกี่ยวกับบรรทัดรับที่ยอดเยี่ยม ตรงไปตรงมาฉันได้ยินแย่ลงหนังสือที่เต็มไปด้วยการลื่นไถลดังกล่าวควรค่าแก่การอ่านเพื่อคุณค่าที่ตลกขบขันเท่านั้น
แต่การปล่อยไก่เหล่านี้ก็มีทั้งประเด็นและมุกตลก ตัวอย่างเช่น “Necrostar with Chocolate Person” เป็นผลเชิงตรรกะของการใช้ AI ที่รู้วิธีสร้างชื่อวงดนตรีเฮฟวีเมทัลและขอให้สร้างรสชาติของไอศกรีมแทน กระบวนการนี้เรียกว่า Transfer Learning และเป็นทางลัดทั่วไปสำหรับนักพัฒนา AI
ซึ่งช่วยประหยัดเวลาในการคำนวณหลายชั่วโมงซึ่งอาจเสียไปในการสอนอัลกอริทึมเพื่อสร้างคำตั้งแต่เริ่มต้น ในทำนองเดียวกัน สูตรการทำ Clam Frosting ส่วนหนึ่งเป็นเพราะ AI ไม่ “เข้าใจ” อาหารเหมือนมนุษย์ แต่ยังเป็นเพราะพวกมันมีความทรงจำที่สั้น ดังนั้น เมื่อถึงเวลาที่อัลกอริทึมมาถึงส่วนผสมสุดท้าย
ในสูตรอาหาร
ก็ลืมส่วนผสมแรกไปนานแล้วปัญหาที่น่าสนใจและร้ายแรงที่สุดเกี่ยวกับ AI ไม่ใช่ความโง่เขลาหรือการหลงลืมของพวกเขา พวกเขามีแนวโน้มที่จะประพฤติตนในแบบที่ผู้สร้างไม่ได้ตั้งใจ เชนอธิบายสิ่งนี้ด้วยบทเกี่ยวกับการฝึกหุ่นยนต์จำลองให้เดิน แนวคิดคือการเริ่มต้นด้วยหุ่นยนต์ที่แทบจะดิ้นไม่ได้ มอบ
“เป้าหมาย” และกลไกที่ให้รางวัลแก่ความก้าวหน้า และให้ AI พัฒนาวิธีการขับเคลื่อนที่มีประสิทธิภาพมากขึ้น แต่ในขณะที่วิวัฒนาการที่แท้จริงได้ผลิตวิธีการเคลื่อนที่ที่ใช้การได้หลายวิธี แต่ AI ที่ได้รับความท้าทายนี้มีแนวโน้มที่จะโกงอย่างมาก ตัวอย่างเช่น หุ่นยนต์ที่ถูกขอให้ย้ายจาก A ไป B
อาจเติบโตจนมีความสูงเทียบเท่ากันและตกลงมา หากโปรแกรมเมอร์ที่เป็นมนุษย์ออกกฎของ “โซลูชัน” ประเภทนี้ หุ่นยนต์อาจพัฒนาการเดินหมุนที่น่าอึดอัดใจหรือใช้ประโยชน์จากข้อบกพร่องในฟิสิกส์ของการจำลองเพื่อเทเลพอร์ตตัวเองไปยังตำแหน่งใหม่
หุ่นยนต์ที่ล้มลงเป็นเรื่องสนุก อัลกอริทึมที่ปฏิเสธการสมัครงานจากผู้หญิงเป็นพิเศษไม่ใช่หุ่นยนต์ที่ล้มลงเป็นเรื่องสนุก อัลกอริทึมที่ปฏิเสธการสมัครงานจากผู้หญิงเป็นพิเศษไม่ใช่ ทั้งสองเป็นตัวอย่างจริง ทั้งสองเกิดจากความรักของ AI ในทางลัด การเลือกคนที่ดีที่สุดสำหรับงานนั้นยาก แม้กระทั่ง
(โดยเฉพาะอย่างยิ่ง?) สำหรับคอมพิวเตอร์ อย่างไรก็ตาม หาก AI ได้รับการฝึกอบรมเกี่ยวกับ CV ที่ประสบความสำเร็จจากบริษัทที่มีปัญหาความหลากหลายอยู่แล้ว อาจพบว่าสามารถเพิ่มโอกาสในการเลือกผู้สมัครที่ “ใช่” ได้หากปฏิเสธ CV ที่กล่าวถึงวิทยาลัยสตรีหรือฟุตบอลหญิง
Credit :
twittericongallery.com
justshemaleblogs.com
HallowWebDesign.com
baseballontwitter.com
coachwebsitelogin.com
nemowebdesigns.com
twistedpixelstudio.com
WittenburgBlog.com
presidiofirefighters.com
odessamerica.com
