Wen | Cérebro corpo polar
A fim de salvar a "deserção" borda tentativa de pais loucos, muitas vezes K12 plataforma de educação, juntaram-se os pacotes de luxo serviço de matemática tutoria AI.
Em uma variedade de notícias, o estilo de AI professor de matemática é muitas vezes assim:
Vergonha escola escória - apenas 10 minutos para responder 2017 matemática nacional vestibular, Volume II, marcou 100 pontos (de 150 pontos), "Meng título" não tão rápido;
RCC aprender Pa - vestibular padrão no Japão, SAT e outros países "entrada" para obter mais do que a pontuação média, muito perto do campeão;
Human substituído Professores - input humano pode basear-se no escore de condição, os controles de resposta, no momento da verdadeira ou falsa. faz várias eficiências exponencialmente maiores do que professor niveladoras humanos não dizer que a taxa de erro também é menor.
Presumivelmente tantos pais são o coração dela. Aqui, queremos dizer um decepcionante verdade - até mesmo o sistema de inteligência artificial mais avançada, mas mesmo os matemática do nível do ensino médio não pode igualar.
Este ano, pela AI alunos de pontuação não é novo, a resposta padrão para alunos Zhang são competentes. Mas fazer a matemática ensinada por AI, é o conteúdo muito técnico, é um teste de leitura, raciocínio, cálculo, lógica e assim por diante capacidade global, pelo menos eles têm um mestrado "New West" batalhar.
Se a taxa de classe último, pedir aos alunos para aconselhamento ajuda de trabalho, obviamente, seria visto como uma piada. Mas se os alunos em AI, mas para tornar os pais "sentir Li desconhecido" feliz bolso.
No entanto, os últimos resultados da investigação DeepMind mostram que até mesmo o sistema de inteligência artificial mais avançada, comece com a matemática para estudantes do ensino médio do que até mesmo o comum, mas não é um pouco de desilusão?
A forma como ele é, exame de matemática referência DeepMind Britain 16 anos em idade escolar as crianças, como (redes neurais profundidade) AI para criar um banco de questões contendo dois milhões de temas que abrangem uma variedade de questões de aritmética, álgebra, probabilidade, cálculo, e enviou uma rede recorrente neural (RNN) e dois desempenho atual Transformer dos mais avançados modelos envolvidos no teste.
Os resultados mostraram que, além de arredondamento, adição e subtração, tamanhos, etc. Número Sequencing pergunta simples, envolvendo de alguma fatoração, híbrido de computação tal assunto avançado, como um ser humano não é o desempenho dos estudantes do ensino médio de IA, até passar linha não conseguiu chegar.
Nota do Editor, no final, para ver como eles pergunta saberá.
Transformer LSTM arquitetura e contém um codificador e decodificador. Mas em particular lógica aritmética, o problema vai ser codificado como um LSTM série pelo local específico e o valor da chave representa o (41 + 132), então o decodificador irá prever o próximo caractere e mapeou (173).
Por causa do envolvimento com mecanismo atenção, pode ser pré-tratada LSTM alguns objectos precisa completar a lógica, tal como 8 a saber quando o cálculo / (1 + 3), deve em primeiro lugar calcular (1 + 3), que tem um pouco mais perto de cálculo humanos quando os passos de raciocínio.
difere do transformador em que ele pode ser codificador para converter o mesmo em matemática uma sequência de comprimento, e quaisquer expressões matemáticas por incorporação de mecanismos de atenção camada posição totalmente ligados, seguido por conversão.
A vantagem disto é que, o transformador pode usar o mesmo número de parâmetros mais computação (a função de mudança pode ser incorporado), além de uma "memória interna" contínua, mas quando a operação de tratamento compreende um sistema multi-nível de mistura, relevância existem vantagens, capaz de dar a resposta correcta nas sequências mais longas.
Cálculo de descobrir, como os resultados finais dos dois modelos é?
A resposta é muito miserável. Transformer modelo apenas uma 14/40 responder a uma pergunta, é equivalente a E-classe. Em LSTM contraste marcar ainda mais dramáticas, sobre o corpo humano é absolutamente alunos a serem chamados pais de ritmo.
(parâmetro de imagem mostra o tamanho e a taxa média de tratamento correcto de cada modelo)
Uma vez no poder de computação, a eficiência de tomada de decisão é AI pela fricção humana no chão, e, finalmente, matematicamente puxar a estátua, DeepMind também pode contar com o rosto uma vez que o AI. No entanto, a complacência não é importante, se você quiser construir uma matemática errado título definido para a AI, então, exatamente o que esta experiência vale a pena ser lembrado e compõem a pranchinha:
Um é má memória.
Embora os pesquisadores introduziram LTSM e transformador, estes são dois excelente desempenho do jogador punho nos problemas seqüência de processamento, tais como tradução automática, mas ainda dar forma ea complexidade dos problemas matemáticos da pressão e da diversidade linguística. Em um número de módulos necessários valores intermediários no cálculo, como quando fatoração, funções polinomiais, etc., tornando o sistema "pensar" memória não foi suficiente, mobilidade e conhecimento escalabilidade de símbolos e, portanto, muito afetada, afetam diretamente a precisão dos resultados.
Por exemplo Transformer no cálculo da simples adição e subtração ou multiplicação e divisão, até taxa de precisão de 90%, adição, subtração, uma vez em conjunto misto, é um pouco confuso ordem, e a taxa correta cai para apenas 50%. Este desempenho não pode igualar, mesmo calculadora, indicando que a memória uma vez para lutar função, a máquina não como um ser humano.
Além disso, existem vigor consideradas, não conhecimento.
Os seres humanos na resolução de problemas matemáticos, não só se aplicam a potência de computação, há uma variedade de habilidades cognitivas. Por exemplo, a compreensão do trabalho casual, necessidades de texto ou ícone para ser convertido para operadores aritméticos; determinar ideias, discutindo necessidade de encontrar as melhores estratégias de axiomas conhecidos de resolução de problema, processo de cálculo específica, devemos usar a memória de trabalho para concluir a operação; para manter a estabilidade dos resultados, é preciso migrar e aprenderam as regras para o mesmo tipo de problema para ir ......
Obviamente, não há nenhuma maneira de redes neurais em sua capacidade de "aprender por analogia" com humano alto, só pode lidar com alguns problemas de armazenamento interno, não podemos ir além do ambiente existente para compreender algo novo. Específico para vários projetos experimentais, mais forte o conhecimento da migração modelos, as notas de matemática no conjunto de dados unificado é melhor.
Estes pranchinha em última análise, é os problemas matemáticos e contradições resultantes de projetos de eficiência.
A essência da matemática é a prova dedutiva, muitas vezes precisa configurar o problema com base no novo conceito abstrato conhecido e, apresentar um novo sistema de axiomas, conforme necessário. Esta é uma inferência baseada nos extremamente complexos "regras do jogo".
O modelo de computação da máquina é ergódico, baseado na experiência, isto é, para esgotar todos os possíveis por meio de dados de grande escala.
Nas palavras de pesquisadores DeepMind, a matemática contém um "universo auto-consistente" (universo auto-consistente), "um simples sistemas de inteligência artificial" quer desafiar a proposição matemática claramente não é possível.
Para "Borel - certeza" (Borel-determinacy), por exemplo, embora apenas um de segunda ordem proposição aritmética, mas era para provar a necessidade de usar a aritmética de ordem infinita. Quer resolver estes problemas, devemos levar o sistema de IA concebido para ser amplo o suficiente que possa acomodar a grande maioria das operações matemáticas. Desta vez, as regras da ordem e complexidade, não é comparável com o Go este nível, mas pode estar à procura de uma decisão ótima em um 1T ^ 2 em. AI oponente desta vez não é matemática, mas os recursos, tempo e dinheiro.
Dito isto, usando nível matemático como "assessor de inteligência" da AI claramente tendenciosa, AI não pode ajudar as pessoas a resolver esses mistérios da matemática. Sendo esse o caso, deixe o significado AI da matemática no final é o quê? Talvez precisamos de uma nova compreensão da relação entre eles.
Desde o fundo atual, habilidades matemáticas melhorar a AI provavelmente tem um duplo efeito positivo:
Um deles é o nível técnico, em essência, a inteligência artificial é uma estreita ligação com a área de matemática, algoritmos e práticas de engenharia, a busca de ajuda matemática promover a evolução geral da tecnologia AI.
Por exemplo, já em 1964, os cientistas tentaram deixar o computador fazer a matemática, estudante foi proposto (1964 Bobrow) sistema, ele é entrar em um período de descrição matemática boa especificado do caminho, então a linguagem natural (forma linguística) por função de correspondência de padrão correspondente a uma expressão de mapeamento. Como a "gaiola com uma galinha e um coelho, ele pediu um total de uma gaiola animais poucos" para "1 + 1 = ?." Isso mostra que de matemática para conseguir boas notas, venha linguagem natural capacidade de compreensão de leitura para cruzar a fronteira.
Por exemplo, porque não há nenhuma maneira o tópico complexo em uma linguagem normalizada de matemática, Instituto Nacional de Informática tem que desistir de fazer sistema de inteligência artificial Torobo-kun Tóquio para participar de vestibular em 2016, 2017, da China "entrada robô" (humano-como projetos de inteligência em 863) na realidade Batalha (43 alunos do ensino médio nas aulas de artes liberais), também perdeu para marcar pontos mais baixo do que o ser humano médio.
Além de trabalhar texto casual, alguns tópicos serão envolvidos no reconhecimento de voz, reconhecimento de imagem (figura resolução de problemas) e outros recursos técnicos. Em outras palavras, você quer começar a matemática, aulas de idiomas, um curso de lógica, um ramo não pode ser tendenciosa!
Outra possível vantagem é a dimensão social, os resultados para o estudo da matemática, pode efetivamente melhorar os sistemas de inteligência artificial fraca em vários solving ciência problema, o conhecimento diretamente para melhorar o desempenho ea eficiência do motor.
Especialmente agora incluindo pesquisa integrada, XX busca de título, etc., vários tipos de conhecimento Q & A plataforma, tornou-se a principal ferramenta para as pessoas respondendo a perguntas. problema matemático resolver sistema de ensino K12 tornou-se uma corrida para lançar um "assassino." Mas quer fornecer procurar matemática de alta qualidade de serviços, tais como entrada a matemática, você pode restaurar o modelo matemático preciso, os passos de resolução de problemas, ea resposta não é uma questão simples.
Temos dito anteriormente, o problema matemático não é só apenas o teste de poder de computação, mas também envolve uma série de conhecimentos das regras de generalização, que as sub-regras preto e branco de xadrez pode ser mais complicado do que isso, e às vezes valores nominais, a ideologia, a arte, etc. muitas coisas não quantificáveis. Plataformas são modelo do conhecimento matemático pré-construída em face de aprendizagem mais digital, não procurar, ela não corresponde a resposta "ligeiramente" e até mesmo o caso do livro de exercício direto com respostas fazer número, também têm sido comuns.
O que é mais para o problema, uma vez inseridos pelo usuário não atende as normas padrão de correspondência pré-definidos, a máquina pode começar a "preocupante" cego respondeu.
Se o nível de aplicações de classe de resolução de problemas de matemática tem-se mantido em termos de passagem, mesmo entender a pergunta e a taxa correta pode ser garantido, mas também como podemos esperar que o sistema de inteligência artificial para analisar a causa da perda de pontos e para guiar um estudo mais aprofundado do que dos estudantes respondê-la em? ? Contou com o chamado baixo sua curva de aprendizagem, Pratt & Whitney e alcançar a equidade educacional, aparentemente, só pode ficar no nível de fantasia.
modelo matemático para aumentar a capacidade da AI, aumentando assim o desempenho global do problema de pesquisa modelo para muitos plataforma de educação Internet e os candidatos os pais estão preocupados, o significado da natureza é significativo.
Ao mesmo tempo, aprendendo a matemática em si (incluindo a aprendizagem de máquina) ponto de partida.
Embora a maioria dos problemas matemáticos não podem ser aplicados directamente, mas o modelo de raciocínio mais poderoso na busca de validação e raciocínio, muitas vezes nascem para estabelecer uma base sólida para mais máquinas inteligentes.
Por exemplo, o MIT em 2014, propôs um método estatístico baseado aprendendo KAZB, rotuladas de acordo com a fórmula dos problemas de matemática são classificadas em diferentes tipos de perguntas, extraindo características dos diferentes níveis do título, para determinar automaticamente os tipos de perguntas sobre o ACL .
A desvantagem deste método é nenhuma maneira de identificar o sistema está fora do conjunto de treinamento de perguntas. Para resolver este problema, Baidu e Microsoft equipe de pesquisa foram otimizados e melhorados, para conseguir um aumento de desempenho de 10%.
Em outras palavras, para melhorar a capacidade matemática da rede neural, embora não todos, mas pode estabelecer uma base sólida para as habilidades de raciocínio máquina. É como as crianças aprendem a "coelho de frango com gaiola," Como, não é realmente para a conveniência de clareza no número de galinhas e coelhos após adultas, mas gradualmente aprender a usar um novo modo de pensar para entender e compreender o mundo no processo.
Talvez esperar até esse dia, nós não precisa se preocupar com questões máquina erradas, mas a humanidade vai fazer em ...... Untitled
conteúdo mais interessante, a atenção da mídia de titânio micro sinal (ID: taimeiti), titânio ou baixar media App
