Какое образование требуется для исследователей ИИ?

Предположим, что моя цель состоит в том, чтобы сотрудничать и создать продвинутый ИИ, например такой, который напоминает человека, и проект будет находиться на границе исследований ИИ, какие навыки мне понадобятся?

Я говорю о конкретных вещах, например о том, какую университетскую программу я должен пройти, чтобы поступить и быть компетентным в этой области. Вот некоторые вещи, о которых я подумал, просто чтобы проиллюстрировать, что я имею в виду:

• Компьютерные науки: очевидно, что ИИ построен на компьютерах, было бы не плохо знать, как работают компьютеры, но некоторые вещи низкого уровня и специфичные для машины вещи не кажутся необходимыми, я, конечно, могу ошибаться.
• Психология: если ИИ похож на человека, знание человеческого познания, вероятно, было бы полезно, хотя я не представляю себе неврологию на клеточном уровне или сложные психологические особенности, типичные для людей, такие как Эдипов комплекс, были бы уместны, но, опять же, я могу ошибаться ,

Как сам исследователь ИИ, работающий полный рабочий день, я бы сказал, что докторская степень в области машинного обучения, безусловно, будет одним из полезных вариантов.

Однако для того, чтобы добиться столь необходимого прогресса , ИИ нужно избегать попадания в ловушку мысли о том, что в настоящее время модными методами являются любые «серебряные пули». Существует некоторая опасность того, что доктор философии, который направляется прямо (скажем) в какую-то суб-суб-суб-область DL, в конечном итоге наложит слишком большой уклон на последующую перспективу студента.

Исследование искусственного интеллекта - это, по сути, междисциплинарная деятельность. Поэтому другие возможные фоны включают в себя:

• Математика или физика (до первого уровня или уровня PhD). Сильный опыт в любом из них никогда не причинял никому вреда. Люди, которые компетентны в этих областях, имеют тенденцию относительно легко переключать свои способности на новые домены.

• Программная инженерия. Одной из вещей, в которой нуждается ИИ, являются интегративные архитектуры для разработки знаний. Вот почему . Я считаю, что одной из причин, по которой нам еще не удалось сделать OCR на уровне 5-летнего ребенка, является то, что мы еще не признали, что нам нужно «построить кувалду, чтобы сломать орех». Архитекторы программного обеспечения используются для управления крупномасштабной сложностью, поэтому они могут помочь.

• Когнитивная наука, психология, когнитивная лингвистика. Причины здесь очевидны.

Прежде всего, я лично считаю, что хороший исследователь ИИ должен быть креативным, любознательным и подготовленным к сомнению полученной мудрости, что на практике важнее, чем специфика их опыта.

Исследования ИИ, похоже, расширяются в эти дни (2016 г.). Во-первых, «очевидные» несколько отделов (без порядка):

• Информатика (например, теория вычислений, алгоритмы): исследователи ИИ предполагают, что интеллект - это разновидность вычислений в различных формах (например, нейронная сеть, логическая система).
• Программная инженерия : Если мы найдем хорошую модель для ИИ, как вы ее сделаете? Это то, что инженер захочет выяснить. И может быть трудно отобразить математические модели на специально разработанную часть.
• Статистика и вероятности (более конкретная, чем просто математика, которая также близка к информатике): речь идет о науке о данных, в частности, как об основе машинного обучения, наиболее активной отрасли в ИИ, которая «просто» охватывает часть обучения ,
• Физика: Это особенно актуально сейчас для аппаратного обеспечения (см. Ниже).
• Neuro Science: Понимание того, как работает мозг, как вдохновение для создания искусственного мозга, является домом для Коннекционистов. Недавно Хассабис и его команда из Google Deepmind сделали несколько прорывов, связанных с обучением подкреплению, памятью, вниманием и т. Д.

В последнее время электротехника получает много света вместе со смежными отраслями физики. Несколько государственных и частных лабораторий фокусируются на «мозговых чипах». Чтобы назвать несколько: IBM (кто работает над этим уже некоторое время), Nvidia и Facebook. Приблизительно в 2010 году стало ясно, что такие методы, как глубокое обучение, требуют лошадиных сил, поэтому все большее внимание уделяется созданию более мощных, более компактных и энергоэффективных микросхем. Кроме того, в квантовых вычислениях есть вся работа.

Но дело в том, что, похоже, в исследованиях ИИ участвует гораздо больше областей. Мы должны упомянуть химию и биологию как источник вдохновения и инструмент для создания новых моделей или аппаратных средств (например, микросхемы, которые не используют кремний, поэтому они могут стать меньше).

Что касается 2016 года, вышеперечисленные поля являются наиболее активными и обещают оставаться очень активными в течение достаточно долгого времени. Выберите свой собственный в зависимости от ваших интересов, навыков или простой интуиции!

В заключение, мы можем быть удивлены через несколько лет, когда оглянемся назад, откуда появился ИИ. Я верю, что если нам удастся построить AGI, она все равно будет использовать все эти области. Я думаю, острые ощущения должны быть частью истории.