Upgrade to Pro — share decks privately, control downloads, hide ads and more …

ヒトとAIの共生、そしてシンギュラリティ

yuky_az
December 28, 2018

 ヒトとAIの共生、そしてシンギュラリティ

2018年12月28日、東北大学金属材料研究所で開催された講演会のスライドです。
スライド内の動画は以下で見ることができます。

群知能と創発(1)
https://youtu.be/-eNOFIMEB0M

群知能と創発(2)
https://youtu.be/VwuU3lIt21w

群知能と創発(3)
https://youtu.be/XNISz0hcoAM

単細胞生物のシミュレーション
https://youtu.be/vuQGw3TXgg4

yuky_az

December 28, 2018
Tweet

More Decks by yuky_az

Other Decks in Science

Transcript

  1. ϑϦʔϥϯε → ϕϯνϟʔʢ-2018ʣ • iPhone⽤アプリの開発 • App Storeに30本以上アプリをリリース • プログラミング、AIの講師

    • 教育⽤ビジュアルプログラミング⾔語の開発 • iOSDC2016-2018への登壇 • バーチャルリアリティ(VR)関連のベンチャーに勤務 • etc…
  2. ୈ3࣍AIϒʔϜ: 2000೥୅ʙ • シンギュラリティ → 2005年にアメリカの未来学者レイ・カーツワイルが提唱 → 指数関数的に⾼度化する⼈⼯知能が2045年頃にヒトを凌駕するという概念 • ディープラーニングの登場

    → 2006年にジェフリー・ヒントンらが提案 → 2012年、画像認識のコンテストILSVRCにおいて、ヒントンが率いる トロント⼤学のチームがディープラーニングにより優勝
  3. GoogLeNet oss as the classifier (pre- as the main classifier,

    but ng network is depicted in ined using the DistBe- ing system using mod- rallelism. Although we n only, a rough estimate work could be trained to GPUs within a week, the usage. Our training used escent with 0.9 momen- ule (decreasing the learn- lyak averaging [13] was at inference time. e changed substantially ompetition, and already with other options, some- d hyperparameters, such Therefore, it is hard to most effective single way ate matters further, some on smaller relative crops, [8]. Still, one prescrip- y well after the competi- sized patches of the im- y between 8% and 100% constrained to the inter- photometric distortions to combat overfitting to data. fication Challenge n challenge involves the ne of 1000 leaf-node cat- There are about 1.2 mil- r validation and 100,000 is associated with one mance is measured based predictions. Two num- -1 accuracy rate, which the first predicted class, mpares the ground truth es: an image is deemed input Conv 7x7+2(S) MaxPool 3x3+2(S) LocalRespNorm Conv 1x1+1(V) Conv 3x3+1(S) LocalRespNorm MaxPool 3x3+2(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) MaxPool 3x3+2(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) AveragePool 5x5+3(V) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) AveragePool 5x5+3(V) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) MaxPool 3x3+2(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) Conv 1x1+1(S) MaxPool 3x3+1(S) DepthConcat Conv 3x3+1(S) Conv 5x5+1(S) Conv 1x1+1(S) AveragePool 7x7+1(V) FC Conv 1x1+1(S) FC FC SoftmaxActivation softmax0 Conv 1x1+1(S) FC FC SoftmaxActivation softmax1 SoftmaxActivation softmax2 Figure 3: GoogLeNet network with all the bells and whistles. ⼤規模画像認識コンペティション ILSVRCで2014年に優勝 C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. Going deeper with convolutions. In CVPR, 2015.
  4. ೴ͱػցֶश • ⼤脳 
 → 教師なし学習(正解なし) • ⼩脳
 → 教師あり学習(正解あり)

    • ⼤脳基底核
 → 強化学習(正解なし) େ೴ খ೴ େ೴جఈ֩
  5. ʜ ঢ়ଶst ϓϨʔϠʔͷҐஔ ϓϨʔϠʔͷ଎౓ ఢΩϟϥͷҐஔ ఢΩϟϥͷ଎౓ ɹ2 st, ߦಈ ɹ2

    st, ߦಈ ɹ2 st, ߦಈ Deep Q-NetworkʢDQNʣ χϡʔϥϧωοτϫʔΫͰɺঢ়ଶ͔Β֤ߦಈͷ2஋ΛٻΊΔ
  6. ʜ ঢ়ଶst ϓϨʔϠʔͷҐஔ ϓϨʔϠʔͷ଎౓ ఢΩϟϥͷҐஔ ఢΩϟϥͷ଎౓ ɹ2 st, ߦಈ ɹ2

    st, ߦಈ ɹ2 st, ߦಈ ٯ఻೻ʹΑΔֶश Deep Q-NetworkʢDQNʣ ૚
  7. ແ੸௣ੜ෺ʹֶͿ • 頭⾜類の知能
 → 腕に多くの神経細胞を持つ、分散型の知能
 → タコの神経細胞数は5億、2/3が腕に存在 • 昆⾍の知能
 →

    約4600個しか神経細胞を持たない寄⽣バチ
 (アザミウマタマゴバチの⼀種)
 → ハチやアリの群知能