これは非常に短いブログです#
前の数週間、さまざまな理由で、私は人工知能の歴史についての多くの記事や書籍を注意深く読みました。全体的に見て、私は多くのことを学びました。有名な人々の興味深い物語を知り、彼らの間の葛藤も見ました。しかし、「人のいる場所には必ず江湖がある」というような古い話題に感嘆するだけでなく、私はもう一つ感じました。
私自身も機械学習やディープラーニングを数年間学んでおり、多くのモデルを実行してきました。ディープラーニングが人気の方向になった後、私は以前見たことのない多くのモデルが人々によって提案されていることに気付きました。畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、後には驚くべきモデルである敵対的生成ネットワークが提案されました。私は一時期、自分が愚かすぎて、これらの賢いアイデアを思いつけなかったと思いました。
しかし、人工知能の歴史を読んでいると、私は間違っていたことに気付きました。畳み込みニューラルネットワーク、リカレントニューラルネットワーク、強化学習、敵対的生成モデルの中核となる最小最大最適化関数など、これらはすべて人工知能の 70 年の発展の過程で既に提案されていたのですが、当時はさまざまな理由で注目されませんでした。計算能力とデータが十分に揃った後、以前の科学者たちはこれらの手法を再利用し、最新のモデル構築とトレーニング手法と組み合わせることで、これらの以前の「アイデア」が新たな息吹を得たのです。実際、強化学習自体は人工知能の用語よりも早く登場しました。
私にとって、これらは大きくも小さくもない収穫です。しかし、私たちの国の科学技術にとっては、この状況は単にホットなトピックを追求することは間違っていることを示しています。私たちは基礎を固め、あらゆる面で継続的に取り組む必要があります。そうすれば、将来のある日に成功する可能性があります。単にホットなトピックを追い求めることは、ほとんどの人にとっては浅学非才であり、それが大牛科学者のひらめきだと思い込むことです。
アメリカはニューラルネットワークへの批判のため、ニューラルネットワークの研究がアメリカからカナダに移りました。その結果、ディープラーニングの聖地はカナダのトロント大学とモントリオール大学となりました。Hinton 氏らも、ニューラルネットワークモデルが批判されていた時期に粘り強く取り組んだ結果、今日の輝かしい成果を得ることができました。だから、彼らが優れた結果を出すのは当然です。