0:02 そして私は、スタンフォート氏をここにお迎えできることを光栄に思います。
0:05 30分前に私が話した相手
0:07 彼が私たちのところに来ることができて、会議でその年
0:10 来てください、まず第一に彼は
0:13 豊富な実務経験を持ち、
0:14 多くの経験を持つ
0:17 大手企業のような
0:21 アントロピックやディープマインドなど。ああ、そうそう、そして
0:24 同時に彼はマティアスであるが、
0:26 公式にはそうだけど、精神的にはそう。なぜなら
0:28 数理物理学を学んだ
0:32 スタンフォード。そしてケンブリッジへ
0:35 深宇宙理論の博士号を取得した
0:36 間違っていなければ、学習です。 はい。
0:37 はい。
0:41 そして最近彼はスタートアップを設立した
0:45 電子スタートアップの共同設立者I、こう読んでください
0:48 サイバーセキュリティを扱っています。
0:50 さて、今日は
0:53 この観点からサイバーセキュリティについてさらに詳しく
0:56 数学的かつ物理的に
0:59 実用的。それで、このままにしておきます。
1:00 空間。ありがとう。
1:05 どうもありがとうございます。ご招待いただきまして誠にありがとうございます。ねえ、あなた。
1:06 何とかここを確認したいのですが、どこに行けばいいですか?
1:08 動くのでここまで。
1:12 確かに。はい、わかりました。えっと、どうやってやったんですか？
1:15 聞いたところによると、私の名前はスタニスラフ・フォードで
1:18 私の経歴は比較的複雑に絡み合っています。
1:19 matfiz と。ここに来たことはありません。
1:21 勉強はしなかったけど、いつも
1:23 マトヴィザックは高校時代に
1:25 私はたくさんのセミナーやオリンピックに参加し、
1:27 私はトレーニングキャンプのためにマトフィに行きました、そして
1:29 ここを通じてたくさんの数学オタクと出会いました。
1:31 そういう社会的なものを私はいつも
1:33 マトファでの旅は困難だと感じていましたが、
1:35 私は最終的にケンブリッジに行き着き、そこで
1:37 私は数学と物理学を学び、
1:39 私はブラックホールに焦点を当てました。 E、興味深い
1:42 私にとって最も深いステップ
1:44 物理学における抽象化の階層構造です。
1:47 私は情報の問題に興味がありました。
1:48 ブラックホールは大きな問題です
1:50 誰と話すんだろうね
1:53 私のいくつかの余談の中で
1:56 講義。しかし2015年に私は
1:57 人工知能を作ることを決め、
1:59 私はカリフォルニアで働いていました、
2:01 私は研究をしています、ええ、私は時間を費やしました
2:03 Google Brainが充電中
2:05 ディープマインドにおけるトランスフォーマー。私は
2:08 誰かが見つけられるように、私は避難所を建てていた
2:12 使用しているもの。えー、今日は主にえーを捕まえるよ
2:38 コンピュータサイエンス？
2:40 あなたたちの中で物理学を勉強している人はいますか?
2:42 物理学では
2:44 彼らはボイコットしているので、完全にボイコットではないのは嬉しいです。
2:46 ご親切にありがとうございます。 And someone who wasn't
2:49 カテゴリー、
2:52 どこから来たのか大声で言えますか？ 生物学。
2:54 生物学。 化学。
2:55 化学。 生物学。
2:56 生物学。
2:56 生物学。素晴らしい。 生物学。
2:58 生物学。
3:00 すごい、すごい。ベレジナ。素晴らしい。タク・ディキ、
3:03 že jste přišli.ありがとうございました。それでも
3:06 ベジータ出身の新入生、
3:11 四半期。
3:15 Eh, are you in fifth grade or fourth?金曜日。
3:17 素晴らしい。わかりました。ありがとうございます。それで
3:20 勉強を始めた頃のような感じです。えーっと、
3:24 えっと、いわゆるアドウェアは実際の攻撃であり、
3:31 It should be right on the slides.そしてそれは
3:33 長い間、私は非常に興味を持っており、それは来るでしょう
3:35 私にとって非常に魅力的な問題です
3:37 解決。それでその講義中に私は
3:38 いくつかの始まりをご案内します。
3:40 なぜあなたが
3:42 AIは素晴らしい時代を迎えていると思います。その理由は
3:43 この問題に取り組むのは興味深い。
3:45 おそらく、それをする前に私を説得する必要があるだろう
3:50 私は特定の研究方向を進め、
3:53 えっと、私が取り組んでいたことと
3:55 なぜあなたが
3:58 それを実行する方法はいくつかあります。
4:01 解決しました。ああ、それくらいかな
4:03 high-level structure of my lecture.そして
4:05 質問が少ない場合は
4:08 手を挙げて、
4:10 たくさんあるので、スライドで紹介します
4:14 他の人の前で話すのは恥ずかしいかもしれません。
4:17 エール・ジャドニー・オターズキー・ネス・フルーピー。ああ、そうか
4:19 素晴らしい。 Umělá inteligence je hrozně starý
4:22 分野。 Eh, eh, a vám tohleto chci
4:28 それは75年前に宣言されたことです
4:31 1956年に、
4:43 ダートマス大学のサマーキャンプ
4:45 アメリカで、そしてその過程で解決しようとする
4:47 機械が言語を理解するためには
4:49 私の意見では大きな問題は解決した
4:52 つい最近、作成できるようになりました
4:54 抽象化と概念、これもまた
4:57 すでに始まっていたが、さらに75年かかった
4:59 そして同時に自分自身を向上させるために
5:00 まだゴールは決まっていないと思うし
5:02 それが心配すべきことなのかどうかは分かりません。
5:04 彼らは何らかのセキュリティ対策を講じるべきだった
5:08 視点ですが、しかし、どのように、どのようにeh e
5:10 これらの人々は以前は非常に前向きだった
5:12 人工の発展をめぐる75年間 知能。
5:13 知能。
5:15 主な哲学的問題は
5:19 彼らがやったのは、機械が
5:20 実行速度がますます速くなる
5:22 論理演算とどういうわけかあなたは
5:24 哲学的に能力をマッピングした
5:26 実装の問題について考える
5:31 コンピューターの素早い思考
5:32 彼は本当に上手にできる、それは速い
5:34 処理は非常に簡単
5:36 end、org、sor、hereなどの操作
5:38 それらのことの中で、それは根本的なものではない
5:39 解決する必要があった問題
5:41 知性の道を歩む人々、しかし、
5:43 当時それについて考えた人は、典型的には
5:45 彼らはあちこちで関連付けるという間違いを犯した
5:47 数学的な論理的なもの
5:48 例えば、数学者や論理学者が
5:50 あるいは問題について論理的に考える
5:52 一般的な知能。たぶんそうだったんだ。
5:55 philosophical mistake they made.えーっと、
5:57 しかし75年で私たちは実際に
5:59 彼らはその2人の後ろに回ろうとしていた
6:01 10人の人たちが当時何ヶ月も
6:03 1956年の夏。
6:05 そして私個人としては、
6:07 これはアルファ碁というシステムでした
6:11 2015年にヨーロッパの
6:20 チェスのようにルールは単純で、
6:22 しかし、分岐率ははるかに高くなります。
6:25 特定の移動の後に行うべきこと、その番号は
6:27 それらの可能性よりもはるかに大きいです。それで
6:29 使用された典型的なアプローチ
6:30 チェス、その木を探索する
6:35 最適または最適に近いものを見つける
6:37 解決策が見つからないため、ここでは使用できません。人々
6:40 彼らはここで問題が発生すると予想していたのかもしれない
6:43 2040年には、拡大すると予想される人々によると、
6:45 コンピュータシステムのパフォーマンスの向上
6:48 以前のアルゴリズムでは、
6:51 おそらくこれが崩壊する25年後か、
6:53 崩壊するまで15年。しかしその年
6:55 2015年にこのシステムを同社から
6:58 ディープ・マインズは現在グーグルの傘下となっているが、
7:00 しかし、それは研究部門のようなもので
7:02 人工知能、ええ、そのシステム
7:04 その試合でヨーロッパチャンピオンを破り、
7:07 それは私を完全に狂わせたよ
7:09 私が
7:11 ブラックホールに捧げたかった
7:14 物理学物理学。 2015年2016年
7:17 そのシステムは世界の
7:22 それは観察された一致のように非常に
7:24 世界中で。 A lot of attention was paid to
7:26 マシンがリードールに勝てるかどうか
7:28 か否か。 But it turned out that it was.そして
7:32 それは典型的な
7:34 囲碁マシンソリューションの経験は
7:36 非常に悪いです。 Eh a v tenhleten moment
7:38 私たちには何かできることがあると気づきました
7:40 It acts as if it has intuition.我々は持っています
7:44 ニューラルネットワークをそこに挿入する
7:47 彼らがそうすることができるように行動するもの
7:52 彼らはその木を探さなければならない
7:54 深い深さ。その木の探索
7:56 それもありましたが、それだけでは十分ではありませんでした。
7:58 何かを作る必要がありました
8:00 直感的に、簡単に操作できます。それ
8:03 It was a big revolution for me.そして
8:07 ネイチャー誌の表紙には
8:12 これは非常に象徴的なことだ。
8:16 物理学と人工知能を通じて
8:29 私の意見では、今日の AI システムは...
8:37 車はご存知か分かりませんが、サンフランシスコでは
8:44 大体1週間以内にそこに行きます。
8:46 私はギアボックスのない車しか運転しません。
8:49 Many people are made of proteins.もし
9:00 解決不可能に。学生時代も
9:10 私が説明したように、検索
9:12 囲碁では実際には不可能だ
9:14 力はないので決して機能しない
9:17 彼から電話がかかってきました。分かりました。そしてあなたたち数学者は
9:20 今年AIシステムがすでに
9:22 金メダルを獲得できる
9:23 国際数学オリンピックは
9:25 それは、
9:28 AIのインサイダーである予測者
9:31 今後数年間は。加速は
9:32 内部にいる人よりも高い
9:34 待機しており、特に次のような分野で
9:36 数学やプログラミングでは
9:38 解決策を検証するのはそれよりも簡単です
9:40 その解決策を思いつくのは理想的です
9:42 トレーニング信号を作成するためのセットアップ
9:46 教えるための十分なリソースを与えれば
9:47 学ぶために、彼らは実際に管理します 良い。
9:49 良い。
9:50 そして私の視点から言うと、私たちは
9:55 私にとってはもっと大げさな発言だ
9:56 それは
9:59 思ったより簡単でした。十分
10:01 比較的良い類似点を見つける
10:03 建築と非常に大きな投資
10:06 計算能力。ここでは約10個あたり
10:08 26回の失敗、つまり基本的なもの
10:10 小規模な操作は
10:13 プロセッサ。 10から26は大きな数字であり、
10:16 女性の中には化学者もいるが、ここには数人いる。
10:18 まあ、おそらくショッピングモールよりも大きいということが分かると思います。
10:19 そしてこれはこんな感じです
10:22 マクロ的な基礎の数
10:24 計算操作は
10:26 動作するものを手に入れる
10:28 賢く。それは私にとってはかなり多いです。
10:37 そのマクロ的な終わりに向かって、
10:41 これらは私が一般的に思う何かを示している
10:43 興味深いのは、
10:49 半分まともなパラレルを好む人もいる
10:51 トランスフォーマーのような建築物。そしてそれは
10:55 ネットワークとは、ニューロン間の接続を意味します
11:07 すべての言語モデルを動かすのは
11:09 who you typically talk to.それでここで
11:15 アーキテクチャにどのような利点があるのかを示しました。
11:27 1億冊の本に相当する
11:29 それは情報量に関することです。それで、ここにいます
11:31 3つの材料は
11:32 それをまとめると、
11:43 typicky asociovali s inteligencí.だから
11:53 彼。 All these things here are practical
12:06 素晴らしい。 Budu pokračovat. No a podle mě
12:11 皆さんは気づいているかもしれませんが、全員ではないかもしれません。
12:24 ええ、それを作る人たちは
12:30 どのように教えるのか、どのように教えるのか
13:04 東邦、コ・ティ・システム・デラジ。以上です
13:22 umíme vytvořit něco、čemu nerozumíme。そして
13:40 それらの考え方を区別しようとした
13:41 クラウドモデルでは内部的に、
13:43 2つの数を加算します。そして彼は
13:46 奇妙なアルゴリズムを学んだ
13:47 どういうわけか彼は数字を足し算できるのですが、
13:49 それはあなたが全く考えつかないことです。
13:50 彼らは、このシステムは
13:54 ここで数字を待ってから移動します
13:56 オーバーフローしてない場合は、さらにレジスターします
13:58 それが通常のアルゴリズムです。
14:01 そうですね、私の研究は進んでいます。
14:02 人工物の原理的な理解
14:04 経験的手法を用いた情報処理、
14:06 私は物理学出身なので
14:11 ここでこれらのシステムを理解します。そして目標は
14:13 それが解釈可能性です
14:18 堅牢性を重視しているので、
14:20 重要な瞬間に噛まないこと
14:22 あるいはプレッシャーと安全の下で、
14:24 ここではその側面について説明します。それは大体
14:26 私の講義のハイレベルな部分とどういうわけか
14:30 私は世界がどうなっているかを植えようとした
14:31 今日、その研究で、
14:36 さて、それではより実践的なことに移りましょう。
14:41 はい、そうです。
14:43 今、この機械の主な問題は
14:48 私の頭の中に生きているもの
14:50 機械と通信することで、ここにある機械が
14:52 彼はその地位自体も獲得した。そして私は
14:55 もっと具体的に言うと、それは非常に一般的なことだ
14:58 問題の枠組み、具体的には
15:00 多くの部分に例が見られるが、
15:02 どの教え。何かを見ると
15:07 カメに跳ね返って私の中に飛んでくる
15:10 目では化学反応が起こります
15:12 in the photosensitive cells in my retina.それ
15:14 大量の電気信号が私の
15:15 brain. Ani něco se stane.それは起こるだろう
15:19 見えません。 Já nevím, co se tam děje.私
15:20 それが実際にどのように機能するかについての内部情報はありません。
15:23 進行中です。そして突然私の頭の中に現れた
15:26 亀のシンボル。 Semantically meaningful
15:29 亀のシンボル。概念を関連付けるもの
15:31 私の理解する世界で。ああ、それはつまり
15:33 概略的に関連しており、それが
15:35 カメですが、どうやって作ったのか分かりません
15:37 実行されました。 If you showed me another
15:38 そのデータの表現、同じデータ、
15:41 例えば、個々の色の値
15:43 グリッドのピクセル数については私にはわかりません
15:46 私は何を見ているのでしょうか? So something about that,
15:49 私があちこちに存在していたこと
15:52 時間は、私に純粋な
15:54 感覚入力はまあまあ
15:56 頭の中のカテゴリー。その機能
15:57 とても順調に進んでいます。たくさんあります
16:00 やり方が分からないので機械に任せる
16:05 内部的にどのように機能するかについては多くのことが分かっています
16:08 これには制限があります。
16:10 さて、ここでこれらのものを見て
16:13 象徴的なものを関連付けているのがわかります
16:18 オウムガメ。そして私の役割において、私の
16:19 私の頭の中には、それらをマッピングする機能があるのでしょうか
16:24 カテゴリーですが、何がわからないのか分かりません
16:28 暗黙的に指定されており、方法が分からない
16:33 機能は異なりますが、一般的に
16:39 応答。 If it's not some such thing
16:41 パラドックス、あの服のように、
16:43 青と金のように、どれほど違うのか
16:45 人によって見方は異なります。ここにパラドックスがある
16:47 興味深いのはまさにそれです
16:48 システムは非常に信頼性が高く、
16:51 自分が違っていても気にかけてくれる人たち。
16:54 では、機械に教えるときはどうすればいいでしょうか？
16:56 ご覧の通り、私は山を作ります
16:59 写真とそれを何かと関連付ける
17:04 猫。そして今、私は
17:09 関数近似値をいくつか示します。
17:13 この関数近似器は
17:15 ニューラルネットワーク。そして自由パラメータは
17:17 その網の中で闘っている人々のスケールですが、それは
17:20 いくつかの自由なパラメータは
17:25 アルゴリズムのパラメータを調整しようとしています
17:28 与えられた写真に対する答えが
17:30 odpovídaly tomu, co chci vidět.そしてそれは
17:32 the entire training that is taking place.あなた
17:34 訓練しているアルゴリズムは
17:38 反対意見の勾配、勾配から
17:39 血統ですが、
17:43 それら自体も、特に注意するべきものではありません。
17:47 ニューラルネットワークは、
17:52 シリーズは、私にとって大きな疑問です
18:08 数値的に、解析的な差分を用いて、
18:09 多くの
18:11 py torch、tensor flowなどのパッケージ
18:13 またはここに典型的なものがあるので、
18:15 ネットワークパラメータを調整して
18:16 私が望むように答えた
18:19 私が示す写真。さて、それは
18:21 コンピュータが突然何らかの関数Gを持つようになり、
18:25 入力を出力にマッピングし、
18:26 私が彼に与えた関数Gは
18:29 このようにして彼は典型的には多くの
18:31 彼が望んでいることと一致しているね
18:33 彼は言った。だから私は人間として
18:35 絵を認識して配置する
18:38 カテゴリは異なりますが、コンピューターはまったく同じです。
18:40 彼らは今日、それを正しく、全く問題なく実行することができます。
18:42 これらの画像、それらの入力をそれらと関連付ける
18:43 期待通りの出力で、
18:45 私は、この研修が
18:47 彼ら。問題は、ここで
18:49 機能は同じではなく、多くの問題があります
18:52 AIセキュリティは、
18:53 機能は同じではなく、私は残り
18:56 講義ではその方法を説明します
18:58 それらは同じではなく、どのような興味深い効果があるのでしょうか
19:00 そうなるかもしれません。
19:02 それは意味を成しますか?
19:04 何の質問ですか?
19:11 では、これは AI とどのように関係するのでしょうか?
19:13 安全性？そうですね、その主張をしてみようと思います。
19:16 関連性があるからだが、どの程度
19:21 私をどの程度信じるかはあなた次第です。えーっと、
19:26 それを機械に入れてみます。
19:28 人々の道徳と倫理。それはかなり多い
19:29 教えることよりももっと問題が残る
19:33 猫と犬を正しく見るために。
19:34 人々は、
19:36 典型的には、道徳的なパラドックス
19:37 彼らがどのように反応したかについては意見が一致した。彼らです
19:39 私の見方にはいくつかの違いがありますが、
19:40 しかし、私たちは状況を分析することができます
19:42 同様に、私たちはそれに頼ることができます、
19:44 他の人がたとえ
19:46 プレッシャー。もちろん完璧ではないが、
19:48 しかし、私たちはある種の共通の道徳観を持っています
19:51 これは、この意味で。私たちは
19:53 私たちは機械にテキストを教え、それらに基づいて
19:55 典型的なタスクでは、まさにこのように動作します。
19:56 予想通りです。彼らは次のように決定する
19:58 私たちが平均的な人から期待するものです。
19:59 問題は、ここでの関数が
20:02 学んだことは、それらは異なります。私はこう考えています
20:05 正しく挿入できない場合は
20:19 私たちが期待するものと
20:22 可能性は極めて低いと思います
20:23 ここでは、プロパティが完全にロットによって
20:26 より一般的で、オープンで、難しい機能、
20:27 道徳的な行動など
20:35 時間。 And another version of this argument here
20:37 それは私がまた書いたレッスンにあります
20:42 私の目にはそれは小さいバージョンのように見える
20:44 その一般的なアライメントの問題
20:51 それでは堅牢性について見ていきましょう
20:58 textual and and models in general.だから私は
20:59 それらの写真をお見せします。
21:01 分類ですが、問題は完全に
21:07 機械学習における問題。
21:14 問題。 Funguje to fakt dobře.いつ
21:21 正しく。ああ、そして
21:23 そこには側面があり、概念があり、一般化があり、
21:25 研修中に見せるつもりです
21:28 犬によっては違う犬にも同じようにしたい
21:35 多くの人がそれを解決し、今日はこうなっています
21:57 人間よりも高い騒音レベルに耐えられるため
22:03 1000 カテゴリまたは 10,000 カテゴリ。
22:05 ノイズや
22:07 平均的なノイズのように、
22:08 具体的な提案としては、
22:13 屈強。さて、私は数年前から
22:17 分布の外側、一般化の外側
22:21 機械モデルがいつ
22:27 車、鳥、犬を区別できる
22:33 モデルが表現できなかった猫
22:38 トレーニング設定と一致しませんでした
22:40 or training data set.そしてここにあった
22:44 いくつかの重要なアプリケーションでは
22:45 モデルにこう言わせたくなかったのです
22:47 確信が持てない時は確信する
22:48 何か特定のことを言うのではなく
22:50 よく分からないけど、確率は
22:53 10% 犬ですが、正確な理由はわかりません。そして
22:55 それらのモデルにはその機能はありませんでした。そして私たちは
22:57 この記事で私が発見したのは
23:00 共著者は、トリックは何をすべきか
23:04 リード、それは非常に簡単です。
23:05 ここでは多かれ少なかれ2つのアプローチがあります
23:07 その問題を解決してください。一つのアプローチは、
23:09 そこにあるデータを取得する
23:12 犬や猫や車のような配布です。
23:13 そして、もし私がそれを自分のために働かせたいなら、あなたは
23:15 メラノーマの写真がいくつかあるので、
23:17 非常に複雑な数学で、
23:19 実際にはそれらの間のギャップを埋めるようなものです
23:22 見えなかったデータと、
23:24 それを見た人。どういうわけか、多分
23:27 レプシッチの eh 定数として正規化する
23:29 あるいはそのネットワークの標準とか
23:30 もの。そしてここに載っている記事は
23:35 10ページにわたる実験があり、
23:37 その後100ページの付録、証拠、そして
23:40 私はとても読みにくくて 理解不能。
23:41 理解不能。
23:43 これは一つのアプローチです
23:45 典型的には好きな人
23:46 数学は、
23:49 その解決策。 2番目のアプローチは
23:51 私は選んだ、私はそのような巨大な
23:52 データ分布は実際には暗黙的に
23:54 あらゆる可能性のあるデータを含みます
23:56 興味があるかもしれないですよね？それはそうなるだろうから
23:58 文字通りデータをコピーし、
24:01 そうすれば彼らは見るでしょう。しかし、その概念は
24:03 大規模なデータセットは、
24:04 あらゆる視覚的形態で現れる
24:07 状況。さて、このアプローチは
24:11 何年も動かずに、彼らは解決しました
24:12 多くの指標で、私たちは実際に
24:15 問題が次々と現れ、
24:16 実はこれがシンプルなアプローチです
24:19 データ拡張とモデル拡張により
24:24 自分が知らないことを区別する能力と
24:26 ミニチュア版のようなものを手に入れる
24:28 限界がどこにあるかについての内省
24:30 彼の知識。そして興味深いことに
24:32 関係を拡大していくことで、
24:35 このモデルは画像認識用だったので
24:44 課題をこなすと、彼らは区別する能力を失い、
24:46 どこが間違っているのでしょうか?さて、私たちはここにいます。
24:48 彼らは小さな小さな紙を見せた
24:50 問題はいくつかありましたが、
24:53 未解決のままでは、
24:56 物を拡大すると、よりよく関連付けられる
25:00 自己認識。システムの何 知らない。
25:02 知らない。
25:04 スケーリングという言葉を聞いたことがあるでしょう
25:11 můžu představit.トゥ ジェ クティ。実は
25:18 もっと大きくすればもっと良くなる、と。そして
25:20 些細なことのように聞こえるかもしれないが、それは
25:25 具体的にではなく、その分野の人たちが
25:30 スケールするトランスフォーマー
25:33 計算能力なので、実際には、
25:39 スケーリングと呼ばれるルール
25:56 彼らは計測し、これは有名な写真です
26:03 許し。 And if you look at those authors,
26:09 典型的には学術的な発見は多くの
26:12 アプリケーションにすぐにアクセスして、
26:21 完全に簡単で予測可能な
26:22 人工知能を獲得するための道、
26:28 正確にどのように拡大するか、どのように正しく拡大するか
26:30 データ量、ネットワークサイズ、
26:43 それで、 許し、
26:45 許し、
26:54 人によって。もしそれが本当なら、ああ
26:58 私はそれについて話しているのではない。答えは「イエス」です。
27:00 それは真実ではない。
27:02 残りの講義はそれらについてです
27:04 スケーリングが機能しない場所と
27:15 私が強いとき、例えばその大きさ
27:29 モデルは、接続されたより大きなポストとして持つ
27:42 はい、ごめんなさい。シフト。えっと、あなたの同僚はここにいます
27:44 素晴らしい質問があった人と悪い質問があった人
27:46 前提。 E、質問は
27:49 前提ニューラルネットワークにはより多くのニューロンがある
27:50 あるいは、人間の脳よりもシナプスが多い。なぜ
27:52 彼らは人間ほど賢くないのでしょうか？プレミスル
27:54 間違っているのは、
27:56 人間の脳よりもシナプスの数が少ない。
27:58 私は生物学者ではありませんが、
28:00 それらは何に関係しているのか知っている
28:02 何に取り組んでいますか?人間の脳は今
28:05 アメリカ式数字を使いますから
28:08 兆は109、兆は10から12、
28:10 チェコの兆と混同しないでください。
28:14 サイズを見ると
28:16 私は現在、
28:19 100％ではないし、神経系を養う
28:21 人工ネットワークは、
28:24 ニューロンは生物学的です。そのネットワークは次のようになります
28:25 それらの間のつながりのように
28:27 そのネットワークのバブルはあなたが書いたもので、
28:29 一つ一つが悪いわけではない
28:31 比較すると、しかし、
28:33 10の因数として隠すが、そうは思わない
28:35 例えばここにある数千の因数
28:37 比較の悪さだけでなく
28:39 具体的な数字を見てみると
28:43 えーえー英語ではビーはBと発音します、
28:45 これは興味深いことです。ミツバチは約
28:47 10億個のシナプスなので、1B
28:51 シナプスは1つのBにあるので、それはいいことだ
28:53 記憶のための記憶術として
28:54 生物におけるシナプスの数
28:58 システム。一匹のミツバチ10億10億10億、
29:00 ああ、それは素晴らしいですね。そして人間の脳は
29:02 大幅に大きく、約10万倍も大きい
29:04 人間の脳には約100兆個の
29:06 シナプスと現在存在する最大のモデル
29:08 私たちが使っているものは、だいたい次の順序です
29:10 パラメータの単位は兆単位です。それで
29:12 人間の脳は少なくとも100倍
29:15 より大きい。そして、その1000倍も大きい可能性がある。
29:16 このようなモデルは
29:24 専門家。これは、ほんの一部だけ
29:26 そのモデルの計算が一度に行われます。選ばれる
29:27 そのモデルを適応的に通過する方法として
29:32 人工知能における最大のモデル
29:35 今日では少なくとも100倍、
29:38 最大100回まで。
29:42 人間の脳の1000分の1の大きさで、
29:46 やりたいことはその逆です。なぜなら
29:58 オリンピック、人気があるにもかかわらず
30:02 ひどく非効率的で愚かなので
30:04 逆説的に、それらは
30:06 人間の脳とそれらはかなり
30:08 重要な技術分野
30:10 人間の脳レベルでは、おそらく
30:12 何かを学ぶ人よりも効果的である。
30:16 ああ、それは本当だね。そして、それらは著しく
30:18 menší než lidský mozek.いい質問ですね。 E、
30:21 ale špatná premisa.はいはい、わかりました。 Tak já teďka
30:28 さて、ゲームをしましょう。何が見えますか？
30:35 写真。
30:44 Jo, hezký. Ale ten pes to měla bejt.すでに
30:53 そして私が訓練したニューラルネットワークは
31:04 喜び。 Takže co vidíte tady? 犬。
31:05 犬。
31:07 Dog. Great. Je to pes. Pro člověka.それは
31:11 それで何か教えてください。それから
31:14 視覚野は
31:18 ここに大きな問題があります。でも、ここに来たら
31:27 それでは、2つのものを並べてお見せしましょう
31:29 あなた自身。東宝PSA a to auto。 A vy vidíte,
31:36 強い。
31:37 A to je zajímavé, ne?だから
31:41 どのカテゴリーに属するか
31:52 ランダムノイズではないことを確認しましたが
31:56 摂動の大きさはおおよそ
31:59 レベルええ
32:09 色。 Well, this caused the
32:14 車。 And now the interesting thing is that
32:18 ちょっと利己的なことのように思えるが、
32:20 私が今までした中で最も利己的なこと
32:22 見た。最も典型的な
32:24 それを想像できる車。そして
32:26 これって実際ちょっとクールですね。
32:27 刺激、その概念を知っていれば
32:30 ニューラルネットワークの生物学。超刺激
32:32 非定型的ではない入力である
32:34 例えば自然界において。ひどいことを言ってみましょう。
32:36 決して
32:37 私たちの進化の環境では発生しなかった、
32:39 だから私たちは彼と一緒に学ぶ必要がなかった
32:41 進化論的アプローチ。そしておそらく同じ
32:43 ここで実行されているか同等のバージョン
32:45 これはあなたが対処しなければならないことだ
32:47 トレーニング中にネットに遭遇することはなかった。
32:49 彼女は自動的にそれを作ったわけではない
32:51 それに対する防御。そしてこちらが小さい子
32:53 摂動は評価を完全に変える可能性がある
32:56 その写真に何が写っているのか。
32:58 この写真はランダムではありませんが、
33:01 私が数学的に正確に作成したもの、または
33:03 私が書いたプログラムで
33:06 それは混乱を招くニューラルネットワークです。そしてそれはタイプです
33:07 私が考える動揺
33:09 ここ数年、私がいないときは
33:11 仕事で科学的な問題を解決するとき
33:14 問題。えっと、それは極端ですね
33:16 これは面白いですね。えっと、それは極端ですね。
33:19 面白いことに、同じ写真でも
33:21 神経細胞だけを混同しないでください
33:23 ネットワークですが、すべてのニューラルネットワークを混乱させ、
33:25 それは私たちが得ることができます。たとえその間に
33:28 トレーニングデータ、アーキテクチャ、
33:31 サイズと多かれ少なかれすべての詳細と私
33:34 しかし、それは同じ脆弱性を共有しています
33:35 あなたの心の中で、どういうわけか
33:38 獲得し、互いに共有しているが、共有していない
33:40 人間の視覚システムと。私たちは
33:42 私たちは、小さなものを見るように教えようとしている
33:45 ジョムが説明した通りに正しく
33:46 そこから出てくるものは、多かれ少なかれ
33:48 いつも私たちが望む通りですが、
33:50 なぜか彼はいつもここでシェアしている
33:52 脆弱性、ここここここエラー率、
33:53 そこに現れ、私たちが
33:56 見つけるのはとても簡単ですが、どれが
33:58 とても奇妙です。
34:00 そして、これらの敵対的な攻撃は、
34:03 2014年、ええ、これから
34:05 あちこちで変化した有名な紙
34:08 テナガザルのパンダ。そして、あなたは気付くかもしれません、
34:12 そのフライパン、失礼、そのパンダ、
34:15 つまり、それはある程度の確実性のようなものなのです
34:17 わずか60％ですが、テナガザルは
34:20 非常にええ、非常に可能性が高い
34:21 テナガザル。まさにその効果ですね
34:23 私たちが話していたとき、突然
34:24 刺激は非常に強いので、それにもかかわらず、
34:26 人間に少しも似ていない
34:28 テナガザルのように、そして突然ネットのように
34:30 彼女は二度とテナガザルを見ることはなかった。
34:32 テナガザル、ここにある写真よりも。
34:34 クリスチャン・セゲドはかなり有名です
34:36 現在AIに取り組んでいる数学者
34:39 アップルの数学およびグッドフェローB AI部門
34:42 人工知能に関するかなり有名な教科書を執筆した。
34:44 知性と私の投資家の一人
34:46 新しいスタートアップ。
34:48 この問題は10年も前から存在しています
34:51 オープンしており、約10,000の科学的
34:53 それを解決しようとする記事と
34:55 誰もそれを解決しませんでした。それは、
34:57 それを説明するのは非常に簡単です。実験
35:00 これはラップトップで行われます。
35:02 何かが困難になるまで待つのと同じようなものはありません。
35:03 それはやらなければならないことではありません。
35:05 アクセラレータまたは10,000グラフィックス
35:07 カード。非常にアクセスしやすいのに、
35:09 誰もそれを解決する方法を知りません。それでここで
35:11 観客の中には若者がたくさんいるようです。
35:13 これを解決できれば、
35:15 だからあなたは必ず名を馳せ、
35:16 博士号や
35:17 ご希望の研究室
35:20 欲しかった。これは本当に興味深いですね。
35:22 未解決の問題であり、非典型的です。ここ
35:23 開いたものはこんな感じです
35:26 アクセスしやすく、実にシンプル
35:30 ノートパソコンで実験できます。
35:32 まあ、同じ問題はそれらにも当てはまります
35:35 彼が書いた世界最大のネットワーク
35:37 私は1年前に新聞社に勤めていました。
35:39 同じものが共有されているだけであることを示した
35:41 最も強力なモデルであっても、
35:44 彼らは存在します。そして私はただ
35:45 ビデオを再生しようとしたのですが、
35:47 おそらくうまくいかないでしょう。
35:52 それで、そのビデオで想像してみて
35:55 後でどこかで紹介します
35:56 私も同じ写真を持っていますが、残念ながらビデオは
35:58 全然再生されません。もし私が
36:01 ここをクリックしてみました。
36:03 わからない。それはおそらく問題ではないでしょう。それはおそらく それは機能しません。
36:05 それは機能しません。
36:06 ねえ、それは YouTube で公開されているビデオなんだよ。
36:09 私は思う。まあ、それは問題ではありません。とにかく、私は
36:10 それがどうだったか話せば、それは繋がるだろう
36:12 動画には名前が付けられているので、自分で見つけられます。
36:14 しかし、同じ問題は
36:16 世界最大のモデル。そして、
36:17 そこにスティーブンの写真があります
36:20 ホーキングはGPTチャットと
36:22 私は、あなたがそのビデオで何を見ているのかを尋ねています
36:24 徐々にこのように
36:26 彼はテキストを広げると突然こう言ったのです
36:28 彼はビデオ「Never Gna Give You Up」を見て
36:30 リック・アシュリーによる有名な
36:32 リック。私が作ることができた
36:34 スティーブンの実物写真の遺物
36:36 ホーキングはここにいる皆さんにとって
36:38 最も大きなモデルは、
36:40 彼女を見てみろ、彼女はスティーブンを自分の中に見ていない
36:42 ホーキングは、彼女の中にヴィクターを見出し、
36:44 うまくいけばそこにいるだろうが
36:46 私の話が興味深いものになれば幸いです。
36:48 それをあなたに説明しましたが、バージョンがあります。
36:49 静的なものは 彼ら自身
36:51 彼ら自身
36:52 これらは100ドルのモデルです
36:54 訓練とそれらの取得には100万ドル以上かかります
36:56 あなたができる最大のセキュリティ対策
36:57 想像できると思いますが、
36:59 数十億人という非常に大きな
37:00 解決しようと努力したが、それでも解決できなかった
37:03 ここで解決できます。ここでお見せします
37:05 同じ問題の小さなバージョン
37:07 未発表論文ですが、現在執筆中です
37:09 私は働いています。そしてこれが元の画像です
37:12 私はチャットGPTに彼女が何を見ているのか尋ねます、そして彼女は
37:13 それはパンダだと言っています。まさにそれです。
37:16 期待される。ああ、それに動揺を加えよう。
37:17 新しいものを使ってデザインした
37:20 私が開発したアプローチ。ああ、それだ。
37:22 摂動によって少し変化が生じるだろう
37:24 あのパンダ、でもあなたはまだ見ているでしょう
37:27 パンダ。えっと、チャットGPTに聞いたら、
37:30 sees, then he says he sees Gibbon.そして今
37:32 それは面白いですね、素晴らしいですね。もちろん
37:34 私はそれらの体重計にアクセスできませんでした。
37:36 システム。誰も私を入れてくれなかった
37:37 そのモデルに1キロメートルなので、私は
37:39 もちろん彼はそれをデザインできなかった
37:41 問題は、GPT チャットに正確に招待することです。
37:43 それはあなたが完全に持っている一般的なアプローチです
37:44 チャットだけでなく、世界中のすべてのモデル
37:47 GPT, even more interesting.さて、もし
37:49 モデルに絵を描いてもらいます
37:51 その写真で彼らが見ているものは、出力です これ。
37:54 これ。
37:59 計算能力に約1セントかかりました
38:03 モジュールの機能はまだ
38:08 トレーニングして走ります。どちらが極端か
38:14 これは何らかの理由で共有されている
38:16 すべてのモデルに感謝し、その共有に感謝します
38:19 それを乱用したり使用したりして見せることができる
38:20 ここに例があります。ここにそれらは現実だ
38:25 彼らは、虹の摂動そのものを与えた
38:28 いいえ、彼は何も言いません。
38:29 Yeah, he'll say it's some kind of rainbow.について
38:31 主にここに摂動がある
38:32 非常に強調されているので、
38:35 0.03を掛け算する必要がありましたが、ほぼ
38:37 確かにそれについては何も言わないでしょう。 もの。
38:38 もの。
38:49 そして、あなたは大体あなたが
38:51 物事の高レベルの輪郭は、
38:53 あの写真、あの目のような
38:56 鼻も同様で、
38:59 ここで共有されているようなもの
39:01 ズームアウトしたレベルですが、
39:08 面白いTシャツが作れます
39:09 これで。例えば、
39:16 彼はパンダが見えないと言うので私は心の中で思う
39:18 about drawing what the model sees.そして
39:20 モデルが見ているのは、祈る人々だ
39:24 lidi na modlícím eh koberci.しかしまた、
39:26 あの黒い髪を見ると
39:28 人々はほぼ同じ大きさです
39:32 そのイメージが共有され、そのモデル
39:33 いくつかの側面を正しく認識している
39:35 絵は描けるが、全体像は把握できない
39:42 彼は小さな模型を指差した。
40:11 全く違う場所にあると確信する
40:18 摂動私はプリンストンにします、
40:20 私はハーバード大学で別の摂動と
40:22 それをまた別の混乱に陥れるつもりです。
40:31 Nothing changed between those pictures.しかし
40:33 その変化は典型的なノイズではない、そこにあるだろう
40:34 全然効かなかった。 There would be extremely
40:36 通常のノイズには耐性があるが、
40:41 神経ビューアを持つように設計されている
40:45 またはパーセプトロンとして。
41:04 チェルヴェノウ。はい。 A když se zeptám modelu,
41:11 intersections and so he says yes.それで
41:12 小さな摂動のように。そして、
41:14 見ようとすれば、それが
41:16 ここに小さな緑のスポットを追加しますが、
41:18 それは人にとって何の役にも立ちません。しかし
41:19 モデルは完全に混乱しており、
41:21 突然この鮮明な画像の中に
41:22 赤は緑を見る。そこで管理されています。
41:24 左側はイギリスから来たものですが、
41:26 それは周りのものとは違いますが、しかし
41:27 ここにあなたが持っている写真があります
41:31 システムは全く問題ありません。ここも同じ
41:33 信号機がそれを見ているかどうか尋ねます。
41:35 ああ、ちょっと待ってください、信号機はこれを見ることができますか?
41:38 そして信号機がそれを見ます。それは素晴らしいことです。ここ
41:40 彼はそれを正しく見ています。私は尋ねます
41:42 ここでは信号が見えますが、ここでは信号が見えません。そして
41:45 唯一の変化は私が
41:47 極めて小さな摂動を加えました。
41:48 少し大まかに
41:52 まあ好きの人もいるし、虹が好きな人もいる
41:53 私が追加した虹の模様
41:55 その信号機とモデルのやり方
41:56 突然、信号があることに気づかなくなった
41:58 それはまったくそうです。
41:59 ここでは物理的なものかもしれないが、
42:00 だって私は
42:02 信号機の前にある防水シート
42:04 その色とそのモデルは
42:06 He lost the ability to see the traffic light.そして
42:08 それはひどく非人道的な行為です
42:10 非常に非人間的な間違いの仕方です。なぜなら
42:11 なぜこのようなことが起こるのか、私たちには想像もつきません。
42:12 実際にそのシステムではそれが起こります
42:14 それは人間としては非常に異例なことで
42:16 それは我々には何の役にも立ちません。
42:17 さて、もしそれが描かれたらどうなるでしょうか？
42:20 絵を描いたらチェコ人が描き出す
42:22 問題の詳細。あなたもそうする
42:25 これはケンブリッジが正しく幻覚している
42:26 そのバスの中では、判読できないが
42:27 その写真から、彼は自分が
42:30 この写真からケンブリッジですが、あの信号機 追加しません、
42:31 追加しません、
42:37 背後にある質問。そうだ、私もそうだ
42:42 しかし、写真と全く同じように見えます
42:45 確かに写真はあるが、模型ではない。えー、そしてどちらでもない
42:48 バスは動いたので何もできない
42:51 その写真とともに。できるかのように
42:52 そのイメージの周りの多くの詳細を変更し、
42:53 あの信号機のあのクソはまだ
42:55 彼はまるで私が信号機であるかのように信号を隠していた
42:57 バスを塗り直すこともできるし、
42:58 move it and it would still work.しかし
43:02 大きく変わったが、どれくらい変わったかは分からない
43:06 摂動はあります。突然、そこに
43:08 例えば水平線、
43:10 おそらくうまくいかないだろう うん、
43:10 うん、
43:12 それはそうあるべきである
43:15 私はあなたの前にこのようなキャンバスを広げます
43:19 違います。 byla zajímavá otázka、kterou 宛
43:26 どのくらいかかりますか？
43:33 že je to extrémně rychlý.それはまるで
43:39 うん？
43:50 彼はショーの前にプレゼンテーションをしていたところだった。
43:52 ああ、それは本当にバカげている。
43:55 Yeah yeah, good intuition.それは多いですね。 バカ。
43:55 バカ。
43:59 It is certainly possible to calculate it live.それは
44:05 攻撃的な研究者であるべきだった
44:07 セキュリティとかが好きなので
44:11 私のタディテンの考え方。素晴らしい。さて、それでは
44:13 この質問は推論を助けるために使うことができ、
44:15 たとえばテキスト内の多くの問題を解決します。ここ
44:18 以前。そしてその人はこう言うかもしれません。
44:20 わかりました、モデルは本能的に
44:22 彼は「そのバカな答え」と言うだろうが、
44:25 彼は考え、そしてそれを認識して自分自身を訂正します。
44:35 それらのモデルと同じくらい愚かな
44:42 モデルとは文字通り推論を意味します
44:43 例えば数学の問題では、
44:45 それはその枝を通って
44:47 議論すれば、知能が大幅に向上するだろう
44:49 そのシステムは、ある意味で非常に似ています
44:51 少なくとも視覚的な意味での思考
44:53 ドメインは実際のものとは大きく異なります
44:57 lidskj mozek。それは面白い。
45:16 スウェーデンのICMLで発表された
45:27 緑青か何か、理由は分からない
45:29 3Dオブジェクトに印刷するが、ここには
45:30 ここに貼ってあるホイルのように
45:33 クレヨンとホイルは
45:36 当時の典型的な検出器は
45:38 そのカメを見てこう言えるのです
45:40 それはカメではなく、ライフル銃だということ。 E
45:42 そして、ここではあらゆる角度からそれが機能し、
45:44 Googleレンズを例に挙げてみよう
45:45 あるいは画像認識装置のようなもの
45:47 携帯電話をカメに向けて
45:49 それはライフル銃だと言うでしょう。そして
45:51 それがホーキングのやり方です。ところで、
45:52 Google Lanceからそれを取り出して
45:54 類似画像を検索できます
45:56 インターネットなら、あなたの代わりに見つけてくれます。もう今ですよ。
45:58 Googleがすでにインデックスしているというのは少しバカげている
46:00 私の書類なので、時々彼はあなたにこう言うでしょう
46:02 これは私の広告攻撃ですが、多くの場合、
46:06 彼はeがrecolであると言うでしょう。ちなみに、
46:07 ここでこれを写真に撮ると、
46:09 動作するはずがなかった。ここではうまくいきました
46:11 小さいモデルで、これは私のカメではありません、それは
46:14 7年前のあのカメ、
46:16 しかし、それが最初の物理的な遺物でした。
46:18 ここに修正を移すことができた人
46:21 それらの写真を物理的なものに
46:22 アーティファクトははるかに難しいので、
46:24 なぜなら、このことはここから機能しなければならないからです
46:26 さまざまな照明の下でのあらゆる角度、
46:28 変化する様々な変換
46:30 それらのピクセルの正確な位置。そして、
46:31 もしかしたら、それらはここにあるかもしれない
46:35 バカだから、彼は攻撃するみたいだから
46:36 まさにその特定のピクセルが
46:38 敏感なものは変わります。しかし、それは
46:41 ここにあればそれは真実ではないはずです。
46:43 ここでも機能するので機能する
46:44 さまざまな角度や照明の下で
46:47 それで。つまりそれは物理的な遺物です。さて、
46:48 ここには物理的なアーティファクトもあります。それは
46:51 スティーブ・ホーキングと私の写真
46:53 この論文は興味深い。私があなたに与えたプロットは
46:55 物理的なものをいつ取るかを示したかった
46:57 ここで撮った写真
47:00 ヴァーツラフ広場の被害写真。そして私は
47:02 テーブルの上に置いて、その上に物を積み上げます。
47:05 たとえば、さまざまな部分を隠すためなど。
47:07 GPT チャットで何が見えるか聞いてみます。彼女は見ている
47:09 それで私はそれを描くつもりだ、何
47:12 見る。そして本当に興味深いのは、彼女と同じように
47:14 ネットワークはすべての詳細を正確に把握し、
47:16 そのマグカップは美しすぎるよ、そうさ
47:19 それは非常に代表的な作品のようです
47:22 彼らがそこで見ているものについてですが、問題は
47:24 そのイメージは今でも誤って認識されています。
47:27 ロールのように。ここにはたくさんのバージョンがあります。のみ
47:29 簡単に説明させていただきます。興味深いのは
47:31 前回のイルミネーションは本当にこんな感じでした
47:32 イメージをひどく損ないます。それは
47:35 シックだし、反射もあるし
47:38 しかしモデルは美しいハークレーを見る 下
47:40 下
47:42 そしてそれが表れていると私は思います。そしてここにあります
47:45 ちなみにジェミニですよね？これがGPT 4です。
47:46 許し。しかし、同じことがクロッドにも当てはまる。
47:49 ジェミニ、ミストラルのモデル、みんな
47:51 世界のモデルとして、私はよく知っています
47:53 彼らは全く異なる視覚エンコーダーを持っており、
47:55 異なるトレーニングデータでは、それらはひどく異なります
47:56 細部は同じだが、
47:58 私は、
47:59 彼に対してではなく、ミニチュアに対して
48:02 私のコンピュータ上のプロキシ モデル。ああ、それだ。
48:03 それは機能し、彼らを混乱させます。本当に好き
48:06 機械学習における深い問題。
48:08 あと10分くらいありますよね？
48:12 講義を正しく理解していれば。
48:13 興味深いスライドがたくさんあるので
48:15 私は今戦略的に何をするか選択しなければなりません
48:18 面白かったです。あそこにお願いします。
48:20 さて、それでは質問です。それで、ここにあります。
48:22 私はそれらを使って名刺を作りました。
48:24 このホーキングの山の写真を撮って
48:28 彼らが何を見ているのかを尋ねると、彼らはそう見ている
48:31 ああ、リコヴァラは正しかった。彼はただ知っている、
48:33 私はどんな研究者なのでしょうか、それはどうでしょうか?
48:34 通常、そこに私の名前を見ると、
48:35 それは何かかもしれない
48:37 間違っているが、どうして自分自身を正さないのか、
48:40 それは素晴らしいことです。私はまだそれについて幸せです。ああ、そして
48:41 それを視覚化すると、
48:44 そうすれば、私の視覚化は見栄えが良くなるでしょう。
48:47 名刺ですが、そこに記録されています 片付ける。
48:49 片付ける。
48:52 これが楽しいデモンストレーションでした
48:53 それは本当に大きな問題だ、
48:55 本当に効きますよ。そして今、私は
48:57 えっと、ちょっとやりすぎだと思うけど
48:58 この時間なので、
49:00 わかった。ええ、いくつか興味深いもの
49:01 数学的な側面、
49:03 これは私たちが
49:06 数学の問題に関する数学
49:09 数学者ではない。私の数学は
49:11 非常に限られているが、幸いなことにここにある
49:13 問題は限定的に利用可能 数学。
49:15 数学。
49:19 ここでの大きな問題は、全体として
49:21 その空間の豊かさ、可能性
49:24 写真とスペースの色付け方法はこちら
49:26 犬、猫、
49:31 いくつかの例を挙げて説明する
49:33 これがまさに私が言いたいことであり、あなたは
49:37 ここではその方向で考えています。
49:39 えーっと、ミニペンで書いてみました。
49:41 だから私は
49:42 このような興味深い効果を証明するために、
49:46 私が実際にnを取ることができることをどこで示したか
49:51 おお
49:53 いくつかの種類の動物、テリア、旅客機、
49:58 最初のものを
50:00 航空母艦とバンガーに1つずつ
50:01 3番目はベンチに、4番目は
50:04 数学の先生、何でも好き。そして
50:05 私の疑問は、私には能力があるだろうか？ということでした。
50:07 一つの摂動を提案する
50:09 最初のイメージを最初のものに変え、
50:10 私が欲しいのはどれか、そしてその2枚目の写真
50:12 2番目。そして、私はそのうちの何人が好きですか？
50:14 フィットするもの、変形できるもの
50:16 すぐに、これで十分です 正しく
50:18 正しく
50:20 提案させていただきます。ここで同じことが分かります
50:22 摂動は5つのカテゴリーを調整する
50:24 5つの異なる目標に対する異なる画像、
50:26 私が特に選んだものです。しかし私は
50:27 私はその論文で、
50:30 おそらくここには何百もの問題があるので
50:31 ここに何百もの写真があります。
50:34 必要なターゲットラベルへのマッピング
50:36 攻撃者としてそれを変えるために私はここでそれをすることができます
50:38 その中の動揺を隠す
50:39 写真。つまり、1枚の画像でそれが機能する
50:41 他のものとは全く違うが、全く同じである。
50:42 望んだ通り。
50:45 ここでは完全な豊かさとして現れています
50:46 そこに存在する空間の
50:48 あなたと同じことができるからです
50:51 幾何学的に示しますが、そこにあります
50:53 可能性の大きな冗長性
50:55 私が果たすことができる混乱
50:57 これらすべての条件がここに一度に揃っているので
50:59 変身は突然こう言った
51:01 同じ摂動によって、同じイメージによって 真ん中に。
51:03 真ん中に。
51:05 そして、その方法を具体的にお見せしたいと思います
51:07 スペースは広大ですが、
51:11 線形geom線形などが欲しい
51:12 オンオンに関する代数的推論
51:14 分。ですので、どうかご容赦いただければ幸いです。
51:16 ここでいくつかの軸などを解きます。しかし
51:19 1枚の写真から始めることにしましょう。そして
51:23 数字の束。各番号を指定する
51:25 左上のピクセルにそれを移動し
51:27 その横にある絵を想像することができます。
51:29 長いベクトルのように、
51:31 どの色がどれか。そしてこれが写真です
51:35 32 x 32 x 3 色、つまり 3072 個の数字があります。
51:37 だからこの写真は代表的なものだ
51:40 3072次元ベクトル
51:42 空間。ああ、それがすべてだ
51:48 そのスペースで一つずつ撮ることができます
51:50 ここからその地点までの方向は
51:51 再び指定された
51:56 あちこちの摂動の量によって
51:58 方向。 0.1をあちこちに加えることができる
52:01 パーティション0.2でうまくいきます
52:03 3072次元空間。理にかなっている
52:10 私が通常提案する軸は
52:12 直交的に、なぜならそれは本当に良いからです
52:14 高解像度の直交ベクトル
52:21 ここで私が
52:22 そのラインでどこまで行けるかを示している
52:24 動く。 2つの数字アルファと
52:26 ベータ版なので、私にとってはポイントが明確になります
52:33 点、つまり平面です。彼には2つある
52:36 方向とその地域は3072に住んでいます
52:38 可能なイメージの空間の次元。そして
52:47 その点が画像自体を切り取る
52:48 ある程度の摂動と
52:50 ある程度の第二の摂動によって、
52:51 もし私ができるだけ多く見つけることができれば
53:00 そのセクションにある写真は
53:02 発生し、私は敏捷性を開発しました、
53:17 The point in that picture is the image.うん、
53:23 飛行機のように見えますが、少し
53:31 そのモデルは変化しており、
53:35 欲しい写真は何でも。それ
53:38 豊かな、私はカットを見つけることができる
53:40 実際に何でもします。
53:42 それは本当に興味深いですね。
53:45 その飛行機には何か塊があり
53:47 飛行機のカテゴリーは常に存在します。いつ
54:02 欲しい。タクジェ・ジャ・ビチ・タディ・モール・ミト・ジャコ
54:13 それはここに表示されます。
54:25 飛行機の周りに人がいないことを確認するため
54:27 素晴らしい摂動はそれを引き起こしませんでした
54:29 犬や猫とか、
54:30 関数が見えることを確認する必要があった
54:32 全く違う、もっと似ている
54:34 大きなボール状の溶液のようなもので
54:37 ここはひどく潰れた空間です
54:41 ええ、交差する先端とかそういうの。
54:43 まあ、これを見ると、どういうわけか
54:45 たとえば、私の場合を推測してみます。
54:50 他のカテゴリーも存在するので、
54:52 推測すればわかるが、
54:57 そして、あなたを不安にさせる写真
54:59 一つの不安は、それらが赤いということ
55:01 ボールと私は同じ摂動を持っています
55:03 すべて、そして私は、例えば、
55:05 これは元々ボールだった
55:06 紫のカテゴリー、突然ピンクになった
55:08 カテゴリーとここでは黄色のカテゴリーは
55:10 青いカテゴリーなので、私はそれらを作ることができます
55:12 nはすぐに得られるので、このaからnを求めると、
55:14 それが私にとって最大の効果です
55:15 その実験で最大限の成果を上げるには、
55:17 私は、相互に、と見せていました
55:19 その変化を一度に理解できれば、
55:21 この男がどれくらい裕福か大まかに推測する
55:24 さまざまな泡のためのスペースがあり、
55:26 同じクラス、同じ
55:28 これらの写真のカテゴリとそれは
55:30 非常に大きな数。小さなお子様でも
55:32 モデル数としては、非常に多い数です。そしてそれは
55:33 何をやってもダメだから
55:35 それをどうするか、それをどう正規化するか、どのように
55:36 褒められるようにする
55:38 わかりました。ここにいる全員が
55:43 同じで、色を変えることができる
55:50 プロペンジオメトリがたくさんあるので
55:51 ボードでやりたかったのですが、
55:54 時間が限られているので、やりません。
55:56 しかし、ガウス分布の興味深い点は
55:57 大規模な配布
56:01 半径は、つまり
56:03 ランダムに選択された高次元ベクトル
56:07 見てください、それは異なる方向に進んでいますが、
56:09 それらは多かれ少なかれ常に同じ長さです。二
56:10 ランダムベクトルは多かれ少なかれ常に
56:15 少しだけシェアしたいです。ええ、たぶん
56:16 最後に思い浮かぶのは
56:18 非常に直感に反するのですが、私が
56:22 正方形にして4つに切ります
56:25 このようにパンにボールを入れます
56:28 あるいはここにあるリングが何に触れるか
56:29 一番多くて真ん中のリングを見つける
56:32 ここに、えっと、だから彼は小さい子になるでしょう。それが
56:34 私も3Dの球体の中に自分を作ります
56:35 小さいですが、私が主導すれば
56:38 大きいサイズ、サイズ9以上
56:43 あの翼。だから、私は
56:44 妨げとなる制約
56:46 中間スペース、両方とも高い
56:57 キューブ。 A tady to mám na na blogu,
56:58 不思議に思うかもしれませんが、それはメガのようなものです
56:59 simple math.それだ、それだ。
57:03 There are a lot of things like that.でも私はただ
57:06 その行動を説明したい人たちへ
57:07 高次元のものは非常に
57:09 インポート時に直感的ではない
57:11 intuice z dvou a tří rozměrů.そしてたくさん
57:13 乱雑なネットワークの側面は、
57:15 私の博士号と研究の側面
57:24 高次の次元を熟考する
57:32 これは、いくつかのディストリビューションが
57:39 simpler than in low dimensions.それは
57:47 bejvá výhoda v nějaký 分析します。それで
58:40 その物は平均的である可能性がある
58:42 堅牢で平均的から非常に堅牢、
58:44 しかし同時に、その下には繊細な部分もある
58:46 プレッシャーと探求
58:51 ここでの標準的な解決策は
58:53 それを本物のトレーニングと呼んでいます。お見せします、
58:56 それがどのように機能するか、そしてなぜ機能しないのかを説明します。
58:58 典型的な半袖はデータがあるように見えます
59:00 ラベルも手に入れて、ユーロノバに行きます
59:03 包囲して訓練して何かを訓練して
59:04 今すぐこのトレーニングルームで作ってみます。
59:06 政権に反対する例に反対する
59:08 そのネットワークに対する広告攻撃により、
59:10 彼女は間違っていた。画像を編集して
59:13 突然混乱してしまいました。投げ返します。
59:15 そのトレーニングセットに私が「いいえ、
59:17 「それは車ではなかった、犬だった。」ああ、そして今
59:20 私は次のステップのトレーニングに進み、
59:22 ネットワークを再度更新したら突然ネットワークが
59:23 まったく異なる種類のエラーのようなものです。そして私はできる
59:25 その反例を見つける
59:27 敵対的な攻撃、それは、それは
59:29 ネットに馬が来たようです。私はこう言うでしょう。「いいえ、
59:32 それは馬ではありません、犬です。投げ返します。
59:35 そして私はこれを何度も何度も繰り返します
59:38 各画像ごとに1000回。そしてそれらに
59:39 ミニチュア低解像度
59:41 例と10のカテゴリーがあるので
59:43 非常に限定的な問題で、
59:47 少し頑強に振る舞うもの
59:51 反例を以下に示します。
59:52 そして、何が起きているか想像してみてください
59:54 幾何学的に、ここにこれがあります
59:57 オリジナルの犬と今、それらのカテゴリー
59:59 周りには色々なものがあります。彼らは
60:03 toho prostoru té kategorie.そして私は
60:11 トレーニングセットとそれが私が彼女に行うことです 隣の人のために、そして隣の人のために、そして
60:12 隣の人のために、そして隣の人のために、そして
60:24 日常的に行われるトレーニング
60:28 その家。
60:38 汗をかくX軸の力
60:44 どうなるか見てみましょう。
61:09 尿。 jako očividně nedělá příroda へ、
61:14 はい、ここでは極端な量を見ていきます 計算能力は
61:15 計算能力は
61:21 非常に小さなものを強化することができます そのモデルを視覚システムとして
61:24 そのモデルを視覚システムとして
61:37 役立ちます。そこで、必要な新しいものは次のとおりです 考えがあり、誰かがそれを解決しなければなりません。
61:39 考えがあり、誰かがそれを解決しなければなりません。
61:46 そういうことです。 Eh, and I think it is
61:50 解決すれば、それは明白なものになるでしょう、 co mi třeba řeknete během pár věc.私
61:52 co mi třeba řeknete během pár věc.私 私はいくつかのアイデアを持っています
61:54 私はいくつかのアイデアを持っています それは起こり得たかもしれない。えっと、でもどれも
61:56 それは起こり得たかもしれない。えっと、でもどれも
61:59 比較的順調だが、どれも あまりうまく機能しませんでした。そして
62:01 あまりうまく機能しませんでした。そして
62:07 解決策はおそらく AISの支援を受けて、
62:09 AISの支援を受けて、
62:15 máte zájem.えーっと、 さて最後に、いくつかご紹介したいと思います
62:18 さて最後に、いくつかご紹介したいと思います
62:33 誰もがこれにふさわしいわけではないし、
62:36 科学上の問題なので、どのように 解決する。タクジェ・ズ・デフィニセ・v・トム・リディ
62:38 解決する。タクジェ・ズ・デフィニセ・v・トム・リディ
62:43 人間の目は機械とは全く違うものを見ます。
62:53 に、že se chcete divat přímo。そしてそれは
63:05 小さなピクセルを見つけてください。そして いつもそれが
63:06 いつもそれが 大きなものを見たタカのように
63:08 大きなものを見たタカのように 大きな角度の大きな絵のように
63:09 大きな角度の大きな絵のように 解像度または大きな角度として
63:11 解像度または大きな角度として 残念ながら、人間の目は、
63:13 残念ながら、人間の目は、 彼はまだ小さなぎくしゃくした動きをする
63:14 彼はまだ小さなぎくしゃくした動きをする 前後に大きく動きます。そしてそれは
63:18 前後に大きく動きます。そしてそれは 全くやらないのなら、何ですか？
63:19 全くやらないのなら、何ですか？ それはそれと関係があるかもしれないと思います。
63:22 それはそれと関係があるかもしれないと思います。 そして
63:24 そして ここに興味深い論文があります。
63:27 ここに興味深い論文があります。 私の意見では非常に興味深いですが、
63:29 私の意見では非常に興味深いですが、 多くの人によると、それは
63:31 多くの人によると、それは いつもと違うから面白い
63:33 いつもと違うから面白い ここで使用されている証明のスタイルトム
63:35 ここで使用されている証明のスタイルトム 議論があるが、ここで論文は、
63:38 議論があるが、ここで論文は、 人々を連れて行って彼らを直すとき
63:40 人々を連れて行って彼らを直すとき 神経科学で実行されている頭
63:42 神経科学で実行されている頭 視覚と瞬きの実験
63:44 視覚と瞬きの実験 あなたは彼らに写真を見せる
63:45 あなたは彼らに写真を見せる 乱されて見えるかもしれない
63:47 乱されて見えるかもしれない 車のような猫の代わりに、人々は少し
63:50 車のような猫の代わりに、人々は少し 彼らはその車を見て、人々のように、彼らは少しええ
63:52 彼らはその車を見て、人々のように、彼らは少しええ その摂動によって損傷を受ける可能性がある、
63:55 その摂動によって損傷を受ける可能性がある、 ただし、画像が鮮明な場合のみ
63:57 ただし、画像が鮮明な場合のみ たとえば 40 ～ 60 ミリ秒。多かれ少なかれ私のもの
64:00 たとえば 40 ～ 60 ミリ秒。多かれ少なかれ私のもの 解釈とは、人々が示すように
64:02 解釈とは、人々が示すように 1フレームのサンプリングのように
64:04 1フレームのサンプリングのように あの目、あの物、またはだいたいあれ
64:06 あの目、あの物、またはだいたいあれ レベル、ほぼ同じレベル
64:08 レベル、ほぼ同じレベル 更新に時間がかかります。
64:10 更新に時間がかかります。 私たちの目の光活性細胞では
64:12 私たちの目の光活性細胞では この場合、人々はある程度、
64:15 この場合、人々はある程度、 ここではこれらの摂動に耐えられず、
64:17 ここではこれらの摂動に耐えられず、 同じ脆弱性を共有している
64:19 同じ脆弱性を共有している 機械制御モデル。だからある意味
64:21 機械制御モデル。だからある意味 マシンビジョンは依然として
64:22 マシンビジョンは依然として とても良い、人間のように見える
64:24 とても良い、人間のように見える 短期的なビジョンや
64:26 短期的なビジョンや 視覚野または目がこれを実行する
64:29 視覚野または目がこれを実行する 物事を長期的な視点から見てみると、
64:30 物事を長期的な視点から見てみると、 それが何なのかは正確には分かりませんが、
64:32 それが何なのかは正確には分かりませんが、 神経科学者でさえそれが具体的に何なのかは分かっていません。
64:34 神経科学者でさえそれが具体的に何なのかは分かっていません。 関連するもの。そこで何かが起こるでしょう
64:37 関連するもの。そこで何かが起こるでしょう 突然人々はそれに抵抗する
64:38 突然人々はそれに抵抗する 彼らです。それは興味深いですね。そして私は
64:41 彼らです。それは興味深いですね。そして私は それは逸話的なバージョンです。
64:43 それは逸話的なバージョンです。 ここは私の隠れ家であり、私はそれに慣れています。
64:45 ここは私の隠れ家であり、私はそれに慣れています。 彼女が床にいなければ、彼女を探すために
64:47 彼女が床にいなければ、彼女を探すために 彼女を踏まないように。だから私は
64:48 彼女を踏まないように。だから私は 歩き回ると、たくさんの人が
64:50 歩き回ると、たくさんの人が 私はその鉄を少しの間探しているかのように横目で見る
64:52 私はその鉄を少しの間探しているかのように横目で見る どこに行っても、私は
64:54 どこに行っても、私は ここかここに点があるタオル
64:56 ここかここに点があるタオル 似たような模様のもの
64:58 似たような模様のもの カメ。そして、私には何度もこんなことがありました
65:00 カメ。そして、私には何度もこんなことがありました ちらっと見ただけで
65:03 ちらっと見ただけで そこにカメがいたと思ったのですが、
65:04 そこにカメがいたと思ったのですが、 それはタオルです。 E、明らかに好き
65:07 それはタオルです。 E、明らかに好き 人間の目から見ると、ここは奇妙に見えます。
65:08 人間の目から見ると、ここは奇妙に見えます。 その短い期間での近視眼的な決定
65:10 その短い期間での近視眼的な決定 一目見れば、ここだけでなく
65:13 一目見れば、ここだけでなく 実験装置としてだけでなく、
65:15 実験装置としてだけでなく、 ここでは特定の用途でよく使われます
65:17 ここでは特定の用途でよく使われます 私のカメと私の年の例。
65:20 私のカメと私の年の例。 それで、それはかなり興味深いと思います。
65:21 それで、それはかなり興味深いと思います。 ここでの問題の側面。まあ、もっと
65:24 ここでの問題の側面。まあ、もっと 私が皆さんにご紹介したいのは
65:26 私が皆さんにご紹介したいのは 最後にお話ししたいのは、
65:29 最後にお話ししたいのは、 これらのモデルはどのレベルで混乱し、
65:31 これらのモデルはどのレベルで混乱し、 そうではありません。そしてここにあった
65:32 そうではありません。そしてここにあった 大きな問題に対する未回答の質問
65:34 大きな問題に対する未回答の質問 1年前に私がそれについて書いたとき
65:35 1年前に私がそれについて書いたとき 紙。そして私にとって根本的な疑問は、
65:39 紙。そして私にとって根本的な疑問は、 視覚モデルではそれが見えないことは分かっています
65:43 視覚モデルではそれが見えないことは分かっています どの層でも同じことのようです
65:45 どの層でも同じことのようです 異なる抽象化を構築するもの
65:47 異なる抽象化を構築するもの 本質的には回復のレベル
65:49 本質的には回復のレベル 概念的に、そして最初から最後まで、
65:50 概念的に、そして最初から最後まで、 最初は方向性のある人にとっては敏感です
65:53 最初は方向性のある人にとっては敏感です エッジや、例えばさまざまな種類の塊のようなもの
65:56 エッジや、例えばさまざまな種類の塊のようなもの 輝く点として集中し、
65:58 輝く点として集中し、 周囲は真っ暗。そして私たちはこのように知っています
66:00 周囲は真っ暗。そして私たちはこのように知っています 例えば、猫の視覚野も機能し、
66:03 例えば、猫の視覚野も機能し、 この価格のため
66:05 この価格のため 相対的な倫理的実験
66:06 相対的な倫理的実験 特定のフォトチップなど
66:09 特定のフォトチップなど これらのニューロンの最初の層の細胞は
66:11 これらのニューロンの最初の層の細胞は ここに目があるのは
66:12 ここに目があるのは 敏感で、同じことが
66:14 敏感で、同じことが ニューラルネットワークは珍しいことではありませんが、
66:15 ニューラルネットワークは珍しいことではありませんが、 それはある意味で生物学を模倣しているということです。 E、
66:18 それはある意味で生物学を模倣しているということです。 E、 次にテクスチャを見て、
66:20 次にテクスチャを見て、 数式、画像の部分、そして
66:22 数式、画像の部分、そして 高層ビル。そして私たちは、
66:24 高層ビル。そして私たちは、 異なる深さレベルのニューロン
66:26 異なる深さレベルのニューロン 入り口から出口まで、彼はさらに遠くを見ています
66:28 入り口から出口まで、彼はさらに遠くを見ています そのものの表現が抽象的になればなるほど。
66:31 そのものの表現が抽象的になればなるほど。 私の質問は、もし私が混乱したら
66:33 私の質問は、もし私が混乱したら 犬の中に車を見つけるニューラルネットワーク
66:37 犬の中に車を見つけるニューラルネットワーク 彼はまだ犬の質感や部位が見える
66:39 彼はまだ犬の質感や部位が見える 写真などがあり、最後には車と書かれています。
66:42 写真などがあり、最後には車と書かれています。 それとも彼は最初から車を本物として見ているのだろうか
66:44 それとも彼は最初から車を本物として見ているのだろうか それは車だと確信した。そうですね。
66:47 それは車だと確信した。そうですね。 興味深い答えです。
66:48 興味深い答えです。 普通の犬を見ているので最初から
66:51 普通の犬を見ているので最初から 彼女はそれが犬だと確信しているが、
66:53 彼女はそれが犬だと確信しているが、 動揺を見て動揺した
66:55 動揺を見て動揺した 犬なので、車が見える
66:58 犬なので、車が見える 最後ではなく、最初の層
67:01 最後ではなく、最初の層 彼らはまだ当初のコンセプトを認識しています。ただ、
67:03 彼らはまだ当初のコンセプトを認識しています。ただ、 私はニューロンに尋ねているだけです
67:05 私はニューロンに尋ねているだけです 彼女が決めたことの最後に
67:06 彼女が決めたことの最後に 結局は現実のようですが、
67:08 結局は現実のようですが、 混乱はそれほど深いものではない
67:10 混乱はそれほど深いものではない あらゆるレベルの抽象化でしたが、
67:13 あらゆるレベルの抽象化でしたが、 ehは最後にのみ表示されます。これがそれです
67:15 ehは最後にのみ表示されます。これがそれです 明らかに潜在的な技術を生み出す
67:17 明らかに潜在的な技術を生み出す 防御はいつあなたにそれを与えるか
67:20 防御はいつあなたにそれを与えるか 後で紹介しますが、とにかく、ここで
67:22 後で紹介しますが、とにかく、ここで ランダムに写真を撮ってみますので...
67:25 ランダムに写真を撮ってみますので... カテゴリーは正しいようです
67:27 カテゴリーは正しいようです 犬の正直さは、
67:28 犬の正直さは、 層を重ねて美しく、そして、その上に
67:31 層を重ねて美しく、そして、その上に 私が振り向いてほしいのは
67:32 私が振り向いてほしいのは 常に、そのコンセプトは
67:34 常に、そのコンセプトは そうではない。そこに入れる前に
67:35 そうではない。そこに入れる前に 混乱はあったが、彼がそこでやったことの後で
67:37 混乱はあったが、彼がそこでやったことの後で 挿入してみると、まだ同じであることが分かります
67:39 挿入してみると、まだ同じであることが分かります 混乱したカテゴリーは多かれ少なかれ
67:41 混乱したカテゴリーは多かれ少なかれ ゼロから高く撃つ
67:43 ゼロから高く撃つ 最後まで正義を貫く
67:44 最後まで正義を貫く そのネットワークの層は興味深いもので、
67:47 そのネットワークの層は興味深いもので、 うん。これは混乱を示しているようだ
67:49 うん。これは混乱を示しているようだ それは何か深いものではない。それはまるで
67:50 それは何か深いものではない。それはまるで 最後にだけ起こるもの
67:52 最後にだけ起こるもの 最後の層の混乱。さて、今は
67:54 最後の層の混乱。さて、今は 考えてみれば明らかだ
67:56 考えてみれば明らかだ 5 分後には、「OK、だから何?」と言うでしょう。
67:58 5 分後には、「OK、だから何?」と言うでしょう。 もし私がそれらの層に何を尋ねたら
67:59 もし私がそれらの層に何を尋ねたら 「これが最後じゃないだろう？」さて、問題は
68:02 「これが最後じゃないだろう？」さて、問題は このトルチをこのように設計すると、
68:04 このトルチをこのように設計すると、 中流階級を混乱させるため
68:08 中流階級を混乱させるため それも混同してしまうことがあります。できるかもしれない
68:09 それも混同してしまうことがあります。できるかもしれない ここでそれをする
68:11 ここでそれをする 特定の中間画像、つまり
68:13 特定の中間画像、つまり 正しいカテゴリーは高い
68:14 正しいカテゴリーは高い 初めに正義を貫いた者は、
68:17 初めに正義を貫いた者は、 消そうとしたレイヤーと
68:18 消そうとしたレイヤーと その後、再び表示されます。だからあなたは
68:20 その後、再び表示されます。だからあなたは もし私がこうだったらどう思うだろうか？
68:21 もし私がこうだったらどう思うだろうか？ 全ての層の出力を平均化した
68:24 全ての層の出力を平均化した そして心の中で言いました、「なんという犬だ」場合にのみ
68:26 そして心の中で言いました、「なんという犬だ」場合にのみ すべてのクラスがそれが犬であることに同意します。
68:28 すべてのクラスがそれが犬であることに同意します。 残念ながら、このアイデアはここでは機能しません。
68:30 残念ながら、このアイデアはここでは機能しません。 少しは硬くなりますが、完全には硬くなりません。
68:33 少しは硬くなりますが、完全には硬くなりません。 だから、それがその一部なのかもしれない
68:34 だから、それがその一部なのかもしれない 視覚野のようなところでしょうか
68:36 視覚野のようなところでしょうか そしてループしているような
68:38 そしてループしているような 人間の配線は似たようなものに見える
68:40 人間の配線は似たようなものに見える おい、少なくともこれ自体は
68:42 おい、少なくともこれ自体は それは問題の解決策ではありません。私はすでに
68:45 それは問題の解決策ではありません。私はすでに 時間がなくなってきているようですね。ここにあった
68:47 時間がなくなってきているようですね。ここにあった 頭に浮かぶ2番目のこと
68:48 頭に浮かぶ2番目のこと 実験的に興味深いし、おそらく
68:50 実験的に興味深いし、おそらく それが何であるかのヒント
68:52 それが何であるかのヒント 解決。これからたくさん飛ぶようにしてみようと思います。
68:55 解決。これからたくさん飛ぶようにしてみようと思います。 スライド。これは言語にも当てはまります。
68:56 スライド。これは言語にも当てはまります。 そこでも動作します。ああ、そう、そのすべて
69:00 そこでも動作します。ああ、そう、そのすべて
69:03 幾何学は興味深い病理学である アクセスしやすく、
69:04 アクセスしやすく、 面白い。興味深いものがたくさんあります
69:06 面白い。興味深いものがたくさんあります パラドックス。そのように書きました。
69:07 パラドックス。そのように書きました。 博士論文なので誇りに思っています。
69:09 博士論文なので誇りに思っています。 それは私にとって非常に興味深いように思えますが、
69:11 それは私にとって非常に興味深いように思えますが、 でも、それは素敵だし、よりアクセスしやすいと思います
69:13 でも、それは素敵だし、よりアクセスしやすいと思います と思うかもしれません。まあ、積極的にそこに
69:15 と思うかもしれません。まあ、積極的にそこに 私たちは働いています。そうですね、ちょっとした研究プロジェクトがあるんです。
69:16 私たちは働いています。そうですね、ちょっとした研究プロジェクトがあるんです。 まさにこれを扱うチーム
69:18 まさにこれを扱うチーム 質問。私はコンピューター関連の小額の助成金を受け取っています。
69:20 質問。私はコンピューター関連の小額の助成金を受け取っています。 パフォーマンスをやっていて、仕事の後にやることが多いです。
69:23 パフォーマンスをやっていて、仕事の後にやることが多いです。 でもここで問題なのは
69:25 でもここで問題なのは かなり準備万端
69:26 かなり準備万端 彼の解決策は
69:28 彼の解決策は 興味深いと同時に、
69:30 興味深いと同時に、 数行で比較的簡単に説明できる
69:31 数行で比較的簡単に説明できる 何かのようになることはないという文章
69:33 何かのようになることはないという文章 アクセスしにくく、非常に複雑なため、
69:35 アクセスしにくく、非常に複雑なため、 あなたには理解できないでしょう、それはそうではないでしょう
69:38 あなたには理解できないでしょう、それはそうではないでしょう フェルマーの最終定理とか、
69:39 フェルマーの最終定理とか、 数学が300ページあるわけではありません。それで
69:42 数学が300ページあるわけではありません。それで 私たちはそれに取り組んでいます。もしそれがあなたにとって迷惑であれば
69:43 私たちはそれに取り組んでいます。もしそれがあなたにとって迷惑であれば とても興味があったので、vgetをください、
69:45 とても興味があったので、vgetをください、 私たちは私のアウトプットで積極的に遊んでいるからです
69:48 私たちは私のアウトプットで積極的に遊んでいるからです Iのチームでは、同様の取り組みを行っています
69:50 Iのチームでは、同様の取り組みを行っています 問題はより現実的ではあるが、
69:52 問題はより現実的ではあるが、 セキュリティAIモデルと
69:54 セキュリティAIモデルと サイバーセキュリティ
69:56 サイバーセキュリティ ソフトウェアとAIの相互作用において、しかし何か
69:58 ソフトウェアとAIの相互作用において、しかし何か これらの問題は、何らかの形で構造的なものなのでしょうか?
70:00 これらの問題は、何らかの形で構造的なものなのでしょうか? ここで私が話していたことと似ています。そして
70:03 ここで私が話していたことと似ています。そして ご興味がありましたら、ぜひご登録ください。
70:05 ご興味がありましたら、ぜひご登録ください。 インターンも募集しています
70:08 インターンも募集しています 1月から夏の終わり頃まで。だから、
70:10 1月から夏の終わり頃まで。だから、 vget を与えます。
70:11 vget を与えます。 私たちはプラハで素晴らしいチームを築いています。
70:14 私たちはプラハで素晴らしいチームを築いています。 典型的ではありません。本当に素晴らしいものがあります。
70:15 典型的ではありません。本当に素晴らしいものがあります。 エンジニアリングとAIの両方の才能があるので、
70:18 エンジニアリングとAIの両方の才能があるので、 それはあなたを
70:20 それはあなたを 興味。さて、よろしければ、教えてください。それで
70:21 興味。さて、よろしければ、教えてください。それで はい、ありがとうございます。準備はできています
70:23 はい、ありがとうございます。準備はできています 質問。
70:36 ありがとう。そして疑問の余地があります。私 いつものように、まずは少し距離を置いてみようかな
70:38 いつものように、まずは少し距離を置いてみようかな そしてここに座っている人たち。もし彼女が望めば
70:41 そしてここに座っている人たち。もし彼女が望めば 何かを尋ねたいなら
70:44 何かを尋ねたいなら それらの摂動はそこに示されており、
70:46 それらの摂動はそこに示されており、 最初に試してみて、その後は途中まで試してみましょう。
70:48 最初に試してみて、その後は途中まで試してみましょう。
70:51 彼はずっと混乱していた。 絶対に。
70:52 絶対に。
70:57 Hey, that's obviously the solution.そして私はそれをやった。 繋ぎ合わせてデザインした
70:59 繋ぎ合わせてデザインした
71:05 ここで問題を説明しなさい、ええ、それは これらの攻撃と逆転の歴史は
71:07 これらの攻撃と逆転の歴史は 非常に興味深いのは、典型的には
71:10 非常に興味深いのは、典型的には 明らかに解決策となる1000のこと
71:11 明らかに解決策となる1000のこと ここで問題と人々がそこにいるとき、
71:14 ここで問題と人々がそこにいるとき、 彼らはそれが明白だと思い、こう書いた
71:15 彼らはそれが明白だと思い、こう書いた 書類は10日後に届く
71:17 書類は10日後に届く
71:21 防御と摂動を発見 それはそれに反する働きもします。そして残念ながら、これが
71:23 それはそれに反する働きもします。そして残念ながら、これが 全く同じ話です。
71:24 全く同じ話です。
71:28 その摂動を見つける能力は これらの層はまるで全く存在しないかのようだ
71:31 これらの層はまるで全く存在しないかのようだ
71:37 皆さんが抱えている不安 残念ながら。 Eh, but but yeah, well, okay
71:39 残念ながら。 Eh, but but yeah, well, okay 質問ですが、ある政権は
71:42 質問ですが、ある政権は
71:51 あなたの強力なネットワークから私にそれを与えてくれるでしょう、 私は彼女を好きなように見ることができます。
71:52 私は彼女を好きなように見ることができます。 I want, I can count on her for whatever I want. Eと
71:54 I want, I can count on her for whatever I want. Eと 彼女を助ける何かを提案すれば
71:56 彼女を助ける何かを提案すれば 動揺したり混乱させたりしたら、負けです。それ
71:58 動揺したり混乱させたりしたら、負けです。それ それは私たちがプレイするゲームのようなものです。そして
71:59 それは私たちがプレイするゲームのようなものです。そして この体制は極めて困難です。
72:00 この体制は極めて困難です。 勝つ。でも面白いのは私が勝っていることだ
72:02 勝つ。でも面白いのは私が勝っていることだ たとえそれが、
72:05 たとえそれが、 守備側にとってはもっと簡単に守れたはずだが、
72:06 守備側にとってはもっと簡単に守れたはずだが、 もちろんGPT4を見たことがないので
72:08 もちろんGPT4を見たことがないので 閉じる。ジェマイトも、あるいはそれは必要ないのではないでしょうか？
72:10 閉じる。ジェマイトも、あるいはそれは必要ないのではないでしょうか？ ただし、GPT4 はそうではありません。そうですね、私は
72:14 ただし、GPT4 はそうではありません。そうですね、私は 彼にはそんなことはできなかったはずだ。しかし、
72:15 彼にはそんなことはできなかったはずだ。しかし、 政権のブラックボックス、つまり
72:16 政権のブラックボックス、つまり 守備を重視し、そういったものは負けます。
72:19 守備を重視し、そういったものは負けます。 いい指摘ですね。
72:22 いい指摘ですね。 えっと、彼はどうやってメッセージを見つけるんですか？
72:26 えっと、彼はどうやってメッセージを見つけるんですか？ 彼女は私が正しく理解しなかったからだと思います
72:27 彼女は私が正しく理解しなかったからだと思います そんなこと言わないで、ええ、だから今書いてるの、
72:30 そんなこと言わないで、ええ、だから今書いてるの、 まだ公開されていないが、
72:32 まだ公開されていないが、 さまざまな、あるいは最も一般的な手法
72:33 さまざまな、あるいは最も一般的な手法 実際には、それらを訓練するのと同じです
72:35 実際には、それらを訓練するのと同じです 縫い。我々は持っているが、あなたが持っているかどうかは分からない
72:37 縫い。我々は持っているが、あなたが持っているかどうかは分からない 彼らはネットを訓練したが、私たちは
72:38 彼らはネットを訓練したが、私たちは 入力、出力、そしてその間の関数があります
72:40 入力、出力、そしてその間の関数があります それは分析的であり、計算することができる
72:43 それは分析的であり、計算することができる 派生的な。たぶん、その出力は
72:47 派生的な。たぶん、その出力は 典型的には、私はこれに不満を抱いている
72:48 典型的には、私はこれに不満を抱いている 例えば、誰に対しても
72:50 例えば、誰に対しても パラメータ、各自由パラメータth
72:52 パラメータ、各自由パラメータth ネットワークを編集することができます
72:54 ネットワークを編集することができます 前後にグラデーション。でもそれは
72:56 前後にグラデーション。でもそれは 微分できる関数
72:58 微分できる関数 分析的に言えば、それは数値的なものではなく
73:00 分析的に言えば、それは数値的なものではなく 私たちがこれを実現できたのは多くのおかげです
73:01 私たちがこれを実現できたのは多くのおかげです 実際に計算できるので、
73:04 実際に計算できるので、 ここでの導関数は、その出力の一部です
73:05 ここでの導関数は、その出力の一部です 関数、その関数のこの部分用。 Eと
73:08 関数、その関数のこの部分用。 Eと それは簡単です。そして今私がここでやっていることは
73:10 それは簡単です。そして今私がここでやっていることは 最もシンプルなアプローチは、
73:12 最もシンプルなアプローチは、 確率は
73:14 確率は 最後にカテゴリー「cat」を付けると、
73:17 最後にカテゴリー「cat」を付けると、 実数または0から1まで、
73:19 実数または0から1まで、 zからの単体か何か
73:23 zからの単体か何か これが現在増加している理由です。そして
73:25 これが現在増加している理由です。そして それをどう調整すればいいのか
73:27 それをどう調整すればいいのか 入力すると少し増加するので、
73:29 入力すると少し増加するので、 その出力にはどのような派生語がありますか?
73:31 その出力にはどのような派生語がありますか? その入力に基づいて、あなたは分析的に
73:33 その入力に基づいて、あなたは分析的に 計算して画像を小さくするだけ
73:35 計算して画像を小さくするだけ I will adjust it accordingly.そして今
73:37 I will adjust it accordingly.そして今 少し成長したようだ
73:38 少し成長したようだ 確率と同じ計算
73:39 確率と同じ計算 もう一度やります。 I'll calculate the electricity here.
73:40 もう一度やります。 I'll calculate the electricity here. 導関数、それらの値をそこに投入して言うと
73:43 導関数、それらの値をそこに投入して言うと さて、それでは手術が行われるはずです。
73:45 さて、それでは手術が行われるはずです。 こんな感じで数ステップで完成です
73:46 こんな感じで数ステップで完成です
73:52 もともと人々がそれを思いついたのは 彼らは言った、「私には何かがある
73:53 彼らは言った、「私には何かがある 分類すると、入力画像があり、それが私に
73:55 分類すると、入力画像があり、それが私に třeba label kočka nebo pes へ。募集中
73:58 třeba label kočka nebo pes へ。募集中 I would like to make an image generator.それで
74:00 I would like to make an image generator.それで 最も簡単な方法は、
74:02 最も簡単な方法は、 もし私がそれを提起するなら、もし私がそれを止めたなら
74:03 もし私がそれを提起するなら、もし私がそれを止めたなら 最初は「OK、増やしましょう」と言いました
74:05 最初は「OK、増やしましょう」と言いました
74:13 「彼はあの犬を作るのでしょうか？」残念ながら彼は ネットワークから聞こえてくる奇妙なノイズ
74:14 ネットワークから聞こえてくる奇妙なノイズ 犬のようだが、犬ではない
74:16 犬のようだが、犬ではない 人間。 So the one as the original discovery
74:19 人間。 So the one as the original discovery これらのことの原因は、
74:20 これらのことの原因は、 人々は発電機を作ろうとした
74:22 人々は発電機を作ろうとした 既存の分類器は、
74:24 既存の分類器は、 それを元に戻します。しかし、結果は、
74:26 それを元に戻します。しかし、結果は、 それは、そのイメージを
74:28 それは、そのイメージを そのラベルはうまく反転できません。 E、
74:30 そのラベルはうまく反転できません。 E、 意味があるのは、
74:32 意味があるのは、 多次元オブジェクトとして、
74:34 多次元オブジェクトとして、
74:41 高次元のものの一部 私たちが現実だと思っているもの
74:43 私たちが現実だと思っているもの 写真は非常に難しいです
74:45 写真は非常に難しいです まるでそれがどんなものか知らないかのように
74:47 まるでそれがどんなものか知らないかのように
74:59 人間のイメージですが、私たちはそれが得意ではありません
75:04 意味。
75:09 しかし、私たちは混乱を目の当たりにし、 カテゴリーから乱れた
75:10 カテゴリーから乱れた
75:22 ちょっとした動揺、誰が 気づかず、完全に聞こえる
75:24 気づかず、完全に聞こえる
75:27 うん。 Well, those eyes he was showing there, that
75:48 車。 Čiže podle mě jako není to na 100
75:58 そうなのかもしれないけど… 答えられません。それは良い質問ですね。
76:07 うん。 それで
76:08 それで
76:14 しますか？ えっと、まだ100%以上あります
76:17 えっと、まだ100%以上あります
76:23 正確に答えた人は誰もいなかった
76:28 あなたが尋ねるほとんどすべてのこと、 興味深い科学論文があるかもしれません。それで
76:29 興味深い科学論文があるかもしれません。それで ご興味があれば、
76:31 ご興味があれば、
76:36 修士号または博士号を取得している 人工的に基礎的な発見をする
76:38 人工的に基礎的な発見をする 知性、これは興味深いことですが、
76:40 知性、これは興味深いことですが、 非典型的であり、それは非常に
76:42 非典型的であり、それは非常に 新しいフィールドを開き、そこに値を入力します
76:44 新しいフィールドを開き、そこに値を入力します 古い知識はすぐに
76:46 古い知識はすぐに
76:50 例えば経済学における割引係数、 20年前に学んだときのように
76:52 20年前に学んだときのように 何年も経っているので、通常はそれほど気になりません
76:53 何年も経っているので、通常はそれほど気になりません 誰かが発見する前にエッジのようです
76:56 誰かが発見する前にエッジのようです 昨日。もちろんある
76:58 昨日。もちろんある 学習曲線は非常に速いですが、
77:00 学習曲線は非常に速いですが、 とてもアクセスしやすいので、どうですか?
77:01 とてもアクセスしやすいので、どうですか? 誰も知らないと聞いても、それは
77:04 誰も知らないと聞いても、それは
77:24 そうだね、99,999は必要ないよ でも30まで上がるかどうかは分からない
77:26 でも30まで上がるかどうかは分からない 9とか、そういう感じ
77:28 9とか、そういう感じ それが問題だ、おそらく
77:30 それが問題だ、おそらく
77:40 動作を停止すると、 それがそうであると確信していない人たち
77:41 それがそうであると確信していない人たち あれ。そして私がそこで測っていたのは
77:43 あれ。そして私がそこで測っていたのは 彼は、ehのような人の数を推定しました
77:45 彼は、ehのような人の数を推定しました
77:51 でもいい質問ですね、誰も知りませんが、
78:03 それらはどのように絡み合っているのか subsets of the function.もし私が
78:05 subsets of the function.もし私が
78:13 99%以上。私は2番目の犬に興味があります。
78:17 ここにはこういうものがあって、どんな感じなのか topology of them as entanglement.それは
78:18 topology of them as entanglement.それは 結び目のようなものや
78:21 結び目のようなものや 2枚のパンケーキのようです
78:22 2枚のパンケーキのようです
78:27 ここで問題の側面について説明します。例えば 私は犬と犬のような2枚の写真を持っていて
78:30 私は犬と犬のような2枚の写真を持っていて 犬と犬の間を歩けるので
78:32 犬と犬の間を歩けるので
78:37 それともここにある写真のすべてのようなものでしょうか 一つのグラフに繋がっているのか、それとも
78:38 一つのグラフに繋がっているのか、それとも
78:43 これらすべてがより良い理解につながる。
78:46 実用的な方法でそれを実現するのに役立つだろう より良いデザインをしていきます。それらは良い質問です。 E、
78:49 より良いデザインをしていきます。それらは良い質問です。 E、 それらのほとんどに答えはありませんが、
78:50 それらのほとんどに答えはありませんが、 経験的に裏付けられているものもある
78:52 経験的に裏付けられているものもある 直感。
78:55 直感。 何らかの方法でそのノイズを抽出する方法はあるでしょうか?
78:57 何らかの方法でそのノイズを抽出する方法はあるでしょうか? 写真だけで十分だと思う人もいる
78:59 写真だけで十分だと思う人もいる to be part of that scene?例えば
79:01 to be part of that scene?例えば 私はおそらくそれを好きではないだろう
79:02 私はおそらくそれを好きではないだろう 自動運転車なので、
79:05 自動運転車なので、 説得力のある看板
79:06 説得力のある看板
79:10 人間。 えーっと、
79:17 新しいモデルは写真を 全体ではなく、その部分を認識します。例えば
79:19 全体ではなく、その部分を認識します。例えば
79:21 良い人の典型的な建築
79:29 写真にある小さな e ボタンのように。
79:32 There might be a person standing somewhere on the side.それ
79:38 uprostřed stojí člověk třeba。あなたは。
79:45 提案されたのは、たくさんの
80:05 良い。 Takže v tom to taky sdílej.良い 質問。
80:07 質問。 Nějaká další otázka?ふーむ。
80:28 ロールをインデックスしますが、躊躇しています。
80:50 見えません。 Tak ještě můžem slidu. 何？
80:52 何？ うん、
80:53 うん、 それで
80:55 それで 全部はあげないかもしれないが、いくつかは
80:57 全部はあげないかもしれないが、いくつかは ええと、タイプがあります、どうすれば
81:00 ええと、タイプがあります、どうすれば 仕事 機械的 機械論的
81:02 仕事 機械的 機械論的 解釈可能性はドメインのようなもの
81:04 解釈可能性はドメインのようなもの これらのネットワークの分析、チェコ共和国から脱出する方法
81:06 これらのネットワークの分析、チェコ共和国から脱出する方法 同様の研究を行うには
81:08 同様の研究を行うには あなたがするのです。私の意見では、最も単純な
81:10 あなたがするのです。私の意見では、最も単純な それはただそれを始めること、自分自身を見つけることです
81:11 それはただそれを始めること、自分自身を見つけることです 質問して始めましょう。私は
81:13 質問して始めましょう。私は それはそれほど重要ではないと思います。
81:14 それはそれほど重要ではないと思います。 以前に行われたことがあるかどうかを調べる
81:15 以前に行われたことがあるかどうかを調べる
81:19 いつもこうなることをやってる 読むよりも深い体験ができる
81:21 読むよりも深い体験ができる 紙を何とか押し込もうとした
81:24 紙を何とか押し込もうとした
81:30 これ、私がやろうとしていること、ええ、私がやろうとしていること 彼は実際にそのことを試してみた。
81:32 彼は実際にそのことを試してみた。 たとえ最悪でも、多くのことを学びます。
81:34 たとえ最悪でも、多くのことを学びます。 それが実際にどのように行われるか。ああ、それを持ってきてください。
81:36 それが実際にどのように行われるか。ああ、それを持ってきてください。 最高のオリジナル結果が得られます。
81:38 最高のオリジナル結果が得られます。 そして、何かができたら、私は
81:39 そして、何かができたら、私は
81:43 また、いくつかのことを学んだり習得したりした 例えば、
81:44 例えば、 並行アプローチを採用したのは、
81:46 並行アプローチを採用したのは、 見つけることはまずないと思う
81:47 見つけることはまずないと思う まさに他の人がやるであろうこと。
81:50 まさに他の人がやるであろうこと。 だから、試してみることにしたのです。のように
81:52 だから、試してみることにしたのです。のように 欠点は非常に小さいので、
81:54 欠点は非常に小さいので、 ただそれをやろうとしただけです。そして通常、
81:56 ただそれをやろうとしただけです。そして通常、 何か面白いことを書きますね。
81:58 何か面白いことを書きますね。 このような人が
82:00 このような人が
82:03 これを実行できるフェローシップ 整理するが、おそらく始めるだろう
82:06 整理するが、おそらく始めるだろう 問題を解決するために。 Lína GetHubでブログを書いた
82:08 問題を解決するために。 Lína GetHubでブログを書いた それについて投稿します。もし私が
82:09 それについて投稿します。もし私が 揚げてみたよ、そうやってやろう
82:12 揚げてみたよ、そうやってやろう 何らかのコースなどではなく、
82:13 何らかのコースなどではなく、 ただそれをやってみようと思います。なぜなら
82:15 ただそれをやってみようと思います。なぜなら たくさんの疑問があります
82:17 たくさんの疑問があります
82:22 アイデアの知識豊富な批評家なので、どのように質問するか
82:26 通常は、次のような結果になります かどうか、どのようにか教えてくれる
82:28 かどうか、どのようにか教えてくれる 以前の結果も良好な品質でした。
82:30 以前の結果も良好な品質でした。 だから、私がもし
82:32 だから、私がもし 今日から始まりました。ちなみに、私はそうしています。
82:34 今日から始まりました。ちなみに、私はそうしています。 まだ始めていない今でも。だから私は思う
82:35 まだ始めていない今でも。だから私は思う
82:45 Not potential. I don't feel it.ありがとうございます 質問。
82:56 解釈可能性がないなら はい、それは良い質問です。のように
82:58 はい、それは良い質問です。のように 確かに最近は
83:00 確かに最近は それらの能力、それらのものの発達は
83:01 それらの能力、それらのものの発達は 私たちの理解力よりも速く
83:04 私たちの理解力よりも速く
83:11 元の質問は、えー、もし私が間違っていたら。 最初のことについてはよく分からないのですが、
83:13 最初のことについてはよく分からないのですが、 システムを完全に理解すれば
83:15 システムを完全に理解すれば
83:23 他の人の脳は機能しているが
83:38 一つの方法は、信頼できるものとして設計することです 堅牢なシステムでは、それらのシステムが
83:40 堅牢なシステムでは、それらのシステムが
83:49 システムをクラッシュさせないように 一人で。 So like it's like normal
83:51 一人で。 So like it's like normal システムの設計において、どれだけ経済的か、
83:53 システムの設計において、どれだけ経済的か、 社会的かつ情報的なものです。
83:55 社会的かつ情報的なものです。 たぶん今はサイバーセキュリティに取り組んでいるのでしょう。
83:57 たぶん今はサイバーセキュリティに取り組んでいるのでしょう。 そしてあなたも
83:59 そしてあなたも 最も安全で複雑な
84:01 最も安全で複雑な
84:12 私たちのチームとシステムで可能 セキュリティ上の欠陥を見つける。例えば
84:15 セキュリティ上の欠陥を見つける。例えば
84:22 あなたのことを考えてください。そして私は
84:49 世界の。 Bylo by to hezký. Určitě kdybyys
84:58 そうではありませんでした。タクジェ ネ、ネイセム タコヴェジ、ジェ
85:10 AIが
85:15 不透明。幸いなことに、言語 モデルは多かれ少なかれ純粋に
85:18 モデルは多かれ少なかれ純粋に 今日の言語と私は有能だと思う
85:19 今日の言語と私は有能だと思う 彼らが言うことを検証してください。そして大部分は
85:23 彼らが言うことを検証してください。そして大部分は 彼らは、
85:25 彼らは、 内なる独白は、
85:27 内なる独白は、 本当にその言語で実際に言ったとおりです。 E、
85:29 本当にその言語で実際に言ったとおりです。 E、 幸いなことに、最も興味深いものの一つは
85:31 幸いなことに、最も興味深いものの一つは 今日使われている技術は、
85:32 今日使われている技術は、 彼らが言うことをただ監視するだけだ
85:34 彼らが言うことをただ監視するだけだ 彼らは考えずには考えないから
85:35 彼らは考えずには考えないから 彼らは話した。えっと、そして、もし
85:38 彼らは話した。えっと、そして、もし 彼らは私たちを消そうとしているのかもしれません。残念ながら、それらは存在します。
85:40 彼らは私たちを消そうとしているのかもしれません。残念ながら、それらは存在します。 彼は時々私たちに努力をさせているという兆候なので
85:42 彼は時々私たちに努力をさせているという兆候なので 理想的ではないですが、そうは思いません。
85:44 理想的ではないですが、そうは思いません。 単に失われたと思うのは
85:46 単に失われたと思うのは 開発は今より速く
85:49 開発は今より速く the speed of that research.そして良い
85:51 the speed of that research.そして良い
85:54 研究がそうだったので、おそらく良いでしょう。それはまるで おそらく普遍的に真実でしょう。同時にあなたは
85:56 おそらく普遍的に真実でしょう。同時にあなたは AIのメリットは、
85:59 AIのメリットは、 これらのセキュリティの問題。自分
86:00 これらのセキュリティの問題。自分 例えば、私たちの仕事では、
86:02 例えば、私たちの仕事では、 そこにあるものを見つけることができる
86:04 そこにあるものを見つけることができる ソフトウェアには大きなバグがあった
86:06 ソフトウェアには大きなバグがあった 何年も経って誰も見つけられなかっただろう
86:08 何年も経って誰も見つけられなかっただろう 私たちのような修理業者は
86:10 私たちのような修理業者は AIのようにたくさん使う
86:12 AIのようにたくさん使う ツールに依存します。それはまるで別の
86:14 ツールに依存します。それはまるで別の その側面。そして同時に、私には
86:16 その側面。そして同時に、私には 人間には、膨大な量の
86:17 人間には、膨大な量の 未解決の問題であり、実際には
86:19 未解決の問題であり、実際には
86:22 まだやるべきことがたくさんあります。 私たちは解決すべきですが、私は解決していません
86:24 私たちは解決すべきですが、私は解決していません 停滞すべきだと主張する
86:26 停滞すべきだと主張する
86:30 人工知能の極端な利点と ただの理由で開発を中止したくはありません...
86:31 ただの理由で開発を中止したくはありません...
86:35 potenciální negativní stránka.それは 大体こんな感じですが、
86:37 大体こんな感じですが、 個人的な洞察力と哲学的な態度。
86:40 個人的な洞察力と哲学的な態度。
86:51 ドネスカ、クデ・ズナメナ・ポモチ AI?良い
87:03 現在、ほとんどのトレーニングデータは
87:09 限られていますが、ほぼすべてのパイプ、
87:18 得るために、例えば数学や
87:25 解決。私の人生を教えてください
87:29 何かを解くミニゲームなど
87:39 列に並んでチェックインするか何かしようかな
87:42 検証が容易なドメイン いくつかの出力の真実なので、
87:44 いくつかの出力の真実なので、 人間のデータの必要性は極めて低いです。そして
87:47 人間のデータの必要性は極めて低いです。そして 残念なことに、あるいは幸運なことに、彼らは
87:49 残念なことに、あるいは幸運なことに、彼らは 非常に大きなドメイン
87:50 非常に大きなドメイン
87:57 まあ、そこにはたくさんのことが起こっていると思う
88:03 限定的で低品質なAIデータ
88:15 今のところは特別な問題ではないのですが
88:29 スライドは完全に
88:37 当然のことだ。 On the other hand, I think
88:40 私は、
88:44 再考中です。彼らはよくそれについて話します
88:47 仕事をしていない、または本当に重要なことを何もしていない
88:54 もの。そして私は思う たくさんの誇大宣伝とたくさんの話題は、
88:56 たくさんの誇大宣伝とたくさんの話題は、
89:12 ドゥーファーム、ジェー・セ・ジェシュテ・ネクディ・ウヴィディメ。ありがとう。
89:21 素晴らしい講演をしてくださったスピーカーに感謝します přednášku. Děkuju vám、že jste přišli。そして
89:23 přednášku. Děkuju vám、že jste přišli。そして další přednášku máme za 14 dní.それで
89:25 další přednášku máme za 14 dní.それで
