黄仁勋 · AI 算力与规模化
黄仁勋认为，深度学习为处理视觉、音频和几乎各种时间序列信息提供了感知方法，使计算机能从嘈杂信息中提取显著特征。
嘉宾观点 · 忠实转述
在他看来，感知曾是 AI 的难题；如果不能感知物理世界，就无法摄取其中的信息。
延伸分析 由 AI 生成
如果这些感知方法能在真实环境中保持可靠性，AI 的应用可能从数字数据扩展到更多物理环境信息；材料没有证明所有输入都能被同样可靠地处理。
相关领域：感知计算
后续观察
- 不同输入类型的感知可靠性
相关问题
同题历史与不同人物的表达
从示例中自动提取特征，如何改变计算机感知视觉和音频信息的方法？ →
围绕本场对深度学习的解释，研究大量数据与计算能力如何支持从示例中提取显著特征，以及这种方法在视觉、音频和时间序列感知中的适用边界。将“软件能够编写软件”保留为黄仁勋对这一变化的概括，不由此推出人工编程已经被全面替代，也不扩展为未在这些观点中讨论的通用智能能力。
当前观点关系：补充背景
黄仁勋
2012 年 AlexNet 用两块英伟达 GTX 580 GPU 训练成功，是'现代 AI 的大爆炸'；英伟达据此判断深度学习是'通用函数逼近器'，只要有输入输出就能解决几乎任何问题，于是全力投入并创造了 AI 市场，用的正是当年创造 3D 游戏市场同样的蓝图。
查看这条观点 →埃隆·马斯克
马斯克表示，Tesla端到端驾驶模型能仅从视频自行学会识别道路对象，甚至学会读路牌，而团队没有显式教这些概念。
查看这条观点 →黄仁勋
黄仁勋认为，深度学习的重大突破在于利用大量数据与计算能力，让计算机从例子中自行提取重要特征；他把这种变化概括为软件能够编写软件。
查看这条观点 →黄仁勋
黄仁勋认为，深度学习为处理视觉、音频和几乎各种时间序列信息提供了感知方法，使计算机能从嘈杂信息中提取显著特征。
查看这条观点 →
讨论
还没有公开评论。
Web 当前为匿名只读，可在受邀小程序中参与讨论。