آینده رابطه هوش مصنوعی- انسان و هزینه های محیطی اش
صفحات انگلیسی: 5
تعداد کلمات: 4860 صفحات فارسی: 14
چکیده
هزینه های محیطی و محدودیت های انرژی به موضوعات در حال ظهور برای توسعه آینده فراگیری ماشین (ML) و هوش مصنوعی تبدیل شده اند . تاکنون بحث در مورد اثرات محیطی فراگیری ماشین یا هوش مصنوعی به چشم اندازی برای رسیدن به چیزی فراتر از سنجش های کمیتی هزینه های تحقیق مرتبط با انرژی دست نمی یابد . استدلال ما با توسعه تدریجی زیرساخت هایی که توسط شوارتز و همکاران (2019) در نواوری GreenAI مطرح کرده اند به دو پدیده مرتبط به هم توجه می کند که عبارتند از قابلیت تعمیم بی علت و آینده ای که هوش مصنوعی و فراگیری ماشین در انجا بخش عمده استنباط های استقرایی کمیت پذیر را اجراء می کنند . قابلیت تعمیم بی علت به ناسازگاری بین تقاضا های شناختی وظیفه ای که قرار است انجام گیرند و عملکرد (دقت ) مدل ML/AI بکار رفته گفته می شود . اگر مدل ML.AI فراتر ازقابلیت تعمیم بی علت باشد چون مدل برای دستیابی به بهترین دقت ممکن بهینه شده بود ، در ان صورت مدل کارامد تر و عملیات اش برای محیط زیست مضر است . آینده ای که در سیطره قیاس غیر آنتروپیک بوده است در واقع استفاده از ML/IA را توضیح می دهد از اینرو بخش عمده استنباط های قیاسی از طریق تعمیم های ML/AI تهیه شده اند . مقاله استدلال می کند که بحث فعلی از توسعه اتصال هزینه های محیطی تحقیق و کاربرد های بی اثر ML/AI ( موضوع قابلیت تعمیم بی علت ) با آینده نزدیک استفاده می کند که با ارتباطات هوش مصنوعی – انسانی کاملا فراگیر مشخص شده است .
The future of human-artificial intelligence nexus and its environmental costs
A B S T R A C T
The environmental costs and energy constraints have become emerging issues for the future
development of Machine Learning (ML) and Artificial Intelligence (AI). So far, the discussion on
environmental impacts of ML/AI lacks a perspective reaching beyond quantitative measurements
of the energy-related research costs. Building on the foundations laid down by Schwartz et al.
(2019) in the GreenAI initiative, our argument considers two interlinked phenomena, the gratuitous
generalisation capability and the future where ML/AI performs the majority of quantifiable
inductive inferences. The gratuitous generalisation capability refers to a discrepancy between
the cognitive demands of a task to be accomplished and the performance (accuracy) of a
used ML/AI model. If the latter exceeds the former because the model was optimised to achieve
the best possible accuracy, it becomes inefficient and its operation harmful to the environment.
The future dominated by the non-anthropic induction describes a use of ML/AI so all-pervasive
that most of the inductive inferences become furnished by ML/AI generalisations. The paper
argues that the present debate deserves an expansion connecting the environmental costs of
research and ineffective ML/AI uses (the issue of gratuitous generalisation capability) with the
(near) future marked by the all-pervasive Human-Artificial Intelligence Nexus.
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
آینده رابطه هوش مصنوعی- انسان و هزینه های محیطی اش
صفحات انگلیسی: 5
تعداد کلمات: 4860 صفحات فارسی: 14
چکیده
هزینه های محیطی و محدودیت های انرژی به موضوعات در حال ظهور برای توسعه آینده فراگیری ماشین (ML) و هوش مصنوعی تبدیل شده اند . تاکنون بحث در مورد اثرات محیطی فراگیری ماشین یا هوش مصنوعی به چشم اندازی برای رسیدن به چیزی فراتر از سنجش های کمیتی هزینه های تحقیق مرتبط با انرژی دست نمی یابد . استدلال ما با توسعه تدریجی زیرساخت هایی که توسط شوارتز و همکاران (2019) در نواوری GreenAI مطرح کرده اند به دو پدیده مرتبط به هم توجه می کند که عبارتند از قابلیت تعمیم بی علت و آینده ای که هوش مصنوعی و فراگیری ماشین در انجا بخش عمده استنباط های استقرایی کمیت پذیر را اجراء می کنند . قابلیت تعمیم بی علت به ناسازگاری بین تقاضا های شناختی وظیفه ای که قرار است انجام گیرند و عملکرد (دقت ) مدل ML/AI بکار رفته گفته می شود . اگر مدل ML.AI فراتر ازقابلیت تعمیم بی علت باشد چون مدل برای دستیابی به بهترین دقت ممکن بهینه شده بود ، در ان صورت مدل کارامد تر و عملیات اش برای محیط زیست مضر است . آینده ای که در سیطره قیاس غیر آنتروپیک بوده است در واقع استفاده از ML/IA را توضیح می دهد از اینرو بخش عمده استنباط های قیاسی از طریق تعمیم های ML/AI تهیه شده اند . مقاله استدلال می کند که بحث فعلی از توسعه اتصال هزینه های محیطی تحقیق و کاربرد های بی اثر ML/AI ( موضوع قابلیت تعمیم بی علت ) با آینده نزدیک استفاده می کند که با ارتباطات هوش مصنوعی – انسانی کاملا فراگیر مشخص شده است .
The future of human-artificial intelligence nexus and its environmental costs
A B S T R A C T
The environmental costs and energy constraints have become emerging issues for the future
development of Machine Learning (ML) and Artificial Intelligence (AI). So far, the discussion on
environmental impacts of ML/AI lacks a perspective reaching beyond quantitative measurements
of the energy-related research costs. Building on the foundations laid down by Schwartz et al.
(2019) in the GreenAI initiative, our argument considers two interlinked phenomena, the gratuitous
generalisation capability and the future where ML/AI performs the majority of quantifiable
inductive inferences. The gratuitous generalisation capability refers to a discrepancy between
the cognitive demands of a task to be accomplished and the performance (accuracy) of a
used ML/AI model. If the latter exceeds the former because the model was optimised to achieve
the best possible accuracy, it becomes inefficient and its operation harmful to the environment.
The future dominated by the non-anthropic induction describes a use of ML/AI so all-pervasive
that most of the inductive inferences become furnished by ML/AI generalisations. The paper
argues that the present debate deserves an expansion connecting the environmental costs of
research and ineffective ML/AI uses (the issue of gratuitous generalisation capability) with the
(near) future marked by the all-pervasive Human-Artificial Intelligence Nexus.
دانلود رایگان مقاله انگلیسی