История изменений

Игры по точным (в строгом смысле слова) ходам в локальную яму не провалятся. В локальную яму попадают, и там остаются, эвристические алгоритмы. Для стохастических алгоритмов есть некоторая вероятность случайного выхода из локальной ямы, которая пропорциональна отношению имеющегося вычислительного бюджета к требуемому (для комбинаторных задач это отношение стремится к нулю). В задачах размена времени на память (при условии быстрого, константного или логарифмического, поиска в памяти) вероятность выхода из локального минимума пропорционально размеру БД.

Механизмы внимания, о которых я говорил выше, нужны для того, чтобы «структурировать» память так, чтобы поиск в ней стал сублинейным. Если рассматривать те же нейросети, как память, то вывод в них суперлинейный и на уровне мозга компенсируется лишь массивным параллелизмом. А вот вывод в тех же пространственных деревьях будет логарифмическим. За счет чего машины и могут получить преимущество перед не-аугментированным человеком.

Игры по точным (в строгом смысле слова) ходам в локальную яму не провалятся. В локальную яму попадают, и там остаются, эвристические алгоритмы. Для стохастических алгоритмов есть некоторая вероятность случайного выхода из локальной ямы, которая пропорциональна отношению имеющегося вычислительного бюджета к требуемому (для комбинаторных задач это отношение стремится к нулю). В задачах размена времени на память (при условии быстрого, константного или логарифмического, поиска в памяти) вероятность выхода из локального минимума пропорционально размеру БД.

Механизмы внимания, о которых я говорил выше, нужны для того, чтобы «структурировать» память так, чтобы поиск в ней стал сублинейным. Если рассматривать те же нейросети, как память, то вывод в них суперлинейный и на уровне мозга компенсируется лишь массивным параллелизмом. А вот вывод в тех же пространственных деревьях будет логарифмическим. За счет чего машины и могут получить преимущество перед не-аугментированным человеком.