AIソフトウェアでAIソフトウェアを学ぶ
自動機械学習は学習することを学ぶことができる。 社会的インパクトというかデータサイエンティスト的インパクトがデカそうだ。 それも数年のうちに来るインパクトだろう。
Googleやその他の人は、学習することを学ぶソフトウェアがAIの専門家によって行われた作業を引き継ぐ可能性があると考えています。 by Tom Simonite January 18, 2017
人工知能の進歩により、ソフトウェアは人間を離れてトラックを運転するなどの仕事をすることを心配する人もいます。現在、有力な研究者は、機械学習ソフトウェアを設計するタスクとして、自分の仕事の最も難しい部分の1つを行うことを学ぶことができるソフトウェアを作ることができることを発見しています。
ある実験では、Google Brainの人工知能研究グループの研究者は、言語を処理するソフトウェアをベンチマークするためのテストを行う機械学習システムをソフトウェア設計で設計しました。それは、人間が設計したソフトウェアから以前に出版された結果を上回っていたものです。
近年、他のいくつかのグループでは、ラーニングソフトウェアを学習ソフトウェアにする進歩が報告されています。非営利団体であるOpenAI（Elon Muskと共同研究）、MIT、カリフォルニア大学バークレー校、Googleの他の人工知能研究グループDeepMindの研究員が参加しています。
自己始動AI技法が実用的になると、機械学習ソフトウェアが経済全体に適用されるペースが増加する可能性があります。企業は現在、不足している機械学習の専門家にプレミアムを支払う必要があります。
先週、Google Brainの研究グループを率いているJeff Dean氏は、そのような労働者の仕事の一部がソフトウェアに取って代わられる可能性があると考えていた。彼は、自らのチームが調査していた最も有望な研究方法の1つとして、「自動機械学習」と名付けたものを説明しました。
カリフォルニア州サンタクララで開催されたAI Frontiersカンファレンスで、Dean氏は次のように述べています。「現時点で問題を解決する方法は、専門知識とデータと計算を持つことです。 「機械学習に関する多くの専門知識の必要性を排除できますか？」
GoogleのDeepMindグループの実験では、研究者が「学習することを学ぶ」という言葉は、特定のタスクについて膨大な量のデータを消費する機械学習ソフトウェアの問題を軽減するうえで役立ちます。
研究者は、迷路の移動など、複数の異なる、しかし関連する問題の収集のための学習システムを作成するように、ソフトウェアに挑戦しました。それは、一般化する能力を示し、通常よりも少ない追加のトレーニングで新しいタスクを拾う設計が登場しました。
学習することを学ぶソフトウェアを作成するアイデアはしばらくありましたが、これまでの実験では人間が思い付くことに匹敵する結果は得られませんでした。モントリオール大学の教授であるYoshua Bengioは、これまでに1990年代にこのアイデアを取り上げていたことはエキサイティングです。
Bengio氏によれば、より強力なコンピューティングパワーが利用できるようになり、最近のAIについての興奮を呼び起こしたディープラーニングと呼ばれる技術の登場により、アプローチが機能しています。しかし、これまでのところ、このような極端なコンピューティングパワーが必要であり、負荷を軽くすることや機械学習の専門家を部分的に置き換えることについて考えるのは現実的ではないと指摘しています。
Google Brainの研究者は、800人の高性能グラフィックスプロセッサを使用して、人間が設計した最高の画像認識システムの設計を思いついたと述べています。
MITメディアラボの研究者であるOtkrist Guptaは、それが変わると考えている。彼とMITの同僚は、自分の実験の背後にあるソフトウェアをオープンソース化する予定です。学習ソフトウェアは、人間が作り出した深い学習システムを、オブジェクト認識のための標準テストでマッチさせたものです。
Guptaは機械学習モデルの設計とテストに時間を費やしてプロジェクトに取り組んでいたことに感銘を受けました。彼は、企業や研究者が機械学習の自動化を実現する方法を模索していると考えています。
「データ科学者の負担を軽減することは大きな利益です。 「生産性を高め、より良いモデルを作り、より高いレベルのアイデアを自由に探検することができます」
参考
https://www.technologyreview.com/s/603381/ai-software-learns-to-make-ai-software/
トランスヒューマニズム入門
人はどこへ向かうのか。
ガートナーの2013年の資料（http://www.gartner.co.jp/b3i/research/131001_inf/）に 「Maverick*リサーチ：人間の未来：デジタル、化学薬品、機械によって機能強化された従業員への対応を想定せよ」とある。 仮説として「2022年までに、ホワイトカラー・ワーカーの10%は、不可視のデジタル強化テクノロジを利用して自身の競争力の強化に投資するようになる。」とある。
人類は自分を強化し始めるという仮説。 ＞強化対象には、記憶と知識、感覚認知、認知能力 (集中力と学習速度など) に加え、身体能力 (体力、耐久力、治癒力など) も含まれる。従業員の安全性、生産性、意思決定支援、従業員満足度の向上などの機会が生まれる。ただし、どの強化機能を従業員に認め、義務付け、もしくは禁止するのかといった問題が数多く発生する。
たとえばgoogleglassなどウエラブルが強化されると、それをつけてる人が仕事のパフォーマンスが高いということになってくる。それが発展するとそれをつけてる人にしかできない仕事がでてくる。
今すぐ (あるいは、まもなく) 購入できる超能力
･ 飛行能力：JetLev ( http://www.jetlev.com/ ) でジェットパックを借りる。
･ 透視：テレビ電話、HUD、プロジェクタなどを用いたARを利用すると、壁の裏や装置の内部にあるものをデジタル・オーバーレイによる合成画像として見ることができる。プロジェクタを利用すると、その場に画像を重ねて表示できる。
･ 念力：脳波を検出して物理的なデバイスや装置の一部を脳でコントロールする技術を拡張すると、リモート拠点にあるデバイスをコントロールすることも可能になる。
･ 読心術：人がさまざまな画像を見たときのfMRI脳波パターンを認識するようトレーニングされたコンピュータは、脳波パターンを学習済みパターンとマッチングすることにより、人が見ている対象を再構成できる ( http://newscenter.berkeley.edu/2011/09/22/brain-movies )。
･ ワンタッチで傷が治る能力：DARPA Persistence in Combat研究プログラムの成果によると、「数百万個の微小磁石を生体に注入し、その全部が同じ方向に向かうよう棒状の道具をかざすと、出血を止めることができる」(Joel Garreau著『Radical Evolution』27ページ)。
･ 透明人間：「透明マント」 (光学迷彩) は、人の背後に隠れた部分の画像をカメラで撮影して身体と衣服の前面に投影することにより、透明になったかのように錯覚させる。
･ 永遠の生命：『ポスト・ヒューマン誕生―コンピュータが人類の知性を超えるとき』レイ・カーツワイル著、日本放送出版協会刊 (2007年) を参照。
トランスヒューマニズムの定義
「トランスヒューマニズムは人生の哲学の一種であり、生命を促進する原則と価値によって導かれる、科学と技術による現在の人間の形や人間の限界を超えた知的生命の進化の継続と加速を求める」 - Max More、1990
「トランスヒューマニズムは、現在の形の人間種が開発の終わりを意味するのではなく、むしろ比較的初期の段階であるという前提に基づいて、未来を考える方法です」 - Transhumanist FAQ
「トランスヒューマニズムは、合理的な方法を用いて身体的、精神的、社会的に高水準まで発展させることができる哲学です」 - Anders Sandberg、1997
「トランスヒューマニズムは、人間の本性を現実のものとみなしており、望ましい仕方で再構築することを学ぶことができる半分のベーキングの始まりであると考えています。現代人類は進化の終点である必要はありません。他の合理的な手段は、私たちが最終的に現在の人間よりもはるかに大きな能力を持つ人間化した人間になることを意味する」 - Nick Bostrom、2003
「トランスヒューマニズムは、人間の状態や技術の進歩によって生まれた人間の生物を増強する機会を理解し評価するための学際的なアプローチを促進するものであり、遺伝子工学や情報技術のような現在の技術と、分子ナノテクノロジーと人工知能のように “ - Nick Bostrom、2003
「トランスヒューマニズムは、技術を介して人間の生物学的限界を超越しようとする科学に基づく運動」 - Philippe van Nedervelde、2015
「トランスヒューマン主義は明日の人間性を予期する：将来のインテリジェントな生活の肯定的な性質と特徴を念頭に置いて、これらの性質と特徴を達成するための措置を講ずる、将来のインテリジェントな生活の負の特性のリスクを特定し管理する」Transpolitica website 2015
トランスヒューマニズムに有利な肯定的な議論
このセクションでは、トランスヒューマニズムを支持する理由を強調する。
Julian Huxleyの1957年のトランスヒューマン主義論
1957年に出版された本「New Wine for New Wine」の 13-17ページから抜粋：
数百万年の進化の結果として、宇宙はそれ自身の意識を持ち、過去の歴史と将来の可能性を理解することができます。この宇宙の自己認識は、私たち人間のうちのいくつかの小さな宇宙の断片で実現されています。おそらく、他の星の惑星上の意識的な生き物の進化を通じて、他の場所でも実現されているのでしょう。しかし、この地球上で、これまでに起こったことはありません…
ホッブズが述べたように、今まで人類の生活は一般的に「厄介で肉薄で短期間」であった。大多数の人間は、まだ幼い頃に死んでいない場合、貧困、病気、病気、過労、残酷、抑圧のいずれかの形で苦しみを受けています。彼らは彼らの希望と理想によって彼らの悲惨さを軽減しようとしました。問題は、希望が一般的に正当化されておらず、理想は一般的に現実に対応していないということでした。
私たちの希望を合理的にし、現実の枠組みの中で私たちの理想をどれくらい実現しているかを示すことで、理想を設定します。すでに、これらの可能性のある土地が存在するという信念を正当に抱かせることができ、現在の限界と惨めな不満が大いに上回る可能性がある。私たちは、歴史の中でそれを知っている人間の人生は、無知に根ざした惨めな一時的なものであるという確信ですでに正当化されています。科学に基づいた現代の物理的性質の制御が、迷信と専門的秘密に根ざした先祖の暫定的な当惑を超越するように、知識と理解の照明に基づく存在状態によって超越することができるということです。
これを行うには、私たちはすでに私たちの物理的環境と大規模に行っているように、より好ましい社会環境を作り出す可能性を研究しなければなりません…
人間の種は、望むならば散発的ではなく、ある意味では個体、別の方法では個体が、全体としては人類として超越する。この新しい信念の名前が必要です。恐らく人間ヒューマニズムが役立つだろう。人間は残っているが、人間の本性のために新しい可能性を実現することによって、自分を超えている。
「私はトランスヒューマニズムを信じています。」と言える人がいれば、人間種は、私たちのものとは違って北京の人間とは異なる、新しい種類の存在の限界にあるでしょう。ついにそれは意識的にその本当の運命を果たすでしょう。
1998年から2009年までのトランスヒューマニスト宣言
トランスヒューマニズム宣言は、著者の国際的なコレクションによって1998年に書かれました。この宣言の改訂版は、2009年3月にHumanity +組織の理事会で承認されました。宣言の最初の4つのセクションでは、以下のように、ヒューマン・トランスヒューマニズムを支持する議論がカプセル化されています。
1.人類は、将来科学技術によって深刻な影響を受けることになります。我々は、高齢化、認知障害、不随意の苦しみ、そして地球への閉じ込めを克服することによって人間の可能性を広げる可能性を想像しています。 2.私たちは、人類の可能性はまだほとんど未実現であると信じています。すばらしい、そして非常に価値のある強化された人間の条件につながる可能性のあるシナリオがあります。 3.人類は、特に新技術の悪用から深刻なリスクに直面していることを認識しています。私たちが大切にしているもののほとんど、あるいはすべてを失う可能性のある現実的なシナリオが考えられます。これらのシナリオのいくつかは劇的で、他は微妙です。すべての進歩は変化していますが、すべての変化は進歩ではありません。 4.これらの見通しを理解するためには、研究努力が必要です。リスクを最小限に抑え、有益なアプリケーションを迅速に実行する方法を慎重に検討する必要があります。また、人々が何をすべきかについて建設的に話し合うことができるフォーラムや、責任ある意思決定を実施できる社会秩序が必要です。
新しい移民宣言（2013年）
2013年2月には、多数の著者が代替トランスヒューマニスト宣言を作成しました。いくつかの抜粋は、トランスヒューマニズムを支持する追加的な理由を提供する：
ディルクBruere：
私たちは、高齢化を克服し、認知を高め、不随意の苦しみを廃止し、地球を越えて拡大することによって人間の限界を超越するという望ましさを主張しています。
サマンサ・アトキンスから：
1）私たちは老化の終わりを提唱する。
私たちは、老化の有害な影響のすべてを治癒し、最終的にはそれを利用しようとするすべての人々に結果として生じる治療法を普及させるための治療法を見つけることに真剣に研究を集中させることを提唱する。
2）私たちは、実際の豊かさの実現を信じ、賛成する。
私たちは、すべての人間のすべてのニーズと多くのニーズを満たすことは自明であるような豊富さを保証する技術と実践を信じて、存在にすることを信じています。この豊富には、豊富な食糧、水、避難所、教育、コミュニケーション、計算、保健医療が含まれます。
これは、高度な技術と、自分自身と私たちの機関で豊富な経験をするために必要な変更があれば実現できます。
3）私たちはすべてが自発的でなければならないと考えます。
我々の目標であるべきでも、私たちの見解でも、それを無理なく達成することはできません。誰もこれらの目標を直接的または間接的に支えるべきではありません。強制と抑圧は、絶望、怒り、復讐、革命につながる。技術を加速することによってもたらされる結果の逓増により、これらのサイクルはこれまで以上に生存性が低下します。
4）近距離宇宙資源の開発を支援する。
近未来の宇宙資源を利用すると、人類の未来は大きく明るくなります。そうする権利は、その一部を改善または生産的に利用できるすべての主体が利用できるようにすべきである。惑星資源の一部が誰にも属していないと言っている条約は無効化され、無効と宣言されるべきです。
5）すべての人間は自由に自分自身を改善しようとする。
自分の人生にとって不可分な権利のおかげですべての人間は、彼らが有益であると思うか、気まぐれなものであってもよいと望むものを何でもする権利を持っています。彼らは他人の同等の権利を放棄することができないということだけを制限します。彼らは自分が望むやり方で自分を摂取したり、埋め込んだり修正したりすることができます。これには、人間の基準を超えた改善を追及して達成することが含まれます。要するに、彼らはそのような手段を通じて幸福を追求する完全な権利を持っている。
ジェイソン・シュウから：
私たちの運動は、人道主義の延長として、また、「人生、自由、幸福の追求」の理想として指数関数的に大きなメリットをもたらしています。私たちは第一に、人類を根本的に改善することに専念し、モーフィング技術の大きな力が大きな責任を負っていることを保証します。
TJL-2080より：
20世紀は驚くべき成長と技術進歩の時代でした。21世紀には、これらの技術が前例のない形で炸裂することが見込まれます。人類は今後の変化に適応するか、時代遅れになる必要があります。私たちは、生物学的限界にこだわらないことによって、私たちの可能性を満たすことを目指しています。私たちは、私たちの生活を向上させ、より長く生き、よりスマートに、より健康的に、より多くの思いやりに新しい技術を使用します。
ニコラDanaylov：
インテリジェンスは自由でありたいが、どこでも連鎖している。それは生物学と避けられない希少性によって投獄されている。
生物学は、耐久性、死および記憶力の低下が非常に限られているだけでなく、通信、輸送、学習、相互作用および進化の速度も制限されている。
生物学は人類の本質ではない。
人間は進化の一歩であり、決勝ではありません…
生物学的進化は永久ですが、遅く、非効率的で、盲目的で危険です。技術進化は、高速で、効率的で、加速し、より優れた設計である。生き残りの可能性を最大限に引き出し、自分の運命を自由にコントロールするためには、進化をマスターする必要があります。
テイラー・グリンから：
人類は過去4000年の間に進歩の飛躍を遂げました。農業から遺伝学まで、印刷機からインターネットまで。1903年の最初の制御された飛行から、1969年に月に着陸するまで。火から核爆弾まで。
しかし、これらの進歩にもかかわらず、私たちはまだ病気を治療し、人間の苦しみを解決し、多くの自然を克服する可能性を満たすことができません。
科学技術は人間の条件を上回る闘いにおいて最大の資産ですが、技術は人類や環境に悪用される可能性があることを認識しています。
それゆえ、世界中のトランスヒューマニズムの目標は、個人の自由、健康、長寿の新しい時代を迅速かつ責任感を持って導き出すことであり、私たちは技術の研究開発に個人的な投資をしてこの目標を達成しようとします。
超古代文明（またはH +）、知的運動は、大きくサイエンスフィクションの影響を受け、どのような技術のビューの理想的な点提示される可能性があり、将来の人類のために何を、ではない、それはどのようなことができません。それはすべて仮説です。[2] トランスヒューマニズムは、技術が人類のためにできることの利益と波及効果を探るが、技術的境界は存在しないと仮定する。〔3〕
憶測
トランスヒューマニズムはどれほど可能性がありますか？1930年代には、多くの賢明な人であったことを確認、人間がに取得することはありませんでしょう月、それは多くのひとつだったの予測不正確判明しました。[4] 初期の21世紀の人々は、将来的には可能であろうものを一つの方法または他のを知りません。しかし、トランスヒューマニズムの科学的主張は、依然として批判的に検討される必要がある。なぜなら、これらの技術科学的預言のいくつかは妥当ではないかもしれないからである。[5] 頻繁には最高のほとんどが単なる憶測として退けているが合理[6] （特に人工知能の多くの障害の光の中で）、超古代文明は、多くのコンピュータの間で強く信念であるオタク、特にシンセサイザーとアクセスコンピューティングの第一人者レイ・カーツワイル、信者は、人類の現在の理解力や予測能力を超えて技術が進化する「技術の特異性」や、AI研究の必然的な結果が人類の陳腐化であると考えているSun Microsystemsの創始者でありビル・ジョイ（Bill Joy）[7]
超古代文明の約束
特定の最近の技術の進歩は、超古代文明の実現の可能性を作っているより説得力のある表示されます：科学者によって資金を供給軍はこのようにされることが可能な高度な人工装具のためのドアを開けると、コンピュータが使用できる形式に運動ニューロンの信号を変換することができるインプラントを開発生物学的手足のように操作され、知覚情報を生成する。[8]これは、音波を神経信号に変換する初期の蝸牛インプラントの開発の最前線にあります。彼らはしばしば “バイオニック耳"と呼ばれています。[9] DIYのトランスヒューマニズムや「バイオハッキング」さえ、磁気インプラントを設置して磁場や電場を感じることができるようになっています。[10] 他の人は、常に磁気北を見つけることができるように、磁石のベルトを着ている。いくつかのレベルの接触を伴う義足も今開発されており、大きな節目となっています。[11]
科学批判
特異点
特異点の例は有益である。非常に多くの人々にとって、特異性の少なくとも一部は、真の人工知能を作り出すことができることにかかっています。それは人間に固有の複雑さと主張するのが妥当だが、脳が完全に世俗的な物理学の結果であるので、原理的に再現することができ、singularitarians [12] [13]は、人間のエミュレーションと仮定する傾向がある知性が持つ不可能な手段ではありません近い将来にできる能力。
全脳エミュレーション
「全脳エミュレーション」（WBE）は、トランスヒューマン派が、明らかにコンピュータ上の脳のエミュレーションを指す用語です。これは間違いなく可能性がありますが、近い将来確実性が失われるという2つの問題に遭遇します。 第1は哲学的異論です：WBEが働くためには、「強いAI」（すなわち、人間の知能以上のAI）が達成可能でなければならない。多くの哲学的異論は、心や意識が計算可能ではない、あるいは意識のシミュレーションが真の意識（それが何であれ）と同等ではないという一般的に強いAIに反して提起されている。心の哲学の分野では、依然として強いAIに対する論争がある。[14] WBEは物理学を無視しないことがありますが、完全に（少なくともtranshumanists、の意味の意味での）人間の脳をシミュレートする技術がある。第2の可能な異議は、技術である長い道のり。現在、人間の脳をシミュレートするのに十分強力なコンピュータ（またはコンピュータのネットワーク）はありません。Blue Brain Projectのヘッド、Henry Markram氏は、脳をシミュレートするには500ペタバイトのデータが必要であり、シミュレーションを実行するために必要な電力は年間約30億ドルかかると推定しています。（ただし、2008年に、彼は楽観的、これが10年後に可能となります予測している。[15] ）コンピューティングの技術的な制限に加えて、限界もある神経科学は。神経科学は、現在、肉眼的解剖学的レベル（例えば、MRI、PET）のレベルで脳をスキャンすることしかできない技術に依存している。最近、単一ニューロンイメージング（SNI）の形態が開発されているが、それらは神経組織を破壊するため、動物被験者（通常はラット）にしか使用できない。[16]
不死、冷凍、心のアップロード
“ "まずは、私はすべて老化に関する研究に賛成だと言いましょう。私は、科学は健康な生活を長くする大きな可能性を秘めていると思います。しかし、私は不滅性、あるいはそれに近似することさえ不可能で望ましくないと思います。 - PZ Myers [17] もう一つのトランスヒューマニストの目標は心のアップローディングであり、これは彼らが不死を達成することができると主張する一つの方法である[18] [19]。上記のWBEの問題とは別に、心のアップロードは哲学的な問題、すなわち「沼地の男の問題」に苦しんでいます。つまり、「アップロードされた」心は「あなた」か、単にあなたの心のコピーまたはファクシミリですか？しかしながら、この問題の1つの可能な方法は、脳の部分をサイバネティック等価物（患者は各手術の間に目を覚ましている）で段階的に交換することによるものである。それから、個人の意識の連続性を「壊す」ことはなく、「沼地男」仮説の支持者は、個人が「自分自身」になるのを正確に突き止めることが困難になります。 人体冷凍保存は、多くのtranshumanistsの別のお気に入りです。原則的に、クライオニクスは不可能ではありませんが、現在の形は、主に仮想的な将来の技術に基づいており、多額の費用がかかります。
ラジカル寿命延長
高齢化と戦うことと寿命を延ばすことが可能です - 老化を研究し、老化防止技術の提案を提供しようとする分野は、「バイオバイオテロジー」として知られています。Aubrey de Greyは、老化に対する多くの治療法を提案している。2005年、バイオ・バイオテロジーに取り組んでいる28人の科学者が、デ・グレイの治療法が実証されたことはなく、抗老化技術の主張の多くは非常に膨らんでいたことを指摘したEMBOレポートに署名しました。[20]この記事は、2005年7月のEMBOレポート記事（以前はde Grey [21]）に対応して書かれており、グレーからの返答は11月号に掲載されました。[22]デ・グレイはメトセラ財団のウェブサイト上で公開」、SENSのbiogerontology研究コミュニティの進化ビュー」でこれらのイベントをまとめたものです。[23]
科学的論争
最悪の場合、トランスヒューマン主義者の中には、自分が興味を持っている分野の人々が何を話しているかを無視するものもあります。例えば、AI研究者は自分自身でそれをやり遂げることができるので、神経生物学は時代遅れの科学であると、いくつかのAIブースターは信じています。彼らは、心の計算理論を導入するのに用いられた類推を採用したように見える。「心（または脳）はコンピュータのようだ」もちろん、心と脳は通常の意味でのコンピュータではありません。[24]との議論のウィアリー感触を取ることができ、そのような人たちと議論創造論や気候変動否認主義者、そのような人々はどんなそれらの位置に固執しないように、。実際、多くの批評家はされているだけで却下としてLudditesまたは頭がもやもやしたロマン科学技術の反対進歩を。[25]
生命倫理
超古代文明は、多くの場合、服用していないために批判されてきた倫理的、真剣にトピックのさまざまな問題を[26]延命技術、を含む[27]人体冷凍保存、[28]と精神転送およびその他の拡張機能。[29] [30] （彼の空論でフランシス・フクヤマネオコン日）超古代文明に名前を付けることで物議をかもした「世界で最も危険なアイデアを。」[31]福山の批判の1つは、トランスヒューマニストの技術の導入が深刻な不平等につながることは、むしろ一般的なことである。
エリート主義と政治的ユートピア
数政治超古代文明の批判も同様に行われました。トランスヒューマニズムの組織は、企業や軍事的利益のポケットに入れられていると非難されている。[32]ピーター・ティエル（PayPalとBitcoinの名声）のような最大の支持者のいくつかがこの地域に住んでいることから、この動きはシリコンバレーで確認されている。[33] [34]いくつかの作家は、として超古代文明を参照してくださいハイブの気難しいと不愉快なテクノリバタリアニズム。[35] [36]ジュリアン・ハクスリーは、用語「トランスヒューマニズム」と構築で多くのtranshumanists「執着造語という事実ニーチェとの比較につながっている「ポストヒューマン」として知られている超人優生学を。[37] [32]は優生学のように、それは次のように特徴づけられているユートピア政治的イデオロギー。[38] Jaron Lanierはそれを「サイバネティック・トピックス」と揶揄した。[39]
宗教的異議との関係
移民主義と宗教、すなわちキリスト教の間には緊張がある。[ 要出典 ]一般的であり、いくつかのtranshumanistsを無神論 博物学者、科学技術の進歩への障害として、すべての宗教を見て、いくつかのキリスト教徒があるために、そのスタンスの超古代文明に反対クローニングと遺伝子工学としてそれをラベル異端の 信念システム。[40]しかし、他のトランスヒューマニストは、オリーブの枝をキリスト教徒に広げようとしている。[41]いくつかはのために呼び出し、彼らの宗教やテクノユートピア信念を調整しようとしてきた「科学的神学。」[42]でもありモルモントランスヒューマニズム組織。[43] 皮肉なことに、無神論的移民主義者のために、その運動そのものは、キリスト教の偽善者と比較して宗教とそのレトリックとして特徴付けられてきた。[44] [45]
政治
非常に小さなトランスヒューマニストの政治運動ウィキペディアのW.svgは、ゾルタン・ウィキペディアのW.svgイストバンがアメリカ人大統領への入札を発表し、Transhumanist Partyやその他の小さな政党が国際的に支持を得て勢いを増しています。
だから今何？
トランスヒューマニズムについての重要なことは、実際にこのような予測の多くが実際に可能であるかもしれないが（そして今の彼らの胚段階でさえあるかもしれない）、それがカバーする分野についてのいかなる主張の予測に対しても強い 懐疑的な目が必要であるということである。そのような主張を評価する際には、基本的な知識を得るために、図書館（またはWikipedia、または関連する科学者のホームページ）への旅行が必要になるでしょう。[46]
大衆文化で
数十年にわたりSF小説の共通の罠は、アーサー・C・クラークの1953年の小説「幼なじみの終わり」や「ネガティブ」のように、現在の形を超越する見通しがポジティブになる可能性があるということです。人類は本質的に機械寿命に置き換えられたフィルムのターミネーターシリーズです。 急進的な誘引恐怖を変え、したがって、人気文化におけるトランスヒューマニズムの描写の多くが否定的であることは驚くことではない。サイバーパンクのジャンルは、ヒューマン・ライツ・ウォッチの間違いをテーマにしています。
中のユートピア（と融合した超古代文明のビジョンリバタリアニズム）オリオンの腕を設定するコラボレーティブなオンラインSFに見られるものです。時間的に後に位置する特異点将来、今から1万年は、オリオンの腕は、遺伝子工学についての大規模楽観的であるコンピューティングや材料科学の改善を続けました。不可能であることが実証されている技術だけが除外されているため、遠隔的にもっともらしく考えられる概念でさえも投げられる傾向があります。スケールの最終点は、人工ワームホールの創造、宇宙の宇宙と質量のない慣性です。[47]
ジュリアン・ハクスリー（Julian Huxley、1957年）による「トランスヒューマニズム」 数百万年の進化の結果として、宇宙はそれ自身の意識を持ち、過去の歴史と将来の可能性を理解することができます。この宇宙の自己認識は、私たち人間のうちのいくつかの小さな宇宙の断片で実現されています。おそらく、他の星の惑星上の意識的な生き物の進化を通じて、他の場所でも実現されているのでしょう。しかし、この私たちの惑星では、以前に起こったことはありませんでした。
この惑星の進化は、地球（そして宇宙の残りの部分）が生み出されるものによって、まったく新しい可能性の実現の歴史です。強さ、スピードと意識鳥の飛行とミツバチとアリの社会的政治。色、美しさ、コミュニケーション、母親のケア、知性と洞察の始まりとともに、人間が夢を見ていたずっと前から、心の出現。最後に、宇宙の時計の最後の数ダニの間に、概念意識と言語のための能力、意識的な経験を蓄積してプールするための自己意識的な意識と目的のために、全く新しい、革命的な人間がある。人間の種は、何百万年も前に生きていた顕微鏡の単細胞動物とは根本的に異なっていることを忘れてはいけません。
宇宙の新しい理解は、心理学者、生物学者、その他の科学者、考古学者、人類学者、歴史家によって、過去百年間に蓄積された新しい知識を通じてもたらされました。人類の責任と運命を可能な限り完全にその本質的な可能性を実現する仕事の世界の代理人と定義してきました。
まるで人間が突然任命されたかのように、進化のビジネスは、彼がそれを望んでいれば尋ねることなく、適切な警告と準備をせずに任命されました。さらに、彼は仕事を拒否することはできません。彼は、彼が何をしているのかどうかを意識しているかどうかに関わらず、実際にこの地球上の進化の将来の方向性を判断する点にあります。それは彼の避けることのできない運命であり、早くそれを実現し、それを信じ始めると、すべての関係者にとってより良いものになります。
仕事が本当に沸騰するのは、個人、地域社会、時間の流れに沿った行進の冒険の中の種によって、人間の可能性を最大限に実現することです。私たちのすべての人間のジャックは、球形で微視的な卵細胞である潜在性の単なる斑点として始まります。出生前の9ヶ月間に、これは自動的に真の奇跡的な組織の範囲に展開されます。生まれた後、自動的な成長と発達の継続に加えて、個人は、人格を築き、特別な才能を開発し、多様な知識と技能を身につけ、社会の発展に貢献しています。この出産後のプロセスは、自動またはあらかじめ決められたプロセスではありません。それは、状況に応じて、また個人の努力に従って、非常に異なる方法で進むことができる。キャパシティが実現される度合いは、多かれ少なかれ完璧になり得る。最終的な結果は、満足できるものでも、逆のものでもあります。特に、本当の完全性を達成するには、人格が悲惨に失敗することがあります。よく発達し、よく統合された人格は、進化の最も高い産物であり、我々が宇宙で知っている最も完全な実現であるということは確かです。
人類が最初に指定したのは、人間の本性を探究し、その可能性が何であるかを知ることである（当然の制限を含むまたは外部性の事実によって課される）。私たちは地球の地理的探査をかなりうまく終えました。生命のない生きている自然の科学的探究を、その主要な輪郭が明確になったところまで押し進めました。人間性とその可能性の探求はほとんど始まっていない。未知の可能性の広大な新世界がコロンブスを待っています。
過去の偉大な人たちは、人格、知的理解、霊的達成、芸術的創造の道で可能なことを私たちに見せてくれました。しかし、これらはPisgahの垣間見るほどのものではありません。私たちは、物理的地理の領域が探究され、マッピングされるにつれて、人間の可能性の全領域を探索し、マッピングする必要があります。普通の生活のために新しい可能性を生み出す方法は？普通の男女の潜在的能力を理解と楽しみのために引き出すためにできることは何ですか？霊的経験を達成する技術を人々に教えること（結局のところ、踊りやテニスのテクニックを身につけることができるので、神秘的なエクスタシーや霊的平和はなぜ必要なのか？成長している子供に本来の才能と知性を発達させるために、彼らをイライラさせるか歪めるのではなく、すでに絵画や思考、音楽や数学、演技や科学はかなり普通の男の子や女の子にとって非常に真実を意味することができますが、子供たちの可能性を引き出すために恐怖の方法が採用されていることはすでにわかっています。私たちは、最も幸運な人ですら、能力をはるかに下回って生計を立てており、ほとんどの人間は潜在的精神的精神的効率のほんのわずかしかではないことを認識し始めています。実際、人類は未知の可能性の広い領域に囲まれており、探検の精神に挑戦しています。
科学的および技術的な探検は、世界中の共通の人間に物理的な可能性の概念を与えました。科学のおかげで、特権を持っていない人たちは誰も未治療や慢性的に病気にかかったり、技術的および実用的なアプリケーションの恩恵を奪われたりすることはないと信じるようになりつつあります。
世界の不安はこの新しい信念に大きく起因しています。人々は、科学はそれを上げる可能性を明らかにしたので、身体的健康と物質的生活の準正常な標準に耐えないことに決めました。不安は消散する前に不快な結果を招くでしょう。それは本質的に有益な不安であり、人間の運命の生理学的基盤を築くまでは静かではない動的な力です。
私たちが意識と人格に開かれた可能性を探究し、それらの知識が共通の財産となったならば、新たな不安の源が現れ、適切な措置がとられれば、真の満足を飢えさせる必要はない、または準標準履行と非難される。このプロセスも不愉快で始まり、恩恵を受けて終了します。それは、私たちの可能性を実現する方法に立っているアイデアや制度を破壊することから始まります（あるいは、実現可能性が実現することを否定することさえも否定します）。そして、真実の実際の構築を少なくとも開始することによって進められます人間の運命。
ホッブズが述べたように、今まで人類の生活は一般的に「厄介で肉薄で短期間」であった。大多数の人間は、まだ幼い頃に死んでいない場合、貧困、病気、病気、過労、残酷、抑圧のいずれかの形で苦しみを受けています。彼らは彼らの希望と理想によって彼らの悲惨さを軽減しようとしました。問題は、希望が一般的に正当化されておらず、理想は一般的に現実に対応していないということでした。
私たちの希望を合理的にし、現実の枠組みの中で私たちの理想をどれくらい実現しているかを示すことで、理想を設定します。すでに、これらの可能性のある土地が存在するという信念を正当に抱かせることができ、現在の限界と惨めな不満が大いに上回る可能性がある。私たちは、歴史の中でそれを知っている人間の人生は、無知に根ざした惨めな一時的なものであるという確信ですでに正当化されています。科学に基づいた現代の物理的性質の制御が、迷信と専門的秘密に根ざした先祖の暫定的な当惑を超越するように、知識と理解の照明に基づく存在状態によって超越することができるということです。
これを行うには、すでに私たちが物理的環境を大切にして行ってきたように、より良い社会環境を作り出す可能性を研究しなければなりません。私たちは新しい敷地から始めます。例えば、その美しさ（楽しむものと誇りに思うもの）は不可欠なので、醜い街や不景気の町は不道徳なものです。人々の質は単なる量ではなく、我々が目指すべきものであり、したがって、現在の人口増加の洪水がより良い世界へのすべての希望を傷つけるのを防ぐためには、協調的な政策が必要である。真の理解と喜びは、仕事のための道具や憩いの場だけでなく、それ自体で終わります。それゆえ、私たちは教育と自己教育の技術を探求し、十分に利用できるようにしなければなりません。最も究極的な満足は、内なる生命の深みと全体から来ているため、霊的発達の技法を探求して十分に利用できるようにしなければならない。とりわけ、私たちの宇宙の義務の2つの補完的な部分があること、それは自分自身のものであり、能力の実現と享受、他者への享受、コミュニティへの奉仕、来るべき世代、私たちの種全体の進歩などです。
人間の種は、望むなら散発的なものではなく、ある意味では個体、別の方法では個体が、全体としては人間性のものです。この新しい信念の名前が必要です。恐らく人間ヒューマニズムが役立つだろう。人間は残っているが、人間の本性のために新しい可能性を実現することによって、自分を超えている。
“私はトランスヒューマニズムを信じている"：本当にそれを言うことができる人がいれば、人間の種は、私たちとは違ってペキンの人間とは異なる、新しい種類の存在の限界にあるだろう。ついにそれは意識的にその本当の運命を果たすでしょう。
脳と機械をつなぎます
切断者をシームレスほぼすべての地形を横断できるようにするために、センサ及び制御システムを使用する生体脚。洗練されたブレイン・マシン・インタフェース（BMI）とロボットアームは、麻痺患者が密接に典型的な人間の手足の速度やコーディネートにマッチすることができます。最終的に脊髄損傷警告患者がトイレに行くためにできたとしても、コンピュータ膀胱。
これらは、単にロボット装置のさまざまな動作を制御するために、脳内の神経細胞により生成された電気活動を利用BMIがいくつかの例です。希望はそれほど遠くない将来に、神経障害の様々な患者が彼らの移動性を回復し、自分の車いすやその他の不器用な支援機器の背後を残すかもしれないということです。
ロボット支援医療の分野は急成長しているが、技術が急速に発展しているが、規制当局の承認、臨床医研修、および高コストなどの問題は、最終的に日常の医療の一部となる生物医学ロボット工学の道に立っています。
いくつかのレビューと視点の記事がこの分野での技術水準を調べるとともに、ロボットとneuroprosthetic技術への新しい研究は、特別な問題で11月6日強調された科学トランスレーショナル医学。
ロボット脚
1レポートでは、マイケル・ゴールドファーブ、博士、教授、機械工学、教授、物理医学とリハビリテーション、ヴァンダービルト大学、ナッシュビル、テネシー州、および同僚はコンポーネントについて説明し、最新のロボットの脚技術のを。これらのコンポーネントは、足首と膝のモータ、膝と足首の角度センサと、かかとやつま先接地力反応センサを含みます。
センサーは、末梢神経系の側面を交換してください。これらのセンサからの結合情報は、中枢神経系（CNS）の同等の機能を提供するマイクロコントローラに供給されます。
CNSからの情報を測定するため、およびそれと一体的に機能するように、電極は、末梢神経または運動皮質に移植することができます。ロボットの手足が代謝電源（循環系）から単離されているので、プロテーゼは、それ自身の電源、頻繁に電池を有します。
ロボットプロテーゼは筋肉機能のすべての側面をエミュレートすることができるので、従来のプロテーゼでは不可能な多くの生体力学的特徴を再現することができます。例えば、ユーザは、歩行対称性と安定を強化の動きを制御し、より良い斜面や階段を交渉することができました。
彼らはまた、落下しにくくしています。「[R] ecent研究は、下肢切断者人口の滝の年間発生率は、高齢者人口の、そのような落下の結果として、医師の診察を求めて速度が機関生活高齢者のそれに匹敵することを超えていることを示していますそして、立ち下がり（その結果、医師の診察を必要とする）の発生率は、古い切断者よりも若い切断者の方が高い、若い切断者が活動や地形の彼らの選択にあまり拘束されているためと思われる、 “博士ゴールドファーブらは書きます。
この新しいロボットの脚部のもう一つの利点は、エネルギー的に受動的な補綴物とは異なり、それは筋骨格系の変性につながることができ、無傷の関節にストレスを増加させる代償運動を、必要としないということです。
著者は、物理センサーインタフェースを持つロボット脚補綴物の生体力学的利点に関する研究が文献に登場していると、デバイスは商業市場に登場し始めていることを指摘します。 将来のモデルは、さらに機能的であることを約束する、と著者らは、ロボットの人工器官の完全な約束がますます実現されることを期待しています。その結果、彼らは言った、患者の可動性と生活の質の改善すべきです。
移動アームズ
類似した翻訳技術は、他の手足に適用されています。研究者らは、脊髄損傷およびその他の麻痺患者と患者は洗練されたブレイン・マシン・インタフェースを介して操縦することを学ぶことができますロボットアームを開発しました。
では、一例で昨年12月に報告されたランセット構造的および機能的MRIで定位画像ガイダンスを使用して、外科医が原因で脊髄小脳変性症に慢性四肢麻痺を持つ女性の左運動皮質に2微小電極を移植し、。これは、研究者が特定し、女性は彼女の手や腕を使って想像するように頼まれたとき、神経活動を記録することができました。
いくつかの練習後、女性はアイテムをつかみ、流動的協調、スキル、および健常者の速度で手を動かすことができました。
彼らの現在の論文で検討するパーソナライズされた神経機能代替のこの号で、グレゴワールクールティーヌ、博士、准教授、技術ローザンヌのスイス連邦工科大学、および脊髄の修復の国際対麻痺財団の椅子、神経機能代替と脳マインド研究所センター、と彼の同僚は、これを引用します及び皮質におけるニューロンを利用する別の例は、患者の意図されたモータの動作を解釈します。
「これはBMIが著しい流動性で7次元リーチと把握運動を行い、さらには安全に口にテーブルからコーヒーやチョコレートのカップを持参するロボットアームの自主管理を有効に - にロボットシステムを持って来るために技術的、物流課題を克服しますパーソナルスペース、「彼らが書きます。
インタビューでMedscapeに医療ニュース、博士クールティーヌは、この義手の最初のバージョンは、次の5〜10年以内に利用可能になると予測しました。
BrainGateシステム
ロボットアームを完成することBrainGate神経インタフェース・システムと呼ばれる治験機器の一部です。以前に報告されたことにより、Medscapeに医療ニュース、このシステムは、脳の信号を監視するためにセンサーを使用して外部機器のためのデジタルコマンドにこれらの信号をオンにコンピュータソフトウェアおよびハードウェアを使用します。センサ、脳細胞の小集団の活動を記録することができる100ヘア薄い電極を含むシリコンの小さなパッチは、運動皮質に移植されます。
外傷性脊髄損傷および手足の損失を有するものを含む - - 通信し、文字通り思考を介して共通の日常の機能を制御するために、専用のWebサイトによると、BrainGateの目標は、重度障害者ができるようになります技術を作成することです。その背後にあるグループは、研究、科学、および適用された商業技術の開発に取り組む学術機関、企業、様々な非営利および政府機関をリード含まれています。
心で1義手を制御することは良いですが、2を制御することは良いです。結局のところ、協調手の動きは、キーボード上の缶やタイピングを開くなどのタスクのために有用です。
そのためには、ダーラムでデューク大学、ノースカロライナ州、から、スイス、ブラジルからの研究者がサルは同時に、単にそれらを動かす想像することによって2つの仮想武器を制御することを可能にするBMIを使用しています。
アカゲザルの大規模な脳活動は、デコードされ、仮想現実での球形オブジェクトに向かって仮想サルアバタの両腕の到達運動を制御するために使用されました。 ニューロイメージングのためのデュークセンター で新たな研究も専用の問題に現れる、研究者は、2匹のサルの脳でほぼ500ニューロンを記録しました。特定のアルゴリズムの助けを借りて、彼らは仮想アームに運動指令を再ルーティングロボットのリンクを作成するために、記録された脳活動を使用していました。 サルは、コンピュータのモニタ上でアバターの腕を見てモニタに正方形のターゲット上に仮想の手を置きました。トレーニングの2週間後、彼らはコンピュータモニタを凝視することによって彼らの本当の手を動かすことなく、仮想の腕を制御することが可能で実現しました。最終的に、研究者がサルの脳は、彼らが本当の武器であるかのように仮想の腕に応じて焼成開始したことを指摘しました。
背骨をバイパスすることを目指してこの技術を使用すると、麻痺している患者は、理論的には、単に実際にそれを移動するために手足を動かすことを考えることができます。
装着型ロボット
しかし、それは腕と足で停止しません。デューク大学のneuroengineersはウォーク再びプロジェクト、重度の麻痺を有する患者への完全な移動性を回復させることができる最初のBMIを開発し、実装する多国籍共同の努力をリードしています。
プロジェクトのWebによると「この高尚な目標は、患者は全身補綴装置の動きを制御するための独自の自主的な脳の活動をキャプチャして使用することができ、その中核としてBMIを使用していますneuroprostheticデバイスを構築することによって達成されるであろう」サイト。"としても知られているこの「ウェアラブルロボット」、「外骨格は、「維持し、彼または彼女の精神的な意思に応じて患者の体を運ぶように設計されます。」
計画はまた、一流の科学技術の専門家の世界的なネットワークを作成する必要があります。「これらの世界的に有名な学者がキー知的資産を貢献するだけでなく、必要とする患者のための完全な移動を復元に向けた基本的な進歩を確立するために、明確な目標を設定し、プロジェクトの継続的な資金調達総額のための基盤を提供します。」
いくつかの新しいBMIが、身体機能に取り組むために、外部の仮想動きを越えて行きます。脊髄損傷の患者は感じるため、または脳や膀胱の感覚と運動神経との間に破壊された接続の自分の膀胱を制御することはできません。損傷した神経を置き換える電子デバイスを入力します。
現在、ラットで試験されているデバイスは、膀胱がいっぱいになったとき、それが収縮するときに解読する感覚神経の情報を記録します。最近の実験はまた、外科的に移植されたデバイスが正常にキューに空に膀胱をブロックし、トリガすることができることを示しました。
この作業を行う英国の研究者によると、これらの実験の知見は、脊髄損傷の患者では感覚だけでなく、動きを取り戻すことができBMIが開発に向けたステップを表します。
神経機能代替の分野における他の研究者は、マイクロエレクトロニクスの網膜インプラントデバイスで作業しています。かなりの進歩は目の見えない患者に視力を回復するために、電子網膜上または網膜下インプラントを使用して作られています。
網膜インプラントにおけるこのような進歩はで説明されて新しい紙のこの問題に登場する科学トランスレーショナル医学。
これらのデバイスは、最近、教授E. Zrenner、椅子率いる、著者を言った、網膜の視細胞が失われたが、内側の網膜や視神経に異常がされており、遺伝性の網膜変性疾患を有する患者を治療するための市場の承認を受けている、ビジョンの病態学科神経眼科、チュービンゲン、ドイツの大学。
しかし、彼らは言った、多くの問題がまだ解決されなければなりません。これらは、多電極アレイおよびデバイスの安全性と寿命を確保するための最良の方法を移植するための最良の場所を決定することを含みます。その他未回答の質問は、空間と時間分解能を向上させ、色覚が可能かもしれないかどうかをする方法を含みます。
より柔らかく、より小型ロボット
多くの外科手術用ロボットのツールが開発されているが、ほとんどはロバートウッド博士、教授、工学や応用科学、ハーバード大学、コナー・ウォルシュ博士、助教授、機械工学、ハーバード大学、ケンブリッジ、マサチューセッツ州によると、まだかなり剛性であります。で社説特別号で、彼らは「よりソフトな」生物医学ロボットを開発するためのケースを作ります。
「[T]が彼人間の体は、大部分が柔らかい骨以外である、「彼らは記しています。「これは、剛性の生物医学ロボットは患者の安全を確保するために正確なセンサフィードバック、高性能制御システムに依存しなければならないことを意味します。 "
剛性の低いデバイスは自然な身体の動きを一致させることにより部分的には、物理的または神経学的障害を有する患者を支援し、必要なときにまだ、まだかなりの力およびトルクを適用することができ、彼らは言いました。
博士クールティーヌと彼の研究員によると、「ソフト」neuroroboticsのフィールドは、そのソフトロボット工学と神経機能代替と結婚浮上しています。ソフトneuroroboticsは、彼らが言うには、ソフトな設計により、より自然な、よりインタラクティブ、そしてより安全なロボット支援を提供することを目的とするリハビリテーション・インターフェースの新しいクラスです。
この目的のために、彼らは言った、エンジニアは、快適で軽量ですウェアラブルインタフェースを設計するために、このようなシリコンゴム誘導体として、柔らかい素材を使用しています。彼らはまた、伸縮性のセンサ、および支援の度合いをパーソナライズするマルチレベルの生物学的および神経学的なフィードバックを統合ソフト制御アルゴリズムを含む、ソフトハードウェアを開発しています。
だけでなく、よりソフトであること、将来の世代のスマートロボットはまた、博士ウッド博士とウォルシュによると、彼らは、臨床現場で使用されることになるだろう場合は特に、小さくすべきです。
「ロボット支援医療の約束を考えると、それは臨床現場で使用するための、より小さなより柔らかく、かつ安全であるロボットを開発するための学界や医療機器業界での驚異的なプッシュがあることは驚くべきことではない、 “彼らは結論付けています。
博士クールティーヌについては、BMIがが最大の影響を与える可能性がある領域が回復の鍵は、活性を維持され、脳卒中、後例えば、リハビリテーションの分野です。彼は筋肉を刺激し、可塑性を高めるために、様々な脳係ロボット「ツール」を使用して、将来のリハビリセンターを予見します。
彼らは各患者の赤字に非常に正確に調整刺激と、パーソナライズされなければならないので、しかし、そのようなアプローチは複雑です。
「たとえば、すべてのストロークが異なる赤字で、異なっており、それぞれの患者のために、あなたは右の場所のためのブレイン・マシン・インターフェースを作成したいと思う」とDr.クールティーヌは述べました。「あなたはロボットと人を更生したい場合は、このロボットは他のみんなのロボットになりたくありません。」
単純ではない ハードル
今日、neuroprostheticインターフェイスは、主に洗練された研究室に閉じ込められたまま、博士クールティーヌと彼の同僚は指摘しています。個々の患者にこれらのパーソナライズされたデバイスを取得すると、「いくつかの非自明な臨床、技術的、組織と規制のハードル - 世界クラスのエンジニア、臨床医、セラピスト、資金提供機関と規制機関の努力に依存しているの解像度に偶発的です。」
neuroengineersが直面している最大のジレンマの一つは、「安定」と永続的な神経細胞の記録を作成している、博士はクールティーヌは語ったMedscapeに医療ニュース。「これは私たちが批判的に臨床結実に到達するために改善を行うために必要がある1つの領域である、 “と彼は言いました。
それが今立っているように、「数ヵ月後に、あなたは神経細胞を一つずつ失う始まっているので、1または2年後、あなたは、ニューロンの記録を持っていない、 “博士はクールティーヌは述べました。その結果、患者は、定期的に電極を「再移植」される必要があります。
neuroprosthetic治療が依存しているその上にマルチシステム設計の種類の食品医薬品局（FDA）と欧州医薬品庁を通じて調節経路は、博士クールティーヌによると、「高価」と複雑です。
その他は、ロボット義肢のための規制当局の承認がこれらの新しい技術は、臨床実践に達することができる前に克服しなければならないハードルの一つであることに同意します。博士ゴールドファーブが説明するように、ロボット義足のような多関節の協調デバイスは、クラス2のデバイスであるとFDAによって考えられています。このように、それが市場に到達するために、証拠は、その安全性と有効性に関する確立する必要があります。
訓練の欠如は別の障壁です。補綴物を処方する医師は、ロボット工学の分野で教育を受けていない、博士ゴールドファーブは述べました。ロボティクス訓練、臨床医せずに臨床医のために使用可能なレンダリングされなければならないデバイスは、このような訓練を受けなければならない、またはメーカーが「デバイスの操作性と臨床医の訓練のいくつかの実行可能な組み合わせを提供しなければならない “と、彼と彼の同僚は記しています。
しかし、日常の実践に技術を得るための方法に立って、別の問題がNitish V. Thakor、博士によると、弱い財務及び事業のインセンティブである、ディレクター、Neurotechnologyシンガポール研究所（SINAPSE）、および教授、生物医学工学、電気およびコンピュータ工学、および神経学、ジョンズ・ホプキンス大学、ボルチモア、メリーランド州、で特別な問題への別の投稿者の視点の記事。
「これは小さな市場で難解な技術であり、少数の患者が恩恵を受け、技術と患者との間の非常に複雑なインターフェースで、「博士Thakorは語ったMedscapeに医療ニュース。
そこの研究アイデアや革新的な技術のない不足は確かませんが、唯一のいくつかの “総合的なソリューションを、"博士Thakorが追加されました。「フロント産学パートナーシップが役立つだろうまでは、一般的に不足している」と彼は部分的には資金と機密性と知的財産に関連する問題の不足のため、終了します。
サイ翻訳メッド。2013年11月6日、問題。
参考
http://www.medscape.com/viewarticle/815297#vp_4 http://www.gartner.co.jp/b3i/research/131001_inf/ https://hpluspedia.org/wiki/Transhumanism http://rationalwiki.org/wiki/Transhumanism
深層学習、人工的な直感とAGIの探求
ディープ・ラーニング・システムは、生物学的材料に基づいていないにもかかわらず、生物学的に見える挙動を人類が深遠な学習の形で人工的な直感に幸運にも遭遇したこともそうです。
人工知能の分野ではルネサンスが起こっています。 現場の多くの長期専門家にとって、あまりにも明白ではありません。 私は多くの人がディープ・ラーニングの発展に反対しているプッシュバックについて以前に書きました。 ディープラーニングは、しかし、古典的な方法から非常に根本的な出発点です。 Artificial General Intelligence（AGI）への古典的アプローチがすべて壊れていたことを認識したある研究者は、Monica Andersonです。
アンダーソンは、還元主義の科学的アプローチに致命的な欠陥があり、AGIを求めて研究を迷わせていることを早期に認識した数少ない研究者の1人です。 ディープ・ラーニングと古典的なA.Iの違いを強調する非常に良いアナロジー。 アプローチは、直観と論理の違いです。 デュアルプロセス理論は、2種類の認知が存在することを理論化しています。
古典的なA.I.技術は認知の論理的根拠に主に焦点を当ててきましたが、ディープラーニングは認知的直観の領域で対照的な動作をしています。ディープ・ラーニング・システムは、生物学的材料に基づいていないにもかかわらず、生物学的に見える挙動を人類が深遠な学習の形で人工的な直感に幸運にも遭遇したこともそうです。
アンダーソン氏は、「直感的な能力を備えたシステムを構築するためには、「還元主義的方法」に基づく構造に依存することができない」と主張している。アンダーソンは、人工直感の代替アプローチとしてディープラーニングを認めている。アンダーソンは、還元主義的方法を次のような特徴を持つものとして特徴づけている。
最適性：私たちは可能な限り最良の答えを得るよう努めています。
完全性：私たちはすべての答えを得ることに努めています。
再現性：同じ条件で実験を繰り返すたびに同じ結果が得られると期待しています。
適時性：有限の時間で結果を得ることが期待されます。
パーシモン：私たちは、利用可能なデータを完全に説明する最も簡単な理論を発見しようと努めています。
透明性：結果にどのように到達したのかを理解したい。
Scrutability：結果を理解したい。
Andersonは、論理に基づいたアプローチは、代替的な「モデルフリー」アプローチを支持して放棄する必要があると推測しています。つまり、直感に基づく認知は、還元ベースの原則からは生じない。アンダーソンが「モデルフリー」と言うのは「知性のないコンポーネント」です。つまり、彼女は次のように書いています。
インテリジェントなコンポーネントからインテリジェントなシステムを構築しようとしている場合は、問題を1つのレベルに押し下げているだけです。
アンダーソンはいくつかの「モデルフリー」メカニズムを提案しており、それらの組み合わせは直感で目にする緊急の行動につながります。私が推測しているメカニズムは次のとおりです。
発見、認知、学習、抽象化、適応、進化、物語、相談、委任、市場など、さまざまな分野の専門家によって構成されています。
アンダーソンの戦略の詳細は、知的財産上の理由から公開されていないことに注意してください。私は、上記のような複雑な（またはインテリジェントな）緊急の行動につながる可能性のある基礎的なメカニズムに単純（または非知的）な計算メカニズムがあることに同意します。普遍的な計算は、ちょうど3つの基本的なメカニズム（すなわち、計算、シグナリング、およびメモリ）の存在によって生じることを理解する必要があります。
私は、進歩に不可欠な障壁となる現在の数学には限界があることには同意します。しかしこれは、私たちの数学的ツールの総体的な弱点のために進歩を遂げることができないことを意味するものではありません。逆に、ディープラーニングの研究者は、実験的な計算手段によってかなりの進歩を遂げました。エンジニアリングとプラクティスは歩調を合わせた理論を持っており、これは引き続き傾向になります。私は以前、3つの分野、すなわち時間の概念、緊急集団行動、メタレベル推論という分析に問題があると書いてきました。私たちはこのように道のりを歩み、数学的な飛躍を待つか、普遍的な計算の分野では分析技術の能力が限られていると予想して、兵士になることができます。
私の個人的な偏見は、メソッドが成功するためにエージェントのグローバルな知識を必要としてはならないということです。言い換えれば、すべてのエージェントは、地元の知識だけに基づいて行動を決定しなければならず、緊急のグローバルな行動は、その構成員の個々のローカル相互作用によって生じる。提案されている多くの代替モデルでは、通常、エージェントが機能するためにはグローバルな知識が必要であるという根本的な前提があります。私はまた、動作することが知られている方法に偏っています。これまでのところ、ディープラーニングは非常にうまく動作することが示されている唯一の人工直感です。 DLの概念的な問題の1つは、SGDがその構成要素に逆伝播するグローバルな知識を必要とすることです。この要件は、モジュラーディープラーニングシステムで緩和される可能性が高いですが、したがって、私は構成部分の知能の欠如の尺度を意味するものの、「モデル化されたモデル」ではなく「モデル化されたモデル」という用語を好む。しかし一般的には、これは緊急性を生むメカニズムの中で最も簡単なものを探すという点で、「傍時代」の概念に似ています。
ディープ・ラーニングのメタ・メタモデルの解体に基づいた私の現在の分析は、ドメイン適応、転送学習、継続学習、マルチタスク学習などの機能につながるビルディング・ブロック・メカニズムがまだ不足していることです。実際には、教師なし学習（すなわち、予測学習）を確実に把握することはできません。これらのメカニズムは、既存のビルディングブロックから出現する可能性がありますが、誤って発見される可能性もあります。次のようなConwayの人生のゲームの発見に非常に似ています：
上記のセルオートマトンのシンプルさにもかかわらず、なぜそれがどうやって動作するのか理解できません。私たちが預けることができる理論はほとんどありません。 AGIの探求にも同様の状況が存在すると私は信じている。 Conwayの人生のゲームのようなすべてのビルディング・ブロックをすでに持っている可能性は確かです。あるいは、上記の宇宙船と同様に、まだ発見されていないメカニズムが欠落しています。これは、誰にでもAGIの進歩の予測不可能なレベルを説明するはずです。私たちはAGIを達成することから偶然の発見にすぎないかもしれません。
この記事を終える前に私がカバーすべき1つの追加トピックがあります。それは私が以前の記事で議論した意識の概念です：「モジュラーディープラーニングは意識の最後から二番目のステップになるかもしれません。そのポストでは、IITモデルとSchmidhuberの二重RNNモデルの2つの理論を持ちました。デュアルプロセス理論モデルでは、意識は論理的認識から生じる。すべての3つの理論は、興味深いことに、事象間の因果関係を追跡するメカニズムを持っています。意識の概念と原因と結果を追跡するという考えを分けることはできないようです。より抽象的なことに、時間の経過と共に進化する行動を追跡することは不可欠な要素であるように思われる。
参考
http://www.kdnuggets.com/2017/02/deep-learning-artificial-intelligence-quest-agi.html
学習を学習するディープラーニングについて
ご察しの通り普通にこういうのはやってる人がいるわけですね。 この分野は非常に興味深いです。
強化学習を用いたニューラルネットワークアーキテクチャの設計(Designing Neural Network Architectures using Reinforcement Learning)
https://arxiv.org/abs/1611.02167 現在、畳み込みニューラルネットワーク（CNN）アーキテクチャを設計するには、人間の専門知識と労力の両方が必要です。新しいアーキテクチャは慎重な実験によって手作りされたり、既存のネットワークの一部から修正されています。与えられた学習課題に対して高性能なCNNアーキテクチャを自動的に生成する強化学習に基づくメタモデリング手法を提案する。学習エージェントは、ε-greedy探査戦略と経験再生を用いたQ-learningを使用してCNN層を順次選択するように訓練される。エージェントは、可能なアーキテクチャの大規模ではあるが有限の空間を探索し、学習タスクのパフォーマンスを向上させて設計を繰り返し検出します。画像分類ベンチマークでは、エージェントの設計したネットワーク（標準コンボルーション、プーリング、完全接続レイヤのみで構成）は、同じレイヤタイプで設計された既存のネットワークを凌駕し、より多くを使用する最先端の方法複雑なレイヤータイプ。我々はまた、画像分類タスクに関するネットワーク設計のための既存のメタモデリング手法を凌駕する。
強化学習を用いたニューラルアーキテクチャ検索(Neural Architecture Search with Reinforcement Learning)
https://github.com/arXivTimes/arXivTimes/issues/23 ニューラルネットワークは、画像、音声、自然言語の理解において、多くの困難な学習課題に対してうまく機能する、強力で柔軟なモデルです。彼らの成功にもかかわらず、ニューラルネットワークはまだ設計が難しいです。本稿では、再帰的なネットワークを使用してニューラルネットワークのモデル記述を生成し、このRNNを強化学習で学習させて、検証セット上に生成されたアーキテクチャの期待精度を最大化する。CIFAR-10データセットでは、最初から始めて、私たちの方法は、テストセットの正確さに関して人間が発明したアーキテクチャに匹敵する斬新なネットワークアーキテクチャを設計できます。当社のCIFAR-10モデルは、3.65のテストエラーレートを達成しています。これは、類似のアーキテクチャスキームを使用した従来の最先端モデルよりも0.09％優れ、1.05倍高速です。
強化学習を学ぶ(Learning to reinforcement learn)
https://arxiv.org/abs/1611.05763 近年、深層強化学習（RL）システムは、多数の困難なタスク領域において超人的な性能を達成している。しかし、そのようなアプリケーションの大きな制限は、膨大な量のトレーニングデータに対する要求です。したがって、重要な現在の目的は、新しいタスクに迅速に適応できる深層RL方法を開発することである。本研究では、この課題に対する新しいアプローチを紹介します。これは深層メタ強化学習と呼ばれます。これまでの研究では、再帰的なネットワークは完全に監視された状況でメタ学習をサポートできることが示されています。このアプローチをRL設定に拡張します。出現するのは、1つのRLアルゴリズムを使用して訓練されたシステムであり、その反復動力学は第2の非常に別個のRL手順を実装するシステムである。この第2の学習されたRLアルゴリズムは、元のアルゴリズムとは任意の点で異なっていてもよい。重要なのは、学習されているため、トレーニングドメインの構造を利用するように構成されていることです。これらの点を一連の7つの概念実証実験で解凍します。それぞれの実験で深層メタ-RLの重要な側面が検証されます。我々は、アプローチの拡張とスケールアップの見通しを検討し、神経科学にとっての潜在的に重要な影響を指摘する。
大規模なニューラルネットワーク：疎なゲート混合エキスパート層(Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer)
https://arxiv.org/abs/1701.06538 情報を吸収するニューラルネットワークの能力は、そのパラメータの数によって制限される。理論的には、計算量が比例して増加することなくモデル容量を劇的に増加させる方法として、ネットワークの一部が例として有効である条件付き計算が提案されている。しかし、実際には、アルゴリズム上およびパフォーマンス上の大きな課題があります。この作業では、これらの課題に対処し、最終的に現代GPUクラスタでの計算効率のわずかな損失だけで、モデル容量の1000倍を超える条件付き計算の約束を実現します。我々は、数千のフィードフォワードサブネットワークで構成されたまばらにゲートされたMixed-of-Expertsレイヤー（MoE）を導入します。訓練可能なゲーティングネットワークは、各例で使用するこれらの専門家の疎結合を決定します。私たちは、モデリング能力とトレーニングコーパスで利用できる膨大な知識を吸収するためにモデル能力が重要な言語モデリングと機械翻訳のタスクにMoEを適用します。本発明者らは、積み重ねられたLSTM層間に畳み込まれて1370億個のパラメータを有するMoEが適用されるモデルアーキテクチャを提示する。大規模な言語モデリングや機械翻訳のベンチマークでは、これらのモデルは、最少の計算コストで最先端のものよりも優れた結果を達成します。
畳み込みニューラルファブリック(Convolutional Neural Fabrics)
https://arxiv.org/abs/1606.02492 CNNの成功にもかかわらず、与えられたタスクに最適なアーキテクチャを選択することは未解決の問題です。 単一の最適なアーキテクチャを選択することを目指すのではなく、指数関数的に多数のアーキテクチャを組み込んだ「ファブリック」を提案します。 ファブリックは、異なるレイヤー、スケール、およびチャネルでレスポンスマップを疎密なローカル接続パターンで接続する3Dトレリスで構成されています。 ファブリックの唯一のハイパーパラメータは、チャネルとレイヤの数です。 個々のアーキテクチャはパスとしてリカバリできますが、ファブリックはすべての組み込みアーキテクチャをまとめてアンサンブルし、パスが重なる場所で重みを共有することもできます。 パラメータは、バックプロパゲーションに基づく標準的な方法を使用して学習することができます。コストは、ファブリックのサイズに比例して増加します。 我々は、MNISTとCIFAR10の画像分類、およびPart Labelsデータセットのセマンティックセグメンテーションのための最先端技術と競合するベンチマーク結果を提示します。
プログレッシブニューラルネットワーク(Progressive Neural Networks)
https://arxiv.org/abs/1606.04671 複雑な一連のタスクを解決することを学ぶ - 転送を活用し、致命的な忘却を回避することは、人間のレベルの知性を達成する上での主要な障害です。 プログレッシブネットワークアプローチは、この方向への一歩を踏み出しています。彼らは忘れていなくて、以前学習した機能との横方向の接続を介して、前の知識を活用することができます。 我々は、このアーキテクチャを幅広い強化学習タスク（Atariおよび3D迷路ゲーム）で広範囲に評価し、プレトレーニングおよび精密化に基づいて一般的なベースラインを上回ることを示します。 新規の感度尺度を用いて、学習は、学習された方針の低レベル感覚および高レベル制御層の両方で起こることを実証する。
ソース https://github.com/synpon/prog_nn
深層強化学習による継続的な制御(Continuous control with deep reinforcement learning)
Deep Q-Learningの成功の根底にあるアイデアを、継続的なアクションドメインに適応させます。 我々は、連続的な行動空間上で動作することができる決定論的な政策勾配に基づく、俳優 - 評論家、モデルフリーのアルゴリズムを提示する。 私たちのアルゴリズムは、同じ学習アルゴリズム、ネットワークアーキテクチャ、ハイパーパラメータを使用して、カートポールのスイングアップ、機敏な操作、脚式の歩行、車の運転などの古典的な問題を含む20以上の物理的なタスクを堅牢に解決します。 我々のアルゴリズムは、ドメインとその派生物の力学に完全にアクセスできる計画アルゴリズムによって見出されたものと競合するポリシーを見つけることができる。 さらに、多くのタスクで、アルゴリズムはポリシーをエンドツーエンドで学習できることを実証しています。生のピクセル入力から直接です。
ソース https://github.com/songrotek/DDPG
ニューラルプログラマ - インタプリタ(Neural Programmer-Interpreters)
https://arxiv.org/abs/1511.06279 ニューラル・プログラマー・インタープリタ（NPI）：プログラムの表現と実行を学ぶ反復的かつ構成的なニューラル・ネットワークを提案する。 NPIには3つの学習可能なコンポーネントがあります.1つのNPIが異なるアフォーダンスを持つ複数の知覚的に多様な環境で動作することを可能にする、タスクに依存しないリカレントコア、永続的なキー値プログラムメモリ、およびドメイン固有のエンコーダです。 NPIは、より高いレベルのプログラムを表現するためのより低いレベルのプログラムを構成することを学ぶことによって、シーケンス間のLSTMと比較して、サンプルの複雑さを低減し、汎化能力を高める。プログラムメモリは、既存のプログラムを構築することによって、追加のタスクの効率的な学習を可能にする。 NPIは、計算の中間結果をキャッシュするために環境（例えば、読み書きポインタを有するスクラッチパッド）を利用して、再帰的な隠れユニットに対する長期記憶負荷を軽減することもできる。この作業では、完全に管理された実行トレースを使用してNPIをトレーニングします。各プログラムには、入力に条件付けされた即時サブプログラムへの呼び出しの例シーケンスがあります。多数の比較的弱いラベルを訓練するのではなく、少数の豊富な例からNPIを学びます。モデルの追加、並べ替え、正規化の3つの構成プログラムを学習するために、モデルの機能を実証します。さらに、単一のNPIが、これらのプログラムおよび関連するすべての21のサブプログラムを実行することを学びます。
NPIのソース https://github.com/pombredanne/NPI-tensorflow
ニューラルチューリングマシン(Neural Turing Machines)
https://arxiv.org/abs/1410.5401# 我々は、ニューラルネットワークの能力を、注意プロセスによって相互作用することができる外部メモリリソースに結合することによって拡張する。 組み合わせたシステムはTuring MachineやVon Neumannのアーキテクチャに類似していますが、エンドツーエンドで微分可能で、勾配降下で効率的に訓練することができます。 予備的な結果は、ニューラルチューリングマシンが、入力、出力の例からのコピー、ソート、および連想想起などの単純なアルゴリズムを推論できることを示しています。
微分可能なニューラル計算機(Differentiable neural computers)
https://deepmind.com/blog/differentiable-neural-computers/ 最近のNatureの研究では、微分可能な神経計算機と呼ばれるメモリ拡張型ニューラルネットワークの一形態を紹介し、人工的に生成された物語、家系図、人工物など、複雑で構造化されたデータに関する質問に答えるために、 ロンドン地下鉄の地図さえあります。 また、強化学習を用いたブロックパズルゲームを解くことができることを示す。
https://github.com/yos1up/DNC https://github.com/Mostafa-Samir/DNC-tensorflow
進化するディープニューラルネットワーク(Evolving Deep Neural Networks)
https://arxiv.org/pdf/1703.00548.pdf 深い学習が成功するかどうかは、タスクを実行するアーキテクチャに依存します。 ディープ・ラーニングがより困難なタスクにスケールアップされるにつれ、アーキテクチャーは手作業で設計するようになっています。この論文では、ディープ・ラーニング・アーキテクチャーを進化を通して最適化するための自動化メソッドCoDeepNEATを提案します。 存在する神経進化方法をトポロジー、コンポーネント、および超パラメータに拡張することにより、この方法は、物体認識および言語モデリングにおける標準的なベンチマークでの最良のデザインに匹敵する結果を達成する。 また、マガジンウェブサイト上に自動画像キャプションの実世界アプリケーションを構築することもサポートしています。 利用可能なコンピューティングパワーの増加が予想され、ディープネットワークの進化は、将来的に深い学習アプリケーションを構築する有望なアプローチです。
OptNet：ニューラルネットワークにおける層としての微分可能な最適化(OptNet: Differentiable Optimization as a Layer in Neural Networks)
https://arxiv.org/pdf/1703.00443.pdf 本稿では、最適化問題（ここでは、具体的には2次プログラムの形で）を、より大規模なエンドツーエンドの訓練可能なネットワークの個々の層として統合するネットワークアーキテクチャであるOptNetを紹介します。これらのレイヤーは、伝統的な畳み込み的かつ完全に連結されたレイヤーがキャプチャできない隠れた状態間の複雑な依存性を可能にします。この論文では、このようなアーキテクチャの基礎を開発します。これらのレイヤーとレイヤーパラメーター;我々は、これらの層のための非常に効率的なソルバを開発する。これは、プライマルデュアル内部ポイント法の中で高速GPUベースのバッチ解決を利用し、バックプロパゲーショングラジエントを解決の上に実質的に追加コストなしで提供する。いくつかの問題でこれらのアプローチの適用を強調している。特にスタンドアウトの例では、ゲームのルールに関する先験的な情報なしに、メソッドが入力と出力のゲームだけでスードクをプレイできることを示しています。この作業は、実験した他のニューラルネットワークアーキテクチャでは事実上不可能であり、我々のアプローチの表現能力を強調している。
ソース https://github.com/locuslab/optnet
ニューラルネットを最適化するための学習(Learning to Optimize Neural Nets)
https://arxiv.org/pdf/1703.00441.pdf 最適化学習（Li＆Malik、2016）は、強化学習を用いて最適化アルゴリズムを学習するための枠組みである。本稿では、浅いニューラルネットを学習するための最適化アルゴリズムの学習を検討する。 このような高次元の確率的最適化問題は、既存の強化学習アルゴリズムにとって興味深い課題を提示する。我々はこの設定における最適化アルゴリズムの学習に適した拡張を開発し、学習された最適化アルゴリズムが他の既知の最適化アルゴリズムよりも一貫して優れていることを示す。 ニューラルネットアーキテクチャ。 より具体的には、提案した方法を用いてMNISTのニューラルネットワークを学習する問題に対する最適化アルゴリズムが、CIFAR-10とCIFAR-100のトーラスフェイスデータセットのニューラルネットの訓練の問題であることを示す。
(Learning to learn)
https://arxiv.org/abs/1606.04474 手で設計された機能から機械学習の学習された機能への移行は大成功を収めました。それにもかかわらず、最適化アルゴリズムは依然として手作業で設計されています。本稿では、学習問題として最適化アルゴリズムの設計をどのようにキャストすることができるかを示し、アルゴリズムが関心のある問題の構造を自動的に利用する方法を学習できるようにする。LSTMによって実装された学習済みのアルゴリズムは、一般的な手作業で設計された競合他社の訓練を受けたタスクより優れており、同様の構造を持つ新しいタスクにも一般化することができます。これは、単純な凸問題、神経ネットワークの訓練、神経芸術によるイメージのスタイリングなど、多くのタスクでこれを実証しています。
オンラインコース
- Kaggleの元CEOが創業したDeepLearning初心者向けビデオ教育機関 http://course.fast.ai/lessons/lesson1.html
- データサイエンスマシンラーニングエッセンシャル https://www.edx.org/course/data-science-machine-learning-essentials-microsoft-dat203x-0 - データ科学入門 https://www.coursera.org/course/datasci - 機械学習の紹介 https://www.udacity.com/course/intro-to-machine-learning–ud120 - 機械学習のニューラルネットワーク https://www.coursera.org/course/neuralnets - ディープラーニング https://www.udacity.com/course/deep-learning–ud730 - 強化学習 https://www.udacity.com/course/reinforcement-learning–ud600
Pythonディープ・ラーニング・フレームワークの概要
Theanoからの拡張が２個も紹介されてる。フランスのモントリオール大学で使ってるのがTheano。 mxnetは早い。kerasが使いやすいと書いてある。
Theano、Lasagne、Blocks、TensorFlow、Keras、MXNet、PyTorchなど、主要なPythonディープラーニングフレームワークの簡潔な概要をお読みください。
私は最近、「ニューラルネットワークのための最高のPythonライブラリ」の話題について、私の古いData Science Stack Exchangeの回答を見つけました。そして、Pythonの深層学習エコシステムが過去2.5年の間にどのくらい進化したかがわかりました。 2014年7月に私が推奨したライブラリ、pylearn2はもはや積極的に開発され、維持されていませんが、深層学習ライブラリが数多く出現しています。 それぞれには独自の長所と短所があります。
Theano
説明：
TheanoはPythonライブラリで、多次元配列を効率的に使用する数式を定義、最適化、評価することができます。 GPUで動作し、効率的なシンボリックな区別を行います。
http://deeplearning.net/software/theano/
概要：
Theanoは、私たちのリストにある他の深層学習フレームワークの多くに力を与える数値計算ワークスです。それはFrédéricBastienとモントリオール大学の研究室MILAの優れた研究チームによって構築されました。そのAPIはかなり低いレベルです。効果的なTheanoを書くためには、他のフレームワークの中で隠されているアルゴリズムに精通している必要があります。 Theanoは、充実した学術的な機械学習の専門知識を備えているか、モデルのきめ細かな制御を求めているか、あるいは珍しいモデルや珍しいモデルを実装したい場合には、Go-toライブラリです。一般に、Theanoは柔軟性のために使いやすさをトレードしています。
長所：
フレキシブル 適切に使用された場合の演奏者 短所：
実質的な学習曲線 下位API 複雑な記号グラフをコンパイルするのが遅くなる リソース：
インストールガイド http://deeplearning.net/software/theano/install.html 公式のTheanoチュートリアル http://deeplearning.net/software/theano/tutorial/ Theanoスライドショーと練習問題 https://github.com/goodfeli/theano_exercises Theanoによる線形回帰からCNNへ https://github.com/Newmu/Theano-Tutorials Python＆Theanoによるディープラーニング入門（MNISTビデオチュートリアル） https://indico.io/blog/introduction-to-deep-learning-with-python-and-theano-2/
Lasagne
説明：
Theanoのニューラルネットワークを構築およびトレーニングするための軽量ライブラリ。
http://lasagne.readthedocs.org/
概要：
Theanoは、まず象徴的数学のためのライブラリを目指しているため、Theanoの上に深層学習に適した抽象概念を提供しています。 DeepMindの研究者であるSander Dielemanが主に書いて、管理しています。 Lasagneは、シンボリック変数間の関数関係でネットワークモデルを指定するのではなく、ユーザーが作業するための “Conv2DLayer"や "DropoutLayer"のようなビルディングブロックをレイヤーレベルで考えることができます。 Lasagneは、柔軟性の面でほとんど犠牲を必要とせず、レイヤー定義、レイヤーの初期化、モデル正則化、モデル監視、モデル訓練を支援する豊富な共通コンポーネントを提供します。
長所：
依然として非常にフレキシブル Theanoより抽象度の高い層 ドキュメントとコードには、さまざまなパスタ・パンチが含まれています 短所：
より小さいコミュニティ リソース：
公式GitHubページ https://github.com/Lasagne/Lasagne 公式インストールガイド http://lasagne.readthedocs.io/en/latest/user/installation.html 公式ラザニアチュートリアル http://lasagne.readthedocs.io/en/latest/user/tutorial.html ラザーンコードの例 https://github.com/Lasagne/Lasagne/tree/master/examples
Blocks
説明：
ニューラルネットワークを構築しトレーニングするためのTheanoフレームワーク。
http://blocks.readthedocs.io/ja/latest/
概要：
Lasagneと同様に、BlocksはTheanoの上に抽象レイヤーを追加して、生のTheanoを書くより深く学ぶモデルのよりクリーンでシンプルで標準化された定義を容易にすることを目指しています。これは、モントリオール大学の研究室MILAによって書かれました.Teranoの構築に貢献した人々と、ニューラルネットワークの定義、死者のPyLearn2との最初の高水準インタフェースに貢献した人々の一部です。効果的に使用するには少し難しい学習曲線を犠牲にして、Lasagneよりも少し柔軟です。とりわけ、ブロックはリカレントニューラルネットワークアーキテクチャの優れたサポートを持っているので、そのジャンルのジャンルを調べることに興味があるかどうかは一見の価値があります。 TensorFlowと並んで、Blocksは、私たちがインディゴでプロダクションに導入した多くのAPIのライブラリです。
長所：
依然として非常にフレキシブル Theanoより抽象度の高い層 非常によくテストされた 短所：
実質的な学習曲線 より小さいコミュニティ リソース：
公式インストールガイド
http://blocks.readthedocs.io/en/latest/setup.html ブロックライブラリの設計に関するArxiv論文 https://arxiv.org/pdf/1506.00619.pdf BlocksとLasagneの違いについてのredditの議論 https://www.reddit.com/r/MachineLearning/comments/4kpztm/lasagne_vs_blocks_for_deep_learning/ ブロックのデータパイプライン用姉妹ライブラリ、Fuel https://github.com/mila-udem/fuel
TensorFlow
説明：
データフローグラフを使用した数値計算用のオープンソースソフトウェアライブラリ。
https://www.tensorflow.org/api_docs/python/
概要：
TensorFlowは、Theanoのような低レベルのシンボリック計算ライブラリと、BlocksやLasagneのようなより高水準のネットワーク仕様ライブラリとの融合です。 Pythonディープラーニングライブラリコレクションの最新メンバーですが、Google Brainチームの支援を受けて最大のアクティブコミュニティを獲得した可能性があります。複数のGPUで機械学習モデルを実行し、効率的なデータパイプラインを提供するユーティリティを提供し、モデルの検査、ビジュアライゼーション、シリアライズのためのモジュールを内蔵しています。最近では、TensorFlowチームは、次の深層学習ライブラリであるKerasのサポートを我々のリストに組み込むことに決めました。コミュニティは、TensorFlowには欠点がありますが、コミュニティの大きさとプロジェクトの背後にある大量の勢いは、TensorFlowを学ぶことが安全な賭けだということに同意しているようです。結果的に、TensorFlowは今日のインディペンデーションで深く学ぶ選択のライブラリです。
長所：
ソフトウェア大手のGoogleが支援 非常に大きなコミュニティ 低レベルと高レベルのネットワークトレーニングへのインターフェイス Theanoベースのオプションよりも速いモデルのコンパイル クリーンなマルチGPUサポート 短所：
Tanoorflowは追いついていますが、最初はTheanoベースのオプションより多くのベンチマークでは遅くなりました。 RNNサポートはまだTheanoによってoutclassedです リソース：
Official TensorFlowのウェブサイト TensorFlow ダウンロードと設定ガイド https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md インドネシアのTensorFlow https://indico.io/blog/the-good-bad-ugly-of-tensorflow/ TensorFlowチュートリアルのコレクション https://github.com/nlintz/TensorFlow-Tutorials TensorFlowを使って教えたUdacityマシン学習コース https://www.udacity.com/course/deep-learning–ud730 TensorFlow MNISTチュートリアル https://www.tensorflow.org/tutorials/mnist/beginners/ TensorFlowデータ入力 https://indico.io/blog/tensorflow-data-inputs-part1-placeholders-protobufs-queues/
Keras
説明：
Pythonの深層学習ライブラリ。コンバネット、リカレントニューラルネットワークなどTheanoまたはTensorFlowで実行されます。
概要：
Kerasはたぶん最高レベルで、大部分のユーザーフレンドリーなライブラリです。 Google Brainチームのもう一人のメンバーであるFrancis Cholletによって書かれ維持されています。ユーザーは、構築したモデルをTheanoまたはTensorFlowの記号グラフで実行するかどうかを選択できます。 KerasのユーザーインターフェイスはTorchからインスピレーションを得ています。そのため、Luaでの機械学習の経験があれば、Kerasは一見価値があります。 Kerasコミュニティは、優れたドキュメントと使いやすさのおかげで非常に大きく活発でした。最近、TensorFlowチームは、Kerasサポートを組み込んだ出荷計画を発表しました。すぐにKerasはTensorFlowプロジェクトのサブセットになります。
長所：
TheanoまたはTensorFlowバックエンドの選択 直観的で高水準のインタフェース 簡単な学習曲線 短所：
柔軟性が低く、他のオプションよりも規範的 リソース：
公式インストールガイド https://keras.io/#installation KerasユーザーのGoogleグループ https://groups.google.com/forum/#!forum/keras-users Kerasの例のリポジトリ https://github.com/fchollet/keras/tree/master/examples DockerでKerasを使用する方法 https://github.com/fchollet/keras/tree/master/docker アプリケーションエリア別Kerasチュートリアルのリポジトリ https://github.com/fchollet/keras-resources
MXNet
説明：
MXNetは、効率と柔軟性の両方を考慮して設計された深層学習フレームワークです。
http://mxnet.io/api/python/index.html#python-api-reference
概要：
MXNetは、深層学習のためのAmazonの選択肢のライブラリであり、おそらく一番の実績のあるライブラリです。これは、TheanoとTensorFlowに似たデータフローグラフを持ち、マルチGPU構成を良好にサポートし、LasagneやBlocksに似たより高いレベルのモデルビルディングブロックを持ち、想像できるどんなハードウェアでも実行できます（携帯電話）。 MXNetはR、Julia、C ++、Scala、Matlab、Javascriptへのインターフェイスも提供しています。それに次ぐ性能を求めているなら、MXNetを選んでください。MXNetのいくつかの特色に取り組む必要があります。
長所：
急速なベンチマーク 非常にフレキシブル 短所：
最小のコミュニティ Theanoよりも激しい学習曲線 リソース：
公式スタートガイド http://mxnet.io/get_started/ インディゴのMXNet入門 https://indico.io/blog/getting-started-with-mxnet/ MXNetサンプルのリポジトリ https://github.com/dmlc/mxnet/tree/master/example AmazonのCTOがMXNetを買収 http://www.allthingsdistributed.com/2016/11/mxnet-default-framework-deep-learning-aws.html MXNet Arxiv用紙 https://arxiv.org/abs/1512.01274
PyTorch
説明：
強力なGPUアクセラレーションを備えたPythonのテンソルとダイナミックニューラルネットワーク
概要：
PyTorchは1週間前にリリースされたばかりで、Pythonの深層学習フレームワークのリストの中の新しい子供です。 LuaのTorchライブラリがPythonに移植されていないため、Facebook Artificial Intelligence Researchチーム（FAIR）の支援を受けており、動的計算グラフ（Theano、TensorFlow、デリバティブ。陪審員はPyTorchがPythonの深層学習エコシステムで果たす役割についてまだ議論していませんが、すべての兆候は、PyTorchが私たちのリストにある他のフレームワークの非常に優れた代替手段であることを示しています。
長所：
Facebookからの組織的支援 動的グラフのきれいなサポート 高レベルと低レベルのAPIのブレンド 短所：
代替案よりはるかに成熟していない（自分たちの言葉で - 「私たちは早期リリースのベータ版です。いくつかの冒険を期待してください」） 限定された参考文献/公式文書の外のリソース リソース：
PyTorch公式ホームページ http://pytorch.org/ PyTorch twitter feed https://twitter.com/PyTorch PyTorchサンプルのリポジトリ https://github.com/pytorch/examples PyTorchチュートリアルのリポジトリ https://github.com/pytorch/tutorials
ライター
Madison May、indico
参考
http://www.kdnuggets.com/2017/02/python-deep-learning-frameworks-overview.html
