stringtranslate.com

Юрген Шмидхубер

Юрген Шмидхубер (родился 17 января 1963 года) [1] — немецкий ученый-компьютерщик , известный своими работами в области искусственного интеллекта , в частности искусственных нейронных сетей . Он является научным директором Института исследований искусственного интеллекта Далле Молле в Швейцарии . [2] Он также является директором Инициативы по искусственному интеллекту и профессором программы компьютерных наук в отделе компьютерных, электрических, математических наук и инженерии (CEMSE) Университета науки и технологий имени короля Абдаллы (KAUST) в Саудовской Аравии . [3]

Он наиболее известен своей основополагающей и широко цитируемой [4] работой по долговременной краткосрочной памяти (LSTM), типу архитектуры нейронных сетей, который впоследствии стал доминирующим методом для различных задач обработки естественного языка в исследовательских и коммерческих приложениях. в 2010-е годы. Он также представил принципы метаобучения , генеративно-состязательных сетей [5] [6] [7] и линейных преобразователей [ 8] [9] [7] — все они широко распространены в современном искусственном интеллекте.

Карьера

Шмидхубер закончил бакалавриат (1987 г.) и докторантуру (1991 г.) в Мюнхенском техническом университете в Мюнхене , Германия. [1] Его научными руководителями были Вильфрид Брауэр и Клаус Шультен . [10] Он преподавал там с 2004 по 2009 год. С 2009, [11] по 2021 год он был профессором искусственного интеллекта в Итальянском университете Швейцарии в Лугано , Швейцария. [1]

С 1995 года он занимал должность директора Института исследований искусственного интеллекта Далле Молле (IDSIA), швейцарской лаборатории искусственного интеллекта. [1]

В 2014 году Шмидхубер основал компанию Nnaisense для работы над коммерческим применением искусственного интеллекта в таких областях, как финансы, тяжелая промышленность и беспилотные автомобили . Зепп Хохрайтер , Яан Таллинн и Маркус Хуттер являются консультантами компании. [2] В 2016 году объем продаж составил менее 11 миллионов долларов США; однако Шмидхубер заявляет, что в настоящее время упор делается на исследования, а не на доходы. Nnaisense привлекла свой первый раунд капитального финансирования в январе 2017 года. Общая цель Шмидхубера — создать универсальный ИИ путем последовательного обучения одного ИИ решению множества узких задач. [12]

Исследовать

В 1980-х годах обратное распространение ошибки не подходило для глубокого обучения с длинными путями присвоения кредитов в искусственных нейронных сетях . Чтобы преодолеть эту проблему, Шмидхубер (1991) предложил иерархию рекуррентных нейронных сетей (RNN), предварительно обучаемых по одному уровню за раз посредством самоконтролируемого обучения . [13] Он использует прогнозирующее кодирование для изучения внутренних представлений в нескольких самоорганизующихся временных масштабах. Это может существенно облегчить последующее глубокое обучение. Иерархию RNN можно свернуть в единую RNN путем разделения сети блоков более высокого уровня в сеть автоматизатора более низкого уровня . [13] [14] В 1993 году чанкёр решил задачу глубокого обучения, глубина которой превысила 1000. [15]

В 1991 году Шмидхубер опубликовал состязательные нейронные сети , которые соревнуются друг с другом в форме игры с нулевой суммой , где выигрыш одной сети является проигрышем другой сети. [5] [16] [6] [7] Первая сеть представляет собой генеративную модель , которая моделирует распределение вероятностей по шаблонам выходных данных. Вторая сеть учится с помощью градиентного спуска предсказывать реакцию окружающей среды на эти закономерности. Это называлось «искусственным любопытством». В 2014 году этот принцип использовался в генеративно-состязательной сети , где реакция окружающей среды равна 1 или 0 в зависимости от того, находится ли выход первой сети в заданном наборе. Это можно использовать для создания реалистичных дипфейков . [7]

Шмидхубер руководил дипломной работой своего ученика Зеппа Хохрайтера в 1991 году [17] и назвал ее «одним из самых важных документов в истории машинного обучения». [14] Он не только протестировал компрессор нейронной истории, [13] , но также проанализировал и решил проблему исчезающего градиента . Это привело к появлению метода глубокого обучения, называемого долгой краткосрочной памятью (LSTM), типа рекуррентной нейронной сети . Название LSTM было введено в техническом отчете (1995 г.), что привело к появлению самой цитируемой публикации LSTM (1997 г.), соавторами которой являются Хохрайтер и Шмидхубер. [18] Стандартная архитектура LSTM, которая используется практически во всех современных приложениях, была представлена ​​в 2000 году Феликсом Герсом , Шмидхубером и Фредом Камминсом. [19] Сегодняшний «ванильный LSTM», использующий обратное распространение ошибки во времени , был опубликован совместно с его учеником Алексом Грейвсом в 2005 году, [20] [21] и его алгоритмом обучения коннекционистской временной классификации (CTC) [22] в 2006 году. завершить распознавание речи с помощью LSTM. К 2010-м годам LSTM стал доминирующим методом для различных задач обработки естественного языка, включая распознавание речи и машинный перевод , и был широко реализован в коммерческих технологиях, таких как Google Translate и Siri . [23] LSTM стала самой цитируемой нейронной сетью 20-го века. [14] LSTM был назван «возможно, самым коммерческим достижением ИИ». [23]

В 2015 году Рупеш Кумар Шривастава, Клаус Грефф и Шмидхубер использовали принципы LSTM для создания сети Highway — нейронной сети прямого распространения с сотнями слоев, гораздо более глубокой, чем предыдущие сети. [7] [24] [25] 7 месяцев спустя конкурс ImageNet 2015 был выигран с вариантом сети Highway с открытыми воротами или без ворот, названным Остаточной нейронной сетью . [26] Эта нейронная сеть стала самой цитируемой в 21 веке. [14]

С 2018 года преобразователи обогнали LSTM в качестве доминирующей архитектуры нейронных сетей в обработке естественного языка [27] благодаря большим языковым моделям, таким как ChatGPT . Еще в 1992 году Шмидхубер опубликовал альтернативу рекуррентным нейронным сетям [8] , которая сейчас называется Трансформатором с линеаризованным самообслуживанием [7] [9] [28] [14] (за исключением оператора нормализации). Она изучает внутренние прожекторы внимания : [29] медленная нейронная сеть прямого распространения учится путем градиентного спуска управлять быстрыми весами другой нейронной сети через внешние продукты самогенерируемых шаблонов активации ОТ и ДО (которые теперь называются ключом и значением для себя) . -внимание ). [9] Это быстрое отображение внимания к весам применяется к шаблону запроса.

В 2011 году команда Шмидхубера в IDSIA вместе с его постдоком Дэном Сиресаном также добилась значительного ускорения работы сверточных нейронных сетей (CNN) на быстрых параллельных компьютерах, называемых графическими процессорами . Более ранняя версия CNN на GPU, написанная Chellapilla et al. (2006) было в 4 раза быстрее, чем эквивалентная реализация на ЦП. [30] Глубокая CNN Дэна Чиресана и др. (2011) в IDSIA уже были в 60 раз быстрее [31] и достигли первого сверхчеловеческого результата на конкурсе компьютерного зрения в августе 2011 года. [32] В период с 15 мая 2011 года по 10 сентября 2012 года их быстрые и глубокие CNN выиграли не менее четырех имиджевые конкурсы. [33] [34] Они также значительно улучшили лучшую производительность в литературе для нескольких баз данных изображений. [35] Этот подход стал центральным в области компьютерного зрения . [34] Он основан на конструкции CNN, представленной гораздо ранее Яном ЛеКуном и др. (1989) [36] , которые применили алгоритм обратного распространения ошибки к варианту оригинальной архитектуры CNN Кунихико Фукусимы , называемой неокогнитрон , [37] позже модифицированной методом Дж. Венга, названным max-pooling . [38] [34]

Кредитные споры

Шмидхубер спорно утверждал, что ему и другим исследователям было отказано в адекватном признании за их вклад в область глубокого обучения , в пользу Джеффри Хинтона , Йошуа Бенджио и Янна ЛеКуна , которые разделили Премию Тьюринга 2018 года за свою работу в области глубокого обучения. [2] [23] [39] В 2015 году он написал «резкую» статью, в которой утверждал, что Хинтон, Бенджио и Лекун «часто цитируют друг друга», но «не отдают должное пионерам в этой области». [39] В заявлении для New York Times Янн ЛеКун написал, что «Юрген маниакально одержим признанием и продолжает требовать признания, которого он не заслуживает, во многих, многих вещах... Это заставляет его систематически вставать в конце». каждого разговора и требовать признания того, что только что было представлено, как правило, необоснованно». [2] Шмидхубер ответил, что ЛеКун сделал это «без всякого обоснования, не приведя ни одного примера» [40] и опубликовал подробности многочисленных споров о приоритетах с Хинтоном, Бенджио и ЛеКуном. [41] [42]

Термин «шмидхуберед» в шутку использовался в сообществе ИИ для описания привычки Шмидхубера публично оспаривать оригинальность работ других исследователей. Некоторые представители сообщества ИИ рассматривают эту практику как «обряд посвящения» для молодых исследователей. Некоторые предполагают, что значительные достижения Шмидхубера были недооценены из-за его конфронтационного характера. [43] [23]

Признание

Шмидхубер получил Премию Гельмгольца Международного общества нейронных сетей в 2013 году [44] и премию пионера нейронных сетей Общества вычислительной разведки IEEE в 2016 году [45] за «новаторский вклад в глубокое обучение и нейронные сети». [1] Он является членом Европейской академии наук и искусств . [46] [11]

Его называют «отцом (современного) искусственного интеллекта» или чего-то подобного, [7] [2] [47] [48] [49] [50] [51] [52] [53] [54] [ 55] ] [23] , а также «отец глубокого обучения». [56] [49] Сам Шмидхубер, однако, назвал Алексея Григорьевича Ивахненко «отцом глубокого обучения» [57] и отдал должное многим еще более ранним пионерам ИИ. [14]

Взгляды

Шмидхубер утверждает, что «в 95% всех случаев исследования ИИ на самом деле связаны с нашим старым девизом: сделать человеческую жизнь дольше, здоровее и проще». [53] Он признает, что «те же инструменты, которые сейчас используются для улучшения жизни, могут быть использованы злоумышленниками», но подчеркивает, что «они также могут быть использованы против злодеев». [52]

Он не верит, что ИИ представляет собой «новое качество экзистенциальной угрозы», и его больше беспокоят старые ядерные боеголовки, которые могут «уничтожить человеческую цивилизацию за два часа без всякого ИИ». [7] «Большая ядерная боеголовка не нуждается в причудливом распознавании лиц, чтобы убить человека. Нет, она просто уничтожает целый город с 10 миллионами жителей». [7]

С 1970-х годов Шмидхубер хотел создать «умные машины, которые могли бы обучаться и совершенствоваться самостоятельно и стать умнее его при жизни». [7] Он различает два типа ИИ: инструменты ИИ, управляемые людьми, в частности, для улучшения здравоохранения, и более интересные ИИ, которые «ставят свои собственные цели», изобретают собственные эксперименты и учатся на их основе, как любопытные ученые. Он работал над обоими типами на протяжении десятилетий [7] и предсказал, что увеличенные версии ученых ИИ в конечном итоге «пойдут туда, где находится большая часть физических ресурсов, чтобы создавать все больше и больше ИИ». В течение «несколько десятков миллиардов лет любопытные самосовершенствующиеся ИИ колонизируют видимый космос таким образом, что это невозможно для людей. Те, кто этого не сделает, не окажут никакого влияния». [7] Он сказал: «Не думайте о людях как о венце творения. Вместо этого рассматривайте человеческую цивилизацию как часть гораздо более грандиозной схемы, важный шаг (но не последний) на пути Вселенной с самого начала». от простых начальных условий к все более и более непостижимой сложности. Теперь кажется, что он готов сделать следующий шаг, шаг, сравнимый с изобретением самой жизни более 3,5 миллиардов лет назад». [7]

Он решительно поддерживает движение за открытый исходный код и считает, что оно «бросит вызов любому доминированию крупных технологий, которое может существовать в данный момент», еще и потому, что ИИ становится в 100 раз дешевле каждое десятилетие. [7]

Рекомендации

  1. ^ abcdefg Шмидхубер, Юрген. "Резюме".
  2. ^ abcde Джон Маркофф (27 ноября 2016 г.). Когда ИИ повзрослеет, он сможет называть Юргена Шмидхубера «папой». Нью -Йорк Таймс . Доступ осуществлен в апреле 2017 г.
  3. ^ Юрген Шмидхубер. cemse.kaust.edu.sa . Архивировано 13 марта 2023 года. Проверено 9 мая 2023 года.
  4. ^ "Юрген Шмидхубер". ученый.google.com . Проверено 20 октября 2021 г.
  5. ^ аб Шмидхубер, Юрген (1991). «Возможность реализовать любопытство и скуку в нейронных контроллерах для построения моделей». Учеб. САБ'1991 . MIT Press/Брэдфорд Букс. стр. 222–227.
  6. ^ аб Шмидхубер, Юрген (2020). «Генераторно-состязательные сети представляют собой особые случаи искусственного любопытства (1990), а также тесно связаны с минимизацией предсказуемости (1991)». Нейронные сети . 127 : 58–66. arXiv : 1906.04493 . doi :10.1016/j.neunet.2020.04.008. PMID  32334341. S2CID  216056336.
  7. ^ abcdefghijklmn Джонс, Хесси (23 мая 2023 г.). «Юрген Шмидхубер, известный «отец современного искусственного интеллекта», говорит, что работа всей его жизни не приведет к антиутопии» . Форбс . Проверено 26 мая 2023 г.
  8. ^ аб Шмидхубер, Юрген (1 ноября 1992 г.). «Научимся контролировать быстрые воспоминания: альтернатива повторяющимся сетям». Нейронные вычисления . 4 (1): 131–139. дои : 10.1162/neco.1992.4.1.131. S2CID  16683347.
  9. ^ abc Schlag, Иманол; Ириэ, Кадзуки; Шмидхубер, Юрген (2021). «Линейные трансформаторы — тайно быстрые программисты веса». ICML 2021 . Спрингер. стр. 9355–9366.
  10. ^ "Юрген Х. Шмидхубер" . Проект «Математическая генеалогия» . Проверено 5 июля 2022 г.
  11. ^ аб Дэйв О'Лири (3 октября 2016 г.). Настоящее и будущее искусственного интеллекта и глубокого обучения с участием профессора Юргена Шмидхубера. Мир ИТ Канады . Доступ осуществлен в апреле 2017 г.
  12. ^ «Пионер искусственного интеллекта хочет построить машину будущего эпохи Возрождения» . Bloomberg.com . 16 января 2017 года . Проверено 23 февраля 2018 г.
  13. ^ abc Шмидхубер, Юрген (1992). «Обучение сложных, расширенных последовательностей с использованием принципа сжатия истории (на основе ТР ФКИ-148, 1991 г.)» (PDF) . Нейронные вычисления . 4 (2): 234–242. дои : 10.1162/neco.1992.4.2.234. S2CID  18271205.
  14. ^ abcdef Шмидхубер, Юрген (2022). «Аннотированная история современного искусственного интеллекта и глубокого обучения». arXiv : 2212.11279 [cs.NE].
  15. ^ Шмидхубер, Юрген (1993). Кандидатская диссертация (PDF) .
  16. ^ Шмидхубер, Юрген (2010). «Формальная теория творчества, веселья и внутренней мотивации (1990–2010)». Транзакции IEEE по автономному умственному развитию . 2 (3): 230–247. дои : 10.1109/TAMD.2010.2056368. S2CID  234198.
  17. ^ С. Хохрайтер., «Untersuruchungen zu dynamischen Neuronalen Netzen. Архивировано 6 марта 2015 г. в Wayback Machine », Дипломная работа. Институт ф. Информатика, Технический университет. Мюнхен. Советник: Дж. Шмидхубер , 1991 г.
  18. ^ Зепп Хохрайтер; Юрген Шмидхубер (1997). «Длинная кратковременная память». Нейронные вычисления . 9 (8): 1735–1780. дои : 10.1162/neco.1997.9.8.1735. PMID  9377276. S2CID  1915014.
  19. ^ Феликс А. Герс; Юрген Шмидхубер; Фред Камминс (2000). «Учимся забывать: постоянное прогнозирование с помощью LSTM». Нейронные вычисления . 12 (10): 2451–2471. CiteSeerX 10.1.1.55.5709 . дои : 10.1162/089976600300015015. PMID  11032042. S2CID  11598600. 
  20. ^ Грейвс, А.; Шмидхубер, Дж. (2005). «Кадровая классификация фонем с помощью двунаправленного LSTM и других архитектур нейронных сетей». Нейронные сети . 18 (5–6): 602–610. CiteSeerX 10.1.1.331.5800 . doi :10.1016/j.neunet.2005.06.042. PMID  16112549. S2CID  1856462. 
  21. ^ Клаус Грефф; Рупеш Кумар Шривастава; Ян Кутник; Бас Р. Стойнебринк; Юрген Шмидхубер (2015). «LSTM: Поисковая космическая одиссея». Транзакции IEEE в нейронных сетях и системах обучения . 28 (10): 2222–2232. arXiv : 1503.04069 . Бибкод : 2015arXiv150304069G. дои : 10.1109/TNNLS.2016.2582924. PMID  27411231. S2CID  3356463.
  22. ^ Грейвс, Алекс; Фернандес, Сантьяго; Гомес, Фаустино; Шмидхубер, Юрген (2006). «Временная классификация коннекционистов: маркировка данных несегментированных последовательностей с помощью рекуррентных нейронных сетей». В материалах Международной конференции по машинному обучению, ICML 2006 : 369–376. CiteSeerX 10.1.1.75.6306 . 
  23. ^ abcde Вэнс, Эшли (15 мая 2018 г.). «Этот человек — крестный отец, которого сообщество искусственного интеллекта хочет забыть». Деловая неделя Блумберга . Проверено 16 января 2019 г.
  24. ^ Шривастава, Рупеш Кумар; Грефф, Клаус; Шмидхубер, Юрген (2 мая 2015 г.). «Дорожные сети». arXiv : 1505.00387 [cs.LG].
  25. ^ Шривастава, Рупеш К; Грефф, Клаус; Шмидхубер, Юрген (2015). «Обучение очень глубоких сетей». Достижения в области нейронных систем обработки информации . Curran Associates, Inc. 28 : 2377–2385.
  26. ^ Он, Кайминг; Чжан, Сянъюй; Рен, Шаоцин; Сунь, Цзянь (2016). Глубокое остаточное обучение для распознавания изображений. Конференция IEEE 2016 по компьютерному зрению и распознаванию образов (CVPR) . Лас-Вегас, Невада, США: IEEE. стр. 770–778. arXiv : 1512.03385 . дои :10.1109/CVPR.2016.90. ISBN 978-1-4673-8851-1.
  27. ^ Мэннинг, Кристофер Д. (2022). «Понимание и рассуждение человеческого языка». Дедал . 151 (2): 127–138. дои : 10.1162/daed_a_01905 . S2CID  248377870.
  28. ^ Хороманский, Кшиштоф; Лихошерстов Валерий; Дохан, Дэвид; Сун, Синю; Гейн, Андреа; Сарлос, Тамас; Хокинс, Питер; Дэвис, Джаред; Мохиуддин, Афроз; Кайзер, Лукаш; Беланджер, Дэвид; Колвелл, Люси; Веллер, Адриан (2020). «Переосмысление внимания с исполнителями». arXiv : 2009.14794 [cs.CL].
  29. ^ Шмидхубер, Юрген (1993). «Уменьшение соотношения между сложностью обучения и количеством изменяющихся во времени переменных в полностью рекуррентных сетях». ИКАНН, 1993 год . Спрингер. стр. 460–463.
  30. ^ Кумар Челлапилла; Сид Пури; Патрис Симар (2006). «Высокопроизводительные сверточные нейронные сети для обработки документов». В Лоретте, Гай (ред.). Десятый международный семинар «Границы в распознавании рукописного текста ». Сувисофт.
  31. ^ Чиресан, Дэн; Ули Мейер; Джонатан Маски; Лука М. Гамбарделла; Юрген Шмидхубер (2011). «Гибкие, высокопроизводительные сверточные нейронные сети для классификации изображений» (PDF) . Материалы двадцать второй Международной совместной конференции по искусственному интеллекту, том второй . 2 : 1237–1242 . Проверено 17 ноября 2013 г.
  32. ^ "Таблица результатов конкурса IJCNN 2011" . ОФИЦИАЛЬНЫЙ КОНКУРС IJCNN2011 . 2010 . Проверено 14 января 2019 г.
  33. ↑ Шмидхубер, Юрген (17 марта 2017 г.). «История конкурсов компьютерного зрения, выигранных глубокими CNN на GPU» . Проверено 14 января 2019 г.
  34. ^ abc Шмидхубер, Юрген (2015). «Глубокое обучение». Схоларпедия . 10 (11): 1527–54. CiteSeerX 10.1.1.76.1541 . дои : 10.1162/neco.2006.18.7.1527. PMID  16764513. S2CID  2309950. 
  35. ^ Чиресан, Дэн; Мейер, Ули; Шмидхубер, Юрген (июнь 2012 г.). «Многостолбцовые глубокие нейронные сети для классификации изображений». Конференция IEEE 2012 по компьютерному зрению и распознаванию образов . Нью-Йорк, штат Нью-Йорк: Институт инженеров по электротехнике и электронике (IEEE). стр. 3642–3649. arXiv : 1202.2745 . CiteSeerX 10.1.1.300.3283 . дои : 10.1109/CVPR.2012.6248110. ISBN  978-1-4673-1226-4. OCLC  812295155. S2CID  2161592.
  36. ^ Ю. Лекун, Б. Бозер, Дж. С. Денкер, Д. Хендерсон, Р. Э. Ховард, В. Хаббард, Л. Д. Джекель, Обратное распространение ошибки, применяемое к распознаванию рукописных почтовых индексов; AT&T Bell Laboratories
  37. ^ Фукусима, Неокогнитрон (1980). «Модель самоорганизующейся нейронной сети для механизма распознавания образов, на который не влияет сдвиг положения». Биологическая кибернетика . 36 (4): 193–202. дои : 10.1007/bf00344251. PMID  7370364. S2CID  206775608.
  38. ^ Венг, Дж; Ахуджа, Н; Хуанг, Т.С. (1993). «Обучение распознаванию и сегментации трехмерных объектов из двухмерных изображений». Учеб. 4-я Международная конференция. Компьютерное зрение : 121–128.
  39. ^ аб Ольтерманн, Филип (18 апреля 2017 г.). «Юрген Шмидхубер о будущем роботов: «Они будут уделять нам столько же внимания, сколько мы муравьям»». Хранитель . Проверено 23 февраля 2018 г.
  40. ^ Шмидхубер, Юрген (7 июля 2022 г.). «Доклад Лекуна об автономном машинном интеллекте 2022 года перефразирует, но не цитирует важные работы 1990-2015 годов». ИДСИА, Швейцария. Архивировано из оригинала 9 февраля 2023 года . Проверено 3 мая 2023 г.
  41. ↑ Шмидхубер, Юрген (14 декабря 2023 г.). «Как трое лауреатов премии Тьюринга переиздали ключевые методы и идеи, создателей которых они не упомянули. Технический отчет IDSIA-23-23». ИДСИА, Швейцария. Архивировано из оригинала 16 декабря 2023 года . Проверено 19 декабря 2023 г.
  42. ↑ Шмидхубер, Юрген (30 декабря 2022 г.). «Научная честность и история глубокого обучения: лекция Тьюринга 2021 года и премия Тьюринга 2018 года. Технический отчет IDSIA-77-21». ИДСИА, Швейцария. Архивировано из оригинала 7 апреля 2023 года . Проверено 3 мая 2023 г.
  43. ↑ Фултерер, Рут (20 февраля 2021 г.). «Юрген Шмидхубер: Tessiner Vater der künstlichen Intelligenz». Neue Zürcher Zeitung (на швейцарском верхненемецком языке). ISSN  0376-6829 . Проверено 19 декабря 2023 г.
  44. ^ Лауреаты премии INNS. Международное общество нейронных сетей. Доступ в декабре 2016 г.
  45. ^ Получатели: Премия пионера нейронных сетей. Пискатауэй, Нью-Джерси: Общество вычислительной разведки IEEE. Доступ в январе 2019 г.
  46. ^ Участники. Европейская академия наук и искусств. Доступ в декабре 2016 г.
  47. ↑ Небеса, Уилл Дуглас (15 октября 2020 г.). «Общий искусственный интеллект: мы близки, и есть ли смысл вообще пытаться? Цитата: Юрген Шмидхубер — иногда его называют «отцом современного искусственного интеллекта…» MIT Technology Review . Проверено 20 августа 2021 г.
  48. ↑ Чоул Ун, Ён (22 февраля 2023 г.). «Пользовательско-ориентированный искусственный интеллект создает новый порядок для пользователей». Корея IT Times . Проверено 26 мая 2023 г.
  49. ^ Аб Данкер, Андерс (2020). «Выпустить демона искусственного интеллекта. Цитата: Но этот человек не сумасшедший: он отец современного искусственного интеллекта и глубокого обучения – прежде всего в своей области». Обзор современных времен . Проверено 20 августа 2021 г.
  50. ↑ Энрике Альпанес (25 апреля 2021 г.). Юрген Шмидхубер, человек, который Алекса и Сири звонят «папа», и он хочет, чтобы их спросили. Эль Паис . По состоянию на август 2021 г.
  51. ↑ Разави, Хуман (5 мая 2020 г.). «iHuman - AI & Ethics of Cinema (кинофестиваль Hot Docs 2020). Цитата: В документальных интервью представлены ведущие исследователи и мыслители искусственного интеллекта, такие как Юрген Шмидхубер - отец современного искусственного интеллекта...» Universal Cinema . Проверено 20 августа 2021 г.
  52. ↑ Аб Колтон, Эмма (7 мая 2023 г.). «Отец ИИ» говорит, что опасения в отношении технологий неуместны: «Вы не можете остановить это»». Фокс Ньюс . Проверено 26 мая 2023 г.
  53. ↑ Аб Тейлор, Джош (7 мая 2023 г.). «Рост искусственного интеллекта неизбежен, но его не следует бояться», — говорит «отец ИИ». Хранитель . Проверено 26 мая 2023 г.
  54. ↑ Вонг, Эндрю (16 мая 2018 г.). «Отец ИИ» призывает людей не бояться технологий». CNBC . Проверено 27 февраля 2019 г.
  55. ↑ Рут Фултерер (21 февраля 2021 г.). Der unbequeme Vater der künstlichen Intelligenz lebt in der Schweiz (Неудобный отец искусственного интеллекта живет в Швейцарии). НЗЗ . По состоянию на август 2021 г.
  56. ↑ Ван, Брайан (14 июня 2017 г.). «Отец глубокого обучения ИИ общего назначения и ИИ для покорения космоса в 2050-х годах». Следующее большое будущее . Проверено 27 февраля 2019 г.
  57. ^ Шмидхубер, Юрген. «Критика статьи со стороны «Заговора глубокого обучения». (Nature 521, стр. 436)» . Проверено 26 декабря 2019 г.