最早小说 通过搜索各大小说站为您自动抓取各类小说的最快更新供您阅读!

强人工智能虽然是人工智能发展的终极目标。

可是强人工智能哪有那么容易实现呢?

强人工智能想达到的技术原理倒是不复杂,相应的技术指标也容易说清。

无非就是自主意识、自主学习、自主决策。

或者更加通俗地说,就是要机器去学人。

学人认识世界的方式并再基础上尝试利用机器学习进行逻辑层面的仿生从而复现人们认识世界的方式。

道理谁都懂,可是具体实行的时候却有着各种各样的难度。

前世人工智能鼓吹的很牛逼。

反正直到林灰重生前夕,那会人们也没鼓捣出强人工智能。

话说回来既然强人工智能有风险且实现起来很困难。

为什么还要追求强人工智能呢?

首先是强人工智能相比于弱人工智能会大幅度减少训练成本。

前世人工智能方面的应用普遍都是依靠大数据进行训练的。

听起来带着“大数据”三个字很高大上的样子。

但实际上操作起来就很苦逼呵呵了,而且借助于大数据很多情况下实际是不得已为之。

都知道人工智能是追求机器能够像人那样去处理问题。

可是要知道人学东西可是是从小样本进行学习。

就拿图像分类这个小领域来说吧,人对图像进行分类,实际上根本不需要大数据。

只需要很少几个样本就可以做到准确分类。

两三岁小孩开始认识世界的时候。

父母为了让孩子认识动物也不是给孩子看成千上万的照片,而是只给孩子看些动物图集就可以了。

这些图集可能依旧十几页几十页这样,这个样本规模实际是很小的。

再具体一点,如果想让孩童知道什么样的动物是猫。

顶多再给他看几张猫的图片,并且告诉他猫有什么特征,和其他动物像狗或者猪有什么区别的话。

很快,小孩可以很快很准确的识别狗。

这些都是小样本的训练。

可是前世的人工智能想要实现同样的功能。

却需要相当大规模的数据去训练。

也就是通常意义所说的要靠大数据去喂。

同样拿刚才举得例子来说,同样是识别动物,要神经网络学习做到儿童识别动物的水平。

就不说现在这个时空十分拉跨的神经网络应用了。

就是依托于前世比较先进的深度残差神经网络。

想达到人类孩童对动物图像的区分的话。

也需要成千上万张图片才能进行比较充分的训练,才能再实际应用时得到比较准确的结果。

之所以神经网络学习“学得慢”“学得费劲”原因在于

曾经的弱人工智能所主要一来的深度残差神经网络还没有逻辑思考、联想和推理的能力。

而借助于强人工智能则完全没必要有这方面的担忧。

一旦强人工智能能够实现突破,不光是传统的神经网络学习训练更加容易。

甚至于借助于强人工智能还可能助力于基础学科方面研究的突破。

这些都是人们追求强人工神经网络的原因。

除此之外科研人员追求强人工网络还有很多原因。

比较值得一提的是。

部分科研人员认为生物学上的人类是有劣根性。

人类渴求更加完美的自己。

很多时候对强人工智能甚至是超人工智能的渴求同样也是人类在追求更加完美的自身而已。

这不光是这一单一神经网络的局限性,事实上也正是弱人工神经网络的局限性之所在。

理想很丰满,现实很骨感。

前世人们都没搞出强人工智能,更不要说在神经网络学习方面各个方面都略有滞后的今生了。

现在的科研情况不要说是强人工智能的实现,事实是就连弱人工智能都玩明白。

时下科研人员鼓捣出的神经网络学习算法仍然缺乏人类这样的联想、记忆、学习、推理等高级功能。

想依靠这样的算法搞弱人工智能都费劲。

真不知道为什么这种情况下居然还有人操心什么人工智能伦理和机器伦理所带来的风险。

事实上就算林灰借助于现有的信息优势做文章也只能对弱人工智能做文章。

而对强人工智能同样手足无措。

这种情况下林灰倒是觉得时下的人们与其操心这些风险之类的不着边际的事情,还不如真正搞搞具体实在的研究。

退一步讲,纵然是有风险就望而却步吗?

世界上有什么事情是完全没风险的?

林灰倒是觉得,人工智能有适当的风险反而有助于人工智能正确的发展。

举这样一个例子,神庙逃亡游戏内容和大多数跑酷游戏都非常相似,越过重重障碍和陷阱,不断向前飞奔。

不过在神庙逃亡里玩家控制的是一个印第安纳琼斯似的人物,在热带雨林的某个古老神庙中逃出,被神庙中一群猴子模样的恶魔守卫追赶。

人物是自动不断向前飞奔的,而玩家则需要控制他避开逃亡路上遇到的各种危险。

一路上各种危险,反而让人更加专注于跑酷本身。

同样的道理,当某项技术有招致一定风险的可能的时候。

适当的已知风险反而可能有助于研究。

因为科研人员或许反而会自觉的远离相应的风险。

从而更加专注于算法逻辑和应用场景。

……

或许这种表述也不够严肃。

但林灰是始终坚信的发展中的问题要靠发展来解决。

不能因为发展可能存在问题就拒绝发展。

人工智能方面的发展同样是如此。

纵然人工智能可能引发一定层面的争议。

但林灰同样相信很多科研人员同样和他持有相同的观点。

至少林灰是知道的,伊芙·卡莉和他的看法是一致的。

能在未来的前行路上有同行的人自然是不错的。

某种程度上林灰也是需要有人一并同行的。

前世在媒体的撺掇下,关于人工智能的炒作可以说是蜂拥而至。

关于人工智能也各种说法却乱七八糟。

但这些宣传普遍将悬窗重点放在人工智能取代人类这种宣传上。

却没搞清人工智能真正的价值之所在。

人工智能真正的价值在于带来了对劳动力和生产关系之间的变革。

这才是其真正的影响深远的原因。

喜欢穿越:2014请大家收藏:(www.zuizaoxiaoshuo.net)穿越:2014最早小说更新速度全网最快。

最早小说推荐阅读: 末世:开局一头基多拉重生圣尊傲娇校花爱上我娱乐:我夺舍了刘星!我分裂了无数人格从大学教师开始野性之心重生资本大亨1979闲鱼人生神豪:从百倍返利开始我的1979华娱科幻之王修复师校园超神学生从废土开始模拟城市女神的超级鳌胥林阳夜的命名术萧阳叶云舒超级王者全能侍卫我的美女大小姐玩游戏玩成大佬我的秘书是狐妖拜见猫神大人都市纵横,从修改旁白开始一人之下之龙血炽腾一个在赎罪的主播我的地头儿我做主从港综街头霸王开始万界点名册美女总裁的最强高手求求你们别再说了大国重工纯情校医至尊战神全文免费阅读娱乐:巨星演员我的冷艳总裁老婆人狐恋护妻霸婿我真不会打网球私生子我震惊了全世界女总裁的神级保镖最高使命华娱之流量影帝超时空评测无心法师:从挖出岳绮罗开始我去末世修个仙全球首富:神级再造系统我的梦幻年代东瀛大物
最早小说搜藏榜: 系统让我捡破烂从全能急诊科医生开始神豪:从百倍返利开始基建:开局给珠峰修电梯重生80:从收破烂开始!神豪:我能百倍返现我爸二婚送了我五个姐姐娱乐:从主持人大赛开始四合院之好好活着从情满四合院开始穿越重生之大收藏家灵气复苏:开局神级武魂娱乐:开局渣了杨老板从港片开始当幕后大佬从代工厂到科技霸主神话复苏:这个神明我认识重生过去的逍遥人生我的细胞变异了中医许阳黄金渔场我每周随机一个新职业神豪:开局购买力增幅百倍我被困在同一天一千年娱乐:开局一首海阔天空娱乐:开局喜当爹!高考结束成百亿神豪我在英伦当贵族高考以后,我才重生全球高武重生过去震八方从网络神豪开始神豪:开局骗了女主播!每168小时获得一个异能从签到获得商业大楼开始我有一个三界拍卖系统无限游戏:十倍奖励重生过去当传奇从大国机长开始亿万富豪从相亲系统开始末日:开局选择时间停止娱乐:巨星演员我,星空巨兽生活系神豪影帝从签到开始全球数据化,我能增幅万物娱乐:开局就和杨老板结婚医路坦途大时代从1983开始修仙从华娱开始万族之劫
最早小说最新小说: 文娱:让你唱歌,你搁这作法?四合院里的老中医地窟求生:开局食物增幅三十倍汽车公司?不,是国货之光再启仙途我的金融帝国热搜第一:叫你捡漏你开挂啊我写的娱乐文被杨老板看到了百元求生:从潘家园捡漏开始带着爸妈去上班娱乐:别联系了,真不熟放弃留学,我打造了世界第一名校从重生开始合租浪在娱乐圈四合院里的唯一老实人韩娱之隔世斑斓怪物食堂首富后才知是反派我的夫妻关系竟能数据化平行空间都市风水师大赌石乾哥传奇神眼少年全能天才混都市绝品全才十二生肖守护神都市无敌特种兵重生圣尊软玉温香极品黑道太子邪霸都市纯情校医校园纨绔特工我的美女上司冰帝校园行护花高手绝品小农民狱锁狂龙3之潜龙出海护花公子全职保安美女校花的贴身高手美女老师爱上我校园超级霸主官运之左右逢源黑客神医贴身美女攻略医道无双极品保镖美女老总爱上我