读人工智能时代与人类未来笔记05_现代人工智能

读人工智能时代与人类未来笔记05_现代人工智能.png

1. 图灵

在艾伦·图灵于1950年发表的论文《计算机与智能》一文中，在该文中他提出了将机器智能问题暂时搁置的观点。

1.2. 图灵认为，重要的不是智能的机制，而是智能的表现

由于其他生命及其内在体验尚属不可知领域, 因此我们不得不将智力评估完全依赖于其外在表现形式

1.2.2. 鉴于此，图灵避开了几个世纪以来关于智力本质的哲学争论

1.2.3. 他提出了"模仿游戏"这一概念。若一台机器能在这种游戏中表现出色到足以使观察者无法将其与人类的行为区分开来，则这台机器理应被归类为具有智能属性的装置

2. 图灵测试

该测试显示出显著成效，在考察人工智能驱动的机器在预先设定且有限制的任务中的表现方面非常有效

该测试不需要机器与人类完全无法分辨，在于只要机器的某项表现类似人类即可

具有智能能力的人工智能生成器被认为是由其输出内容与人类类似而非由于其模型特征与人相像

2.3.1. GPT-3的特征就是使用大量（在线）信息进行训练

3. 人工智能的演变

3.1. 人类一直梦想能有一个帮手，即一台能够和人类胜任相同工作的机器

在希腊神话中，火神赫菲斯托斯创造了具备完成人类使命能力的机器人。例如青铜巨擘塔罗斯，在克里特岛海岸巡逻以防范外来侵害。

在十七世纪时的法国国王路易十四和十八世纪时的普鲁士腓特烈大帝都表现出对机械自动化极大的兴趣，并由他们亲自制造出各种原型机。

3.2. 人工智能研究的先驱们所经历的过程是：从早期启蒙运动致力于以机械规则的方式简化理解世界到进而试图构建一个能够近似现实世界的模型。

1956年时, 计算机科学家约翰·麦卡锡进一步发展了人工智能的概念, 并将其定义为'具备类似人类认知能力的任务的机器'

在过去十年中，计算机技术的进步催生了全新的人工智能系统。这类人工智能系统已在多个领域已超越现有的水平，并且在某些领域已达到或超过人类的水平。

3.4.1. 人工智能是不精确的、动态的和新颖的，并且能够“学习”

3.4.2. 人工智能通过消化数据来“学习”，然后根据数据得出结论

3.4.3. 早期系统要求输入与输出必须准确无误；而不具备这种能力的人工智能则无需进行如此严格的输入与输出操作

3.4.4. 这种人工智能还是动态的，因为它会随着环境的变化而进化

3.4.5. 它也是新颖的，因为它能给出对人类来说新奇的解决方案

3.4.6. 是具有革命性的

3.5. 已经让人类经验的架构产生了微妙改变

改写说明

AlphaZero凭借与自身进行的大量次对弈来提高其棋艺水平，并正是由于这种自我对弈过程它逐渐摸索并确立了自己的下棋规律

3.6. 人工智能很快就将驾驶或协助驾驶各种飞行器翱翔长空

3.6.1. 在DARPA资助的‘AlphaDogfight’项目中进行测试，在该模拟环境中AI战斗机飞行员能够执行超出人类飞行员能力范围的动作，并最终在模拟空中对战场景中击败了人类飞行员。

无论是指挥战斗机执行作战任务，还是协调无人机执行物资运输任务，在军事与民用航空领域中的人工智能都将深刻改变未来

即使在现代计算技术之后仍需制造一台机器使其能够进行有益的操作仍是极具挑战性的

世上的许多事物并非以离散形式组织起来,也难以被简化为简单的规则或符号表示

人类在初期阶段对实用人工智能方面的探索，在于基于规则体系或事实数据库构建的知识库，并将其系统性地编码进计算机系统中

那些需要精确表征的应用领域中，在国际象棋、代数运算以及业务流程自动化等情况下（...），人工智能表现出显著的进步；而在其他应用领域中，则因为它们都涉及...（...），由于它们都涉及...（...），导致人工智慧难以突破瓶颈

传统的程序能够处理海量的数据同时进行复杂的运算，并非没有问题——它们无法辨识简单的物体图像，并且难以应对不太准确的信息。

3.8.1. 人类思想的模糊性和抽象性所导致的结果成为了推动人工智能发展的主要障碍之一

3.9. 视觉对象识别领域遇到的挑战暴露了这些早期程序的缺点

在实际应用中，在尝试通过构建抽象表示来适应高度可变的输入时所采用的方法已被证实难以奏效

3.9.2. 这类机械性较强且难以适应变化的系统，在仅能在那些通过明确编码规则来执行任务的领域中取得微乎其微的成功。因此，在这段时间内，“人工智能寒冬”得以形成

3.10. 人工智能的本质在于执行任务的能力。其核心目标是通过研制具备构思与解决复杂问题能力的机器来实现这一目标。

3.11. 一种允许机器自主学习的方法

为了将人类提炼出的本质特征与核心理念转化为代码并输入到机器中, 实际上就是转变成 Learning process itself is delegated to the machine.

虽然机器学习源于20世纪50年代的早期研究, 但要实现其实现其在实际应用中的广泛应用却必须依赖于持续的技术创新与突破

3.12.1. 在实践中，效果最好的方法是使用神经网络从大型数据集中提取模式

4. 现代人工智能

为了使机器学习成为可能变得可行的关键在于不同表征之间的相互作用机制而非其理论基础

4.1.1. 机器学习需要的是维特根斯坦，而不是柏拉图

4.1.2. 机器学习的现代领域，即通过经验学习的程序，终于诞生了

在21世纪最初的十年里，在视觉对象识别领域中，“人工智能系统基于一组图像进行学习训练”。这些图像中的一部分包含了待识别的目标物，并以近似的方式描述其存在位置。“人工智能系统”的识别效率显著高于传统的人工标注数据集方法。

4.2.1. 观念转变后，随之而来的是重大的进展

4.3. 用于识别Halicin的人工智能展示了机器学习过程的核心地位

4.3.1. 人工智能揭示了化合物特性与其抗菌能力之间的联系不仅不为人类所理解, 而更为关键的是, 这些特性无法用现有规则加以表征

这种人工智能并不是非常精确的，并且它不需要预先定义分子特性和效果之间的关系来识别两者之间的局部关联

4.3.2.1. 这种能力体现了现代人工智能的一个重要元素

4.3.3. 借助机器学习技术构建并优化基于真实世界反馈的模型, 现代人工智能能够从而对结果进行近似, 并深入剖析那些可能阻碍经典算法处理的真实模糊性

4.3.4. 基于Halicin的研究发现, 神经网络识别出分子与其潜在作用机制的关系

Halicin的识别者人工智能在未深入理解化学过程或药物功能的情况下, 建立了输入与输出之间的关联模型

训练神经网络需要消耗大量资源。此外，在处理大规模数据时必须依赖强大的计算能力和先进的算法设计以提高分析效率和模型性能

4.4.1. 与人类不同，大多数人工智能不能同时进行训练和执行任务

4.4.2. 它们将工作分为两个步骤：训练和推断结果

这个网络具备人工智能捕捉多种复杂关系的能力，并不仅仅局限于那些非人类可识别的关系

4.4.3.1. 如今的深层网络通常包含约10个网络层

4.5. 人工智能不像人类理性那样通过推理得到结论, 而是利用自身发展出的模型来推导出结果

现代人工智能算法能够衡量结果的质量，并提供改善这些结果的方法，从而使这些结果得以学习而非直接规定。

© 著作权归作者所有,转载或内容合作请联系作者

喜欢的朋友记得点赞、收藏、关注哦！！！