主题：alphaGo 系统以及人工智能的未来 -- pattern
家园 急智只有成功了才会被保留下来 失败的那些呢？
家园 deep learning 智能来源于learning ，目前的主流是 supervised learning .还有unsupervised learning ,既无样本的学习。 无样本的学习，目前发展比较慢，这个领域的很多大牛认为是很有发展潜力，是deep learning的未来方向。
我认为目前的人工智能还谈不上和人类智能相比，它还只是一个执行特定任务的复杂机器。人工智能对理解人脑的工作原理有很大的帮助，理解人脑的工作原理对人工智能的发展也会有很大的帮助。但是超出这一步，比如说人类的智慧，政治，经济，哲学，数学，物理，我觉得人工智能真的是还远得很。。。
家园 人似乎也不能一次就识别出猫， 当然要定义“一次”。
另外，人“一次”——一张图像得到的信息可能比计算机多。
不过也可能人的建模方式与计算机不同。
家园 不好意思，这个可能表达得有点极端 我的意思是婴儿不需要抓几百只猫来学习。
家园 我的一点看法 计算机看到的只是二维图形。 而当婴儿看到猫时， 是一只活着的三维的猫。在很短的时间里婴儿已经接受了海量的数据。 本质上婴儿和机器的认知方法也许差异并不大。
- 复 我的一点看法
家园 2D还是3D不是问题的关键 随着深度视觉的发展，2D和3D融合的计算机视觉是可以预期的。多摄像头形成视觉空间或单摄像头通过移动产生深度视觉空间都已经实现。很多的研究开始融合深度数据进行识别。
人工智能的发展，目前似乎都是集中于解决问题，主动发现问题似乎是弱项，长期看则不确定。有一点，人类是由内心的欲望推动去做一件事情的，人工智能则没有自发的欲望，所以它目前只能是工具。
从技术层面看，很难说目前的深度学习一定是在一条正确的路上。深度学习的输入是源数据，深度学习过程自己去提取特征，所以需要大量的数据。这种提取过程，目前都是基于深度卷积网络或类似结构。人类在智能发展的过程中，则会对对象提取特征。在深度学习之前，支持向量机（SVM）是基于特征的。只是现在深度学习的风头掩盖了支持向量机。对于特征，人类是有一些重要的发现的。比如植物，具有自相似性，也就是枝条和枝干是相似的，枝条和枝条之间也是相似的。这种相似性，我的理解是由DNA决定的，也就是说，枝条的形状是由DNA和外部环境共同作用形成的。DNA决定什么时候什么地方细胞会分裂，而外部环境则决定这个细胞能不能长成，并进一步分裂。人类能够抽象出这种规律，并有可能提取出这种规律用于识别。深度学习目前则不能，它接受的就是图像，目前的模型无法跨学科去利用别的知识。从这点看，深度学习本身还有很长的路。
从解决问题的能力看，人工智能大规模替代人工是可以预期的。人类的生活生产，充斥着大量的程序化的重复劳动，即使有些看起来突发的问题，也有所谓的套路。但人工智能在具有自己的欲望之前，只可能是人类的仆人，不可能超越人类。
通宝推：秦波仁者, - 复 我的一点看法
家园 其实恐怕人类接受的也是二维信息， 只不过是两幅互相匹配的二维图像，当然是连续不断输入的多幅二维图像。另外对于成人而言，已经建立了对外部世界的一定认识，依据这些认识对看到的图像进行了很多脑补，反映到大脑的其实并不是真看到的图像。
- 复 我的一点看法
家园 三维比二维的数据多 但还谈不上海量，也就多了50%吧，既每个二维点加上深度数据。目前对三维数据的识别也有，效果要比二维的好。
婴儿如何认出一只猫是猫的，现在其实谁也说不清楚，你说的可能性也是存在的，也许基因里面已经蕴含了我们祖先的deep learning到的知识，婴儿只需要少量样本强化学习一下而已。
家园 补充一点 婴儿对猫的识别还包括声音， 触觉乃至嗅觉。 内容比电脑看照片丰富的多。
另外婴儿的学习过程是 Supervised.
家园 基因里已有不大可能 人如果用DL打比方生出来就具备CPU，GPU什么的，顶多有个类似TensorFlow这种层次的东西，初始参数也许是遗传的，但识别什么的还是后天要学的。
AlphaGO采用自己跟自己下棋来长棋力，这算是一个自学习的尝试与开端吧。另外其避免了无限穷举的能力也是一个对解决NP的有益尝试，毕竟围棋的计算量按目前的硬件水平还是可望不可及的。
至于人脑的能力，一个可能还是目前DL层数不够深，这是个计算能力也就是硬件的问题。人脑细胞与链接数量堪比银河系，这个显然不是现在计算机科技范围内的。
另一个可能就是有人们还没发现的原理，这个其实是比较乐观的方向，并不受限与物理电子科学的发展，比如一个新的算法。不过人工智能几十年来表现最好的只是NN与DL，其他并没有什么突破，并不乐观。
最后还得寄希望于生物脑科学的发展，希望有新的发现与启示。