- 程序有所改变。发帖如还有问题请报告
- 【征集】西西河的经济学,及清流措施,需要主动参与者,『稷下学宫』新认证方式,24年网站打算和努力目标
主题:alphaGo 系统以及人工智能的未来 -- pattern
但人类有“背水一战”这样违反惯例的急智,人工智能怎么应付呢?
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。
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。。。
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。
失败的那些呢?
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。
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。
我们不要这样的急智而已。
任何体系的发展都离不开自身或者外部的破坏力,如果人工智能只能够从已有的知识获取经验,那不过是个更大号的搜索引擎。破坏性的力量从人类来说是基于某种化学机制下的异常模式,人工智能如何赋予这种破坏性可能是个复杂的科学和道德问题。
来构建立体视觉,因此一般有个立体模型构建过程。我记得婴儿有个阶段需要通过手眼动作协调,触摸等来学习这个建立立体对象模型。
机器视觉也有利用双摄像头来模仿人眼检测物体的3维数据。
从来都只是机器而已。
当然,忽悠机器智能可以达到人的智能是可以的。比如用下象棋,和现在的下围棋。
但是实话说,任何一个严肃地搞人工智能的人都知道。。。没有一个业内的专家知道,人的智能究竟是怎么一回事。但是他们都知道,人工智能是怎么一回事。
而人工智能只是人类试图用自己已经掌握的数学知识,来对人的智能的某些现象,进行数学建模并试图验证这样的模型而已。
比如,专家系统。。。是建立在数据库的搜索,匹配模型上的,下象棋,是建立在规则,演算基础上的,目标识别,是建立在特征抽取和空间变换/匹配上的,而目前的下围棋呢?是建立在高维空间级高维空间上的特征抽取和模式匹配上的。
但是这些。。。真的就是人的智能了吗?不,远远谈不上。
讲句难听点的话:随便拿两幅图像,人,都可以轻易地指出他们之间的共同点与差异点。而电脑呢?