Warum ist KI immer schwer umzusetzen?
Warum ist es immer schwierig, KI zu implementieren? Warum wird künstliche Intelligenz oft kritisiert? Manche Leute sagen, dass dies durch Science-Fiction-Filme, Science-Fiction-Romane, Videospiele, Nachrichtenmedien usw. verursacht wird. Diese Ansicht hat bestimmte vernünftige Elemente, aber es gibt noch eine andere, wichtigere Tatsache, die jeder ignoriert, nämlich das, was sein soll Die „Mensch-Maschine-Umgebung „System Fusion Intelligence“ wird oft mit „künstlicher Intelligenz (oder sogar einigen Algorithmen)“ verwechselt.
Obwohl sowohl Leben als auch Maschinen als Träger von Erkenntnissen genutzt werden können, ist die Natur der Erkenntnisse unterschiedlich. Das eine ist die Wahrnehmung des Lebens und das andere ist die Wahrnehmung von Maschinen, also die Wahrnehmung bestimmter Menschen für bestimmte Dinge. Die Mensch-Maschine-Intelligenz konzentriert sich auf Richtung und Risiko, während sich die Ergonomie auf Prozesse und Effizienz konzentriert. Computing – Die Konstruktion von Computermechanismen ist der Schlüssel zu Durchbrüchen in der hybriden Mensch-Computer-Intelligenz. Der Schlüssel zur Schwarmintelligenz liegt in der Konstruktion einer koordinierten Logik für drei oder mehr Körper. Die Konstruktion der Drei-Körper-Logik hat den Rahmen der formalen Rechenlogik überschritten, und es muss ein formales Rechenlogiksystem eingerichtet werden.
Egal, ob es komplex oder einfach ist, ob es sich um ein automatisiertes Produkt oder ein intelligentes System handelt, alles, was bodenständig ist und von allen akzeptiert wird, ist in puncto Sicherheit besser , Effizienz und Komfort. Um diese Vorteile zu erzielen, müssen die meisten menschlichen, maschinellen und Umweltsysteme relativ harmonisch sein, zumindest keine einfache KI + ein bestimmtes Feld oder ein bestimmtes Feld + intelligenter Algorithmus. Vor einiger Zeit habe ich einen Artikel geschrieben: „Das Wesen der Intelligenz scheint nicht die Rechenleistung und das Wissen des Datenalgorithmus zu sein“, in dem ich betonte, dass der Mechanismus, der diese generiert, die Quelle lebendiger Intelligenz ist. Dieses Mal werde ich auch über die „“ sprechen. „Talente“ können immer noch „Roboter“ ohne „Seelen“ sein. Der Grund liegt immer noch in trockenen „Algorithmen“. Es gibt keine Melone, es gibt eine (Art) Gehirn, aber keinen Geist, es gibt Form, aber keine Absicht, das gibt es Kein Augapfel ... es kann sich nur im Kreis der Möglichkeiten drehen, aber nicht versuchen, die unmögliche Welt zu erkunden. Selbst wenn es eine gewisse Erkundung gibt, geschieht dies nur im Rahmen der Familienähnlichkeit, während man weit davon entfernt ist keine Ahnung von tatsächlichen, nicht familiären Ähnlichkeiten. Neben der Interaktion zwischen Mensch und Computerumgebung ist der zweite Aspekt das Verständnis und die Verarbeitung eines tiefen Situationsbewusstseins. In vielen Situationen kennen wir beispielsweise nur die Registrierung und Korrektur zwischen Zeit und Raum, verstehen aber nicht die Koordination zwischen Situationen , Potenzial, Sinn und Wissen kennen nur die Verzerrungslösung der nicht koordinierten Distanz, vergessen jedoch die unscharfe Erweiterung der kollaborativen Distanz und denken nicht an Abnormalität, sich änderndes Potenzial, sich ändernden Sinn. sich änderndes Wissen und Flexibilität; kennen Sie nur die Datenkette und die Informationskette, berücksichtigen Sie nicht die Faktenkette und die Wertschöpfungskette oder sogar die Mensch-Maschine-Umweltsystemkette, die durch die verschlungene Überlagerung von Zustandskette, Potenzialkette, Sinneskette und Wissenskette gebildet wird ; kennen nur die einzelne Modulation des homogenen, einheitlichen und sequentiellen Situationsbewusstseins und ignorieren die wichtigere mehrstufige Anordnung des heterogenen, ungleichmäßigen und zufälligen Situationsbewusstseins sowie die schnelle Mobilität des Erkennens zuerst und des Wissens später genaue Flexibilität des Erkennens und anschließenden Erkennens sowie der Autokorrelation und der Beziehung zwischen Situation, Potenzial, Sinn und Wissen kennen nur das Modell des menschlichen Modells, nicht jedoch das Modell der Maschine die Simulationsverifizierungsstruktur und achten nicht auf die im tatsächlichen Kampf erzielte Leistung. Der dritte Grund: Wenn etwas passiert, assoziieren wir es bewusst oder unbewusst mit Dingen, die gerade passiert sind oder haben von Zeit zu Zeit einen tiefen Eindruck um uns herum und erstellen unsere eigene personalisierte Situationskarte mit „kausalen Zusammenhängen“ (nicht nur eine Karte). Tatsächlich werden relevante Zusammenhänge als objektive Sachzusammenhänge bezeichnet, irrelevante werden als subjektive Zusammenhänge bezeichnet. Diese Zusammenhänge, die im Leben häufig auftreten, sind allesamt Bestandteile der intelligenten Erkenntnis, des objektiven Sachverhalts Der programmierbare Korrelationsteil wird oft als KI bezeichnet, aber die Möglichkeitskorrelation und die subjektive Intentionalitätskorrelation werden herausgefiltert, und diese beiden sind wichtige Komponenten der Flexibilität personalisierter Intelligenz. Kurz gesagt, wir wollen KI-Algorithmen verwenden, um das Problem komplexer Systeme in der Mensch-Maschine-Umgebung zu vereinfachen. Wir kennen jedoch kein tiefes Situationsbewusstsein Drei Probleme können auch durch KI verursacht werden. Es ist immer schwer, auf die Beine zu kommen!
DARPAs „Hundekampf“-Test zwischen Drohnen und bemannten Drohnen ist gerade zu Ende gegangen. Nach der Aufregung liegt der Schlüssel zum Sieg der KI in ihrer starken Aggressivität und Schussgenauigkeit, aber das Hauptproblem liegt dort ist eine Fehleinschätzung. Laut US-Militärtestern machte das getestete KI-System häufig Fehler bei grundlegenden Kampfmanövern. Mehr als einmal bewegte die KI das Flugzeug in die Richtung, in die sie dachte, das Flugzeug des menschlichen Gegners würde fliegen, was jedoch wiederholt der Fall war nachweislich die Gedanken eines Piloten falsch einschätzen. Das ist nicht schwer zu verstehen. Menschliche Piloten machen oft Fehler bei der Beurteilung der Absichten des Gegners. Darüber hinaus fehlt dem KI-System die Fähigkeit, kreative Taktiken zu verstehen. Aufgrund ihrer „hervorragenden Zielfähigkeiten“ und der Fähigkeit, gegnerische Flugzeuge zu verfolgen, konnte die KI jedoch immer noch einen Gesamtvorteil gegenüber menschlichen Piloten behaupten, und das Computersystem gewann letztendlich die Oberhand in der gesamten Konfrontation.
Kurz gesagt, Drohnen-KI hat einen Vorteil bei der Genauigkeit des „Status“ und der Geschwindigkeit des „Gefühls“, aber noch keine Vorteile bei der Beurteilung des „Potenzials“ und der Vorhersage von „Wissen“. Es wird empfohlen, dass zukünftige bemannte Flugzeugpiloten härter an vorgetäuschten Bewegungen (wie Jordan, Kobe und James) und Regelverstößen (wie Sun Tzu, Zhuge Liang und Su Yu) arbeiten! Ohne Regeln verlieren alle Algorithmen und (mathematischen) Modelle ihre Grenzen, Bedingungen und Einschränkungen und alle Berechnungen sind nicht mehr genau und zuverlässig. Wenn Wahrscheinlichkeitsformeln von Berechnungen zu Wahrsagereien wechseln, sind die Vorteile von Maschinen möglicherweise nicht mehr so gut wie die der Menschen. !
Menschen treffen wertbasierte Entscheidungen – sie besprechen große Rechte und Unrechte, anstatt nur Gewinne und Verluste zu berechnen; Maschinen treffen faktenbasierte Entscheidungen – sie diskutieren über die Addition und Subtraktion von Gewinnen und Verlusten, nicht über Recht und Unrecht. Die Beziehungen zwischen Zustand und Potenzial sowie zwischen Sinn und Wissen sind allesamt quantitative und qualitative Beziehungen. Das „Potenzial“ unter ihnen ist die maximale Möglichkeit innerhalb eines bestimmten Zeitraums. Alles, was im „Potenzial“ ist, ist zuerst im „Zustand“; alles, was im „Wissen“ ist, ist zuerst im „Gefühl“. Man kann sagen, dass ein einziger Funke einen Präriebrand auslösen kann. Wenn das Ziel klar ist, sollte oder kann der Gegner in einem Spiel mit einem großen System aus Steuereinheiten und Geräten nur das entsprechende System sein, nicht die Person, die die Geräte bedient, oder die Person, die das System entwirft und steuert. In dieser Hinsicht haben wir große Schwächen. Der Schlüssel liegt darin, dass dynamische Änderungen der lang-, mittel- und kurzfristigen Ziele in einer Entwicklungsumgebung zu unklaren oder sogar vagen Zielen führen können.
Die heutige künstliche Intelligenz ist wie ein Hochgeschwindigkeitszug, der sehr schnell ist, aber eine Strecke benötigt. Echte Intelligenz sollte wie ein Flugzeug sein, solange sie das Ziel erreichen kann, benötigt sie keine bestimmte Strecke oder Route. Fehler im Situationsbewusstsein werden in Fehler in der Haltung, Situation, Wahrnehmung und Wissen unterteilt und können auch in Sach-/Wertfehler unterteilt werden. Der Einsatz künstlicher Intelligenz in Waffen spiegelt sich hauptsächlich im Machine-to-Machine-Tasking und der Echtzeit-Neuausrichtung von Waffen wider. Diese Priorisierung der Auswirkungen auf typische „Dienstleister“ erfolgt auf taktischer Ebene und hängt von den Fähigkeiten der Waffen ab Intelligente Maschinen, um Daten vom gesamten Schlachtfeld zu verarbeiten und zu analysieren. Tatsächlich wird der Schwerpunkt und die Schwierigkeit der zukünftigen bemannten und unbemannten Konfrontation in der gemischten/integrierten Abfolge von sachlichen und wertvollen Daten, Informationen, Wissen, Verantwortlichkeiten, Absichten und Emotionen bei der Verteilung von Mensch-Maschine-Funktionen liegen!
Das obige ist der detaillierte Inhalt vonWarum ist KI immer schwer umzusetzen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
