


Expertenmeinung: Die Möglichkeit allgemeiner künstlicher Intelligenz
Eine der Herausforderungen bei der Verfolgung von Nachrichten über Entwicklungen im Bereich der künstlichen Intelligenz besteht darin, dass der Begriff „künstliche Intelligenz“ oft wahllos für zwei nicht zusammenhängende Dinge verwendet wird.
Die erste Verwendung des Begriffs KI wurde genauer gesagt Narrow AI genannt. Es handelt sich um eine leistungsstarke Technik, die aber auch sehr einfach ist: Sie nehmen eine Reihe von Daten über die Vergangenheit, analysieren sie mit einem Computer, finden Muster und nutzen diese Analyse dann, um die Zukunft vorherzusagen. Diese Art von KI berührt unser Leben mehrmals am Tag, indem sie Spam aus unseren E-Mails filtert und uns durch den Datenverkehr leitet. Da es jedoch auf Daten aus der Vergangenheit trainiert wird, funktioniert es nur dort, wo die Zukunft der Vergangenheit ähnelt. Deshalb kann es Katzen erkennen und Schach spielen, da sie sich grundsätzlich nicht von Tag zu Tag ändern.
Eine andere Verwendung des Begriffs KI ist die Beschreibung dessen, was wir allgemeine KI nennen, oder allgemein als AGI bekannt. Außer in der Science-Fiction existiert es nicht und niemand weiß, wie man es macht. Allgemeine künstliche Intelligenz ist ein Computerprogramm, das genauso intelligent und vielseitig ist wie der Mensch. Es kann sich völlig neue Dinge beibringen, die ihm noch nie zuvor beigebracht wurden.
Der Unterschied zwischen enger KI und allgemeiner KI
In Filmen sind AGI Daten in „Star Trek“, C-3PO in „Star Wars“ und Replikanten in „Blade Runner“. Obwohl es intuitiv so aussehen mag, als sei enge KI dasselbe wie allgemeine KI, nur eine weniger ausgereifte und komplexe Implementierung, ist dies nicht der Fall. Allgemeine KI ist anders. Beispielsweise ist die Identifizierung von Spam rechnerisch nicht gleichbedeutend mit echter Kreativität, etwas, das allgemeine Intelligenz leisten kann.
Ich habe einmal einen Podcast über künstliche Intelligenz mit dem Titel „Voices in Artificial Intelligence“ moderiert. Das ist interessant, weil die meisten großartigen Wissenschaftspraktiker zugänglich und bereit sind, in Podcasts mitzuwirken. Am Ende traf ich auf über 100 großartige KI-Vordenker, die eine ausführliche Diskussion zu diesem Thema führten. Es gibt zwei Fragen, die ich den meisten Gästen stelle. Die erste Frage lautete: „Ist allgemeine künstliche Intelligenz möglich?“ Fast alle – mit nur vier Ausnahmen – sagten, dass dies möglich sei. Dann frage ich sie, wann wir es bauen können. Die Antworten variieren, einige sind innerhalb von fünf Jahren verfügbar, andere sogar bis zu 500 Jahren.
Warum ist das so?
Warum sagen fast alle unserer Gäste, dass allgemeine künstliche Intelligenz möglich ist, geben aber so breite Schätzungen ab, wann wir sie erreichen werden? Die Antwort auf diese Frage geht auf etwas zurück, das ich zuvor gesagt habe: Wir Ich weiß nicht, wie man allgemeine Intelligenz aufbaut, daher ist Ihre Vermutung genauso gut wie die aller anderen.
„Aber warten Sie!“ Sie könnten sagen: „Wenn wir nicht wissen, wie man es macht, warum sind sich die Experten dann auch einig, dass es möglich ist?“ Dass wir wirklich intelligente Maschinen bauen werden: Da wir Maschinen sind, ist das Denken so und wir müssen Maschinen mit allgemeiner Intelligenz bauen. Maschine
Sicher ist, dass diese Experten Recht haben, wenn Menschen Maschinen sind: Allgemeine Intelligenz ist nicht nur möglich, sondern unvermeidlich. Wenn sich jedoch herausstellt, dass Menschen mehr als nur Maschinen sind, dann ist dies möglicherweise nicht der Fall replizierbar in Silizium
Es ist interessant, wie unterschiedlich diese Hunderte von KI-Experten von allen anderen sind, wenn ich zu einem allgemeinen Publikum zu diesem Thema spreche und sie frage, wer im Vergleich etwa 15 % der Menschen die Hand hebt, wenn sie denken, dass sie eine Maschine sind zu 96 % für KI-Experten
In meinem Podcast zeigen meine Gäste normalerweise mit dem Finger, wenn ich diese Annahme über die Natur der menschlichen Intelligenz widerlege. Ich bin – natürlich sehr höflich – besessen von einer bestimmten Art magischen Denkens, das gegen die Wissenschaft ist im Kern: „Was wären wir sonst, wenn nicht biologische Maschinen?“
Es ist eine berechtigte und wichtige Frage, die wir nur mit durchschnittlicher Intelligenz kennen. Wir wissen es wirklich nicht
Intelligenz ist eine Superkraft
Versuchen Sie, sich an die Farbe Ihres ersten Fahrrads oder den Namen Ihres Erstklässlers zu erinnern, aber Ihr Gehirn hat wahrscheinlich keine Ahnung Es ist schwierig, sie abzurufen, wenn man bedenkt, dass „Daten“ nicht so sind, als würden sie auf einer Festplatte gespeichert. Umso beeindruckender ist es, wenn sie so in Ihrem Gehirn gespeichert sind. Tatsächlich wissen wir nicht, wie sie gespeichert werden, und wir werden es vielleicht herausfinden Es ist in jedem der 100 Milliarden Neuronen Ihres Gehirns enthalten. Alle sind so komplex wie unsere fortschrittlichsten Supercomputer. Aber hier wird das Geheimnis unserer Intelligenz noch kniffliger . Es ist alles, was ein Pfund Schleim in deinem Kopf bewirken kann, wie zum Beispiel einen Sinn für Humor zu haben oder sich zu verlieben, was scheinbar nicht der Fall ist, und deine Leber kann es auch nicht
Wir sind uns nicht einmal sicher, ob der Geist nur ein Produkt des Gehirns ist. Viele Menschen verlieren bei der Geburt bis zu 95 Prozent ihres Gehirns, verfügen aber immer noch über eine normale Intelligenz und erfahren oft erst durch einen diagnostischen Test im späteren Leben von ihrer Erkrankung. Darüber hinaus scheint es, dass ein Großteil unserer Intelligenz nicht in unserem Gehirn gespeichert ist, sondern in unserem Körper verteilt ist.
Allgemeine künstliche Intelligenz: Die Komplexität des Bewusstseins
Obwohl wir das Gehirn oder den Geist nicht verstehen, wird es von da an tatsächlich schwieriger: Allgemeine Intelligenz erfordert wahrscheinlich Bewusstsein. Bewusstsein ist Ihre Erfahrung der Welt. Ein Thermometer kann zwar die Temperatur genau anzeigen, aber es fühlt sich nicht warm an. Der Unterschied zwischen Wissen und Erleben ist das Bewusstsein, und wir haben wenig Grund zu der Annahme, dass ein Computer die Welt wie ein Stuhl erleben kann.
Jetzt haben wir also ein Gehirn, das wir nicht verstehen können, einen Geist, den wir nicht erklären können, und was das Bewusstsein betrifft, haben wir nicht einmal eine gute Theorie, um zu erklären, wie bloße Materie überhaupt entstehen kann ein Erlebnis. Dennoch glauben KI-Befürworter von AGI, dass wir alle menschlichen Fähigkeiten in Computern nachbilden können. Das kommt mir wie magisches Denken vor.
Ich sage das nicht, um die Überzeugungen anderer herabzusetzen. Sie haben wahrscheinlich recht. Ich denke einfach, dass die Idee der allgemeinen künstlichen Intelligenz eher eine unbewiesene Hypothese als eine offensichtliche wissenschaftliche Wahrheit ist. Eine solche Kreatur zu erschaffen und dann ihre Wünsche zu kontrollieren, ist ein uralter Traum der Menschheit. In der Neuzeit existiert es schon seit Jahrhunderten, vielleicht begann es mit Mary Shelleys Frankenstein und manifestierte sich dann in den 1.000 folgenden Geschichten. Aber es ist tatsächlich viel älter. Wir haben uns das schon seit der Entstehung unserer Schriften vorgestellt, etwa in der Geschichte von Talos, einem Roboter, der von Hephaistos, dem griechischen Gott der Technik, erschaffen wurde, um die Insel Kreta zu verteidigen.
Irgendwo tief in uns sehnt es sich danach, diese Kreatur zu erschaffen und ihre unglaubliche Kraft zu kontrollieren, aber bisher gibt es keine Anzeichen dafür, dass wir das tatsächlich können.
Das obige ist der detaillierte Inhalt vonExpertenmeinung: Die Möglichkeit allgemeiner künstlicher Intelligenz. 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

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

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

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

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

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
