


Pourquoi l'IA est-elle toujours difficile à mettre en œuvre ?
Pourquoi est-il toujours difficile de mettre en œuvre l’IA ? Pourquoi l’intelligence artificielle est-elle souvent critiquée ? Certains disent que cela est dû aux films de science-fiction, aux romans de science-fiction, aux jeux vidéo, aux médias d'information, etc. Cette vision comporte certains éléments raisonnables, mais il y a aussi un fait plus important que tout le monde ignore, à savoir ce qui est censé être être « l'environnement humain-machine » de l'intelligence de fusion système » est souvent confondu avec « l'intelligence artificielle (ou même certains algorithmes) ».
Bien que la vie et les machines puissent toutes deux être utilisées comme supports de cognition, la nature de la cognition est différente. L'une est la cognition de la vie, et l'autre est la cognition des machines, qui est la cognition de personnes spécifiques à des choses spécifiques. L’intelligence homme-machine se concentre sur la direction et le risque, tandis que l’ergonomie se concentre sur les processus et l’efficacité. Informatique - La construction de mécanismes informatiques est la clé des percées dans le domaine de l'intelligence hybride homme-machine. La clé de l'intelligence en essaim réside dans la construction d'une logique coordonnée pour trois corps ou plus, et la construction d'une logique à trois corps a dépassé la portée de la logique informatique formelle, et un système logique informatique formel doit être établi.
Peu importe que ce soit complexe ou simple, qu'il s'agisse d'un produit automatisé ou d'un système intelligent, tout ce qui est terre-à-terre et accepté par tout le monde est populaire Si on y réfléchit bien, c'est mieux en termes de sécurité. , efficacité et confort. Pour avoir ces avantages, la plupart des systèmes humains, machines et environnementaux sont relativement harmonieux, du moins pas une simple IA + un certain domaine ou un certain domaine + un algorithme intelligent. Il y a quelque temps, j'ai écrit un article « L'essence de l'intelligence ne semble pas être la puissance de calcul et la connaissance des algorithmes de données », soulignant que le mécanisme qui les génère est la source de l'intelligence vivante. Cette fois, je parlerai aussi du " ". Les talents" peuvent encore être des "robots" sans "âmes". La raison est toujours causée par des "algorithmes" arides. Il n'y a pas de melon, il y a une (sorte de) cerveau mais pas d'esprit, il y a une forme mais pas d'intention, il y a pas de globe oculaire... il ne peut que tourner dans le cercle des possibles, mais ne peut pas tenter d'explorer le monde impossible. Même s'il y a une certaine exploration, ce n'est que dans le cadre d'un air de famille. Rebondir sur le lit de la rivière tout en étant loin. n'ayant aucune idée des véritables ressemblances non familiales. Outre l'interaction du système environnement homme-machine, le deuxième aspect est la compréhension et la digestion d'une conscience situationnelle profonde. Par exemple, dans de nombreuses situations, nous ne connaissons que l'enregistrement et la correction entre le temps et l'espace, mais ne comprenons pas la coordination entre les situations. , potentiel, sens et connaissance. Précision et correction ; connaître uniquement la solution de distorsion de la distance non coopérative, mais oublier l'expansion floue de la distance collaborative ; connaître uniquement la fréquence et les variables, et ne pas penser à l'anomalie, au changement de potentiel, au changement de sens, changer les connaissances et la flexibilité ; connaître uniquement la chaîne de données et la chaîne d'information, ne pas considérer la chaîne de faits et la chaîne de valeur, ni même la chaîne de systèmes d'environnement homme-machine formée par la superposition enchevêtrée d'une chaîne d'état, d'une chaîne potentielle, d'une chaîne de sens et d'une chaîne de connaissances ; ne connaissent que la modulation unique de la conscience de la situation homogène, uniforme et séquentielle, et ignorent l'éventail multi-niveaux plus important de conscience de la situation hétérogène, non uniforme et aléatoire, ainsi que la mobilité rapide de la détection d'abord et de la connaissance plus tard et de la précision. la flexibilité de ressentir d'abord puis de connaître, ainsi que l'autocorrélation et la relation entre la situation, le potentiel, le sens et la connaissance. Les probabilités de transformation croisées ne connaissent que le modèle du modèle humain, mais pas seulement le modèle de la machine ; structure de vérification par simulation, et ne faites pas attention aux performances obtenues en combat réel. La troisième raison : lorsque quelque chose se produit, nous l'associerons consciemment ou inconsciemment à des choses qui viennent de se produire ou qui auront une profonde impression autour de nous de temps en temps, et établirons notre propre carte de situation personnalisée de « relation causale » (pas seulement une carte) En effet, les connexions pertinentes sont appelées connexions factuelles objectives, les connexions spécieuses sont appelées connexions de possibilité et les connexions non pertinentes sont appelées connexions intentionnelles subjectives... Ces connexions qui se produisent souvent dans la vie sont toutes des composantes de la cognition intelligente, qui en fait partie. La partie de corrélation qui peut être programmée est souvent appelée IA, mais la corrélation de possibilité et la corrélation d'intentionnalité subjective sont filtrées, et ces deux éléments sont des éléments importants de la flexibilité de l'intelligence personnalisée. En bref, nous voulons utiliser les algorithmes d'IA pour simplifier le problème des systèmes complexes dans l'environnement homme-machine ; nous ne connaissons que la conscience situationnelle, mais ne comprenons pas la conscience situationnelle profonde ; trois problèmes peuvent aussi être causés par l’IA. C’est toujours difficile de décoller !
Le test drone contre drone habité-« combat de chiens » de la DARPA vient de se terminer. Après l'excitation, à en juger par l'examen après le test, la clé de la victoire de l'IA réside dans sa forte agressivité et sa précision de tir, mais le principal problème est là. est une erreur de jugement. Selon les testeurs militaires américains, le système d'IA testé a souvent commis des erreurs dans les manœuvres de base du chasseur. Plus d'une fois, l'IA a fait bouger l'avion dans la direction où elle pensait que l'avion de l'adversaire humain irait, mais cela s'est produit à plusieurs reprises. Il est prouvé qu'il juge mal les pensées d'un pilote. Ce n'est pas difficile à comprendre. Les pilotes humains font souvent des erreurs lorsqu'ils jugent les intentions de l'adversaire. De plus, ce qui manque au système d'IA, c'est la capacité de comprendre les tactiques créatives. Cependant, grâce à ses « excellentes capacités de ciblage » et à sa capacité à suivre les avions adverses, l'IA était toujours capable de conserver un avantage global sur les pilotes humains, et le système informatique a finalement pris le dessus dans toute la confrontation.
En bref, l'IA des drones a un avantage dans la précision du « statut » et la rapidité du « ressenti », mais elle n'a pas encore d'avantages dans le jugement du « potentiel » et la prédiction des « connaissances ». Il est recommandé aux futurs pilotes d'avions pilotés de travailler plus dur sur les faux mouvements (comme Jordan, Kobe et James) et d'enfreindre les règles (comme Sun Tzu, Zhuge Liang et Su Yu) ! Sans règles, tous les algorithmes et modèles (mathématiques) perdront leurs limites, conditions et contraintes, et tous les calculs ne seront plus précis et fiables. Lorsque les formules de probabilité passeront du calcul à la divination, les avantages des machines pourraient ne plus être aussi bons. ceux des humains. !
Les humains prennent des décisions fondées sur des valeurs – en discutant des grands torts et des bonnes choses plutôt que de simplement calculer les gains et les pertes ; les machines prennent des décisions fondées sur des faits – en discutant de l'addition et de la soustraction des gains et des pertes, et non du bien et du mal. Les relations entre état et potentiel, ainsi qu'entre sens et connaissance, sont toutes des relations quantitatives et qualitatives, le « potentiel » parmi elles étant la possibilité maximale dans un certain laps de temps. Tout ce qui est en « potentiel » est d'abord en « état » ; tout ce qui est en « connaissance » est d'abord en « sentiment ». On peut dire qu’une seule étincelle peut déclencher un feu de prairie. Si l'objectif est clair, dans un jeu avec un grand système composé d'unités de contrôle et d'équipements, l'adversaire devrait être ou ne peut être que le système correspondant, et non la personne qui exploite l'équipement, ou la personne qui conçoit et contrôle le système. À cet égard, nous avons de grandes faiblesses. L’essentiel est que les changements dynamiques dans les objectifs à long, moyen et court terme dans un environnement de développement peuvent donner lieu à des objectifs peu clairs, voire vagues.
L’intelligence artificielle d’aujourd’hui est comme un train à grande vitesse, qui est très rapide mais nécessite une piste. La vraie intelligence devrait être comme un avion, tant qu’elle peut atteindre sa destination, elle ne nécessite pas de piste ou d’itinéraire spécifique. Les erreurs de conscience de la situation sont divisées en erreurs de posture, de situation, de perception et de connaissance, et peuvent également être divisées en erreurs de faits/de valeurs. L'application de l'intelligence artificielle dans les armes se reflète principalement dans la répartition des tâches de machine à machine et dans le réorientation des armes en temps réel. Cette priorisation des effets sur les « prestataires de services » typiques s'effectuera au niveau tactique et dépend des capacités de chacun. machines intelligentes. Qu’il s’agisse de digérer et d’analyser des données provenant de l’ensemble du champ de bataille. En fait, l’objectif et la difficulté de la future confrontation habitée-sans équipage seront le séquençage mixte/intégré de données factuelles et précieuses, d’informations, de connaissances, de responsabilités, d’intentions et d’émotions dans la répartition des fonctions homme-machine !
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
