Adakah kecerdasan buatan umum mungkin?
Penggunaan pertama istilah kecerdasan buatan ialah apa yang sepatutnya dipanggil "kecerdasan buatan dalam erti kata sempit". Ia adalah teknik yang berkuasa, tetapi ia juga agak mudah dan mudah: anda mengambil banyak data tentang masa lalu, menggunakan komputer untuk menganalisisnya dan mencari corak, dan kemudian menggunakan analisis itu untuk membuat ramalan tentang masa depan. Jenis kecerdasan buatan ini menyentuh semua kehidupan kita beberapa kali sehari kerana ia menapis spam daripada e-mel kami dan memberikan kami laluan trafik. Walau bagaimanapun, kerana ia dilatih menggunakan data lepas, ia hanya berfungsi jika masa depan adalah serupa dengan masa lalu. Itulah sebabnya ia mengenali kucing dan bermain catur, kerana mereka tidak berubah pada tahap unsur dari hari ke hari.
Satu lagi cara menggunakan istilah kecerdasan buatan ialah dengan menerangkan apa yang kita panggil General AI (atau Artificial General Intelligence, AGI). Kecuali dalam fiksyen sains, ia tidak wujud, dan tiada siapa yang tahu cara membuatnya. Kecerdasan buatan am ialah program komputer yang serba boleh dari segi intelek seperti manusia. Ia boleh mengajar dirinya sendiri perkara-perkara baru yang tidak pernah dilatih sebelum ini.
Perbezaan antara kecerdasan buatan sempit dan kecerdasan buatan am
Dalam filem, kecerdasan buatan am ialah Data dalam "Star Trek", C-3PO dalam "Star Wars" dan "Blade Wings" Klon dalam "The Hitman". Walaupun nampaknya secara intuitif bahawa AI sempit dan AI umum adalah perkara yang sama, cuma kurang canggih dan kompleks untuk dilaksanakan, ini tidak berlaku. Kecerdasan buatan am adalah sesuatu yang berbeza. Sebagai contoh, mengenal pasti spam tidak setara secara pengiraan dengan kreativiti sebenar, manakala AI am adalah.
Pengarang pernah menganjurkan podcast tentang kecerdasan buatan yang dipanggil "Suara dalam AI". Ia satu perkara yang menarik kerana kebanyakan pengamal hebat sains ini boleh diakses pada podcast ini dan mereka bersedia untuk berada di podcast. Jadi saya berakhir dengan galeri lebih daripada seratus pemikir AI yang hebat bercakap secara mendalam tentang topik ini. Terdapat dua soalan yang saya ajukan kepada kebanyakan tetamu. Soalan pertama ialah, "Adakah kecerdasan buatan umum mungkin?" Kemudian saya akan bertanya kepada mereka, bila kita boleh membinanya. Jawapannya berkisar dari sepantas lima tahun hingga 500 tahun.
Mengapa jurang begitu besar?
Mengapakah hampir semua tetamu saya mengatakan kecerdasan buatan am adalah mungkin, namun memberikan pelbagai anggaran termaklum tentang masa kami mungkin mencapainya? Jawapannya kembali kepada kenyataan yang saya buat sebelum ini. Kami tidak tahu cara membina kecerdasan am, jadi tekaan anda hampir sama dengan orang lain (tidak berguna).
“Tetapi tunggu!” anda mungkin berkata. "Jika kita tidak tahu bagaimana untuk membuatnya, mengapa pakar sangat bersetuju bahawa ia mungkin juga?" Keyakinan mereka bahawa kami akan membina mesin yang benar-benar pintar adalah berdasarkan kepercayaan teras: Manusia adalah mesin pintar. Mereka beralasan bahawa kerana kita adalah mesin dan mempunyai kecerdasan am, adalah mungkin untuk membina mesin dengan kecerdasan am.
Manusia vs Mesin
Yang pasti kalau manusia adalah mesin, pakar-pakar ini betul. Kecerdasan am bukan sahaja mungkin, ia tidak dapat dielakkan. Walau bagaimanapun, jika ternyata bahawa orang lebih daripada sekadar mesin, mungkin terdapat beberapa aspek orang yang mungkin tidak ada cara untuk meniru dalam silikon.
Apa yang menarik ialah terputusnya hubungan antara 100+ pakar AI ini dan orang lain. Apabila saya bercakap tentang topik ini kepada khalayak umum dan bertanya kepada mereka siapa yang menganggap mereka adalah mesin, kira-kira 15% orang mengangkat tangan mereka, yang jauh lebih rendah daripada 96% pakar kecerdasan buatan.
Dalam podcast saya, apabila saya berhujah menentang andaian sedemikian tentang sifat kecerdasan manusia, tetamu saya akan sering menuduh saya—secara sopan sudah tentu—memanjakan diri dalam beberapa pemikiran Ajaib, pada terasnya, anti-saintifik. "Apakah kita jika bukan mesin biologi?"
Ini adalah soalan yang adil, dan satu soalan yang penting. Kita tahu bahawa hanya ada satu perkara di alam semesta yang pintar secara universal, dan itu adalah kita. Bagaimanakah kita mempunyai kuasa besar kreatif yang begitu berkuasa? Kami benar-benar tidak tahu.
Kecerdasan ialah kuasa besar
Cuba ingat semula warna basikal pertama anda atau nama guru darjah satu anda. Mungkin anda tidak memikirkan salah satu daripada perkara ini selama bertahun-tahun, tetapi otak anda mungkin tidak mempunyai masalah untuk mendapatkannya, yang lebih penting apabila anda menganggap bahawa "data" tidak disimpan dalam otak anda seperti cakera keras mengagumkan. Malah, tiada seorang pun daripada kita tahu bagaimana ia disimpan. Kami mungkin mendapati bahawa setiap satu daripada seratus bilion neuron dalam otak anda adalah sama kompleksnya dengan superkomputer tercanggih kami.
Tetapi ini hanyalah permulaan misteri kecerdasan kita. Dari situ segalanya mula menjadi lebih rumit. Ternyata kita mempunyai sesuatu yang dipanggil kebolehan berfikir, yang terpisah dari otak itu sendiri. Keupayaan untuk berfikir adalah semua tiga paun goo dalam kepala anda boleh melakukan perkara yang tidak sepatutnya dilakukan, seperti mempunyai rasa humor atau jatuh cinta. Hati anda tidak berbuat demikian, begitu juga hati anda. Tetapi entah bagaimana, anda melakukannya.
Kami tidak pasti sama ada pemikiran adalah hasil otak sepenuhnya. Lebih daripada satu atau dua orang dilahirkan tanpa sehingga 95 peratus daripada otak mereka tetapi masih mempunyai kecerdasan normal, selalunya tidak mengetahui keadaan mereka sehingga kemudiannya menjalani ujian diagnostik. Tambahan pula, nampaknya kebanyakan kecerdasan kita tidak disimpan di dalam otak tetapi diedarkan ke seluruh badan kita.
Kecerdasan Buatan Umum: Kerumitan Kesedaran Tambahan
Walaupun kita tidak memahami otak atau minda, perkara sebenarnya menjadi lebih sukar daripada situ: Kecerdasan Am kemungkinan besar akan memerlukan kesedaran. Kesedaran adalah pengalaman anda tentang dunia. Termometer boleh memberitahu anda suhu dengan tepat, tetapi ia tidak dapat merasakan kehangatan. Perbezaan ini, perbezaan antara apa yang diketahui dan apa yang dialami, adalah kesedaran, dan terdapat sedikit sebab untuk mempercayai bahawa komputer boleh mengalami dunia lebih baik daripada kerusi.
Jadi, otak kita tidak kita fahami, fikiran kita tidak dapat kita jelaskan, dan bagi kesedaran, kita tidak mempunyai teori yang baik tentang bagaimana bahan semata-mata boleh mempunyai pengalaman. Walau bagaimanapun, walaupun ini, mereka dalam kecerdasan buatan yang percaya kepada kecerdasan buatan umum yakin bahawa kita boleh meniru semua kebolehan manusia dalam komputer. Ini bagi saya seperti hujah yang mengundang pemikiran fantastik.
Saya tidak mengatakan ini untuk memperkecilkan atau memperlekehkan kepercayaan sesiapa. Mereka mungkin betul. Saya hanya melihat idea kecerdasan buatan umum sebagai hipotesis yang tidak terbukti dan bukannya kebenaran saintifik yang jelas. Keinginan untuk membina makhluk seperti itu dan kemudian mengawalnya adalah impian kuno manusia. Pada zaman moden, ia bermula berabad-abad lamanya, mungkin bermula dengan "Frankenstein" Mary Shelley dan kemudian memanifestasikan dirinya dalam lebih daripada seribu cerita kemudian. Tetapi ia sebenarnya berjalan lebih awal daripada itu. Kami mempunyai imaginasi sebegitu jauh sebelum kami menulis, seperti kisah Talos - robot yang dicipta oleh dewa teknologi Yunani Hephaestus untuk menjaga pulau Crete.
Di suatu tempat jauh di dalam diri kita ada keinginan untuk mencipta makhluk sedemikian dan menguasai kuasanya yang mengagumkan, tetapi setakat ini tidak ada apa-apa yang harus dipertimbangkan bahawa kita sebenarnya mampu melakukannya.
Atas ialah kandungan terperinci Adakah kecerdasan buatan umum mungkin?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
