Pandangan Pakar: Kemungkinan Kepintaran Buatan Am
Salah satu cabaran mengikuti berita tentang perkembangan dalam bidang kecerdasan buatan ialah istilah "kecerdasan buatan" sering digunakan secara sembarangan untuk membawa maksud dua perkara yang tidak berkaitan.
Penggunaan pertama istilah AI lebih tepat dipanggil Narrow AI. Ia adalah teknik yang berkuasa, tetapi ia juga sangat mudah: Anda mengambil banyak data tentang masa lalu, menggunakan komputer untuk menganalisisnya dan mencari corak, dan kemudian menggunakan analisis itu untuk meramalkan masa depan. Jenis AI ini menyentuh kehidupan kita beberapa kali sehari kerana ia menapis spam daripada e-mel kami dan mengarahkan kami melalui trafik. Tetapi kerana ia dilatih pada data masa lalu, ia hanya berfungsi di mana masa depan adalah serupa dengan masa lalu. Itulah sebabnya ia boleh mengenali kucing dan bermain catur, kerana mereka tidak berubah dari hari ke hari pada tahap asas.
Satu lagi penggunaan istilah AI adalah untuk menerangkan apa yang kita panggil AI am, atau biasa dikenali sebagai AGI. Kecuali dalam fiksyen sains, ia tidak wujud, dan tiada siapa yang tahu cara membuatnya. Kecerdasan buatan am adalah program komputer yang pintar dan serba boleh seperti manusia. Ia boleh mengajar dirinya perkara baru yang tidak pernah dilatih sebelum ini.
Perbezaan antara AI sempit dan AI umum
Dalam filem, AGI ialah Data dalam "Star Trek", C-3PO dalam "Star Wars" dan Replika "Blade Runner". Walaupun nampaknya secara intuitif bahawa AI sempit adalah perkara yang sama dengan AI umum, hanya pelaksanaan yang kurang matang dan kompleks, ini tidak berlaku. AI umum adalah berbeza. Sebagai contoh, mengenal pasti spam tidak menyamakan secara pengiraan dengan kreativiti sebenar, sesuatu yang boleh dilakukan oleh kecerdasan am.
Saya pernah menganjurkan podcast tentang kecerdasan buatan yang dipanggil "Suara dalam Kepintaran Buatan." Ia menarik kerana kebanyakan pengamal sains yang hebat mudah didekati dan bersedia untuk berada di podcast. Jadi saya berakhir dengan lebih 100 pemikir AI yang hebat mengadakan perbincangan mendalam mengenai topik ini. Terdapat dua soalan yang saya ajukan kepada kebanyakan tetamu. Soalan pertama ialah, "Adakah kecerdasan buatan umum mungkin?" Hampir semua orang—dengan hanya empat pengecualian—mengatakan ia mungkin. Kemudian saya bertanya kepada mereka bila kita boleh membinanya. Jawapannya berbeza-beza, ada yang tersedia dalam tempoh lima tahun, dan ada yang selama 500 tahun.
Mengapa ini?
Mengapa hampir semua tetamu mengatakan bahawa kecerdasan buatan umum adalah mungkin, tetapi memberikan anggaran yang luas tentang bila kita akan mencapainya. Jawapan kepada soalan ini ialah Kembali ke sesuatu yang saya katakan sebelum ini: kami tidak tahu cara membina kecerdasan am, jadi tekaan anda sama baiknya dengan orang lain.
"Tetapi tunggu! Anda mungkin berkata demikian "Jika kami tidak tahu cara melakukannya, mengapa pakar sangat bersetuju bahawa ia mungkin juga?" jawapan yang sama. Mereka percaya bahawa kita akan membina mesin yang benar-benar pintar, yang berdasarkan kepercayaan teras: kerana kita adalah mesin, penaakulan adalah seperti ini, dan kita mempunyai kecerdasan sejagat, pembuatan mempunyai mesin pintar sejagat 🎜>
Manusia dan mesinApa yang pasti ialah jika orang adalah mesin, maka pakar -pakar itu betul: kecerdasan umum tidak hanya mungkin, tetapi tidak mungkin. adalah lebih daripada mesin, terdapat perkara tentang orang yang mungkin tidak boleh ditiru dalam silikon Menariknya, perbezaan antara ratusan pakar AI ini dan orang lain Putuskan sambungan topik dan tanya mereka yang menganggap mereka adalah mesin, kira-kira 15% orang mengangkat tangan selepas itu, berbanding 96% pakar AI pada podcast saya , apabila saya menyangkal andaian ini tentang sifat kecerdasan manusia, tetamu saya biasanya menuduh saya —sangat sopan, sudah tentu—memanjakan diri dalam beberapa jenis pemikiran ajaib anti-sains pada terasnya: “Jika bukan kerana mesin biologi, kita akan jadi apa lagi?” Ini a soalan yang adil dan penting. Kita hanya tahu satu perkara di alam semesta dengan kecerdasan biasa, dan itulah kita yang boleh mempunyai kreativiti yang begitu hebat? > Cuba ingat warna basikal pertama anda atau nama guru darjah satu anda Mungkin anda tidak memikirkan mana-mana perkara itu selama bertahun-tahun, tetapi otak anda mungkin akan dapat memulihkannya dengan sedikit usaha lebih mengagumkan apabila anda menganggap bahawa "data" tidak disimpan dalam otak anda seperti pada cakera keras Malah, kami tidak tahu bagaimana ia disimpan. Kami mungkin mendapati bahawa setiap satu daripada seratus bilion neuron otak anda sama kompleksnya dengan superkomputer tercanggih kami. Di situlah rahsia kecerdasan kami menjadi lebih rumit humor atau jatuh cinta, nampaknya ia bukan perkara yang sepatutnya dilakukan oleh hati anda, dan juga hati anda, tetapi entah bagaimana anda melakukannya.
Kami pun tidak pasti bahawa minda hanyalah hasil daripada otak. Ramai orang kehilangan sehingga 95 peratus otak mereka semasa lahir tetapi masih mempunyai kecerdasan normal dan sering tidak mengetahui keadaan mereka sehingga ujian diagnostik di kemudian hari. Tambahan pula, nampaknya kebanyakan kecerdasan kita tidak disimpan di dalam otak kita tetapi diedarkan ke seluruh badan kita.
Kecerdasan Buatan Umum: Kerumitan Kesedaran
Walaupun kita tidak memahami otak atau minda, ia sebenarnya menjadi lebih sukar dari situ: kecerdasan am berkemungkinan memerlukan kesedaran. Kesedaran adalah pengalaman anda tentang dunia. Termometer boleh memberitahu anda suhu dengan tepat, tetapi ia tidak terasa panas. Perbezaan antara mengetahui dan mengalami adalah kesedaran, dan kami mempunyai sedikit sebab untuk mempercayai bahawa komputer boleh mengalami dunia seperti kerusi.
Jadi sekarang kita mempunyai otak yang tidak dapat kita fahami, minda yang tidak dapat kita jelaskan, dan mengenai kesedaran, kita tidak mempunyai teori yang baik untuk menerangkan bagaimana perkara semata-mata boleh ada. satu pengalaman. Walaupun begitu, bagaimanapun, penyokong AI AGI percaya bahawa kita boleh meniru semua kebolehan manusia dalam komputer. Ini kelihatan seperti pemikiran ajaib kepada saya.
Saya tidak mengatakan ini untuk memperkecilkan kepercayaan sesiapa. Mereka mungkin betul. Saya hanya fikir idea kecerdasan buatan am adalah hipotesis yang tidak terbukti dan bukannya kebenaran saintifik yang jelas. Membina makhluk seperti itu dan kemudian mengawal keinginannya adalah impian kuno manusia. Pada zaman moden, ia telah wujud selama berabad-abad, mungkin bermula dengan Frankenstein karya Mary Shelley dan kemudian memanifestasikan dirinya dalam 1,000 cerita yang diikuti. Tetapi ia sebenarnya jauh lebih tua daripada itu. Kami telah membayangkan ini sejauh yang kami ada menulis, seperti kisah Talos, robot yang dicipta oleh Hephaestus, dewa teknologi Yunani, untuk mempertahankan pulau Crete.
Suatu tempat jauh di dalam diri kita teringin untuk mencipta makhluk ini dan mengawal kuasa hebatnya, tetapi setakat ini tiada tanda yang kita benar-benar boleh.
Atas ialah kandungan terperinci Pandangan Pakar: Kemungkinan Kepintaran Buatan Am. 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

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

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 |. 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 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
