


Kecerdasan buatan dengan berani meramalkan: terdapat sekurang-kurangnya 20,000 bumi dan 36 tamadun asing di galaksi
Para saintis Britain baru-baru ini percaya bahawa terdapat sekurang-kurangnya 36 tamadun asing di Bima Sakti Bagaimanakah mereka mencapai nombor ini, yang termasuk sifar dan integer?
Jawapannya ialah algoritma kecerdasan buatan Mereka telah mereka model dan algoritma yang unik untuk meramalkan bilangan tamadun asing di Bima Sakti Model ini mempunyai beberapa kuantiti fizikal, kebergantungan antara daya dan kitaran hidup benda angkasa, seperti. sebagai sistem suria Pembentukan dan kematian bintang di Bima Sakti.
Menggunakan algoritma ini, apabila diameter Bima Sakti sekurang-kurangnya 100,000 tahun cahaya dan mengandungi sekurang-kurangnya 100 bilion bintang, terdapat sekurang-kurangnya 20,000 planet seperti Bumi dalam zon boleh dihuni, Dan seluruh alam semesta mempunyai kira-kira 3,000 Di sana adalah berbilion planet serupa dengan Bumi Berdasarkan 20,000 Bumi di Bima Sakti, saintis juga telah mengambil kira faktor air cecair dan medan magnet, kerana dengannya kehidupan berasaskan karbon boleh berkembang dengan lancar sehingga tamadun muncul.
Pada ketika ini sudah tiba masanya untuk mentakrifkan tamadun dan kecerdasan Memandangkan manusia tidak dapat menemui tamadun asing yang masih dalam Zaman Batu, kecerdasan di sini merujuk kepada tamadun asing yang boleh berkomunikasi dengan manusia atau boleh ditemui oleh manusia.
Setelah menjelaskan definisi ini, memandangkan sejarah evolusi kehidupan di bumi adalah sepanjang 38 tahun dan sejarah tamadun manusia berusia 10,000 tahun, ahli astronomi percaya bahawa tamadun asing mesti berkembang sekurang-kurangnya 100 tahun lagi pada tahap teknologi semasa kita. Ia akan mengambil masa tahun untuk ditemui oleh tamadun manusia, yang bermaksud bahawa 36 tamadun asing di Bima Sakti ini sekurang-kurangnya 100 tahun lebih maju daripada manusia.
Jika anda fikir 100 tahun tidak begitu lama, fikirkan bagaimana keadaan 100 tahun dahulu, elektrifikasi masih belum popular, apatah lagi satelit dan Internet Oleh itu, saintis percaya bahawa makhluk asing adalah 100 tahun di hadapan manusia tamadun pada peringkat ini Kekuatan sains dan teknologi tamadun bintang mungkin 200 atau 300 tahun lebih awal daripada manusia, kerana letupan teknologi bukan sahaja berlaku di bumi.
Apabila semua definisi di atas dipermudahkan menjadi parameter dan input ke dalam komputer, saintis akhirnya percaya bahawa perlu ada 30 hingga 36 tamadun pintar di galaksi kita.
Hasil ini juga diterbitkan dalam The Astrophysical Journal, yang mencetuskan saintis lain dan peminat fiksyen sains untuk memikirkan bagaimana untuk menghubungi lebih lanjut berpuluh-puluh tamadun asing ini?
Pertama sekali, komputer menunjukkan bahawa jarak purata 36 tamadun asing ini adalah 17,000 tahun cahaya dari bumi Ini bermakna jika kita menghubungi mereka sekarang, ia akan mengambil masa 17,000 tahun untuk mereka menerima dan membalas kepada manusia Ia mengambil masa 34,000 tahun untuk kembali , masa yang begitu lama sudah cukup untuk tamadun manusia meninggalkan sistem suria atau Bima Sakti.
Tetingkap masa yang sama, jika tidak, ia akan terlepas kerana kuasa pemancar yang tidak mencukupi atau sensitiviti penerimaan yang tidak mencukupi.
Secara keseluruhan
Sama ada 36 tamadun asing atau 360 tamadun asing di Bima Sakti, ia tidak ada kaitan dengan tamadun manusia semasa Melainkan tamadun asing ini tiba-tiba melompat ke sekitar bumi dalam detik berikutnya, mereka tidak akan ditemui dalam kita. Bagi kewujudan mereka, satu-satunya yang mempunyai peluang sebenar untuk menemui makhluk asing pada masa hadapan ialah pengembara angkasa lepas selepas tamadun manusia memasuki Zaman Penerokaan.
Atas ialah kandungan terperinci Kecerdasan buatan dengan berani meramalkan: terdapat sekurang-kurangnya 20,000 bumi dan 36 tamadun asing di galaksi. 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
