专家视点:通用人工智能的可能性
关注人工智能领域发展新闻的挑战之一是,“人工智能”一词经常被不加区别地用来表示两个不相关的事物。
术语 AI 的第一次使用更准确地称为狭义 AI。它是一项强大的技术,但也非常简单明了:您获取一堆关于过去的数据,使用计算机对其进行分析并找到模式,然后使用该分析来预测未来。这种类型的人工智能每天都会多次触及我们的生活,因为它会从我们的电子邮件中过滤垃圾邮件并通过流量引导我们。但是因为它是用过去的数据训练的,所以它只适用于未来与过去相似的地方。这就是它可以识别猫和下棋的原因,因为它们在基本层面上不会每天发生变化。
术语AI的另一个用途是描述我们所谓的通用AI,或通常称为AGI。除了在科幻小说中,它还不存在,而且没有人知道如何制造它。通用人工智能是一种像人类一样智能多样的计算机程序。它可以自学之前从未接受过训练的全新事物。
狭义AI和通用AI的区别
在电影中,AGI 是《星际迷航》中的数据、《星球大战》中的 C-3PO 和《银翼杀手》中的复制人。虽然从直觉上看,狭义 AI 与一般 AI 是同一类东西,只是一种不太成熟和复杂的实现,但事实并非如此。通用 AI 有所不同。例如,识别垃圾邮件在计算上并不等同于真正的创造性,而通用智能则可以做到这一点。
我曾经主持过一个关于人工智能的播客,叫做“人工智能中的声音”。这很有趣,因为大多数伟大的科学实践者都是平易近人的,也愿意上播客。因此,我最终得到了超过100位伟大的AI思考者对这个话题的深入讨论。有两个问题我会问大多数客人。第一个问题是,“通用人工智能可能吗?”几乎所有人——只有四个例外——都说有可能。然后我会问他们我们什么时候能造出来。这些答案五花八门,有的五年就有了,有的长达500年。
为什么会这样?
为什么几乎所有的客人都说通用人工智能是可能的,但却提供了如此广泛的估计,我们将何时实现?这个问题的答案要回到我之前说过的一句话:我们不知道如何构建通用智能,所以你的猜测和其他人的一样好。
“但等等!你可能会这么说。“如果我们不知道如何制造,为什么专家们压倒性地同意这是可能的?”我也会问他们这个问题,而我通常得到的是相同答案的不同版本。他们相信我们会造出真正智能的机器,这是基于一个核心信念:人是智能机器。因为我们是机器,推理是这样的,并且拥有通用的智能,制造具有通用智能的机器一定是可能的。
人与机器
可以肯定的是,如果人是机器,那么那些专家是对的:通用智能不仅是可能的,而且是不可避免的。然而,如果事实证明人不仅仅是机器,那么人的某些东西可能无法在硅中复制。
有趣的是,这数百名 AI 专家与其他所有人之间的脱节。当我就这个话题向普通观众发表演讲并问他们谁认为自己是机器时,大约之后 15% 的人举手,而 AI 专家却高达96%。
在我的播客上,当我反驳这种关于人类智能本质的假设时,我的客人通常会指责我——当然是非常礼貌的——沉迷于某种以反科学为核心的神奇思维。“如果不是生物机器,我们还能成为什么?”
这是一个公平且重要的问题。我们只知道宇宙中具有一般智力的一件事,那就是我们。我们怎么会碰巧拥有如此强大的创造力?我们真的不知道。
智慧是一种超级力量
试着回忆你第一辆自行车的颜色或者你一年级老师的名字。也许你已经多年没有想过这两件事了,但你的大脑可能不费什么力气就能把它们找回来,当你考虑到“数据”不像存储在硬盘上那样存储在你的大脑里时,这就更令人印象深刻了。事实上,我们不知道它是如何储存的。我们可能会发现,你大脑中的一千亿个神经元中的每一个都像我们最先进的超级计算机一样复杂。
但这正是我们智慧的奥秘所在。从那以后就变得更棘手了。事实证明,我们有一种叫做心灵的东西,它与大脑不同。头脑是你脑子里的三磅粘稠物能做的一切,就像拥有幽默感或坠入爱河,这似乎是它不应该做的。你的心脏不会,肝脏也不会。但不知怎么的,你做到了。
我们甚至不确定心智只是大脑的产物。很多人在出生时就失去了高达 95% 的大脑,但仍然拥有正常的智力,而且往往直到晚年进行诊断检查时才知道自己的状况。此外,我们似乎有很多智能没有储存在我们的大脑中,而是分布在我们的全身。
通用人工智能:意识的复杂性
尽管我们不了解大脑或思想,但实际上从那里开始就变得更加困难:一般的智力很可能需要意识。意识是你对世界的体验。温度计可以准确地告诉你温度,但它感觉不到温暖。知道和体验的区别,就是意识,我们几乎没有理由相信电脑能像椅子一样体验世界。
所以现在我们有了我们无法理解的大脑,无法解释的心灵,至于意识,我们甚至没有一个好的理论来解释仅仅是物质如何可能有一种体验。然而,尽管如此,相信通用人工智能的人工智能人士相信,我们可以在计算机中复制人类的所有能力。在我看来,这似乎是一种魔幻思维。
我这样说并不是轻视任何人的信仰。他们很可能是正确的。我只是认为通用人工智能的想法是一个未经证实的假设,而不是一个明显的科学真理。建造这样一个生物,然后控制它的欲望,是人类古老的梦想。在现代,它已经有几个世纪的历史了,也许始于玛丽·雪莱的《弗兰肯斯坦》,然后体现在后来的1000个故事中。但实际上它比那要古老得多。早在我们有文字的时候,我们就有这样的想象,比如塔洛斯的故事,一个由希腊科技之神赫菲斯托斯创造的机器人,以保卫克里特岛。
我们内心深处的某个地方渴望创造这种生物并控制其强大的力量,但到目前为止,还没有任何迹象表明我们确实可以。
以上是专家视点:通用人工智能的可能性的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

本站6月27日消息,剪映是由字节跳动旗下脸萌科技开发的一款视频剪辑软件,依托于抖音平台且基本面向该平台用户制作短视频内容,并兼容iOS、安卓、Windows、MacOS等操作系统。剪映官方宣布会员体系升级,推出全新SVIP,包含多种AI黑科技,例如智能翻译、智能划重点、智能包装、数字人合成等。价格方面,剪映SVIP月费79元,年费599元(本站注:折合每月49.9元),连续包月则为59元每月,连续包年为499元每年(折合每月41.6元)。此外,剪映官方还表示,为提升用户体验,向已订阅了原版VIP

通过将检索增强生成和语义记忆纳入AI编码助手,提升开发人员的生产力、效率和准确性。译自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。虽然基本AI编程助手自然有帮助,但由于依赖对软件语言和编写软件最常见模式的总体理解,因此常常无法提供最相关和正确的代码建议。这些编码助手生成的代码适合解决他们负责解决的问题,但通常不符合各个团队的编码标准、惯例和风格。这通常会导致需要修改或完善其建议,以便将代码接受到应

大型语言模型(LLM)是在巨大的文本数据库上训练的,在那里它们获得了大量的实际知识。这些知识嵌入到它们的参数中,然后可以在需要时使用。这些模型的知识在训练结束时被“具体化”。在预训练结束时,模型实际上停止学习。对模型进行对齐或进行指令调优,让模型学习如何充分利用这些知识,以及如何更自然地响应用户的问题。但是有时模型知识是不够的,尽管模型可以通过RAG访问外部内容,但通过微调使用模型适应新的领域被认为是有益的。这种微调是使用人工标注者或其他llm创建的输入进行的,模型会遇到额外的实际知识并将其整合

想了解更多AIGC的内容,请访问:51CTOAI.x社区https://www.51cto.com/aigc/译者|晶颜审校|重楼不同于互联网上随处可见的传统问题库,这些问题需要跳出常规思维。大语言模型(LLM)在数据科学、生成式人工智能(GenAI)和人工智能领域越来越重要。这些复杂的算法提升了人类的技能,并在诸多行业中推动了效率和创新性的提升,成为企业保持竞争力的关键。LLM的应用范围非常广泛,它可以用于自然语言处理、文本生成、语音识别和推荐系统等领域。通过学习大量的数据,LLM能够生成文本

编辑|ScienceAI问答(QA)数据集在推动自然语言处理(NLP)研究发挥着至关重要的作用。高质量QA数据集不仅可以用于微调模型,也可以有效评估大语言模型(LLM)的能力,尤其是针对科学知识的理解和推理能力。尽管当前已有许多科学QA数据集,涵盖了医学、化学、生物等领域,但这些数据集仍存在一些不足。其一,数据形式较为单一,大多数为多项选择题(multiple-choicequestions),它们易于进行评估,但限制了模型的答案选择范围,无法充分测试模型的科学问题解答能力。相比之下,开放式问答

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

编辑|KX在药物研发领域,准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而,目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此,来自厦门大学的研究人员提出了一种新颖的多模态特征提取(MFE)框架,该框架首次结合了蛋白质表面、3D结构和序列的信息,并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明,该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外,消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「S

本站7月5日消息,格芯(GlobalFoundries)于今年7月1日发布新闻稿,宣布收购泰戈尔科技(TagoreTechnology)的功率氮化镓(GaN)技术及知识产权组合,希望在汽车、物联网和人工智能数据中心应用领域探索更高的效率和更好的性能。随着生成式人工智能(GenerativeAI)等技术在数字世界的不断发展,氮化镓(GaN)已成为可持续高效电源管理(尤其是在数据中心)的关键解决方案。本站援引官方公告内容,在本次收购过程中,泰戈尔科技公司工程师团队将加入格芯,进一步开发氮化镓技术。G
