约200家报纸联手起诉谷歌和Facebook操纵广告市场
06-21
什么是强人工智能（strong AI）？简单来说，就是类似于人脑的智能。
它可以独立地理解世界并学习知识，而不需要人类预先建立其感知和实践的模型（像当前的深度神经网络和比它弱的程序有数千种）。
强人工智能是人工智能的终极形态。
有很多人相信它能给人类带来福祉和灾难。
不过，大家普遍认为，在超级算力的加持下，强人工智能的进步会更快。
远比人类快，将对人类社会产生深远影响。
但强人工智能还要多久才能出现呢？对于这个问题的看法五花八门，少则5年，多则20年，甚至有人认为它永远不会出现。
我们在Qurora上挑选了一些关于这个问题很有价值的讨论供大家参考。
计算设备（包括计算机等）的计算能力呈指数级增长。
Paul King 是一位计算神经科学家和数据科学家，曾在《医学日报》、《福布斯》等多家杂志上发表文章。
他表示，目前强人工智能面临的最大障碍恰恰是自我建模的能力（这种能力称为结构学习）。
他的回答是这样的：强人工智能似乎确实可行，但这需要一些时间。
现阶段的主要技术障碍是人们对“结构学习”的理解不够深入，特别是它涉及到对世界进行建模和指导行动。
机器学习在“参数学习”方面做得很好。
当人类设计师对问题进行建模时，机器学习可以准确地自我调整参数。
但模型到底是如何构建的呢？这就是“结构学习”：让机器自己猜测模型的最优结构，并在测量数据与模型不匹配时修正模型。
例如，构成物理环境的模型中最基本的单元应该是什么？常见的物体包括人、树、汽车和凳子。
但是，如果没有人预先编程，人工智能如何知道这些东西的含义呢？这是最基本的例子。
人脑天生就有能力对这些物体的存在给出准确的理解和定义。
结构学习也可以应用于行为指导，因为作为人们对世界进行交流和“思考”的结果，与环境的交互也必须基于可以变形、合并和分割的可扩展元素。
一个值得思考的问题是：我们能否利用现有的计算机算法来解决这个问题，还是必须对我们的大脑进行彻底的逆向工程研究，然后根据得到的结果重新设计计算架构和模型？去做这个。
现有深度神经网络架构 Robert Stone 是一位在认知科学和计算机系统领域拥有超过 35 年经验的研究员。
他并没有在技术细节上解释强人工智能的问题，而是给出了一个非常有说服力的推论：其实我们的大脑在某种程度上是一个计算能力没有那么强的强人工智能，所以因为我们的大脑已经存在了，所以在机器中制造类似东西的可行性一定存在。
他还认为，其实人类现在对于强人工智能已经没有那么迫切了，人类和弱人工智能的协作已经很好了。
强人工智能是可以实现的，但是非常非常困难。
智能的产生是一个非常复杂的过程，包括很多小事件，其中一些非常复杂，在工程上很难实现。
建造这样的东西并不是一件简单的事情。
但强人工智能实际上已经在自然界中进化了，我们最终肯定能够在机器上实现它。
值得注意的是，人类并不是严格意义上的思考机器——我们经常犯错误——但在这些不完美的机器的帮助下，我们可以做得很好。
这意味着，如果我们只是想把某件事做好，让某件事充分发挥它的作用，我们根本不需要构建一个完美的AI。
我们只需要让系统进行试验，以便它能够自我改进并在犯错误或不够好时识别出来。
这样做在理论上变得更加可行，但实施起来仍然需要付出很大的努力。
我还注意到，人类面临着一个不确定的、不精确的宇宙，在这个宇宙中，一切都无法被准确预测（量子力学认为，不被观察者观察到的物体的状态永远不会被确定，而是会以各种可能的叠加形式存在。
在不同的状态），但在某种程度上，我们是强人工智能。
所以如果你问我，强人工智能是可能的。
如果不可能，人类就不会是现在这个样子。
我们可能还在树上荡来荡去。
深度神经网络的神经元模型 但也有相对冷静，或者说悲观的理论：从事软件开发十余年的软件工程师Orange Monkeybat认为，即使强人工智能能够实现，也还很遥远远离我们，因为在人们的理解中，当你不理解某件事时，你总是低估了实现它的难度。
我只是一个普通的工程师，已经开发了快18年的软件了，但我认为我在工作中发现的一些规则实际上可以完美地应用于你的问题。
首先，关于技术和技术开发人员的一些公理：（1）当一个问题涉及到一个很难理解的技术挑战时，人们对解决它所需的时间的估计往往会小于实际所需的时间。
而且，做出这个估计的时间越长，它往往就越错误。
（在几个典型例子中，人们甚至低估了解决问题的时间几个数量级）（2）工程师、程序员、科学家和其他技术研究人员聚集在一起时总会对自己产生负面印象。
对团队的能力过于乐观。
（原因有多种，但一般来说大家都会认为自己是一个非常聪明的团队——这种判断往往偏高） （3）因为（2）中描述的原因，很多技术工作者会想到一些问题很简单，直到他们需要解决问题，或者甚至直到他们付出很多努力来解决问题之前，他们都没有意识到他们有问题。
由于这些公理的存在以及大多数人，尤其是那些经常陷入各种“确认错误”的聪明人的表现，我觉得我们暂时不要相信铺天盖地的关于AI的宣传。
强人工智能是可能的。
我们有思想，有自我意识，所以我相信我们可以创造出这样的东西。
但我也相信P/NP问题（克莱数学研究所尚未解决的七个千年奖问题之一）是可以解决的。
我的意思是，无论是 P=NP 还是 P！ =NP，我们没有理由永远找不到问题的答案，只是我们还没有找到而已。
我的假设是，我们将比解决强人工智能问题更早地解决 P/NP 问题。
我为什么这么说呢？因为至少在P/NP问题上，我们仍然可以清楚地知道哪些条件是我们知道的，哪些是不知道的，而我们对AI的理解却要混乱得多。
除非有一天我们对AI的理解像我们今天对P/NP问题的理解一样清晰，否则只能证明我们在这个问题上根本没有取得多大进展。
我们其实还不太明白“学习”的含义。
我们知道深度神经网络具有一定程度的“学习”能力，但对于哺乳动物所体现的学习能力，我们实际上几乎一无所知。
仅仅因为我们现在甚至不知道强人工智能“我们不知道的是什么”，很多人认为我们已经非常接近强人工智能了。
但如果我们弄清楚有多少事情我们自以为知道但实际上并不知道，我们的估计就会更加可靠。
比如P/NP问题，我们越研究越觉得距离解决这个问题还很远。
强人工智能也可能会发生同样的事情。
不要误会我的意思，我是强人工智能的坚定支持者。
但当你看看我们真正了解的东西时，你就会明白我们距离强大的人工智能（或者奇点的到来）还很遥远。
我认为，即使考虑到技术的指数级增长。
人脑是大自然最惊人的成就之一。
或许我们真的需要等到能够对大脑进行完全逆向工程的那一天，我们才有条件构建强大的人工智能。
至少正如工程师 Monkeybat 所说，我们必须首先知道我们不知道什么。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-17
06-17
06-17
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态