不需要万精油式ChatGpt，我们需要像钱学森式大师级的人工智能

ChatGpt是一款狡猾的软件，外交官式地对话。

大家想想外交官，在回答问题时，总是趋向于冷静、全面、完美，避免出现严重漏洞。

ChatGpt呈现给我们的，就像是外交官似的回答。

 

ChatGpt用于学习、娱乐没有问题，但要让它创新、创造目前还不可能。

我们不跟风，需要树立独树一帜的战略眼光。

 

最早起源于美国计算科学家约翰．麦卡锡，他在1956年提出人工智能是指创造具有智能的机器，特别是智能计算机程序的科学和工程。

不过，人工智能的定义并未定型，不同的研究人员对其认知各不同。

 

目前人工智能已经发展到第三代，使用的核心技术是2000年后开发的。

我们身边的实用案例有：美国苹果公司的语音助手 Siri ,亚马逊的语音助手 Alexa ,iRobot公司的扫地机器人 Roomba 等等。

使用的时候，比如：呼叫“Alexa ”，系统就会立刻启动；比如发出“导航去某地”或"关电视"等指令，系统会马上做出反应并执行指令。

 

这种通过设计程序让机器模拟人类学习的过程统称“机器学习”。

根据应用情况，机器学习又分为监督学习、非监督学习和强化学习。

 

监督学习是指根据事先给出的范例和标签让机器学习得出正确答案，可以用它对大数据进行高精度的预测和分类。

目前，已经应用在天气预报、图像识别等社会生活的许多领域。

 

非督学习则没有标签，需要从众多数据中找出具有“相似特征”的目标，并对它们进行分门别类，主要用在客层分析（锁定客户群）等方面。

强化学习则是通过在特定环境中不断试验和纠错找出最佳行动方案，常用于游戏软件设计。

 

2012年，默克公司数据竞赛的获胜团队使用的深度学习也是机器学习的一种。

其特点是模拟人类脑神经（神经细胞）网络进行信息处理，在图像、文字、语音识别方面有出色表现，可以说是当前人工智能的核心技术。

 

人脑神经元的结构非常独特，由一个大的胞体、延伸出的细长轴突以及突触（信息传输的突起）组成。

细胞体上有许多刺状结构的“树突”，它是接收其他神经元传来信号的入口，接收到的信号不断积累，超过一定阈值引起神经元兴奋，然后通过突触将信号传递给下一个神经元。

人脑内有超过1000亿个这样的神经元，它们之间相互作用形成一个分工明确的信息处理系统。

 

深度学习使用的人工神经网络，可以看成是一个模拟人脑神经网络的数学模型。

就像神经元是构成人类神经网络的基本单位一样，人工神经网络也由大量人工神经元构成。

信息不断传递到人工神经元，累积到一定程度后传给下一个人工神经元，无数个人工神经元连接起来形成一个神经网络。

 

人工神经网络中负责信息输入的叫"输入层"，接收到信息传递给下一个人工神经元的叫“中间层”（或隐藏层），负责信息输出的称为“输出层”。

输入到输出之间的层数越多，机器学习的能力越强。

人工神经元之间的关联的强弱（权重）取决于学习内容。

开始学习前，权重是随机设置的，随着不断重复学习，权重变得更优化，这点和人脑很相似。

 

人工智能的发展可谓日新月异，技术多样性方面的各种挑战同样令人瞩目。

 

人工神经网络有很多类型，应用场景不同，学习内容不同从而选择不同。

我们缺什么，就专攻某领域的顶尖人工智能专家。

 

目前，我国很多关键技术被卡脖子。对于顶尖关键技术的研发，具有高风险、高投入、周期长等特点。

我们亟待需要解决在某个领域专精的人工智能技术，解决我们技术的短板，缩短技术差距。

我们不需要万金油式的人工智能而哗众取宠，我们需要像钱学森式顶尖专一的强大人工智能。我们拭目以待。