人工智能的利与弊作文开头
。
人工智慧从字面上看就是人造的智慧,但是实际上涵盖了不少部分,大家最关心的实际上是人工自主意识,因为网络和电脑已经完成了知识的检索和存储,几大搜索引擎也完成了关键字-关联解释的功能和海量数据积累,而且大多数机器人厂商已经完成了反应机,自适应等等高级功能,但是还是没有能出现通过图灵测试的人工自主意识,当然这也包含了人类对自身意识的研究并没有上升到更透彻的层面。
现在应该是有两大派,也许还有更多分支,其实就是一个问题的是否两面性回答:自主意识是否是自主产生,还是人工赋予?
如果是自主产生,那么就面临一个严重的认知性障碍,只有神经系统复杂到一定程度,且在大尺度上的相似性高度保持一致,那么个体自然产生的意识才会具备相似神经网络个体的认同和感知,简单说,以人类神经网络构成分布,和社会化训练的过程复制产生的个体自然产生的意识,才能被人类所认同和感知到。
所以很可能网络上自动机和各种设备产生的不知名网络现象,有可能是互联网自主意识的初级阶段,但是无法被人类类型的智慧个体感知,而是被当做不知名故障进行处理,多数无解,可以称为Ghost-In-The-Machine。
也就是说,当人造神经网络复杂到一定程度,意识只不过是诸多需求反馈链交错所致。
人工赋予的意识很可能在初期会表现出来类似创造者的行为而获得相当认同,但是一样会面临要么会被超过或少于神经反馈网络数据量导致的过载或饥荒,进而导致意识的消亡。
或者当刚好适合的神经网络加入了适当的意识,很可能会在一段时间内因为个体对群体交流的渴望而失去意识。
人工智战胜围棋高手们 作文立意
近日,人工智能又一次成为媒体和公众关注的焦点:谷歌旗下一家公司研制出的人工智能程序“阿尔法围棋”(AlphaGo)在比赛中5:0完胜欧洲职业围棋冠军樊麾二段,在这种复杂度最高的棋类游戏上,人工智能显示出有望超越人类顶尖高手的“智力”。
今年3月,AlphaGo将挑战世界冠军李世石九段。1997年,IBM开发的计算机程序“更深的蓝”在六局棋比赛中,击败国际象棋棋王卡斯帕罗夫,成为载入史册的人工智能突破。
然而,围棋的复杂度远远高于国际象棋,前者最多有10的约170次方种局面,后者的最多局面仅为10的约47次方种。近年来,人工智能有了什么发展,才有底气与职业围棋选手一较高下?它能否击败围棋世界冠军?
如果击败,意味着什么?对于这些问题,专家给予了解答。
深度学习“消化”2000万局棋复旦大学哲学学院教授、人工智能哲学专家徐英瑾介绍,传统的计算机下棋程序的基本原理,是有限步数的搜索树,即采用数学和逻辑推理方法,把每一种可能的路径都走一遍,从中选出最优解。
显然,这种下棋思考方法是人类无法做到的,发挥了计算机速度快、运算量大的优势。不过,这种“暴力算法”并不适用于围棋。
据计算,围棋每回合有250种可能,一盘棋可长达150回合,所以围棋最多有10的170次方种局面。即便对计算机而言,这个运算量也是相当大的。
除了复杂度高,围棋还有一大特点——黑白两方棋的每个棋子是一样的,没有大小之分、角色之别。
这给计算机程序的运算推理带来了很大难度,因为从哲学上看,围棋具有“语境敏感性”,不太适合逻辑推理;而棋子各不相同的中国象棋、国际象棋具有“超语境性”,每个棋子角色明确,不因棋局的变化而改变,非常适合逻辑推理,这正是计算机的强项。
近年来,不同于搜索树的深度学习技术逐渐成熟,给围棋程序的研发带来了突破。深度学习源于人工神经网络,其模仿对象是人脑。研究表明,人脑由约10的11次方个神经元构成,神经元细胞的外表有很多突起。
其中,比较短的放射性突起叫“树突”,外形似树枝分叉,具有接受刺激并将冲动传入细胞体的功能。而要把信息向其他神经元输送,就得依靠“轴突”。
人工神经网络从信息处理角度对人脑神经元网络进行了抽象和模拟,建立运算模型。这种网络由大量模拟神经元的节点相互连接构成,每个节点代表一种特定的输出函数,称为激励函数。
每两个节点间的连接,都代表一个对于通过该连接信号的权重值,形成人工神经网络的记忆。网络的输出则根据连接方式、权重值和激励函数的不同而不同。“深度学习系统是人工神经网络的升级版。
”徐英瑾解释说,这种系统由输入层、中间层和输出层构成,其中,中间层由多层人工神经网络构成,可多达七八十层,故名为“深度学习”。每增加一层,就意味着增加了一个人工智能分析维度。
当人把某种大数据样本输入系统后,这种系统即可进行学习,掌握样本中蕴含的规律。为了让Al-phaGo具有一流的围棋水平,谷歌科研人员输入了2000万局棋谱。
假如一个人要学习2000万局棋,每局棋耗时15分钟,他需要一刻不停地下570年!
深度神经网络目前有哪些成功的应用
深度学习最成功的应用是在音视频的识别上,几乎所有