| 首先，我觉得建立在计算机上的人工智能，很难达到人类的思考水平，因为他们压根就不属于相同的理论结构体系。想通过算法的数据与优化原理去探索生物细胞构成的庞大的混沌体系，感觉不是一个存在的解。所有计算机能模拟出来的前提是我们对那些东西已经了如指掌，本就彻底知晓构造的理论，所以当计算机能够达到智能水平的时候，我觉得那水平一定比人类的智能强很多，人类智能相对于他来说，只是一个子集，那个时候也许不屑于模仿，因为早已超过。
其次，从进化角度讲，生物行为与神经系统有着密切联系，神经是行为的信号系统，行为是神经的根本目的。人脑由800多亿个神经元组成，神经元的运作机理并不复杂，但巨量神经元按某种规则组合后却能产生高智能，量变产生质变，也许人工智能也必须要达到某种“数量”才能够真正变得跟人一样智能吧。其实我觉得AI研究一直缺乏动机，我们研究AI到底要解决怎样的一个问题，大家都没有统一的答案，自然也就没有正确的答案。
我觉得下一步，应该建立不同规模专有交流网络，让不同机器共同学习，达成一定的共识，模式就像学校一样，但师生关系并不固定。感觉传统深度学习像把婴儿放在一个特定环境中，通过与环境的互动来培养应激反应，但应激反应毕竟不是知识；而符号AI的加持类似于让孩子上学，教给很多先验知识，其大脑结构又能根据现有知识来理解更多知识。
但问题是很多人类的符号和智能源于感觉和欲望，比如痛觉，食欲。如果不能把一切都关联起来，这系统树就是个无皮的死树。所谓符号是行为的一个特殊子域，记忆是行为的一个后演功能，以产生复杂行为。记忆的大部分是不可描述的，可描述记忆是很小的一部分。符号主义的作用域，不超过可描述的记忆范畴。猴子没有语言符号，更没文字符号，难道它没智能吗？人与猴子的差别无非是大脑皮层细胞规模的区别。
所以，现在的深度学习，如果有无限多的训练数据，无限的算力，实际上是可能达到强人工智能的。但是很遗憾这是一个随着知识的复杂度指数增长的过程。而符号主义的本质在于overfitting，用一个100%的概率剪枝掉大多数不必要学习的情况，是一种优化思路。盲目地用符号去贴近人的思考过程是一种非常肤浅的做法，和现行的AI没有本质上的区别。如果不能让AI学会什么时候该合理地overfit，单纯引入符号并不能解决有多少人工就有多少智能的问题，离真正的强人工智能就永远隔层纱。
另外，这次人工智能浪潮之所以没有像上次那样狼狈不堪，主要得益于现在是互联网时代，互联网巨头赚的钱已经过剩了，反正烧给人工智能玩玩也不心疼。人家出钱的都不心疼，其他外人自然没有什么闲话可说的了。人首先是生物，真正能理解人的只能是另一个生物或者生命。
所以，要想达到理解人的智能方向是人工生命，而不是直接人工智能，人工智能只是人工生命的附属产物。一个从事金融的朋友，她说目前最大的焦虑就是开始认知到，自己眼前的工作在未来是完全可以被人工智能取代的。所以现在想来择业的标准，大概是尽量去选择那种暂时无法被“新机器”取代的工作。始终去寻找和挖掘自己在某种意义上的不可替代性，很重要。 |
19款电子扎带
电路板识别电子标签