第308章 杞人忧天的烦恼（1 / 2）

不要以为对强人工智能进行规则设计很麻烦。

其实和规则有关的设计几乎充斥着整个人类生活中。

就以充电器为例吧，一个不起眼的充电器里面很可能拥有着好几种充电协议进行着约束。

通过设计明文规则，限制 AI 的行动范围也不是做不到的事情。

说起来现在人们对强人工智能的担心多多少少有点杞人忧天。

强人工智能虽然是人工智能发展的终极目标。

可是强人工智能哪有那么容易实现呢？

强人工智能想达到的技术原理倒是不复杂，相应的技术指标也容易说清。

无非就是自主意识、自主学习、自主决策。

或者更加通俗地说，就是要机器去学人。

学人认识世界的方式并再基础上尝试利用机器学习进行逻辑层面的彷生从而复现人们认识世界的方式。

道理谁都懂，可是具体实行的时候却有着各种各样的难度。

前世人工智能鼓吹的很牛逼。

反正直到林灰重生前夕，那会人们也没鼓捣出强人工智能。

话说回来既然强人工智能有风险且实现起来很困难。

为什么还要追求强人工智能呢？

首先是强人工智能相比于弱人工智能会大幅度减少训练成本。

前世人工智能方面的应用普遍都是依靠大数据进行训练的。

听起来带着“大数据”三个字很高大上的样子。

但实际上操作起来就很苦逼呵呵了，而且借助于大数据很多情况下实际是不得已为之。

都知道人工智能是追求机器能够像人那样去处理问题。

可是要知道人学东西可是是从小样本进行学习。

就拿图像分类这个小领域来说吧，人对图像进行分类，实际上根本不需要大数据。

只需要很少几个样本就可以做到准确分类。

两三岁小孩开始认识世界的时候。

父母为了让孩子认识动物也不是给孩子看成千上万的照片，而是只给孩子看些动物图集就可以了。

这些图集可能依旧十几页几十页这样，这个样本规模实际是很小的。

再具体一点，如果想让孩童知道什么样的动物是猫。

顶多再给他看几张猫的图片，并且告诉他猫有什么特征，和其他动物像狗或者猪有什么区别的话。

很快，小孩可以很快很准确的识别狗。

这些都是小样本的训练。

可是前世的人工智能想要实现同样的功能。

却需要相当大规模的数据去训练。

也就是通常意义所说的要靠大数据去喂。

同样拿刚才举得例子来说，同样是识别动物，要神经网络学习做到儿童识别动物的水平。

就不说现在这个时空十分拉跨的神经网络应用了。

就是依托于前世比较先进的深度残差神经网络。

想达到人类孩童对动物图像的区分的话。

也需要成千上万张图片才能进行比较充分的训练，才能再实际应用时得到比较准确的结果。

之所以神经网络学习“学得慢”“学得费劲”原因在于

曾经的弱人工智能所主要一来的深度残差神经网络还没有逻辑思考、联想和推理的能力。