幽默：為什麼人工智慧比不上貓狗？

banq發表於2021-12-21
人工智慧

世界模型、直觀物理、規劃、問題解決、離散搜尋解決方案、控制引數的持續最佳化......狗設用 20 億個神經元也可以完成很多更智慧工作。
當我們的AI還不能達到狗級別的智慧時，為什麼要爭論人類級別的人工智慧？
我們人類過於重視語言和符號作為智力的基礎。
但是靈長類動物、狗、貓、烏鴉、鸚鵡、章魚和許多其他動物沒有類似人類的語言，但表現出超越我們最好的人工智慧系統的智慧行為。
他們所擁有的是學習強大的“世界模型”的能力，使他們能夠預測自己行為的後果，並尋找和計劃行動以實現目標。
學習此類世界模型的能力是當今 AI 系統所缺少的。
 
網友討論：
真正的問題是人類將智慧與語言（主要是人類語言）聯絡起來，而不是一組行為、原則和更多其他的。
 
狗有效地對神經元和突觸中的微分方程進行近似解。也許專注於此。認知在數學上是一個逆問題（恕我直言），也許這在考慮架構時會有所幫助。
蜜蜂在其神經元和突觸中有效地進行涉及 6 維方程的數學運算，以便對它們用來傳達食物來源位置的“搖擺舞”進行解碼/編碼。
 
狗有很好的聯想學習和解決問題的能力。但鴉科動物更好。
 
我認為你低估了動物的智力，同時高估了人類的智力。這主要是因為我們一開始就沒有近乎完整的智慧檢視。
 
AI 甚至無法達到老鼠級別的智慧。需要更多地關注大腦的工作方式。大腦對神經元（和各種神經元）的連線方式有限制，這導致了一種架構。找出皮質柱是一大步。
 
搜尋和學習是在人工智慧研究中利用大量計算的兩類最重要的技術：透過自我遊戲學習，以及一般的學習，就像搜尋一樣，它可以進行大量計算。
基於隱馬爾可夫模型 (HMM)之類的統計方法勝過了基於人類知識的方法。這導致了所有自然語言處理的重大變化，幾十年來逐漸發生，統計和計算開始主導該領域。
深度學習方法對人類知識的依賴更少，使用更多的計算，再加上在龐大的訓練集上學習，以產生顯著更好的語音識別系統。
因此，透過大量計算的通用方法最終是最有效的，而且效果顯著。
下面的慘痛的教訓是基於歷史觀察：
  • 1) AI 研究人員經常試圖將知識構建到他們的代理中，
  • 2) 這在短期內總是有幫助的，並且對研究人員個人而言是令人滿意的，但是
  • 3) 從長遠來看停滯不前，甚至阻礙進一步的進步，以及
  • 4) 突破性進展最終透過基於搜尋和學習縮放計算的相反方法實現。最終的成功是帶著苦澀的，往往沒有完全消化。

搜尋和學習應該是AI主要方法！
 
 

相關文章