- 给这本书评了5.0AI3.0未来已来
对人工智能的种种讨论,特别是涉及技术伦理、社会价值和发展前景的时候,人们一般只会停留在悲观或者乐观的选边站队层面,无法进一步深入下去。这不奇怪,技术专家们擅长的话语是数据、算法、模型,社会学者和新闻记者们只能从技术的外部性、代码的背后之手、人性之善恶的角度,捍卫或者批判某种价值主张。对绝大多数非专业人士而言,由于搞不懂隐藏在反向传播算法、卷积神经网络(convolutional neural networks,ConvNets)、马尔可夫过程、熵原理这些硬核知识背后的思想内涵,就只能以 “好与坏”“善与恶” 的视角对人工智能进行理解和评判。讲述技术视角的思想基础,弥合 “理科生” 与 “文科生” 之间看待人工智能的思想鸿沟,正是米歇尔这部书的价值所在。
转发转发同时评论快速转发评论5分享「微信」扫码分享给这本书评了3.0《AI3.0》有感之三年前的人工智能思考本书写于 21 年,我读于 24 年,3 年前对人工智能的思考已经到了这样的深度和广度,专业型人工智能的应用、通用型人工智能的思考,与人的关系,意识、情感与字符的差异,专业型人工智能是那么接近,但对社会发展和经济效益的提升远不如假设中那么巨大;通用型人工智能又是那么遥远,人们总是过于乐观地预计专业到通用之间的鸿沟,一次又一次面对人工智能在乐观和悲观中徘徊。3 年前对人工智能的思考与现今当下所面临的情况又出奇一致。GPT、KIMI 和 SORA 等语言大模型层出,又激起市场对人工智能的极大关注,渴望技术进一步突破,也恐惧于人工智能可能带来的行业巨大变化和失业风险,期待又担心于技术向通用型人工智能的进一步靠近,乐观又在该阶段占据了人们的心智上峰。人工智能如何处理搜集的信息,是否有意识的处理和思考,才是真正需要攻克的难题。如过去的千千万万次一样,当市场发现现阶段的人工智能对社会发展和经济效益的提升不过如此的时候,发现距离通用型人工智能还是那么遥远的时候,降温就如过去千万次那样来了。但是说回自身,哪管什么专业型或者通用型人工智能,只要能唯所用就好了。既然通用型如此遥远,就为专业型找到适合的应用场景;人工智能擅长于字符的记录、搜索,那就充分利用好他的优势。有时候个人与社会的比较优势,就在于不用在意多元的价值获取,判断一件事儿有益要简单得多。
转发转发同时评论快速转发评论1分享「微信」扫码分享给这本书评了5.0阅读《AI 3,0》有感这是一本半专业性的,讲述人工智能前世今生和未来的一本读物,人工智能其实源于上个世纪五十年代,而随着计算机硬件的提档升级,计算机网络的全球化的连接,这样就使得全球化的信息传播体系就全面构成。而社会中的每一个企业,每一个不同时代和不同层级的政府,都围绕着计算机网络系统,在构建自己的企业级的管理体系,政府也在构建其管理的网络体系,而伴随着硬件的普及,软件的开发应用,就把我们这个社会的大数据库建立起来了,而一旦把大数据库用于在一定规则下进行语言、文字、音频、视频、图像等处理,这就形成了人工智能的初级模型大数据库。目前人工智能已经切入了我们的工作和生活,书中也描述了关于人工智能的担忧!这是一本值得品读的书籍!
转发转发同时评论快速转发评论赞分享「微信」扫码分享给这本书评了4.0AI达到人类水平的挑战,在于常识以及人类基本能力之抽象与类比本书作者通俗易懂的解释了以下 AI 能力与应用:第一,AI 的重要发展历程。从符号人工智能的感知机,到亚符号人工智能,到神经网络与卷积神经网络,再到通用人工智能等。最让我印象深刻的是:深度神经网络的深度,并不是指复杂性,而是指神经网络的层数。它模拟的是人的神经网络系统,通过内在网络层数的转换,最终实现外在输出层结果的准确。第二,AI 的关键应用。从图片识别,到视觉识别,到语音识别,到自然语言翻译,到游戏人工智能应用,再到通用智能的局限性。最让我印象深刻的有两点:其一是深度学习之所以可以提升上述应用的准确度,主要就是基于神经网络的层级,它可以自我学习与进化,最终基于海量数据的学习,实现了类似人类理解的能力。比如自然语言翻译,它精准度提升至 99% 以上的关键,就在于它学习了许多人类现成的遣词造句经验,最终可给出最大概率的词句,而不是单字、单词翻译。其二是深度学习确实让人工智能往前迈进了一大步,但它依然存在局限,主要体现在对人类常识的认知,以及人类的本能能力之抽象与类比。如果没有这两者,通用人工智能就依然会存在局限性。反之,如果当前不去纠结这个问题,则可以考虑避开局限性,使用 AI 去解决行业性、特殊领域、关键场景的问题。
转发转发同时评论快速转发评论赞分享「微信」扫码分享