-
让品牌有温度、有情感
专注品牌策划15年
问死人工智能的问题（问死人工智能的问题有哪些）
发布时间：2023-06-12 15:36:07
稿源：
创意岭 阅读：
54
大家好！今天让创意岭的小编来大家介绍下关于问死人工智能的问题的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，有小程序、在线网页版、PC客户端和批量生成器
本文目录:
目前人工智能存在的问题
现如今，人工智能的发展十分迅速。这迅速的脚步是离不开当下越来越多的企业的研发与应用，可以说企业和人工智能都是在相辅相成中持续向上发展的的。不过在使用人工智能的时候还是会出现很多的问题，而这些问题可以阻碍人工智能的发展，且我们必须解决它们才能更好地踏出下一步。今天小编就来给大家介绍一下当下的人工智能存在的问题，希望能够帮助大家更好地去认识和理解人工智能的发展现状。1.人工智能无法去描述常识
大家都知道，常识都是显而易见的，有时候我们甚至很难用语言去描述它，进而在数据中给它打标签。对于所有“显而易见”的东西，我们存在巨大的盲点。因此，我们无法教计算机常识，不仅因为这可能不切实际，更根本的原因是我们甚至没有意识到常识是什么。直到我们发现机器人做了一些很愚蠢的事情，我们才能够意识到这些。
2.人工智能被图灵对智能的定义所束缚
图灵有关智能构想很著名，他将智力限制为一种和人类进行语言游戏的解决方案。具体来说，图灵将智能设定为游戏的解决方案，第一就是将人类置于判断的位置。这个定义非常具有迷惑性，并很适合人工智能领域。而像猫、狗。兔子甚至是其他动物都是非常聪明的生物，但它们没有语言，因此也不可能通过图灵测试。这也是人工给智能所面临的问题。
3.人工智能的核心问题莫拉维克悖论
那么什么是莫拉维克悖论呢？莫拉维克悖论的核心论点是，现实中最简单的问题比最复杂的游戏更难解。我们沉迷于令人工智能在游戏中超越人类以及其他受限且定义明确的话语领域，如数据集，将其作为智能的指标，作为一种与图灵测试一致的标准。我们完全忽略这样一个事实：对智能的最终判断由现实本身，而不是由一个人类组成的委员会作出。如果解决了这些问题那就更好的解决这些问题。
在这篇文章中我们给大家介绍了有关人工智能存在的问题，具体包含了三点，分别是描述显而易见的常识是十分费力的，人工智能被图灵对智能的定义所束缚，人工智能的核心问题莫拉维克悖论。这三个现象可以说是当前人工智能存在的比较明显突出的问题，不过相信在时间的检验和推进下，这些问题都会慢慢迎刃而解的。标签: 人工智能
关于人工智能的问题
应用人工智能系统只是AGI的有限版本。
尽管许多人认为，人工智能的技术水平仍然远远落后于人类的智力。人工智能，即AGI，一直是所有人工智能科学家的研发动力，从图灵到今天。在某种程度上类似于炼金术，对AGI复制和超越人类智能的永恒追求已经导致了许多技术的应用和科学突破。AGI帮助我们理解了人类和自然智慧的各个方面，因此，我们建立了有效的算法，这些算法受到我们的追求更加高效计算能力和学习模型的启发。
然而，当涉及到人工智能的实际应用时，人工智能实践者并不一定局限于人类决策、学习和解决问题的纯模型。相反，为了解决问题和实现可接受的性能，AI实践者通常会做构建实际系统所需的事情。例如，深度学习系统的算法突破的核心是一种叫做反向传播的技术。然而，这种技术并不是大脑建立世界模型的方式。这就引出了下一个误解：一刀切的人工智能解决方案。
一个常见的误解是，人工智能可以用来解决所有的问题，也就是说，人工智能的发展已经达到了一个水平，小规模的“人工智能”可以让我们解决不同的问题。我甚至听过有人认为，从一个问题到另一个问题会使人工智能系统变得更聪明，就好像同一个人工智能系统同时解决了两个问题一样。现实情况则大不相同：人工智能系统需要进行工程设计，这需要巨量的计算和编程，并且需要经过专门培训的模型才能应用于一个问题。虽然类似的任务，特别是涉及感知世界的任务(例如，语音识别、图像或视频处理)，现在有了一个可用参考模型库，但这些模型需要专门设计以满足部署要求，而且可能无法开箱即用。此外，人工智能系统很少是人工智能解决方案的唯一组成部分.它通常需要许多定制的古典编程组件，以加强一个或多个人工智能技术在一个系统中使用。是的，有许多不同的人工智能技术，单独使用或与其他解决方案混合使用，因此：人工智能和深度学习是一样的
我们认为人工神经网络(ANS)这个词真的很酷。直到，但是，它缺乏规模化的应用。现在这些问题大部分已经解决了，我们已经通过将人工神经网络重新命名为“深度学习”。深度学习或深度网络是一个规模很大的网络，“深度”指的不是深度思考，而是指我们现在可以负担得起的隐藏层的数量(以前最多只有几层，现在可以是几百层)。深度学习用于从标记数据集生成模型。深度学习方法中的“学习”指的是模型的生成，而不是当新的数据可用时，模型能够实时地学习。深度学习模型的“学习”阶段实际上发生在离线状态下，需要多次迭代，时间和过程都很紧张，而且很难并行化。
近年来，深度学习模型在线学习应用中得到了广泛的应用。这种系统中的在线学习是通过不同的人工智能技术来实现的，比如强化学习，或在线神经进化。这类系统的一个局限性是，只有在离线学习期间才能最大限度地实践到应用领域，才能实现深度学习模式的贡献。一旦生成模型，它将保持静态，这方面的一个很好的例子是电子商务应用程序-电子商务网站上的季节性变化或短期销售将需要一个深入的学习模式才能离线，并对销售项目或新库存进行再培训。然而，现在有了这样的平台利用进化算法对网站进行优化，不再需要大量的历史数据，而是利用神经进化，根据网站当前的环境，实时地对网站进行调整。
大型的、不平衡的数据集可能具有欺骗性，特别是当它们只部分捕获与该领域最相关的数据时。此外，在许多领域，历史数据可能很快变得无关紧要。例如，在纽约证券交易所的高频交易中，最近的数据比2001年以前的数据具有更大的相关性和价值，而2001年以前的数据还没有被采纳。
最后，我经常遇到一个普遍的误解：
如果一个系统解决了我们认为需要智能的问题，那就意味着它正在使用人工智能。
这是一个有点哲学的性质，它确实取决于你对智力的定义。事实上，图灵的定义并不能反驳这一点。然而，就主流人工智能而言，一个完全设计的系统，比如不使用任何人工智能技术的自动驾驶汽车，并不被认为是人工智能系统。如果系统的行为不是引擎盖下使用的人工智能技术的紧急行为的结果，那么如果程序员从头到尾以确定性和工程化的方式编写代码，那么系统就不被认为是基于人工智能的系统，即使它看起来好像是人工智能。
AI为更美好的未来铺平了道路。尽管人们对人工智能有着普遍的误解，但正确的假设是，人工智能将继续存在，而且确实是通向未来的窗口。AI还有很长的路要走，它在将来会被用来解决所有的问题，并被工业化广泛的使用。人工智能的下一个重大步骤是使其具有创造性和适应性，同时，强大到足以超过人类建立模型的能力。
问人工智能的奇葩问题
问人工智能的奇葩问题：
1、实现目标或解决问题需要哪些数据。
在人工智能项目团队确定了人工智能可以实现的目标或可以解决的特定问题后，组织团队将继续提出问题，以确定实现目标或解决特定问题所需的数据或变量。
2、如果还没有数据，将从哪里获取数据?
如果组织发现自己需要更多数据，下一步将确定从何处获取所需数据。组织是否生成了数据，是否购买或租用了这些数据？
3、组织的计算策略是什么：内部部署、云计算还是混合部署?
人工智能项目遇到的一个主要问题是让它在与组织的整体数字计算战略不一致的计算平台上运行。组织需要了解当前和将来的计划可以帮助人工智能团队正确规划最佳方法，以接近用于人工智能或机器学习模型的平台。
4、移动和存储数据的计划是什么？
想象一下，跨国公司的业务部门遍布世界各地，在各地的多个地点生成数PB的数据。那么是在创建数据的地方进行处理，还是在世界各地的站点之间以某种方式传输数PB的数据？这是人工智能项目有时没有考虑的关键事项之一。
5、将如何消除偏见并验证模型结果?
收集数据并保存之后，需要确保知道如何验证人工智能或机器学习模型生成的结果。一种方法是运行已知数据集并查看结果，以确保组织对预期结果具有更高的准确性。
以上就是关于问死人工智能的问题相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
