-
1 # rongzhenlee
-
2 # 家庭食品安全知識
人工智慧可以幫助我們探尋真理。人工智慧已經幫助人類實現了眾多科技創新,也幫助科學家在許多領域研究探索中取得進展。
-
3 # 焦慮老爸
人工智慧確實可以讓人類更接近真理,因為真理在大部分時間對於人類來說都是殘酷的。機器對於殘酷是沒有概念的,它是沒有感性的,至少在短時間內機器還不具備感性的可能,所以它比人類更容易接近真理。
-
4 # DanceWithPython
這個問題,好極。回答之前先弄清題目裡面的幾個詞。真理,即永恆不變唯真正理。
真理亦可分為絕對真理和相對真理,即絕對真理是不受任何限制的廣義的道理;相對真理是在特定條件下成立的有侷限性的道理。
接近接近(jiē jìn)漢語詞語,意思為:離得近;靠近,相距不遠。
人工智慧溫斯頓教授認為:“人工智慧就是研究如何使計算機去做過去只有人才能做的智慧工作。”
看完這三個關鍵詞,我想答案很明顯了。那就是人工智慧可以讓人們更接近真理。這個問題其實有一個隱藏的前提:人們只是在接近真理,並沒抓住真理,為接近真理而努力,這種條件下,人工智慧可以輔助人類工作去接近真理的。
但有一種極小的可能,人類的行為是離真理越來越遠呢?那麼人工智慧反而會幫人們離真理更遙遠。
結論人工智慧是為虎作倀,還是雪中送炭,完全取決於我們這些“人們”。
-
5 # 程式設計師的ABCD
在某些領域有一定的輔助作用
從目前人工智慧的發展現狀來看,當前的智慧水平還是比較初級的,雖然機器不能像人一樣去思考,理解,推理,但是可以從大量的資料中分析出一些規律,輔助人做決策,這也在一定程度上讓人更接近真理,比如利用人工智慧演算法可以判斷市場的消費趨勢,機器可以幫助醫生看片子,減少失誤等等。。
目前,一些學者和工業界人士將人工智慧分為運算智慧,感知智慧和認知智慧三個階段。所謂的運算智慧指機器能計算會儲存,感知智慧指機器能挺會說,能識別一些東西,比如語音識別,影象識別等等,認知智慧指機器能理解會思考。
深度學習使得人工智慧在感知智慧上推進了一大步,但是深度學習是一種黑盒模型,不具備良好的可解釋性,基本上全靠資料驅動,因此在一些需要思考,推理的問題還差了一些火候。但是隨著人工智慧,腦科學的發展,相信機器的認知水平會逐漸提高,更加有利於協助人類認知這個世界的奧秘。
-
6 # wu20140410
人工智慧與真理應該沒有直接關係!人工智慧只是改變了人們的工作方式,解放了雙手,用高新技術代替了傳統的體力勞動,特別是生產線流水線型別的產品加工或者是高精密度的電路儀器等,工人智慧在從中的使用更加顯著,對企業來說,人工智慧可以大大的降低了產品的人力成本,同時人工智慧比體力勞動更規範更精確,降低產品的廢品率,提高合格率。
在大型裝置中人工智慧的使用更加普遍了,透過電腦程式將複雜的機械動作變得更簡單更方便操作,通俗易懂!
-
7 # 機器人的筆記
當然可以
以類腦智慧引領人工智慧發展是科技領域的重大創新,將給人類社會發展帶來新機遇,我們正處於新一輪科技革命和產業變革大潮之中,以網際網路、大資料、人工智慧為代表的新一代資訊科技日新月異。在新一代資訊科技中,人工智慧正在大放異彩。把握人工智慧發展的新機遇,以類腦智慧引領人工智慧發展,實現人工智慧普適化,將對經濟社會發展產生重大影響、對人類文明進步產生重大影響,使人工智慧更好造福人類。
人工智慧有著改變社會的巨大潛力。放眼當下,人工智慧正有力提高經濟社會發展的智慧化水平,有效增強公共服務和城市治理能力;展望未來,人工智慧必將為經濟社會發展持續注入新動能。但也要看到,傳統人工智慧主要依靠機器學習演算法,透過計算機強大的運算能力對大量資料進行抽象和總結,轉化為一類特定的計算模型,最終實施在特定的應用中。傳統人工智慧這一執行模式也帶來一些問題:知識引導方法長於推理,但是難以拓展;資料驅動模型擅於預測識別,但其過程難以理解;策略學習手段能對未知空間進行探索,但其依賴於搜尋策略。可見,如何有效發揮資料驅動人工智慧與知識引導人工智慧的各自優勢,是當前人工智慧發展面臨的難點問題。
在這一背景下,腦科學和類腦智慧研究成為當今世界科技發展的前沿和熱點。以類腦智慧引領人工智慧,實現人工智慧普適化,將對人類文明進步產生重大影響。腦科學研究發現:為了應對各種認知任務,大腦要在短時間內儲存和處理各種感興趣的資訊,完成這個過程的大腦系統就是“工作記憶”。工作記憶是形成語言理解、學習與記憶、推理與計劃等複雜認知能力的基礎。此外,基於生物層面的神經突觸訊號傳遞作用機制、腦區間環路特徵、腦資訊表達與處理等成為研究熱點,這些都為人工智慧的突破性發展提供了新的方向。可以預見,透過腦科學的深入研究和神經機制的系統解析,“破譯”大腦資訊處理與神經編碼的原理,再透過資訊科技進行參照、模擬和逆向工程,將會形成以“類腦智慧引領人工智慧發展”為標誌的新一代人工智慧發展路徑。
人工智慧涉及範圍極廣,需要多方參與、共同努力。全面瞭解大腦機制和功能更需要長時間的探索,這種創新往往需要高度專業性和長時間的儲備與積累。對於中國來說,尤其需要把握好以下兩個方面。第一,腦科學和類腦智慧研究要以提升自主研發能力為目標,以既有資源稟賦和研發優勢為主攻方向,以“雙一流”交叉學科建設和跨學科人才梯隊培養為抓手,實現未來人工智慧領域的重大原始突破,進而利用類腦智慧技術推動產業升級、民生改善。第二,要做好相關人才培養工作。近年來,包括中國在內,不少國家高度重視推動人工智慧領域的科技創新和人才培養。2017年7月,國務院印發《新一代人工智慧發展規劃》,明確提出以提升新一代人工智慧科技創新能力為主攻方向,構建開放協同的人工智慧科技創新體系,把握人工智慧技術屬性和社會屬性高度融合的特徵。貫徹落實這一發展規劃,對人才培養提出了很高要求。當前,推動腦科學、類腦智慧、人工智慧發展,需要大力建設人才隊伍,為相關科研提供人才支撐。
以類腦智慧引領人工智慧發展是科技領域的重大創新,將給人類社會發展帶來新機遇。從全球治理到社會生活,從國家發展到家庭建設,都將因這一領域的創新而發生重大變革。需要指出的是,技術只有與情感、倫理等人類最樸素的需求相結合,才能迸發出真正符合人性的創新點。只有這樣的創新才是正向的創新,只有這樣的發展才能促進人類生活更加美好。如何處理好人工智慧在法律、安全、就業、道德倫理和政府治理等方面提出的新課題,既是時代之問,也需要時代之答。
-
8 # 姚鶴鶴
人工智慧作為一種工具,在理想情況下可以幫助人們更加接近真理,否則也可以將人們帶離真相。
真理是什麼真理,即永恆不變唯真正理。人類作為萬物中的組成部分,只能無限的接近真理,但卻無法真的到達。
接近真理需要什麼為了更加接近真理,我們需要更多的真相,而現在的資料對於人類而言,繁雜而無法判斷其對錯,我們無法像聖者一樣,可以拋開繁雜的資訊,抽絲剝繭挑選出其中的真相。
現實資訊多而龐雜,人類無法從這龐大的資訊中,分辨每件事的對錯,但是卻希望無限接近真理,這句話是否特別像機器學習中的無監督學習(Unsupervised Learning)?監督學習與無監督學習 - 通俗易懂監督學習(Supervised Learning)從給定的訓練資料集中學習出一個函式(模型引數),當新的資料到來時,可以根據這個函式預測結果。這個過程通俗的來講,可以藉助吳恩達的機器學習課程中的一個例子,進行說明:
這是一個研究腫瘤尺寸大小與腫瘤是否為惡性之間的關係,其中橫座標為“腫瘤尺寸”,縱座標為“是否為惡性”,其中1代表為惡性腫瘤,0代表為良性腫瘤。
當使用樣本資料在這個二維影象中進行標註,從機率分佈上,當下次獲取到一個腫瘤的尺寸,那麼我們可以有一定的機率可以對該腫瘤是否為惡性有一個基本的預估。
無監督學習(Unsupervised Learning)是當輸入資料沒有被標記,也沒有確定的結果,樣本資料類別未知,需要根據樣本間的相似性對樣本集進行分類。這個過程依舊藉助一個例子進行說明:
同樣,還是一個關於腫瘤的研究,其中橫座標X1為“腫瘤尺寸”,X2為“患者年齡”,而對於每個樣本而言,我們也無從知曉對應的樣本是否為惡性腫瘤,不過透過圖上資訊可以看到,可以對所有樣本輕鬆分為兩類。
受到的啟發及時我們對這個真相無從可知,但是從上面無監督學習的過程中可以看到,我們透過一個二維的資訊,對“是否為惡性腫瘤”這件事進行了一個分類。
為了獲取這個世界越來越多的真相,我們不僅需要二維資料,可能需要三維、甚至更高維度的資訊。機器學習實質提供了一種處理繁雜資訊的手段,至少透過機器學習我們可以對世界越來越多維度的資訊進行分類。
而人類,人類的思考在其中起到了一個作用,就是搞明白每個分類下真正的含義是什麼,我們只有真的撥開每個“腫瘤”的真相,小心的驗證,我們就可以獲取這兩類的真實情況。
人工智慧會錯嗎會,如果我們關注的輸入引數有異常,我們拿到的結果一定是非客觀非真理的。
倖存者偏差這個邏輯告訴我們,當人們觀察世界的時候常常會帶著自己的主觀,將可以看到的資訊當做有效資訊,而無視那些藏在真相背後的真實資訊。
為了能夠看到真相,我們就要逐漸減小“我”所帶著來的主觀資訊,而使用“客觀”的大量資料進行觀察,那麼真相會付出水面。
所以,我覺得人工智慧技術是一種接近真理的工具,不過這工具也有可能會將人們帶往背離的方向,關鍵是看怎麼使用它了。
回覆列表
我的意見是:不能,就人工智慧目前的發展來看,不能!
一個普通的深度學習模型,動輒需要十萬/百萬級的資料,然而即使使用了這麼多的資料,一個自動駕駛系統也很容易被一張貼紙攻破,一個人臉識別系統也很容易被3D模型欺騙... ...
2018年圖靈獎獲得者Yoshua Bengio,在IEEE的訪談中發表了他對深度學習的看法。他認為AI系統應該具備推理/規劃和想象的能力,具備因果推斷/注意力/原學習/掌握物理規律的能力,而這些都是未來努力的方向。
深度學習的侷限:目前是人在教機器學習,機器本身不具備學習,思考的能力。深度學習的研究人員,就是在學著那些AI系統執行未達預期之處,並嘗試新增些什麼,探索些什麼...
深度學習的現狀:人工智慧的水平遠遠落後與兩歲小孩,有些演算法的感知水平相當於低等動物。
所以,人工智慧也許在某些領域可以提升工作效率,但是仍然有非常多的侷限性。
更詳細的分析請參考--機器之心Pro--“深度學習該往何處走?Yoshua Bengio這麼認為”