第239章 适当的风险是有益的（2/2）

而林灰所勾勒的蓝图却一定会实现,毕竟这在前世已经验证过了。

路在长长不过脚，终有一天林灰会将这些统统实现。

而且林灰已经在朝着他所勾勒的蓝图迈进了。

林灰在此前论文中进行补充的内容虽然并没有伊芙·卡莉期许地那么强，但至少也在进步。

甚至有些进步相对于这个时空的科研现状来说很多是从0到1的。

至于伊芙·卡莉关于人工智能在社会层面的担忧。

这个很多大牛确实都表示过这方面的忧虑。

斯蒂芬·霍金、比尔·盖茨、马斯克都曾表示了对人工智能会具有自我觉知和意识的忧虑。

尤其是霍金，更是夸张地认为人工智能可能是人类最大的灾难，如果管理不当，会思考的机器可能终结人类文明。

这种担忧理论上有道理，但实际上其实很离谱。

能够真正威胁人类文明的，肯定是强人工智能。

强人工智能是指有自我意识、自主学习、自主决策能力的人工智能，这是人工智能发展的终极目标。

理想很远大，可是哪有那么容易实现呢？

反正直到林灰重生前夕，那会人们也没鼓捣出强人工智能，更不要说今生了。

今生不要说神经网络学习算法仍然缺乏人类这样的联想、记忆、学习、推理等高级智能。

但一定程度上，它有些接近机器学习专家佩德罗·多明戈斯所提出的“终极算法”，意思是说通过数据学得包括过去、现在以及未来的所有知识的算法，创造该算法将是科学历史上最大的进步之一。

迄今为止，这样的算法并没有被创造出来。深度学习只是一定程度上接近终极算法的理想，但很多表现已经让人类不可理解。

虽然深度学习很受欢迎，但是说到底深度学习主要是从大数据进行学习,就是通过很多标注的数据，使用深度学习算法学习得到一些模型。

虽然叫着人工智能的名字。

但是这种学习方式和人的智能是非常不一样的。

人是从小样本进行学习。

人对图像进行分类，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，他如果想知道什么样的动物是狗，我们给他看几张狗的图片，并且告诉他狗有什么特征，和其他动物像猫或者羊有什么区别的话，小孩可以很快很准确的识别狗。

但是像深度残差神经网络，一般来说一个类别大概需要上千张图片才能进行比较充分的训练，得到比较准确的结果。

再比如汽车驾驶，一般来说，通过在驾校的培训，也就是几十个小时的学习，几百公里的练习，大多数人就可以开车上路了。

但是像现在的无人车可能已经行驶了上百万公里，还是达不到人的全自动驾驶的水平。

原因在于，人经过有限的训练，结合规则和知识能够应付各种复杂的路况,但是当前的ai还没有逻辑思考、联想和推理的能力,必须靠大数据来覆盖各种可能的路况，但是各种可能的路况几乎是无穷的。

总之涉及到人工智能实际上是要有很长的路走的。

其实人工智能有适当的风险反而有助于人工智能正确的发展。

这么说可能不被理解。

但如果举这样一个例子。

比较风靡的《神庙逃亡2》这款游戏。

神庙逃亡游戏内容和大多数跑酷游戏都非常相似，越过重重障碍和陷阱，不断向前飞奔。

不过在神庙逃亡里玩家控制的是一个印第安纳琼斯似的人物，在热带雨林的某个古老神庙中逃出，被神庙中一群猴子模样的恶魔守卫追赶。人物是自动不断向前飞奔的，而玩家则需要控制他避开逃亡路上遇到的各种危险。

一路上各种危险，但反而让人更加专注于跑酷本身。

同样的道理当人工智能有适当风险的时候，人们也会更加专注于算法逻辑和应用场景。

而不是总会搞一些花里胡哨的东西。