Huang Tiejun | Der Aufstieg der Maschinen und der grenzenlosen Intelligenz

Heute werden wir nicht die Frage beantworten, welches Prinzip der Intelligenz zugrunde liegt.

Was sind die Geheimnisse des Gehirns?

Wir müssen zunächst untersuchen, welche Art von Struktur Intelligenz hervorbringt.

Dann machen Sie solche Maschinen, um Intelligenz zu erreichen,

Dann erforschen Sie das Geheimnis seines Ursprungs.

Huang Tiejun, Direktor des Beijing Zhiyuan Artificial Intelligence Research Institute

Wissenschaftsexperten sprechen über Wissenschaft | Peking

Hallo zusammen, der Titel meiner heutigen Rede lautet „Der Aufstieg der Maschinen, unbegrenzte Intelligenz“.

Ich bevorzuge den Begriff „Maschinenintelligenz“ gegenüber „künstlicher Intelligenz“. Denn künstliche Intelligenz lässt immer wieder den Eindruck entstehen, dass Menschen Intelligenz erschaffen, was aber nicht der Fall ist. Als Träger von Intelligenz werden sich Maschinen weiterentwickeln und weiterentwickeln. Im Zuge seiner Entwicklung wird es die kontinuierliche Entwicklung der Intelligenz vorantreiben.

Die endlosen Grenzen der Technologie und Wissenschaft

Was ist Intelligenz? Dies ist ein sehr grundlegendes Konzept, das schwer zu definieren ist. Sie können Intelligenz auch als Wahrnehmung und Erkenntnis definieren, aber die Definitionen von Intelligenz sind nahezu endlos.

Meine Definition von Intelligenz lautet: Intelligenz ist eine Fähigkeit, die ein System durch das Erfassen und Verarbeiten von Informationen erlangt, wodurch sich das System vom Einfachen zum Komplexen entwickeln kann.

Was ist das Besondere an meiner Definition? Zunächst zeigt es, dass Intelligenz eine Funktion sein muss, die auf einem bestimmten System auftritt und ein physisches System als Träger haben muss.

Zweitens ist Intelligenz eine Fähigkeit, die das System durch das Erfassen und Verarbeiten von Informationen erwirbt. Menschen können durch Essen Energie gewinnen, um ihren Körper zu stärken, aber dabei handelt es sich um kinetische Energie und nicht um Intelligenz. Intelligenz kann sich nur durch den Erwerb von Informationen entwickeln, beispielsweise durch das Lesen von Büchern, das Beobachten der Welt, das Aufnehmen von Informationen mit den Ohren, die Interaktion mit der Welt usw., was sich auf die Entwicklung unserer Intelligenz auswirken kann.

Mit dieser Definition fällt es uns leicht, zwischen biologischer Intelligenz und maschineller Intelligenz zu unterscheiden. Auf funktionaler oder phänomenaler Ebene können sie ähnlich oder völlig unterschiedlich sein.

Der Grund für die einfache Unterscheidung liegt darin, dass sie unterschiedliche physische Träger sind. Träger der biologischen Intelligenz sind organische Organismen, einschließlich des Menschen; Träger der maschinellen Intelligenz sind verschiedene nicht-biologische Mechanismen und Maschinen, darunter auch Computer.

Ein weiterer Unterschied besteht darin, dass biologische Intelligenz zum Bereich der Biowissenschaften gehört. Gegenstand der biowissenschaftlichen Forschung ist das Leben, sie ist Teil der Naturwissenschaft. Physik, Chemie, Biologie, Astronomie, Geographie ... Jede Naturwissenschaft hat ein spezifisches und klares Forschungsobjekt.

Das Leben, insbesondere ein so komplexes Objekt wie das Gehirn, ist das komplexeste objektive Objekt im Universum, das uns bisher bekannt ist. Aus diesem Grund bezeichnen manche die Gehirnforschung, die Neurowissenschaft, die Kognitionswissenschaft und andere Disziplinen im Zusammenhang mit biologischer Intelligenz als die letzte Grenze der Naturwissenschaften. Wenn wir es herausfinden, können alle Probleme der Naturwissenschaften gelöst werden.

Im Gegensatz dazu wird maschinelle Intelligenz von Maschinen getragen und die Maschinen selbst entwickeln sich ständig weiter. Am Anfang wurden Maschinen von Menschen entworfen. Dann wurden die Maschinen immer komplexer und ihre Intelligenz immer leistungsfähiger. In Zukunft könnten sich Maschinen selbst entwerfen, sodass sie sich selbst ständig weiterentwickeln und iterieren werden. Daher werden die Funktionen der maschinellen Intelligenz immer zahlreicher und leistungsfähiger.

Wo also liegt seine Grenze? Die biologische Intelligenz entwickelt sich ständig weiter, doch die Geschwindigkeit der Evolution ist relativ gering und ihr sind Grenzen gesetzt. Allerdings wird sich die Maschinenentwicklung in Zukunft extrem schnell entwickeln und ihre Intelligenz ist grenzenlos, sodass die maschinelle Intelligenz die unendliche Grenze der technologischen Wissenschaft darstellt.

Vom Akzeptieren von Regeln zum autonomen Lernen

Abgeschlossen: 10 % //////////

Wenn man von künstlicher Intelligenz spricht, sagt man oft, dass es sich dabei um Intelligenz handelt, die durch das Schreiben von Programmen und Algorithmen auf Computern erreicht wird. Dies ist eigentlich ein enges Verständnis von maschineller Intelligenz. Sie sind lediglich ein Weg, maschinelle Intelligenz zu erreichen.

▲ Schmale Maschinenintelligenz: Künstliche Intelligenz auf Computerbasis

Nach dieser Auffassung lässt sich die Entwicklungsgeschichte der maschinellen Intelligenz der letzten 60 Jahre grob in drei Phasen unterteilen.

Die erste Phase erstreckte sich vermutlich von den 1950er- bis zu den frühen 1970er-Jahren. Die Grundidee bestand damals darin, Maschinen einige Regeln wie Logik und logisches Denken beizubringen – was wir üblicherweise als Programmieren und Schreiben von Algorithmen bezeichnen – und diese dann von den Maschinen ausführen zu lassen.

Dies ist sicherlich ein Fortschritt in der Intelligenz. Klar ist jedoch, dass der Mensch der Designer und die Maschine lediglich die Ausführenden ist. Nach etwa 20 Jahren Entwicklung hat diese Denkschule bewiesen, dass viele Probleme nicht gelöst werden können.

Die zweite Phase fand in den 1970er und 1980er Jahren statt, als eine Reihe von Methoden wie Expertensysteme und Wissenstechnik entwickelt wurden. Diese Methode sieht vor, der Maschine nicht nur Regeln beizubringen, sondern ihr auch Wissen wie „Peking ist die Hauptstadt Chinas“ beizubringen. So wurden damals zahlreiche Wissensbasen und Expertensysteme entwickelt.

Später stellte man jedoch fest, dass dies immer noch Probleme bereitete. Da nicht alles Wissen der Welt in Gegenstände oder Symbole in Büchern umgewandelt werden kann, sind viele der in die Maschine eingeflößten Inhalte unbeschreiblich.

Lassen Sie mich Ihnen ein Beispiel geben. Wenn ich das Wort „rot“ sage, werden Sie ein klares Gefühl in Ihrem Kopf haben, aber dieses Gefühl kann nicht als sogenanntes Wissen oder Symbole beschrieben werden.

Die dritte Phase erstreckt sich von den 1980er Jahren bis zur Gegenwart und wird als Phase des „Lernens aus Daten“ bezeichnet. Das heißt, es geht nicht darum, sich darauf zu verlassen, dass Menschen Regeln und Wissen zusammenstellen und diese dann von Maschinen ausführen lassen, sondern darum, Maschinen und Computer Regeln und Muster direkt aus den Daten finden zu lassen. Dies ist das Zeitalter des maschinellen Lernens.

Wenn es also um eingeschränkte künstliche Intelligenz geht, kann sie grob in diese drei Phasen unterteilt werden.

Wie erlangen Maschinen Intelligenz?

Abgeschlossen: 20 % //////////

Bei der engen künstlichen Intelligenz, die ich gerade erwähnt habe, handelt es sich im Allgemeinen um eine Denkweise, die der Schule des Symbolismus folgt, das heißt, dass alle Aspekte der Intelligenz durch Symbole dargestellt und dann durch Maschinen ausgeführt werden. Tatsächlich gibt es darüber hinaus zwei sehr wichtige akademische Schulen. Die zweite Schule wird Konnektionismus genannt, auch bekannt als neuronales Netzwerk. Die dritte heißt Behaviorismus und ist auch als kybernetische Methode bekannt.

Wenn wir die Unterschiede zwischen diesen drei Schulen oder drei Denkweisen im übertragenen Sinne verstehen, besagt die Symbolik, dass Maschinen denken können sollten; Der Konnektionismus besagt, dass zur Verwirklichung von Intelligenz ein physischer Träger wie ein Gehirn oder ein Nervensystem vorhanden sein muss, also ein Gehirn geschaffen werden muss. und der Behaviorismus geht davon aus, dass ein Gehirn, das nur über ein Gehirn, aber keinen Körper verfügt, weder mit der Umwelt interagieren noch Intelligenz bilden und entwickeln kann.

Die erste Denkschule, der Symbolismus, versucht, die Funktionen und Phänomene der Intelligenz mithilfe von Symbolen zu beschreiben. Vieles von dem Wissen, das wir im Unterricht lernen, wurde von Lehrern oder Autoren in symbolische Dinge umgewandelt, und wir sind da, um es anzunehmen und zu lernen. Denken Sie an ein Gesetz, denken Sie an eine Ableitungsregel. Im weitesten Sinne handelt es sich dabei um Symbolik. Die Anwendung der Idee der Symbolik auf die Intelligenz bedeutet, diese Symbole in Codes, Programme und Algorithmen umzuwandeln, die von Computern ausgeführt werden können.

Der Symbolismus hat viele Ergebnisse erzielt. Lassen Sie mich Ihnen zwei repräsentative Beispiele nennen.

Einer davon ist, dass es vor der Entstehung des Konzepts der künstlichen Intelligenz ein Software-Algorithmussystem namens „Logic Theorist“ gab, das viele Theoreme in der Mathematik beweisen konnte und damals sehr berühmt war. Es war außerdem das einzige KI-System, das funktionieren konnte, als das Konzept der KI im Jahr 1956 aufkam.

▲ Wu Wenjun, ein berühmter Mathematiker und Akademiker der Chinesischen Akademie der Wissenschaften

Ein weiterer Meilenstein wurde vom chinesischen Wissenschaftler Wu Wenjun erreicht. Er schlug 1977 die Wu-Methode vor, und alle Theoreme, die maschinell bewiesen werden können, können mit dieser Methode bewiesen werden. Aber dieser Satz hat eine Prämisse, nämlich „Theoreme, die von Maschinen bewiesen werden können“. Tatsächlich gibt es eine große Anzahl von Theoremen, die nicht von Maschinen bewiesen werden können, und unbeweisbare Theoreme.

Die zweite Denkschule ist der Behaviorismus, der ebenfalls dem Konzept der künstlichen Intelligenz vorausgeht.

▲ Walters mechanische Schildkröte @1948

Beispielsweise erfand ein Erfinder im Jahr 1948 eine Maschine, die auf dem Bild oben wie eine kleine Schildkröte aussieht. Damals verwendete diese Maschine Lichtsensoren und analoge Schaltkreise und konnte mit ihren Lichtsensoren Hindernisse erkennen. Wenn es auf ein Hindernis stößt, kann es sich nach links und rechts bewegen, um einen Weg zu finden. Darüber hinaus verfügt es über Schaltkreise zur Simulation der konditionierten Reflexe des Nervensystems und kann, wenn die Batterie leer ist, zum Aufladen an die Steckdose zurückkehren.

Wir alle kennen diese Sache. Viele Familien haben es jetzt. Es ist ein Kehrroboter. Die Erfindung dauerte länger als die Geschichte der künstlichen Intelligenz.

Damals gab es in einer solchen Maschine sicherlich weder Computer noch Chips und auch keine Programme oder Algorithmen. Es verfügt lediglich über eine analoge Schaltung im Inneren und erlangt seine Intelligenz durch Verhalten und Interaktion mit der Umgebung.

In den letzten Jahren sehen wir oft einige sehr coole Roboter, wie zum Beispiel die von Boston Dynamics. Sie können sich in sehr komplexen Umgebungen bewegen. Beispielsweise kann der Roboter im Bild oben auf eine hohe Plattform springen.

Auch die Designidee hinter diesem Roboter ist hauptsächlich behavioristisch. Dieses Verhalten ist nicht von Menschen programmiert. Sie legen Regeln fest, wie etwa „Erst mit dem linken Fuß treten, dann mit dem rechten Fuß treten und sich je nach Höhe des Objekts unterschiedlich verhalten“ und lassen die Roboter dann versuchen, diese auszuführen. Sie sind ausgebildet.

Solange es Schulungen gibt, wird es auch Misserfolge geben, und was wir sehen, sind alles erfolgreiche Beispiele. Um diese Bewegung auszuführen, hat es tatsächlich lange trainiert und sich unzählige Male die Beine gebrochen.

Die dritte Denkschule ist der Konnektionismus. Wie bereits erwähnt, erfordert die Verwirklichung von Intelligenz einen physischen Träger, der selbst eine objektive physische Existenz darstellt. Nach der Idee des Konnektionismus soll es sich um ein neuronales Netzwerk handeln.

Da der Hauptträger der biologischen oder menschlichen Intelligenz unser Nervensystem mit dem Gehirn als Zentrum ist, sollten wir beim Aufbau eines maschinellen Intelligenzsystems auch ein künstliches neuronales Netzwerk aufbauen. Der Aufbau dieses künstlichen neuronalen Netzwerks ist seit langem Gegenstand von Experimenten verschiedener Erfinder.

Tatsächlich ist unser Verständnis des Nervensystems von Organismen in den letzten Jahren noch sehr begrenzt. Wir hätten vom biologischen Nervensystem lernen sollen, künstliche neuronale Netzwerke aufzubauen, aber wenn wir nicht an die Blaupause des biologischen Nervensystems gelangen können, können wir nur verschiedene Arten neuronaler Netzwerke erstellen.

Die obige Abbildung zeigt, wie Neuronen in den vielen erfundenen neuronalen Netzwerken zu verschiedenen Strukturen verbunden sind.

Der Zweck des Aufbaus eines neuronalen Netzwerks besteht darin, Intelligenz zu erzeugen. Welche Art neuronales Netzwerk kann also Intelligenz erzeugen? Wie erzeugt man Intelligenz? Dies ist das Problem, das die konnektionistische Schule lösen möchte.

Maschinen können dem Gesetz des Überlebens des Stärkeren nicht entkommen

Abgeschlossen: 30 % //////////

Etwa in den 1980er Jahren schlugen mehrere Forschungsgruppen eine ähnliche Idee vor, die wir heute als Backpropagation-Algorithmus bezeichnen.

▲ Backpropagation-Algorithmus auf mehrschichtigem neuronalem Netzwerk (um 1985)

Sie sehen, das oben dargestellte neuronale Netzwerk ist eigentlich ein Netzwerk mit einer sehr einfachen Struktur. Es gilt als einfach, da seine Struktur vielschichtig ist. Jede vertikale Spalte ist eine Schicht von Neuronen, und die Neuronen zwischen zwei Schichten sind vollständig verbunden, d. h. jedes Neuron in der oberen Schicht ist mit allen Neuronen in der unteren Schicht verbunden. Eine solche Netzwerkstruktur ist für jeden leicht vorstellbar und sehr einfach.

Biologische neuronale Netzwerke sind viel komplexer, aber das ist noch lange nicht klar, sodass der Mensch solche einfachen künstlichen neuronalen Netzwerke derzeit nur nach seinem eigenen Verständnis entwerfen kann. Das oben genannte Netzwerk wird auch heute noch häufig verwendet.

Wie kann eine so einfache Struktur Intelligenz hervorbringen? Zu Beginn dieses Netzwerks sind alle neuronalen Verbindungen zufällig. Die linke Seite ist der Eingang und die rechte Seite der Ausgang. Wenn Sie die Gesichtserkennung jetzt abschließen möchten, geben Sie links ein Gesichtsbild ein und möchten rechts ausgeben, ob es sich um Zhang San oder Li Si handelt. Wenn Sie ein Bild wie dieses zufällig eingeben und es auffordern, den Namen einer Person auszugeben, kann es ohne Lernprozess keine korrekte Ausgabe durchführen.

Beispielsweise hoffen wir, dass es sich bei T1 gleich 1 um Zhang San handelt und bei T2 gleich 1 um Li Si. Wenn wir jedoch das Bild von Zhang San eingeben, ist es fast sicher, dass T1 nicht gleich 1 ist. Es spielt keine Rolle, ob es nicht gleich 1 ist oder nicht. Da wir möchten, dass T1 gleich 1 ist, wie groß ist der Unterschied zwischen T1 und 1? Dieser Unterschied kann durch Δ dargestellt werden. Um den Wert von T1 gleich 1 zu setzen, passt der Algorithmus das neuronale Netzwerk Schicht für Schicht rückwärts an, sodass sich der Stärkewert jeder vorherigen Verbindungsschicht ändert. Daher muss nach Abschluss jedes Trainings eine Anpassungsrunde durchgeführt werden. Nach wiederholtem Training und Anpassung kann die Maschine eine Erkennung durchführen.

Ich habe an dieser Art von neuronalem Netzwerk gearbeitet. Selbst bei einfachen Problemen wäre es gut, wenn ich es in drei Tagen und drei Nächten trainieren könnte, um ein vernünftiges Ergebnis zu erzielen.

Daher gibt es keine Regeln zur Gesichtserkennung. Seine Funktion wird nach vielen Anpassungsrunden schrittweise von einem Netzwerk übernommen.

Dies ist im Grunde die Idee hinter dem heutigen Training neuronaler Netzwerke. Die Ergebnisse, die wir schließlich erzielen, werden tatsächlich nach wiederholten Versuchen und dem Überleben des Stärkeren erreicht. Die Art und Weise, wie die Natur unser Gehirn trainiert, ist eigentlich derselbe Prozess. Im Laufe von Milliarden Jahren der Lebensentwicklung sind durch Versuch und Irrtum unzählige Leben ausgestorben.

▲ Im Jahr 2006 veröffentlichte Geoffrey Hinton einen Artikel über tiefe neuronale Netzwerke in Science

Im Jahr 2006 schlug der berühmte Wissenschaftler Geoffrey Hinton einen verbesserten Algorithmus vor: Nach einigen methodischen Verbesserungen am oben genannten neuronalen Netzwerk können gute Erkennungseffekte erzielt werden. Wir nennen es Deep Learning.

Was ist Deep Learning? Tiefe bezieht sich auf die Anzahl der Schichten in einem neuronalen Netzwerk. Das Beispiel, das ich gerade gegeben habe, hatte nur wenige Schichten, aber die heutigen neuronalen Netzwerke haben Hunderte oder sogar Tausende von Schichten. Lernen ist maschinelles Lernen, was bedeutet, es immer wieder zu versuchen und die Parameter ständig anzupassen, um schließlich eine Antwort zu erhalten, die den Wünschen der Menschen nahe kommt.

Daher ist Deep Learning der Prozess, durch wiederholte Versuche mit mehrschichtigen neuronalen Netzwerken Regelmäßigkeiten zu erreichen.

Dies ist eine universelle Methode, die viele Probleme lösen kann: Wenn Sie ein Gesicht eingeben, kann es schließlich als Zhang San oder Li Si erkannt werden, was Gesichtserkennung ist; Wenn Sie einen Satz eingeben, wird es schließlich jedes Wort einzeln verstehen. Dabei handelt es sich um Spracherkennung. Auch andere Datentypen unterschiedlicher Medien können diese Methode nutzen, um die Struktur hinter den Daten zu finden.

Die Fähigkeit, Muster und Strukturen hinter komplexen Phänomenen zu erkennen, ist das grundlegende Merkmal der Intelligenz. Tiefe Netzwerke können dies: Egal um welche Art von Daten es sich handelt, solange sie eine Struktur aufweisen, können tiefe Netzwerke die Struktur durch mehrere Versuche finden. So funktioniert Deep Learning im Grunde.

Wie können Maschinen menschliche Meister besiegen?

Abgeschlossen: 40 % //////////

Ein Beispiel für Deep Learning ist AlphaGo. Im Jahr 2016 besiegte das AlphaGo Go-System Lee Sedol. Wie hat es das gemacht? Vor dem Wettbewerb schlossen viele Menschen diese Möglichkeit aus, da sie glaubten, dass es für Computer unmöglich sei, Menschen zu besiegen. Denn die Idee hinter ihrer Schlussfolgerung ist Symbolik, d. h., sie sucht nach Möglichkeiten, Go zu spielen, indem sie der Maschine Regeln aufstellt.

▲ AlphaGo erlangt „Schachsinn“ durch visuelle Wahrnehmung

Computer sind dumm, aber sie rechnen schnell. Schnelles Rechnen löst das Problem nicht, denn es gibt zu viele Möglichkeiten in Go, so viele, dass heutige Computer, egal wie viele Zehntausende von Jahren sie im Einsatz sind, niemals in der Lage sein werden, die komplexen Rechenanforderungen zum Finden aller Züge zu erfüllen.

Es ist den Leuten jedoch unmöglich, alle Varianten von Go zu spielen und dann ihre Erfahrungen zusammenzufassen. Wie also fassen die Leute die Regeln eines begrenzten Schachspiels zusammen? Das ist tatsächlich das, was AlphaGo gelernt hat. Es sieht das Schachbrett als Bild.

Das Schachbrett ist mit nur 361 Punkten eigentlich nicht sehr groß und jeder Punkt hat nur drei Zustände: Schwarz, Weiß und Keine. Es ist also ein sehr einfaches Bild, viel einfacher als ein menschliches Gesicht.

Die Maschine sieht eine große Anzahl von Bildern und es ist klar, dass einige Bilder zum Gewinnen und andere zum Verlieren führen. Wir können diese Bilder also in die Maschine eingeben und ihr sagen: „Die Gewinnwahrscheinlichkeit ist höher, wenn diese Situation eintritt, und die Gewinnwahrscheinlichkeit ist niedriger, wenn diese Art von Bild erscheint.“ Obwohl sich die Gewinn- oder Verlustwahrscheinlichkeit nur geringfügig unterscheidet, können Sie die Regeln nach und nach beherrschen, wenn Sie mehr lernen.

Wenn AlphaGo also Go spielt, lernt sein neuronales Netzwerk, indem es die Go-Situation betrachtet und die darin enthaltenen Regelmäßigkeiten findet. Dieser Prozess ist derselbe wie bei der Mustererkennung in komplexen Daten und Dingen durch den Menschen.

Der Schachsinn, den AlphaGo erlernt hat, ist derselbe, den wir Menschen erlernt haben. Es gibt keinen Unterschied zwischen dem, was eine Maschine tut und dem, was ein Lebewesen tut. Wichtig ist jedoch, dass die Maschine über eine hohe Rechenleistung verfügt und mehr Schachfiguren und Schachpartien erkennen kann. Beispielsweise hat AlphaGo insgesamt 30 Millionen Spiele gegen sich selbst gespielt. Wenn der Mensch 100 Jahre alt wird, beträgt seine gesamte Lebensspanne 36.500 Tage. 30 Millionen Spiele entsprechen etwa 800 Go-Spielen pro Tag.

Menschen können von der Geburt bis zum Alter von 100 Jahren nicht jeden Tag 800 Partien Schach spielen, Maschinen hingegen schaffen dies in wenigen Monaten. Die Datenquelle, die es aus dem Schach bezieht, ist viel umfangreicher als die von Menschen gewonnenen, sodass es viele clevere Züge gefunden hat, die noch niemand ausprobiert hat. Das Ergebnis ist offensichtlich, dass es den Menschen besiegt.

▲ Im Januar 2019 gewann DeepMind AlphaStar alle Spiele gegen zwei Profispieler, einer davon war Mana, ein Top-Protoss-Spieler aus den Top 10 der Welt.

Neben dem Schachspielen können Maschinen auch viele andere Dinge tun, zum Beispiel Spiele spielen. Auch in einem Spiel wie StarCraft sind Gewinner und Verlierer sehr klar.

Obwohl es im gesamten Spiel viele Szenarien oder mögliche Entscheidungen gibt, handelt es sich im Allgemeinen um ein Szenario mit sehr klaren Regeln. Die Maschine kann außerdem aus dem Rollenraum vorteilhaftere Strategien finden und so ihre Fähigkeiten kontinuierlich verbessern. Mit einer ähnlichen Methode besiegten Maschinen im Jahr 2019 die besten Menschen.

▲ Am 21. Juni 2020 besiegte Qiyuan AI „Star Commander“ den nationalen Champion von „StarCraft I/II“ Huang Huiming (TooDming) und den dreimaligen Champion der Gold Finals Li Peinan (Time) mit zwei 2:0-Ergebnissen.

Dies ist ein Wettbewerb, der im Juni 2020 in Peking stattfand, bei dem zwei der besten StarCraft-Spieler Chinas gegen Maschinen antraten. Die von den Maschinen in diesem System verbrauchte Rechenleistung beträgt nur ein Zehntel der Rechenleistung vergleichbarer ausländischer Systeme, hat jedoch durch Verbesserungen der Algorithmen ein mit ausländischen Systemen vergleichbares Niveau erreicht. Ich war an diesem Tag dort und es besiegte fast ohne Spannung zwei menschliche Topmeister.

Warum müssen wir das Gehirn nachahmen, um intelligente Maschinen zu bauen?

Abgeschlossen: 50 % //////////

Aus dieser Perspektive scheint sich die maschinelle Intelligenz sehr schnell zu entwickeln und ist bereits fast unaufhaltsam. Maschinen können Schach spielen, StarCraft spielen und sogar komplexere Entscheidungen treffen. Wenn sich dieser Trend fortsetzt, werden Maschinen dann in der Lage sein, den Menschen zu übertreffen? Werden mit der Entwicklung großer Rechenleistung, großer Datenmengen usw. die Modelle immer größer und wird die künstliche Intelligenz dann eine rosige Zukunft haben? Eigentlich ist es das nicht.

Beispielsweise ist die Gesichtserkennung die erfolgreichste Anwendung künstlicher Intelligenz. Die Produkte vieler Unternehmen konzentrieren sich auf die Gesichtserkennung und wir begegnen Gesichtserkennung häufig in unserem täglichen Leben. Hat das heutige künstliche Intelligenzsystem also das Problem der Gesichtserkennung gelöst?

Die menschliche Fähigkeit, Gesichter zu erkennen, ist begrenzt. Insgesamt kann ein Mensch im Durchschnitt etwa 2.000 Gesichtskategorien unterscheiden. Glücklicherweise müssen wir in unserem Leben nicht so viele Menschen kennen und es reicht uns aus, die Gesichter von 2.000 Menschen unterscheiden zu können.

Bei der Gesichtserkennung beispielsweise geben wir ein Foto ein und fragen: Wo ist diese Person in dieser Millionenstadt aufgetaucht? Maschinen machen das besser als Menschen.

Allerdings hinken scheinbar leistungsstarke Systeme künstlicher Intelligenz dem Menschen bei der Ausführung einiger grundlegender Aufgaben noch weit hinterher.

Beispielsweise wurde die Person in der gestreiften Kleidung auf dem Bild oben von der Maschine erkannt, die Maschine konnte jedoch nicht erkennen, dass es sich bei der Person mit dem auf ihren Bauch geklebten Bild um einen Menschen handelte.

Wäre das Bild nicht auf den Kopf der Dame geklebt, könnte man sie leicht erkennen und identifizieren. Ist das Bild jedoch erst einmal hinzugefügt, weiß die Maschine nicht mehr, ob auf dem Bild eine Person oder ein Gesicht zu sehen ist.

Obwohl die Maschine also sehr leistungsfähig erscheint, weist sie tatsächlich große Schwächen auf und es besteht immer noch eine große Lücke zwischen ihr und dem menschlichen Sehvermögen.

Warum passiert das? Der Grund ist eigentlich ganz einfach. Da jede Intelligenz einen Träger hat, basiert Deep Learning auf künstlichen neuronalen Netzwerken und biologische Intelligenz auf biologischen neuronalen Netzwerken.

Heutige künstliche neuronale Netzwerke werden von biologischen neuronalen Netzwerken immer noch in den Schatten gestellt.

▲ Menschliches Sehsystem

Wie dieses Bild zeigt, befindet sich unser Sehsystem an der Rückseite unseres Kopfes und Signale von den Augen werden über die Sehnervenfasern an die Rückseite des Kopfes gesendet. Dieses visuelle System nimmt etwa ein Fünftel der Großhirnrinde ein und die Komplexität seines neuronalen Netzwerks übertrifft die künstlichen neuronalen Netzwerke aller heutigen Gesichtserkennungssysteme bei weitem. Daher ist es nicht überraschend, dass das biologische Sehen eine starke physikalische Grundlage und leistungsstarke Fähigkeiten hat.

Wenn Sie ein visuelles System schaffen möchten, das mit dem menschlichen Sehvermögen mithalten kann, müssen Sie ein künstliches neuronales Netzwerk schaffen, das mit dem neuronalen Netzwerk des menschlichen Sehvermögens vergleichbar ist.

Diese Idee ist eigentlich nicht neu. Die Leute haben darüber diskutiert, bevor das Konzept der künstlichen Intelligenz aufkam. Lassen Sie mich Ihnen zwei Beispiele nennen.

▲ Von Neumann

Die Computer, über die wir heute sprechen, werden Von-Neumann-Computer genannt, weil Von Neumann die Computerarchitektur definiert hat.

In der Zeit, als er die Computerarchitektur vorschlug, brachte er auch einen Standpunkt vor. Er glaubte, dass das einfachste vollständige Modell des biologischen Sehsystems das Sehsystem selbst sei. Wenn Sie es vereinfachen möchten, werden die Dinge nur komplizierter und nicht einfacher. Um eine bestimmte Art von Intelligenz zu realisieren, ist es daher notwendig, über die entsprechenden Maschinen und Strukturen zu verfügen, um diese Art von Intelligenz zu realisieren.

▲ Turing

Turing ist ein bekannterer Gelehrter und Computerexperte. Das Grundmodell unserer heutigen Computer wurde von Turing vorgeschlagen. Turing veröffentlichte 1950 eine Arbeit, die auch rückwirkend als die erste Arbeit über künstliche Intelligenz anerkannt wird. Weil das Konzept der künstlichen Intelligenz bereits 1956 aufkam und dieses Papier 1950 veröffentlicht wurde.

Turing fällte in dieser Arbeit ein sehr klares Urteil. Er glaubte, dass eine wirklich intelligente Maschine die Fähigkeit besitzen müsse, zu lernen. Der Weg zum Bau einer solchen Maschine besteht darin, zunächst eine Maschine zu entwickeln, die das Gehirn eines Kindes simuliert, und diese dann zu erziehen und zu trainieren. Nur durch Training mit Maschinen, die das kindliche Gehirn simulieren können, kann die erwartete Intelligenz erzeugt werden.

Warum Gehirnimitation? Warum muss es auf der Grundlage des Gehirns erfolgen? Menschen können auch versuchen, verschiedene neuronale Netzwerke zu erstellen und dann einige Probleme der realen Welt zu lösen, aber im Endeffekt ist die wirtschaftlichste Methode, das menschliche Gehirn als Kürbis zu verwenden, um die Schöpfkelle zu kopieren, und diese Schöpfkelle ist die maschinelle Intelligenz.

Warum biologische Gehirne als „Kürbisse“ verwenden? Weil es sich um eine Struktur handelt, die im Laufe von 3,5 Milliarden Jahren der Evolution und durch Versuch und Irrtum entwickelt wurde und deren Wirksamkeit bewiesen ist. Alles, was wir heute tun müssen, ist, diese Struktur zu verstehen und sie dann für die Entwicklung maschineller Intelligenz zu nutzen.

Das menschliche Gehirn ist in vielerlei Hinsicht sehr leistungsfähig. Obwohl er nur 25 Watt Energie verbraucht, kann er viel leistungsstärkere Dinge tun als unsere heutigen Großrechner. Die Erde hat den Preis für die Entwicklung des menschlichen Gehirns bereits bezahlt, daher handelt es sich um ein kostengünstiges, fertiges Nachschlagewerk.

Bauen Sie zuerst das Gehirn auf, dann erforschen Sie die Geheimnisse der Intelligenz

Abgeschlossen: 60 % //////////

Möglicherweise liegt hier ein Problem vor. Viele Experten sagen: „Das ist leicht gesagt, aber schwer getan. Kennen Sie die Mechanismen hinter dem Gehirn?“

Wie ich gerade sagte, ist das Gehirn die letzte Grenze der menschlichen Naturwissenschaften. Wann wird das Rätsel des Gehirns gelöst? Es ist in der Tat unvorhersehbar und es ist schwer zu sagen, ob es Hunderte oder Tausende von Jahren dauern wird.

Die vier Wörter „Maschinenintelligenz“ lassen sich jedoch in „Maschine“ und „Intelligenz“ unterteilen. Wenn wir an maschineller Intelligenz arbeiten, besteht der erste Schritt darin, die Maschine zu bauen, und der zweite Schritt darin, Intelligenz zu schaffen. Wir konzentrieren uns nicht nur auf Intelligenz, sondern müssen zunächst eine Maschine bauen, die leistungsstarke Intelligenz erzeugen kann. In erster Linie sollten wir uns um die Maschine, das Gehirn und die Struktur kümmern, die leistungsstarke Intelligenz hervorbringt, anstatt uns über die Denk- und Intelligenzmechanismen des Gehirns Gedanken zu machen. Wie erzeugt es Intelligenz? Das kam später.

Um dies nicht zu abstrakt zu machen, möchte ich Ihnen ein Beispiel geben. Wenn wir glauben würden, dass der Mensch zuerst die Prinzipien des Fliegens verstehen muss, bevor er eine Flugmaschine bauen kann, wäre er bis heute nicht in der Lage zu fliegen. Weil die Menschheit noch immer nicht alle Prinzipien des Fliegens verstanden hat.

Tatsächlich stellt sich der historische Entwicklungsprozess der Erfindung des Flugzeugs wie folgt dar: Als die Gebrüder Wright 1903 das Flugzeug erfanden, gab es überhaupt kein Flugprinzip. Erst 1939 entwickelten Qian Xuesen und von Karman eine echte Flugtheorie. In diesem Zeitraum von mehr als 30 Jahren gab es zwei Weltkriege, und Flugzeuge spielten dabei eine sehr wichtige Rolle.

Was ist also in der Zwischenzeit passiert? Tatsächlich erfanden die Gebrüder Wright das Flugzeug, indem sie sich die technischen Fortschritte des Industriezeitalters zunutze machten und sich auf Kraft und Experimente verließen, um ein mechanisches Gerät in den Himmel fliegen zu lassen. Weder die Gebrüder Wright noch die Welt verstanden, warum es flog, aber es geschah.

Es gab einen Mann namens von Karman, der sich strikt weigerte, dies zu glauben. Im Jahr 1908 schloss er mit anderen eine Wette ab: „Es ist für Menschen unmöglich, ein riesiges Gerät in den Himmel fliegen zu lassen und dabei noch Menschen darin zu halten.“ Erst als er dies in Paris mit eigenen Augen sah, beschloss er zu untersuchen, warum ein so schweres Gerät in den Himmel fliegen konnte. Er brauchte mehr als dreißig Jahre, um die Prinzipien des Fliegens zu entdecken und die Aerodynamik zu entwickeln.

Nach 1939 können wir auf der Grundlage der Prinzipien der Aerodynamik bessere, größere und leistungsstärkere Flugzeuge bauen. Das erste Flugzeug wurde jedoch nicht nach Prinzipien gebaut, sondern war eine bedeutende Erfindung der Menschheit.

In der Geschichte der Wissenschaft und Technik gibt es viele solcher Ereignisse. Der Kompass wurde beispielsweise während der Song-Dynastie in China erfunden. Damals kannten wir den Elektromagnetismus noch nicht, doch das hinderte uns nicht an der Erfindung des Kompasses. Ohne den Kompass gäbe es keine großen Reisen und es ist schwer zu sagen, ob wir den technologischen Fortschritt hätten, den wir heute haben.

Lassen Sie sich also nicht durch Prinzipien verwirren und denken Sie, Sie müssten die Prinzipien verstehen, bevor Sie etwas tun. Dies ist ein großes ideologisches Hindernis, das Innovationen behindert.

Intelligenz ist eigentlich dasselbe. Heute werden wir nicht auf die Prinzipien der Intelligenz oder die Geheimnisse des Gehirns eingehen. Wir müssen zunächst untersuchen, welche Art von Struktur Intelligenz hervorbringt, dann eine solche Maschine bauen, um Intelligenz zu realisieren, und dann das Geheimnis ihrer Entstehung erforschen.

Dies ist ein wertvolles Foto von von Karmans Lehrer und seinem Schüler Qian Xuesen. In seinen späteren Jahren brachte es von Karman einmal mit einem Satz auf den Punkt: „Wissenschaftler entdecken die bestehende Welt und Ingenieure erschaffen die zukünftige Welt.“

Die Objekte, die Wissenschaftler untersuchen, müssen existieren; Das Studium nicht existierender Objekte ist Metaphysik. Die Werke von Ingenieuren können auf wissenschaftlichen Prinzipien beruhen, doch die größten Ingenieure sind diejenigen, die etwas ohne Prinzipien schaffen können. Dies ist eine großartige Erfindung von 0 bis 1.

Entdeckung und Erfindung sind gleichermaßen wichtig. Manchmal führt eine Entdeckung zur Erfindung, und manchmal kommt zuerst die Erfindung und dann die wissenschaftliche Entdeckung. Was die maschinelle Intelligenz jetzt tun muss, ist, die Struktur des biologischen Nervensystems zu entdecken, nicht die Geheimnisse der biologischen Intelligenz zu lüften.

Welche Art von Struktur hinter der biologischen Intelligenz wollen wir also entdecken?

Es gibt nur wenige Arten von Modelltieren, die üblicherweise in der wissenschaftlichen Forschung verwendet werden. Das einfachste Beispiel ist der Fadenwurm, der nur 302 Neuronen hat. Es ist auf über 300 Neuronen angewiesen, um zu überleben, sich fortzupflanzen, wahrzunehmen und sich zu bewegen.

Der Zebrafisch ist ein etwas komplexerer Organismus als Fadenwürmer und wird heute ebenfalls häufig verwendet. Zebrafische haben bei ihrer Geburt nur Zehntausende von Neuronen, doch während ihres Wachstums nimmt ihre Anzahl weiter zu, bis hin zu Millionen. Zebrafische sind durchsichtig, sodass das Verhalten dieser Neuronen mithilfe optoelektronischer Instrumente genau beobachtet werden kann.

Etwas komplizierter ist die Situation bei der Fruchtfliege und dann bei der Säugetiermaus. Etwas komplexer als die Maus ist der Weißbüschelaffe, der mit etwa einer Milliarde Neuronen das kleinste Gehirn aller Primaten besitzt. Der komplexeste Organismus ist der Mensch. Das menschliche Gehirn verfügt über etwa 80 Milliarden Neuronen, also fast 100 Milliarden.

Verschiedene biologische neuronale Netzwerke weisen unterschiedliche Komplexitätsgrade auf, was zu einer Vielzahl intelligenter Verhaltensweisen führt.

Wann werden wir in der Lage sein, das biologische Gehirn zu analysieren und es als Blaupause für die Schaffung maschineller Intelligenz zu nutzen? Die Meinungen hierzu gehen auseinander.

Ich möchte die auf dem Global Brain Project Workshop im April 2016 vertretene Ansicht zitieren, in der es damals hieß: „Innerhalb von 10 Jahren hofft man, dass die Analyse der Gehirne von Tieren, unter anderem von Fruchtfliegen, Zebrafischen, Mäusen und Krallenaffen, abgeschlossen sein wird.“ Mit anderen Worten: In den nächsten zehn Jahren wird die Analyse biologischer Gehirne auch auf Primaten ausgedehnt werden.

Wann also werden die Menschen kommen? 20 Jahre? 30 Jahre? Es ist derzeit schwer, eine Antwort zu geben.

Aber im Allgemeinen müssen wir hierfür lediglich ein komplexes Objekt mithilfe modernster Techniken analysieren. Es gibt keine Frage, ob dies getan werden kann oder nicht, sondern nur, ob die technischen Mittel ausreichen. Obwohl es schwierig ist, die genaue Zeit zu sagen, kann es innerhalb weniger Jahrzehnte erreicht werden.

Genau wie die Kosten für das Testen des menschlichen Genoms am Anfang sehr hoch waren, aber heute sind die Kosten für das Testen menschlicher Gene möglicherweise nur einige hundert Dollar. Der technologische Fortschritt führt zu großen Fortschritten bei der Analyse der Gehirnstruktur.

In Richtung allgemeiner künstlicher Intelligenz

Abgeschlossen: 70 % //////////

Da Biologen die Struktur des biologischen Nervensystems analysieren können, besteht das Problem, mit dem Menschen, die in Informationen und künstlicher Intelligenz arbeiten, konfrontiert sind, ob sie einem elektronischen Gehirn folgen und eine intelligente Maschine erstellen können.

Tatsächlich macht die Welt in dieser Hinsicht schnelle Fortschritte. Im Jahr 2019 begann mein Land mit dem Bau einer wichtigen nationalen nationalen wissenschaftlichen und technologischen Einrichtung, der "multimodalen Kreuzungsanlage für biomedizinische Bildgebungsanlagen" in Huairou, Peking. Das Hauptziel dieser Einrichtung ist es, die neuronale Netzwerkstruktur des Gehirns zu analysieren.

Das schnelle astronomische Teleskop in Guizhou schaut auf unser großes Universum, während dieses System unser kleines Universum Lebewesens betrachtet.

Selbst wenn es sich nicht um ein menschliches Gehirn handelt, wäre es sehr nützlich, wenn wir Hunderttausende von Neuronen im Gehirn der Fruchtfliege produzieren könnten. Die heutigen Drohnen mögen mächtig aussehen, aber sie sind immer noch weit hinter Fruchtfliegen. Wenn wir ein Gehirn des Fruchtfliegens erstellen können, können die entsprechenden elektronischen Geräte tatsächlich viele praktische Probleme erfüllen.

In Bezug auf fahrerlose Autos sagen einige Leute, dass es in ein paar Jahren erfolgreich sein wird, während andere sagen, dass es jahrzehntelang nicht erfolgreich sein könnte. Das Hauptproblem hier ist, ob das treibende Gehirn die Umwelt sensibel wahrnehmen kann.

Wenn wir ein biologisches Gehirn schaffen könnten, wäre die Fähigkeit einer Maus, komplexe Räume wahrzunehmen, viel stärker als die heutigen fahrerlosen Autos. Wenn wir ein Maushirn herstellen können, reicht es aus, die Funktion des unbemannten Fahrens auszufüllen.

Wenn wir diese Gehirne mit hoher Präzision simulieren und dann die obige Intelligenz trainieren können, können wir viele Probleme der künstlichen Intelligenz lösen. Die Schritt-für-Schritt-Lösung dieser Probleme wird historische Fortschritte in Richtung allgemeiner künstlicher Intelligenz führen.

Die heutige künstliche Intelligenz ist eine schwache KI. Schwache künstliche Intelligenz wird auch als enge künstliche Intelligenz oder künstliche Intelligenz von besonderer Zwecke bezeichnet. Dieses intelligente System kann nur eine Sache erreichen. Ein intelligentes System, das alles tun kann, wird als allgemeines System für künstliches Intelligenz bezeichnet, das auch als starkes künstliches Intelligenzsystem bezeichnet wird.

Menschen sind natürlich starke künstliche Intelligenzsysteme. Wir wissen mehr als nur eine Sache. Solange wir lernen, können wir verschiedene Möglichkeiten lernen, Probleme zu lösen.

Unser zukünftiges Ziel ist es, ein allgemeines künstliches Intelligenzsystem zu schaffen. Wenn dieses System fertiggestellt werden kann, ist auch ein sehr kontroverses Thema, und verschiedene Personen haben sehr unterschiedliche Meinungen.

Im Januar 2015 gab es eine Konferenz über die Sicherheit der künstlichen Intelligenz mit dem Namen AI Safety. Es wurde eine Umfrage vor Ort an den Experten durchgeführt, die an der Konferenz teilnahmen, und sie bitten sie, vorherzusagen, wann allgemeine künstliche Intelligenz oder starke künstliche Intelligenz auftreten werden.

Setzen Sie ihre Antworten in Ordnung. Einige sagten 10 Jahre, 20 Jahre, 30 Jahre, 50 Jahre und einige sagten, es würde niemals passieren. Der Mittelpunkt der Prognose beträgt 2045, was bedeutet, dass diese Art von Intelligenz 30 Jahre nach 2015 geschaffen wird.

Ich habe an diesem Treffen nicht teilgenommen, aber meine Einschätzung ist ähnlich.

Vor dieser Konferenz habe ich einen Artikel mit dem Titel "Können Menschen ein Superhirn erzeugen?" Veröffentlicht? "Artikel. Tatsächlich lautete der Originaltitel des Artikels "Erstellen eines Superhirns", aber der Herausgeber befürchtete, dass er zu absolut sein könnte, also verwendete er einen Fragensatz. Der Artikel spricht darüber, wie wir ein elektronisches Gehirn konstruieren, das eine starke künstliche Intelligenz erzeugen kann. Ich mache auch diese Art von Arbeit, wenn ich wissenschaftliche Forschung betreibe.

Elektronische Augen 1.000 -mal schneller als menschliche Augen

Abgeschlossen: 80% ////////////

Ich habe nur gesagt, dass es Jahrzehnte dauern wird, um ein Gehirn zu klonen. Was können wir also in ein paar Jahren tun? In ein paar Jahren können wir nur an einem Teil des Gehirns arbeiten, insbesondere an den Augen, dem visuellen Teil.

Es gibt ein komplexes neuronales Netzwerk in unseren Augäpfeln. Es gibt mehr als 100 Millionen sensorische Neuronen in den Augäpfeln, von denen etwa 6 Millionen für feines Sehen verantwortlich sind. Dies sind die Neuronen, die wir verwenden, wenn wir auf etwas starren. Es heißt Macula oder Fovea. Es ist dieser Bereich, den wir simulieren.

Um diesen Bereich zu simulieren, müssen wir herausfinden, was dort vor sich geht. Daher müssen wir eine detaillierte strukturelle und funktionale Analyse jedes Neuronentyps darin erstellen und ihn dann auf einem Computer modellieren, um ihn zu reproduzieren. Das obige Bild zeigt die Struktur einer der Ganglienzellen und den Prozess, bei dem Nervenimpulse beim Empfangen von Signalstimulation emittiert werden.

Meine Forschungsgruppe analysiert, Modelle und reproduziert Neuronen nacheinander, und oft verbringt ein Doktorand mehrere Jahre damit, ein Neuron zu machen.

Es gibt ungefähr sechzig oder siebzig Arten von Neuronen im menschlichen Auge, und wir haben an etwa zehn von ihnen in der Fovea -Region gearbeitet. Indem wir diese Neuronen nach ihrer biologischen Struktur miteinander verbinden und ihnen die Lichtstimulation ermöglichen, können wir den Prozess der neuronalen Übertragungsschicht für Schicht sehen.

Das obige Bild zeigt, dass die Neuronen, die durch ein Bild stimuliert sind, gelbes Licht emittieren, dh Nervenimpulse emittieren und dann miteinander interagieren, um den Prozess der visuellen Stimulation darzustellen.

Zusätzlich zum Verständnis der Details des biologischen Nervensystems müssen wir auch ein elektronisches System erstellen, um die Funktionen des Organismus zu reproduzieren, also haben wir einen Chip entwickelt.

Dieser Chip wurde stark vereinfacht. Tatsächlich wurden alle Berechnungen hinter der obigen Animation alle Details des Organismus auf Tianhe-2 abgeschlossen. Der Chip, den wir gemacht haben, simulierte nur eine der Kernfunktionen.

Nachdem wir einen solchen Chip gemacht haben, können wir versuchen zu sehen, was dieses elektronische Auge sehen kann. Tatsächlich sind die von ihnen implementierenden Funktionen nicht komplizierter als das menschliche Auge. Sie sind nur eine Untergruppe der Funktionen des menschlichen Auges. Aber es gibt einen kleinen Unterschied. Es ist ein elektronisches System.

Das Nervensystem eines lebenden Organismus ist sehr komplex, aber der lebende Organismus ist ein langsames System. Die Anzahl der neuronalen Impulse, die zwischen zwei beliebigen Neuronen eines lebenden Organismus pro Sekunde übertragen werden können, beträgt normalerweise nur wenige bis zu Dutzende, und es darf nicht 100 überschreiten, aber die elektronischen Neuronen, die wir konstruieren, können Signale viel schneller übertragen.

Unsere erste Version des Chips hat 40.000 Impulse pro Sekunde. Unter der Annahme, dass die durchschnittliche biologische Zahl 40 beträgt, beträgt der Unterschied zwischen den beiden 1.000 -mal. Diese 1000-fache Geschwindigkeitsdifferenz bringt, dass dieses elektronische Auge den Hochgeschwindigkeitsbewegungsprozess erkennen kann.

Nachdem ein Fan gedreht wurde, kann das menschliche Auge die Details des Lüfters nicht sehen. Wenn Sie ein paar Buchstaben in die Lüfterblatt einfügen, können Sie deutlich sehen, wenn sich der Lüfter nicht dreht, aber Sie werden nicht klar sehen, wenn sich der Lüfter dreht.

Warum? Da die biologischen Augen ein langsames System sind, kann jedes Neuron jede Sekunde nur ein paar Impulse ins Gehirn schicken. Natürlich ist es unmöglich, den Hochgeschwindigkeitsprozess des Lüfters zu sehen, das Dutzende von Revolutionen pro Sekunde dreht.

Die elektronischen Augen sind 1.000 -mal schneller als menschliche Augen. Dafür ist die sogenannte Hochgeschwindigkeit nur ein sehr langsamer Betriebsprozess, sodass diese elektronischen Augen alle Details des Lüfters sehen können, wenn er sich dreht.

▲ Imitation Eye Hochgeschwindigkeitskamera und Erkennungssystem

Um zu beweisen, dass die elektronischen Augen es sehen können, haben wir einen Laser gekauft und ein Gerät erstellt, das die quadratische Struktur im obigen Bild ist. Was kann dieser Laser tun?

▲ Imitation Eye Hochgeschwindigkeitskamera und Erkennungssystem

Dies ist eine Szene der Verlangsamung um 1000 Mal. Das eigentliche Signal wird in Echtzeit freigesetzt, und niemand kann es deutlich sehen.

Nachdem der Lüfter gedreht wurde, wird unser Algorithmus auf einem Computer ausgeführt. Sie können einen beliebigen Brief auswählen, der obige PKU ist die Abkürzung der Peking University. Wenn Sie möchten, dass der Laser einen bestimmten Buchstaben wie "K" schlägt, wird der Laser nach dem Drücken der K -Taste direkt eine Reihe von Laserpunkten auf der Lüfterklinge treffen, in der das "K" eingefügt wird, was beweist, dass die elektronischen Augen es in Echtzeit sehen können.

Die Kosten für dieses System sind tatsächlich sehr niedrig und bestehen aus einer Kamera und einem Laptop, die wir selbst entworfen haben. In Zukunft wird der Laptop zu einem Chip und einem kleinen Gerätesystem, das eine hohe Geschwindigkeit erreichen kann. Dies ist der Vorteil der Nachahmung.

Wenn Sie einem herkömmlichen Computer eine Kamera hinzufügen, können Sie diesen Hochgeschwindigkeitsprozess ohne einen riesigen Schrank nicht durchführen.

Ist es möglich, dass ein Mensch-Maschine-Krieg stattfindet?

Abgeschlossen: 90% /////////////////

Wir stellen uns oft Maschinen und Roboter als Menschen vor, was eine falsche Idee ist. Zum Beispiel kämpfen in vielen Hollywood-Filmen Roboter und menschliche Helden oft gegenseitig, was für Menschen zu hochkarätig ist.

Die Augen von Maschinen sind 1.000 -mal schneller als Menschen oder sogar 10.000 -mal schneller. Seine mechanischen Bewegungen sind um ein Vielfaches höher als der Mensch, und das Phänomen von Maschinen, die gegen Menschen kämpfen, wird nicht passieren.

Wenn Sie der Maschine eine Kugel geben, kann sie sie leicht fangen. Es ist nicht nötig, sich gegenseitig mit Ihnen auf die Waffe zu schlagen. Bevor Ihre Waffe erhöht wird, kann der Roboter Sie mit nur einem Schlag auf den Boden schlagen. Dies sind also Menschen, die ihre eigenen Funktionen und Leistung auf Maschinen projizieren, was eigentlich nicht der Fall ist. Während sich die Maschine entwickelt, wird ihre Leistung unsere weit übertreffen.

Tesla sagte 1896 und sagte: "Ich denke, jeder Einfluss auf den menschlichen Geist sei nicht so gut wie ein Erfinder, der Zeuge des künstlichen Gehirns Wirklichkeit wurde."

Wenn das Gehirn durch künstliche, elektronische und photoelektrische Methoden verwirklicht wird, wird die Welt sich mit Erdschütteln verändert. Wie Menschen in Zukunft mit dieser zunehmend mächtigen Intelligenz expanieren, ist ein besonders herausforderndes Thema.

Einerseits erbt dieses super intelligente neuronale Netzwerk die Struktur des menschlichen Gehirns, so dass es mit uns im Einklang steht. Obwohl sein Denken viel schneller ist als unser, ist es nichts anderes als ein elektronisches Gehirn. Im Vergleich zu Außerirdischen haben wir zumindest die Möglichkeit, mit Superintelligence zu kommunizieren. Die mächtigen Maschinen, die wir machen, sind in gewissem Sinne unsere Nachkommen und Nachkommen der Menschheit.

Auf der anderen Seite ist Super Intelligence um ein Vielfaches schneller als unsere und wir können überhaupt nicht mithalten.

Musk machte eine Brain-Computer-Schnittstelle und glaubte, dass "Menschen keine Maschinen einholen können. Sie können also nicht direkt das biologische Nervensystem und die Maschine verbinden, um es zu verbessern?" Das klingt nach einer guten Idee, aber es ist wie die Beziehung zwischen einem Wagen: Eine Kutsche ist zehnmal schneller als eine Kutsche, aber es ist unmöglich, dass ein Wagen zusammen rennt. Sie sind einfach nicht synchron und können nicht zusammenarbeiten.

Sobald diese Maschine, die Menschen überschreitet, erscheint, sind die Herausforderungen, denen wir gegenüberstehen, großartig, und wir müssen darüber nachdenken, wie wir koexistieren und sich entwickeln können.

Natürlich denken auch viele Menschen über dieses Problem nach. Auf der AI -Sicherheitskonferenz 2015 wurde vorausgesagt, dass eine solche Maschine im Jahr 2045 erscheinen würde. Im Jahr 2019 fand eine weitere Konferenz mit dem Titel "Vorthipical AGI" statt, die "universelle künstliche Intelligenz für das Gute" ist. Das Thema der Konferenz war, dass nach dieser Intelligenz sie in Frieden mit der Menschheit leben konnte, und ich nahm auch an dieser Konferenz teil.

Im Jahr 2020 gab mir Professor Russell, einer der Teilnehmer dieser Konferenz, mir ein Vordruck des Buches "Ai New Life", das er offiziell veröffentlichen wird. Dieses Buch schlägt dem Menschen eine Möglichkeit vor, mit Maschinen zu koexistieren, die Menschen in der Leistung weit übertreffen.

Dies ist nur eine Methode, die er gestellt hat, und diese Frage ist eine offene Frage, über die Menschen wirklich nachdenken sollten. Vielleicht ist dies die größte Herausforderung für die Menschheit in den nächsten Jahrzehnten. Ich hoffe, jeder kann aufpassen und denken.

Danke!

- ENDE -

Die Artikel und Reden geben lediglich die Ansichten des Autors wieder und stellen nicht die Position des Gezhi Lundao Forums dar.

Es ist ursprünglich als "Selbstgezhi Lundao" bekannt und handelt sich um ein wissenschaftliches und kulturelles Forum, das von der chinesischen Akademie der Wissenschaften ins Leben gerufen wurde. Es wird gemeinsam vom Computer Network Information Center der chinesischen Akademie der Wissenschaften und des Science Communication Bureau der chinesischen Akademie der Wissenschaften gesponsert und von der China Science Popularization Expo moderiert. Wir engagieren uns für die grenzüberschreitende Verbreitung außergewöhnlicher Ideen und wollen im Geiste des „Erforschens und Suchens nach Wissen“ die Entwicklung von Wissenschaft und Technologie, Bildung, Leben und Zukunft erforschen. Willkommen bei Gezhi Ludaos offizieller Website: self.org.cn, WeChat Offizieller Konto: SelfTalks, Weibo: Gezhi Ludao Forum.