AI強人工智慧

⑴ 強人工智慧與通用人工智慧有什麼本質區別

1、強人工智慧和弱人工智慧
人工智慧的一個比較流行的定義，也是該領域較早的定義，是由當時麻省理工學院的約翰·麥卡錫在1956年的 達特矛斯會議上提出的：人工智慧就是要讓機器的行為看起來就像是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性。另一個定義指人工智慧是人造機器所表現出來的智能。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這里「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。
2、強人工智慧
強人工智慧觀點認為有可能製造出真正能推理和解決問題的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：類人的人工智慧，即機器的思考和推理就像人的思維一樣。非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式

3、弱人工智慧
弱人工智慧觀點認為不可能製造出能真正地推理和解決問題的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。
弱人工智慧是對比強人工智慧才出現的，因為人工智慧的研究一度處於停滯不前的狀態下，直到類神經網路有了強大的運算能力加以模擬後，才開始改變並大幅超前。但人工智慧研究者不一定同意弱人工智慧，也不一定在乎或者了解強人工智慧和弱人工智慧的內容與差別，對定義爭論不休。

就現下的人工智慧研究領域來看，研究者已大量造出看起來像是智能的機器，獲取相當豐碩的理論上和實質上的成果，如2009年康乃爾大學教授Hod Lipson 和其博士研究生Michael Schmidt 研發出的 Eureqa計算機程序，只要給予一些數據，這計算機程序自己只用幾十個小時計算就推論出牛頓花費多年研究才發現的牛頓力學公式，等於只用幾十個小時就自己重新發現牛頓力學公式，這計算機程序也能用來研究很多其他領域的科學問題上。這些所謂的弱人工智慧在神經網路發展下已經有巨大進步，但對於要如何集成成強人工智慧，現在還沒有明確定論。

4、對強人工智慧的哲學辯論

關於強人工智慧的爭論，不同於更廣義的一元論和二元論的爭論。其爭論要點是：如果一台機器的唯一工作原理就是轉換編碼數據，那麼這台機器是不是有思維的?希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是轉換數據，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和這實際事情之間的對應關系的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。

需要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在一百多年前是被認為很需要智能的。並且，即使強人工智慧被證明為可能的，也不代表強人工智慧必定能被研製出來。

⑵ 強人工智慧目前發展怎樣，有希望實現嗎

來源：知乎
人工智慧研究的歷史將近60年，在這幾年人工智慧的發展的快速推進，其中在以下三個方面已經取得了突破。

一是廉價的並行計算。要辨認某個口語詞彙，需要聽到所有音素以及它們之間的關系；要識別某張圖片，需要看到所有像素以及它們之間的關系。執行這種深度並行任務，需要建立一個神經網路。
2009年，吳恩達（現任網路首席科學家）和斯坦福大學的一個研究團隊，發現用於電子游戲的GPU晶元，可以並行運行神經網路。吳恩達開發的人工神經網路，看一周相關視頻，就能自主學會識別哪些是關於貓的視頻。如今，在GPU集群上運行神經網路，已成人工智慧的一項常規技術。
二是大數據。海量數據的收集，為人工智慧提供了訓練的條件。吳恩達說，建設人工智慧，就像造一艘火箭飛船，需要一個巨大的引擎和許多燃料。飛船的引擎是各種學習型演算法，燃料正是提供給這些演算法的大量數據。
第三大突破，當然就是更好的演算法。先是識別一隻眼睛，下一個層級是將雙眼歸在一組，再下一個層級是把雙眼和鼻子關聯在一起。識別一張人臉，需要疊加多達15個層級，每個層級可能都是百萬的節點。傑夫・辛頓的深度學習演算法，成為當下所有人工智慧產品的組成部分
我個人認為，在不久的將來，人工智慧將會滲透我們的生活，影響我們的點點滴滴，人工智慧、大數據、雲計算、物聯網、智能家居，將是我們必須面對，也是必須要接受的，建議大家有時間多看看人工智慧相關書籍，比如，李彥宏的智能革命，個人感覺非常不錯，也可以看下相關的智能科訊平台，比如，多智時代 ：http://oshidai.com ——引領智能變革,、雷峰網——讀懂智能&未來等等，讓我們一起迎接人工智慧時代的社會、經濟與文化變革，擁抱智能，暢享未來。

⑶ 當今世界，最強人工智慧是阿法嗎

自AlphaGo以5:0戰勝樊麾，又登上《自然》封面後，越來越多的人開始了解Google的人工智慧機器AlphaGo。姚晨等明星對於「人機大戰」的關注更是使其家喻戶曉。近日「阿法狗」又4:1戰勝職業圍棋選手李世石，躋身世界圍棋排名第四位，攻下了人類最後的驕傲——圍棋。
1997年是人類第一次敗給人工智慧，深藍以2勝1負3平戰勝國際象棋第一名卡斯帕羅夫。
深藍所運用的戰術是「蠻算」。它運用並行計算系統，有32個微處理器，可同時執行多個指令，以提高計算速度來解決大型復雜的計算問題。97年時深藍已經可以預測到12步之後，而卡斯帕羅夫只能預測到10步之後。憑借快速而又復雜的運算，深藍贏得了國際象棋世界第一的位置。
深藍說來並不算非常智能，但IBM公司的另一個超級電腦，深藍的同門師弟沃森則算是比較智能了。
沃森致力於深度自然語言處理技術的研究，建立與人類回答問題水平相當的計算系統。沃森也像深藍一樣輸入存儲了很多數據，但沃森具有邏輯推理的程序，可以推理出它認為最正確的答案。
與師兄相同，沃森也曾擊敗人類冠軍。沃森參加了智力問答節目《危險邊緣》對戰兩位人類冠軍且輕松取勝。不僅是由於沃森存儲了大量的數據，它可以在3秒內搜索上百萬條信息並用人類的語言來輸出處理結果，而且可以分析題目的含義，諷刺語氣等。還能根據自己的情況，擅長領域，對手實力等情況分析是否要選擇搶答。
但現有的人工智慧多是對於人類直觀思維的模擬研究，沃森就很難理解語言中的微妙含義，對於輸入的俚語等內容常分析錯誤導致濫用，堅持「中文屋」的哲學家塞爾認為沃森與其他電腦一樣，只能處理文字元號，並不能真正理解他們的含義。
深藍是做大規模的計算，是人類數學能力的體現，沃森是語言處理做到理解輸出人類語言的程度。家喻戶曉的阿法狗則是機器學習。
圍棋AI一直發展不順利，較強的業余選手都無法打敗，國際象棋中，平均每回合有35種可能，一盤棋可以有80回合；相比之下，圍棋每回合有361種落子，一盤棋可以長達150回合。這使得圍棋無法運用復雜的計算來獲勝。
阿法狗則選擇了模擬人類大師下棋。阿法狗有兩個「大腦」，通過「價值網路」來評估局勢，通過「策略網路」來選擇落子。「價值網路」主要是通過計算來評估預測贏棋的可能性，「策略網路」則包括對於大師棋局的學習，模擬。
深藍與阿法狗的不同正在於此，深藍只是計算評估，阿法狗卻可以通過對現有棋局的輸入來判斷各種情況下最適合的落子位置，再加以上萬次的自我對弈來強化學習，這也是許多人評價阿法狗和李世石的棋局中偶爾出現的具有前輩大師風范的落子出現的原因。
阿法狗的學習能力之強也讓許多人驚訝不已。在阿法狗剛剛戰勝樊麾時，當前世界排名第一的天才圍棋少年柯潔便感嘆在不清楚哪一方是AI的情況下根本看不出來與人類下棋風格有任何區別。當時柯潔認為阿法狗已經達到了高於業余略低於職業水平的階段，但今年阿法狗對戰職業九段選手李世石時卻以4:1完勝。僅僅幾個月卻提高了這么多，是普通人幾年甚至幾十年也做不到的。
阿法狗「大腦」所使用的神經網路也是對於人類的一個模擬，模擬人類的直覺思維，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。和人的神經系統相似，小個體聚集起來卻擁有復雜的功能。
阿法狗也有不擅長的，例如在與李世石對戰的五局之中，第三局才使用了一次「打劫」，十棋七劫，大師級別的棋局裡沒有出現「打劫」的情況是非常少見的，阿法狗卻連續兩局避免打劫，李世石沒用自己管用的「打劫」可能是因為打劫是需要計算之後的情況的，自認為算不過電腦而放棄。阿法狗不用卻是AI並不完美的原因。打劫主要依靠人的邏輯判斷，對於人類來說是一件簡單易理解的事情，對於AI來說邏輯是相當復雜的，需要在每一次都考慮打劫問題而使運算量翻很多倍，於是阿法狗盡量避免考慮打劫問題。
阿法狗的成功也讓許多人擔心會出現奴役人類的「天網」一樣的強人工智慧，而從深藍到「阿法狗」，人工智慧進步了多少？反對繼續發展AI。但目前的AI都是弱人工智慧，且都需要人工干預，並不能像人腦一樣獨立的輸入，處理，輸出數據。而且神經網路也是在模擬人類的直觀思維，抽象思維和直覺方面暫無研究，還有人類最復雜的情感也無從下手，對於自己大腦都只是一知半解的我們還無法涉足強人工智慧領域，至於擁有自我保護意識，反抗人類等情感的AI，應當是不會出現的吧。當一個AI完全獨立，不需要人工干預還可以干預人類生活時，它便需要考慮耗能問題了。我們總是長胖容易減肥難，胰島素分泌的同時胰高血糖素立刻停止分泌，方便多儲存能量，胰高血糖素分泌時，胰島素也同時分泌，來以防消耗的糖類過多，這些都是身體希望多儲存能量以供消耗。當AI需要考慮耗能問題時，估計就不會想要費很大力氣去壓迫消滅發展進化很多年同樣很智能的人類了。反正如果我是需要考慮耗能的強人工智慧，我一定節省能量不去做這種「中二」的事。

⑷ 強人工智慧和弱人工智慧該如何定義

強人工智慧就是我們經常在科幻電影動畫小說里所想像出的那種人工智慧。而弱人工智慧對於人工智慧的定義就寬泛多了。基本上能夠幫我們解決某些特定領域問題的，都可以算作是弱人工智慧。
按照定義，強人工智慧就是能夠執行「通用任務」（Generalized
Mission）的人工智慧：它能夠進行通常意義上的學習、推理、認知，解決並非特定領域的問題。按照普羅大眾的想像，它就是真正的人工智慧

超能查派。我們想像中的人工智慧是這樣的。
對於強人工智慧的判定，最著名的莫過於以計算機科學奠基人圖靈為名的「圖靈測試」。圖靈測試的問題很簡單：讓一個人面對兩個對象對話，其中一個對象是人工智慧，一個對象是人類；如果這個人不能成功的分辨出誰是機器，那麼就說明這個人工智慧通過了「圖靈測試」。
上世紀七八十年代強人工智慧的研究者發現他們要解決的通用的認知和推理過程是無法跨越的障礙。於是很多科學家和工程師們轉向了更加實用的，工程化的弱人工智慧研究。他們在這些領域取得了豐碩的成果：人工神經網路、支持向量機、甚至最簡單的線性回歸理論在足夠大的數據量和計算量支撐下，都可以獲得非常出色的結果——比方說識別人臉，或者識別字跡。於是這些弱人工智慧也迅速的應用到了我們的網路和生活的方方面面，從買東西，出門，網上訂餐，我們都用到這些人工智慧。
人工智慧終會與我們朝夕相處。

⑸ 強人類和超人工智慧區別

如果僅從理論上推盤演繹，人類的發展速度遠遠比不上人工智慧的發展速度，未來也許會消滅一些人類，這不是危言聳聽！

⑹ 強人工智慧的分類

強人工智慧可以有兩類：
類人的人工智慧，即機器的思考和推理就像人的思維一樣。
非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

⑺ 強人工智慧和超人工智慧，完成了之後，那麼下一個人工智慧，到底是什麼人工智慧呢難道是極速人工智慧還

在一個東西未發明之前，你無法想像新發明的東西具有什麼功能或者叫什麼名字？也許到時候會根據他的功能來命名。。。

也許下一個人工智慧，不會再有「人工」兩個字了，也許會是其他名字。。。又或者依然帶著人工兩個字，因為畢竟是人工發明的，但也許不是極速，而是具有感情了。。

一億的速度，和100億的速度，有什麼區別？大眾都疲憊了，你就算發明出一千億的速度，大眾依然是麻木的，見怪不怪了，只有感情，具備感情的人工智慧，才是下一階段最牛的東西。。。而不是速度。。。

⑻ 弱人工智慧，強人工智慧，超人工智慧 分別怎麼翻譯 不要自己翻，要官方版的

強人工智慧：BOTTOM-UP AI
弱人工智慧：TOP-DOWN AI

⑼ 強人工智慧為什麼有智能

強人工智慧觀點認為抄有可能製造出襲真正能推理（Reasoning）和解決問題（Problem_solving）的智能機器，在某種意義上可以看作一種新的文明。目前遠遠沒有達到
達到強人工智慧 機器就不需要人為設定程序了
現在的人工智慧都是人設定程序，但是效果都是通過數據來學習加強的，也就是人給了個框框，機器能學習經驗。