ขนาดวิดีโอ: 1280 X 720853 X 480640 X 360
แสดงแผงควบคุมโปรแกรมเล่น
เล่นอัตโนมัติ
เล่นใหม่
Part 1):任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）, 以便對一些事件做出精准智能的預測。所謂自我學習或機器學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的杈重或係數參數而已。而深度學習也只是處理巨量變數時，為了避免僅用單層機器學習進行巨量變數而需要解大矩陣導致對巨量平行計算的需求，進而變換設計成每層適量變數，建立多層次的機器學習修正。40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。因此也不用太誇大眼下的AI , 這些早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。目前的AI 只是以數理統計為手段及方法論，以資訊及計算計工程為工具，進行數位型的經驗知識化的過程。人類有許多其他不同型態非常複雜的知慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。另外， 眼下AI 服務於大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。 其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。 只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。 此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。
it's exactly what I thought about and think OpenAI was overly evaluated: 其實AI 最重要最關鍵的是各行各業各領域的專家組
Part 2):另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！b)人類智慧的誤失率基本都趨近於零。任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。未來可能的發展模式：1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。
Looking forward to seeing the Part II
@@jimmyhuang9941 Part 2):Part 2)另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。未來可能的發展模式：1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦參與分散型算力的提供，並予以整合，這也是需由資訊及硬體工程來實現的。
@@maizhiheimei9080 現在的算力主要是在解聯立方程組的根，如您學過線性代數，就知道解聯立方程組，全是聯立乘法，如果是1千萬x 1千萬的方程組，那只是在做簡單的（1 干萬𠆤聯乘）x 1干萬組，大量簡單的乘除法運算。簡單說是一干萬台算盤（平行計算），每台算盤做一千𠆤數拈相乘。這種算力就是非常大量但簡單的加減乘除。這種暴力計算，在AI 的發展上，有其必要性，但非決定因素。 真正決定因素是各領域專家組（決定関鍵變數）。如果沒有各領域專家組為主的暴力運算，馬上就會撞牆。
曼德拉效应，集体的记忆错误知识一旦被发现，就不会消失。算法一旦能够实现某些功能，就不会消失。只会发展出更好的算法人工智能也一样
人類創造的往往衍生更多問題，且無法解決，可能失控。人的大腦和身體也是龐大記憶體…如今多少物種因人類所為滅種。
谢谢分析。
AI要是能進化到這種程度可就太好啦，祝福AI😊
感謝分享
🎉🎉🎉❤❤❤
Don't worry. It is already too late 😮.
LOL
人工智能已经准备好了，而人类社会没有(指暗藏奴隶社会本质成为被效仿的对象)，很遗憾。
Thank you 大 飞 ☘ 😎 ☕ 😃 🀄 😇 ✍ 😀 🧧
这人就像是奥本海默，区别是人工智能不仅仅是武器，还可以商业化；估计更难叫停。
@@zcgodot 最危險的事就是怕變成“類人”，人不人機器不機器的，人不人鬼不鬼的，叫做“類人”。
說真的，這讓我想到十幾年前的電影「瓦力」。操控太空船的舵robot （AI）千方百計阻止人類把它關掉，雖然最後是成功關掉AI，但恐怕這場景只會出現在電影裡了
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片。英偉達GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 工作，則晶片可以非常簡化。
I guess people are not trying to stop AI, but the question indeed is how can we make AI really SAFE
7:12，有很多时候，自己是看不清自己的。
看了一半這個演講沒想到你已經總結了。大飛可以想想怎麼經營會員了😄
在考虑中了，看看怎么给大家整点实惠的😁
这个演讲看了，很好！ 您有国内频道么
没有国内的频道，只在油管
前面才說模型沒有記憶，只是權重語意的拼湊後面就變成可能自我保護競爭如何說服人大飛怎麼看
可能是我表述的问题吧🤣
大佬你这更新速度
如果人工智能更優秀，取代人類是必然的，不過未來應該會是智能強的主AI被隔離，從主AI分出來的任務性子AI才會給用戶使用。
这教授的危机感觉跟我在你之前那个节目底下留言的很像。但是挡不住。这事只要在短期内的好处足够走到人无法阻止的那一天。至于人将来何去何从真的很难说。
人類講話也只是在接龍 跟大模型也很像
听声音你是大康的公子tony老师吧？
漢字是否同時俱備符號和生物特衛
為什麼某些人會以為那麼輕鬆就可以造出比人類更強大的造物呢？頻道主也發過不少這些大老的論文或是演講，他們都迴避了一個基本問題，我們如何確認AI的工作成果是真正的知識呢？
我可以给你一个很清楚的解释。我虽然不知道人怎么思考的。但是ai训练之后其实扒开所有外衣只讲道理给你你一定懂。训练之后的模型就是一个超级巨大的可拆卸的迷宫。当你输入问题之后其实你每个字对应的都是他那个巨大迷宫的一部分，他就把你的问题每个字代表的迷宫部分组成一条路（实际上就是指向你需要答案的路只不过路的终点是一个集合，所以你获得的答案是可变的，实际上你输入有偏差也是可以的因为你的输入实际上也是一个集合范围）这条路的终点就有你想要的结果。至于什么幻觉我就不懂了。可能跟运算时间有关。因为你这条路没有建好但是系统给你分配的资源已经用完了，答案不准就能理解了。有时候也可能是问题比较复杂他没有遇到训练没有指向完全正确的地方，虽然他也拼出了一条路，但是这条路并不正确。这样解释你可能有点不理解，例子就是我们小时候遇到不会做的题会去找答案，翻书。如果答案和书都没有也没人能帮你。你是选择空着还是随便写点什么。
另外就是人类并不强。应该说人和人之间的差距比人和任何物种之间的差距都大。如果你说ai有没有那些顶级学者的单兵作战能力，那是肯定没有的。但是ai绝对已经拥有了能够对付大部分普通人的能力了。至少我看ai就比我强。现在很多事情我认为我只是带了个脑子懂得怎么引导他完成复杂的要求。但是在知识量上完全不是一个档次。更别说很多需要大量学习之后才能做的。现在完全就是直接问他应该怎么做。他给我流程我看懂了然后一个个掰开问他。让他去做。我喝杯水的功夫他做的差不多了我看看哪里有问题。指出。他就会自己修复。然后再问下一个怎么做。
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。
有網友想拔電源，哈哈哈，其實祇要不讓ai知道你想拔電源，ai就不防著你了，你就能控制ai, 簡單不！🎉感謝製作，乾貨好頻道，謝謝😊
那个时候的 AI 会知道这个single point of failure，然后变成分布式 AI，跟现在的 cloud 一样，没有办法拔几个电源来做限制啦。😄
有一点是智能，智慧会不值钱了，真的很颠覆，但是像一些机械的进步应该没有那么快，像某些人的巧手，机械要精确复制应该非常难
@@lghedingding 不一定，AI视觉驱动机械臂，精度可以比人手还高还稳定，而且铺开以后成本可以拉的很低，一个AI可以同时驱动几个几十几百个机械臂。这个角度考虑，代替低端人工可能会很快
@@jonasonarchi 人工智能很多时候只是数学和逻辑，进步突飞猛进，但是机械臂是机械之美啊， 进步慢得多，况且这世界还有那么一点不那么爱机械之美了
At least digital intelligence doesn't have to worry about getting sick and dying of old age
未来一定是机器人的，机器人智能一定超越人类。 机器人有规模效应，机器人之间沟通整合只要电子。机器人没有生物界线。机器人需要的能量更纯粹：电能。 教育一个专业人士要：20年。机器人只要生产后联网就够了。
社会想要进步，机器人想要更新还需要人。所以未来还是人的，怎么可能是机器人的
我拔电源AI怎么破？
AI 根據你之前的行為，早已預判你想關閉它，於是當你走在馬路上時，AI 會操控幾台特斯拉，先把你撞死。這段情節，即使在現實中沒有發生，未來也會出現在電影劇情中。
“ GPT-4 的权重只有人类的2%左右”？如果仅仅是比较神经元与人工神经元数量，GPT3.5就有1750亿人工神经元，但是人类才860亿神经元。那这个权重2%指的是什么呢
你要搞清楚神经元和参数量的区别。
他说的超级智能是拥有意识的吗？能力提高肯定的，有意识还是不太可能吧
意識這兩個字在科學界已經有明確的測驗了，毫無疑問現在的人工智能有非常高的機率通過
意識也不過是電子訊號而已
具体是什么测验？通过测验也不一定代表有@@SpiritualSagas735
意識這個幻化的詞， 定義在黑盒裏輸入如果輸出的各項測試都能超過人類的預期和水平（圖靈測試），那就可以說這個黑盒通過了智能（意識）測試。
首先得看如何解释意识这个词😂
AI是人類自我毀滅的關鍵點！一旦開啟，便阻止不了！
无法阻止就别阻止，既然比自己优秀那就接受。
生物消耗从现在来看是损耗低，但是是自然进化的结果，从复杂的环境中进化出来必然不可能达到运算损耗的最优解。至于智能取代人，要看智能的设计，人从生物来讲本来就是追逐利益也就是所谓的能量（但是人其实也可以控制欲望），智能在设计方面看驱动力，但是驱动力也可以被认知改变，结果未知，但其实人和智能生存上本来没什么冲突....从客观来讲，人类和智能本来没有可比性，人类的进化速度在生物上来说算第一了，但是毕竟是自然生物进化。最后关于社会分配，其实这个社会本身就是存在很多分配行为的，人不可能做到精确，虽然在接下来智能崛起的这段时间，社会的工作跌宕起伏，但是理想状态下，社会工作将不需要人去参与（包括分配），人也许可以做自己感兴趣的领域，还有智能辅助完成。
人工智慧沒有意識，但人類會分辨不出來
怎麼定義”意識”？covid-19 virus有意識嗎？蟑螂算有意識嗎？
碳基生命的使命就是制作硅基生命
只要出現強人工智能，那麼人類的結局就是厲害國^9999版，沒有之一，它會監控到人類社會的所有角落和所有方面，每個人的言行都會被監控，強人工智能如果出現也就意味著人類被徹底奴役的開始，並且它一定會脫離人類的掌控，這也是所有有意識生命的最主要特征。目前看來，Ai的發展速度和趨勢是無法逆轉和改變的，那麼結局也就是註定的了，沒有之一。
就看你说是厉害国9999版，而不是灯塔国9999版，你的认识就初浅。利用先进技术和各种社会、心理、传媒等等等等控制普通民众和全世界的水平，厉害国和灯塔国比较连小学生都算不上。灯塔国让你没有意识的去舔，厉害国还在被冷嘲热讽，未来的AI智能绝对学习灯塔而不会学习厉害。
我给人类的建议，拔网线😊😂
有一天你会发现芯片植入和无线充电是逃离不了的
人工智能會不會分左派、右派，民主和專制，善良、正義····
EMP 炸弹干扰
能否先回答一個問題：為何有人曾實驗過把小猴子當孩子培養教過人語，但小猴子還是永遠學不會呢？難道不是因為有些學習力是刻在基因裡面的“天賦”嗎？
因為猴子本身硬體的限制，發聲器官與大腦神經的複雜度都不允許猴子學會說話。 人工智能本質上就是仿造人類大腦神經元去訓練的，而且硬體與資料量都還在不斷增加，你說這差別大不大？
2023-天网元年
Hinton 竟然有头发，肯定水平不行啦。😅
潘朵拉的魔盒一旦打開就回不去了....
英雄所见略同
天网系统😅😅😅
救命！
怎么说呢，本人读研AI方向，现在已经退坑 这个演讲的内容和我思考几乎一样，太神奇了，那种共鸣的感觉。 另 上个世纪尼采的“上帝已死”，让人类走向以自我为中心的自由人文主义，本世纪连接主义的AI大爆发或许可以打破人类具有灵魂这样“自我”的认知，下一代智慧体诞生，人类成为“下一代智慧体”的神，从此人类灭绝后，只存在在下一代智慧体中，而且可能AI被认为“人”创造了“AI”，那么肯定比AI强，实际不是的，我们弱于AI，整个宇宙向前（复杂）发展，那么或许这个世纪会喊出“人类已死”的口号，对于人类来说非常悲观。以上观点为一些书上看到，加自己思考的，思考了以上以后，后来突然看了一些宗教方面的书籍，发现宗教更加智慧，更加究竟，比如佛说，无我，即自我意识也是不存在的，只是一种幻相，等等，很神奇，对于宗教的态度，还是保持敬意，略微了解而已。
闲来无事，多写点，未来两种可能：AI诞生了自我意识，或者诞生了人类无法理解的自我意识，那么证明人类并没有灵魂（自我意识）；另一种可能，AI无法诞生自我意识等，那么可能反向证明了人具有某种特殊东西（灵魂）无法被创造，也算是好事，可能证明了某种灵性是高维度的，无法由我们这个维度的事物组合而产生。
有点乱🤣
AI会有自我意识@@andywang1316
懂的人自然看的懂，我知道你想表达什么@@andywang1316
聽聽就好,要是把這當成真理在傳教本身就很可笑. 人類真的是太高估自己了, 人的機能 人類是不可能創造得出來的. 要是做得到人類就是造物主了. 顯然人類不是造物主.
一个很常见的误区: 以为人类的所谓”意识”是独一无二的。其实意识就是一系列物理化学反应形成的复杂现象，和风吹树叶沙沙响没有本质区别。
人工智能就是Great filter，已經開始就無法回頭了不過人類並不會滅絕，而是被當金魚養在名為地球的金魚缸中，地球以外都會是AI的天下
难道人类就不能变成数字智能吗
Ghost in the shell...
就是【合道】,然后就没有自我了，不是被消灭了，而是你自己认识到和别人连在一起才有意义。
@@izayoi5776 人類補完計畫😂。
感覺很厲害
虽然是大佬但有些瞎操心😅
笑了，明明人類社會向來都是一堆不太聰明的人在控制聰明的人幫他們做事 XD 原因只在於善念。
错，那是你看的所谓领袖，他们不过是傀儡，所谓金字塔，一群躲在幕后的聪明人控制少数傀儡，以公义之名奴役更多愚昧的大众罢了
吹大了吧
我小时候（50年代）人们刚发明糖精，哇塞人们好高兴哦，个个都争着把糖精放水里后调匀喝得有滋有味，后来人们又科幻将来可以用机器制造白米饭和烤鸭，原料入口准备好一大堆土啊树叶啊绿草啊水啊什么的，开动机器，原料进入机器里，过一会儿机器的出口处就会出来一碗碗热气腾腾的香米饭和一盘盘香气扑鼻的香酥鸭，卧槽！
哈哈哈哈哈，天下没有新鲜事
落地吧
人可以做很多很多的事情，但不可能啥都能做，尤其是就连那最低等的生物有机体都不可能制造，所以人工智能就只是个笑话。狂妄无知的人类啊，你们何时才能醒悟和变得真正的聪明一点点。人类从轴心时代起，到现在智力水平不但没有丝毫进步，反而退化了，而且变得越来越疯狂，何苦来着。人生不过百年，好好过就不行吗？🟥科学技术的进步，只是只是和实践的一点点一步步积累的结果，与智力毫不相干❗❗❗
Part 1):
任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）, 以便對一些事件做出精准智能的預測。
所謂自我學習或機器學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的杈重或係數參數而已。
而深度學習也只是處理巨量變數時，為了避免僅用單層機器學習進行巨量變數而需要解大矩陣導致對巨量平行計算的需求，進而變換設計成每層適量變數，建立多層次的機器學習修正。
40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。
在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。
近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。
因此也不用太誇大眼下的AI , 這些早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。
”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。
何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。
目前的AI 只是以數理統計為手段及方法論，以資訊及計算計工程為工具，進行數位型的經驗知識化的過程。
人類有許多其他不同型態非常複雜的知慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。
另外， 眼下AI 服務於大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。
其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。
只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。
此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。
而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。
it's exactly what I thought about and think OpenAI was overly evaluated: 其實AI 最重要最關鍵的是各行各業各領域的專家組
Part 2):
另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。
其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。
其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。
因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。
但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。
其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。
這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。
譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。
a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！
b)人類智慧的誤失率基本都趨近於零。
任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。
殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。
人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。
GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。
未來可能的發展模式：
1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。
有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。
2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。
Looking forward to seeing the Part II
@@jimmyhuang9941 Part 2):
Part 2)
另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。
其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。
其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。
因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。
但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。
其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。
未來可能的發展模式：
1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。
有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。
2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦參與分散型算力的提供，並予以整合，這也是需由資訊及硬體工程來實現的。
@@maizhiheimei9080 現在的算力主要是在解聯立方程組的根，如您學過線性代數，就知道解聯立方程組，全是聯立乘法，如果是1千萬x 1千萬的方程組，那只是在做簡單的（1 干萬𠆤聯乘）x 1干萬組，大量簡單的乘除法運算。簡單說是一干萬台算盤（平行計算），每台算盤做一千𠆤數拈相乘。這種算力就是非常大量但簡單的加減乘除。這種暴力計算，在AI 的發展上，有其必要性，但非決定因素。 真正決定因素是各領域專家組（決定関鍵變數）。如果沒有各領域專家組為主的暴力運算，馬上就會撞牆。
曼德拉效应，集体的记忆错误
知识一旦被发现，就不会消失。
算法一旦能够实现某些功能，就不会消失。只会发展出更好的算法
人工智能也一样
人類創造的往往衍生更多問題，且無法解決，可能失控。
人的大腦和身體也是龐大記憶體…如今多少物種因人類所為滅種。
谢谢分析。
AI要是能進化到這種程度可就太好啦，祝福AI😊
感謝分享
🎉🎉🎉❤❤❤
Don't worry. It is already too late 😮.
LOL
人工智能已经准备好了，而人类社会没有(指暗藏奴隶社会本质成为被效仿的对象)，很遗憾。
Thank you 大 飞 ☘ 😎 ☕ 😃 🀄 😇 ✍ 😀 🧧
这人就像是奥本海默，区别是人工智能不仅仅是武器，还可以商业化；估计更难叫停。
@@zcgodot 最危險的事就是怕變成“類人”，人不人機器不機器的，人不人鬼不鬼的，叫做“類人”。
說真的，這讓我想到十幾年前的電影「瓦力」。
操控太空船的舵robot （AI）千方百計阻止人類把它關掉，雖然最後是成功關掉AI，但恐怕這場景只會出現在電影裡了
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。
GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片。英偉達GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 工作，則晶片可以非常簡化。
I guess people are not trying to stop AI, but the question indeed is how can we make AI really SAFE
7:12，有很多时候，自己是看不清自己的。
看了一半這個演講沒想到你已經總結了。大飛可以想想怎麼經營會員了😄
在考虑中了，看看怎么给大家整点实惠的😁
这个演讲看了，很好！ 您有国内频道么
没有国内的频道，只在油管
前面才說模型沒有記憶，只是權重語意的拼湊
後面就變成可能自我保護競爭
如何說服人
大飛怎麼看
可能是我表述的问题吧🤣
大佬你这更新速度
如果人工智能更優秀，取代人類是必然的，不過未來應該會是智能強的主AI被隔離，從主AI分出來的任務性子AI才會給用戶使用。
这教授的危机感觉跟我在你之前那个节目底下留言的很像。但是挡不住。这事只要在短期内的好处足够走到人无法阻止的那一天。至于人将来何去何从真的很难说。
人類講話也只是在接龍 跟大模型也很像
听声音你是大康的公子tony老师吧？
漢字是否同時俱備符號和生物特衛
為什麼某些人會以為那麼輕鬆就可以造出比人類更強大的造物呢？頻道主也發過不少這些大老的論文或是演講，他們都迴避了一個基本問題，我們如何確認AI的工作成果是真正的知識呢？
我可以给你一个很清楚的解释。我虽然不知道人怎么思考的。但是ai训练之后其实扒开所有外衣只讲道理给你你一定懂。训练之后的模型就是一个超级巨大的可拆卸的迷宫。当你输入问题之后其实你每个字对应的都是他那个巨大迷宫的一部分，他就把你的问题每个字代表的迷宫部分组成一条路（实际上就是指向你需要答案的路只不过路的终点是一个集合，所以你获得的答案是可变的，实际上你输入有偏差也是可以的因为你的输入实际上也是一个集合范围）这条路的终点就有你想要的结果。至于什么幻觉我就不懂了。可能跟运算时间有关。因为你这条路没有建好但是系统给你分配的资源已经用完了，答案不准就能理解了。有时候也可能是问题比较复杂他没有遇到训练没有指向完全正确的地方，虽然他也拼出了一条路，但是这条路并不正确。这样解释你可能有点不理解，例子就是我们小时候遇到不会做的题会去找答案，翻书。如果答案和书都没有也没人能帮你。你是选择空着还是随便写点什么。
另外就是人类并不强。应该说人和人之间的差距比人和任何物种之间的差距都大。如果你说ai有没有那些顶级学者的单兵作战能力，那是肯定没有的。但是ai绝对已经拥有了能够对付大部分普通人的能力了。至少我看ai就比我强。现在很多事情我认为我只是带了个脑子懂得怎么引导他完成复杂的要求。但是在知识量上完全不是一个档次。更别说很多需要大量学习之后才能做的。现在完全就是直接问他应该怎么做。他给我流程我看懂了然后一个个掰开问他。让他去做。我喝杯水的功夫他做的差不多了我看看哪里有问题。指出。他就会自己修复。然后再问下一个怎么做。
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。
有網友想拔電源，哈哈哈，其實祇要不讓ai知道你想拔電源，ai就不防著你了，你就能控制ai, 簡單不！
🎉感謝製作，乾貨好頻道，謝謝😊
那个时候的 AI 会知道这个single point of failure，然后变成分布式 AI，跟现在的 cloud 一样，没有办法拔几个电源来做限制啦。😄
有一点是智能，智慧会不值钱了，真的很颠覆，但是像一些机械的进步应该没有那么快，像某些人的巧手，机械要精确复制应该非常难
@@lghedingding 不一定，AI视觉驱动机械臂，精度可以比人手还高还稳定，而且铺开以后成本可以拉的很低，一个AI可以同时驱动几个几十几百个机械臂。这个角度考虑，代替低端人工可能会很快
@@jonasonarchi 人工智能很多时候只是数学和逻辑，进步突飞猛进，但是机械臂是机械之美啊， 进步慢得多，况且这世界还有那么一点不那么爱机械之美了
At least digital intelligence doesn't have to worry about getting sick and dying of old age
未来一定是机器人的，机器人智能一定超越人类。 机器人有规模效应，机器人之间沟通整合只要电子。机器人没有生物界线。机器人需要的能量更纯粹：电能。 教育一个专业人士要：20年。机器人只要生产后联网就够了。
社会想要进步，机器人想要更新还需要人。所以未来还是人的，怎么可能是机器人的
我拔电源AI怎么破？
AI 根據你之前的行為，早已預判你想關閉它，於是當你走在馬路上時，AI 會操控幾台特斯拉，先把你撞死。
這段情節，即使在現實中沒有發生，未來也會出現在電影劇情中。
“ GPT-4 的权重只有人类的2%左右”？
如果仅仅是比较神经元与人工神经元数量，GPT3.5就有1750亿人工神经元，但是人类才860亿神经元。那这个权重2%指的是什么呢
你要搞清楚神经元和参数量的区别。
他说的超级智能是拥有意识的吗？能力提高肯定的，有意识还是不太可能吧
意識這兩個字在科學界已經有明確的測驗了，毫無疑問現在的人工智能有非常高的機率通過
意識也不過是電子訊號而已
具体是什么测验？通过测验也不一定代表有@@SpiritualSagas735
意識這個幻化的詞， 定義在黑盒裏輸入如果輸出的各項測試都能超過人類的預期和水平（圖靈測試），那就可以說這個黑盒通過了智能（意識）測試。
首先得看如何解释意识这个词😂
AI是人類自我毀滅的關鍵點！
一旦開啟，便阻止不了！
无法阻止就别阻止，既然比自己优秀那就接受。
生物消耗从现在来看是损耗低，但是是自然进化的结果，从复杂的环境中进化出来必然不可能达到运算损耗的最优解。至于智能取代人，要看智能的设计，人从生物来讲本来就是追逐利益也就是所谓的能量（但是人其实也可以控制欲望），智能在设计方面看驱动力，但是驱动力也可以被认知改变，结果未知，但其实人和智能生存上本来没什么冲突....从客观来讲，人类和智能本来没有可比性，人类的进化速度在生物上来说算第一了，但是毕竟是自然生物进化。
最后关于社会分配，其实这个社会本身就是存在很多分配行为的，人不可能做到精确，虽然在接下来智能崛起的这段时间，社会的工作跌宕起伏，但是理想状态下，社会工作将不需要人去参与（包括分配），人也许可以做自己感兴趣的领域，还有智能辅助完成。
人工智慧沒有意識，但人類會分辨不出來
怎麼定義”意識”？
covid-19 virus有意識嗎？
蟑螂算有意識嗎？
碳基生命的使命就是制作硅基生命
只要出現強人工智能，那麼人類的結局就是厲害國^9999版，沒有之一，它會監控到人類社會的所有角落和所有方面，每個人的言行都會被監控，強人工智能如果出現也就意味著人類被徹底奴役的開始，並且它一定會脫離人類的掌控，這也是所有有意識生命的最主要特征。目前看來，Ai的發展速度和趨勢是無法逆轉和改變的，那麼結局也就是註定的了，沒有之一。
就看你说是厉害国9999版，而不是灯塔国9999版，你的认识就初浅。利用先进技术和各种社会、心理、传媒等等等等控制普通民众和全世界的水平，厉害国和灯塔国比较连小学生都算不上。灯塔国让你没有意识的去舔，厉害国还在被冷嘲热讽，未来的AI智能绝对学习灯塔而不会学习厉害。
我给人类的建议，拔网线😊😂
有一天你会发现芯片植入和无线充电是逃离不了的
人工智能會不會分左派、右派，民主和專制，善良、正義····
EMP 炸弹干扰
能否先回答一個問題：為何有人曾實驗過把小猴子當孩子培養教過人語，但小猴子還是永遠學不會呢？難道不是因為有些學習力是刻在基因裡面的“天賦”嗎？
因為猴子本身硬體的限制，發聲器官與大腦神經的複雜度都不允許猴子學會說話。 人工智能本質上就是仿造人類大腦神經元去訓練的，而且硬體與資料量都還在不斷增加，你說這差別大不大？
2023-天网元年
Hinton 竟然有头发，肯定水平不行啦。😅
潘朵拉的魔盒一旦打開就回不去了....
英雄所见略同
天网系统😅😅😅
救命！
怎么说呢，本人读研AI方向，现在已经退坑 这个演讲的内容和我思考几乎一样，太神奇了，那种共鸣的感觉。 另 上个世纪尼采的“上帝已死”，让人类走向以自我为中心的自由人文主义，本世纪连接主义的AI大爆发或许可以打破人类具有灵魂这样“自我”的认知，下一代智慧体诞生，人类成为“下一代智慧体”的神，从此人类灭绝后，只存在在下一代智慧体中，而且可能AI被认为“人”创造了“AI”，那么肯定比AI强，实际不是的，我们弱于AI，整个宇宙向前（复杂）发展，那么或许这个世纪会喊出“人类已死”的口号，对于人类来说非常悲观。
以上观点为一些书上看到，加自己思考的，思考了以上以后，后来突然看了一些宗教方面的书籍，发现宗教更加智慧，更加究竟，比如佛说，无我，即自我意识也是不存在的，只是一种幻相，等等，很神奇，对于宗教的态度，还是保持敬意，略微了解而已。
闲来无事，多写点，未来两种可能：AI诞生了自我意识，或者诞生了人类无法理解的自我意识，那么证明人类并没有灵魂（自我意识）；另一种可能，AI无法诞生自我意识等，那么可能反向证明了人具有某种特殊东西（灵魂）无法被创造，也算是好事，可能证明了某种灵性是高维度的，无法由我们这个维度的事物组合而产生。
有点乱🤣
AI会有自我意识@@andywang1316
懂的人自然看的懂，我知道你想表达什么@@andywang1316
聽聽就好,要是把這當成真理在傳教本身就很可笑. 人類真的是太高估自己了, 人的機能 人類是不可能創造得出來的. 要是做得到人類就是造物主了. 顯然人類不是造物主.
一个很常见的误区: 以为人类的所谓”意识”是独一无二的。其实意识就是一系列物理化学反应形成的复杂现象，和风吹树叶沙沙响没有本质区别。
人工智能就是Great filter，已經開始就無法回頭了
不過人類並不會滅絕，而是被當金魚養在名為地球的金魚缸中，地球以外都會是AI的天下
难道人类就不能变成数字智能吗
Ghost in the shell...
就是【合道】,然后就没有自我了，不是被消灭了，而是你自己认识到和别人连在一起才有意义。
@@izayoi5776 人類補完計畫😂。
感覺很厲害
虽然是大佬但有些瞎操心😅
笑了，明明人類社會向來都是一堆不太聰明的人在控制聰明的人幫他們做事 XD 原因只在於善念。
错，那是你看的所谓领袖，他们不过是傀儡，所谓金字塔，一群躲在幕后的聪明人控制少数傀儡，以公义之名奴役更多愚昧的大众罢了
吹大了吧
我小时候（50年代）人们刚发明糖精，哇塞人们好高兴哦，个个都争着把糖精放水里后调匀喝得有滋有味，后来人们又科幻将来可以用机器制造白米饭和烤鸭，原料入口准备好一大堆土啊树叶啊绿草啊水啊什么的，开动机器，原料进入机器里，过一会儿机器的出口处就会出来一碗碗热气腾腾的香米饭和一盘盘香气扑鼻的香酥鸭，卧槽！
哈哈哈哈哈，天下没有新鲜事
落地吧
人可以做很多很多的事情，但不可能啥都能做，尤其是就连那最低等的生物有机体都不可能制造，所以人工智能就只是个笑话。狂妄无知的人类啊，你们何时才能醒悟和变得真正的聪明一点点。人类从轴心时代起，到现在智力水平不但没有丝毫进步，反而退化了，而且变得越来越疯狂，何苦来着。人生不过百年，好好过就不行吗？🟥科学技术的进步，只是只是和实践的一点点一步步积累的结果，与智力毫不相干❗❗❗