人工智能 - 版本历史

薄荷：/* 人工智能的局限性 */

2021-08-08T12:41:34Z

人工智能的局限性

2021年8月8日 (日) 09:51 薄荷

2021-08-08T09:51:33Z

2021年8月8日 (日) 09:50 薄荷

2021-08-08T09:50:37Z

薄荷：/* 《人工智能简史》 */

2021-08-08T09:48:19Z

《人工智能简史》

薄荷：/* [https://campus.swarma.org/course/1775 ] */

2021-08-08T09:47:05Z

[https://campus.swarma.org/course/1775 ]

薄荷：/* 编者推荐 */

2021-08-08T09:46:07Z

编者推荐

薄荷：/* 应用 */

2021-08-08T09:32:49Z

应用

薄荷：/* 应用 */

2021-08-08T09:32:44Z

应用

2021年8月8日 (日) 09:32 薄荷

2021-08-08T09:32:21Z

薄荷：/* 深层前馈神经网络 */

2021-08-08T09:30:37Z

深层前馈神经网络

@@ 第468行： / 第468行： @@
-''哥德尔的论点'':哥德尔本人 、John Lucas（在1961年——和Roger Penrose（在1989年以后的一个更详细的争论中）提出了高度技术性的观点，认为人类数学家可以看到他们自己的“'''哥德尔不完备定理 Gödel Satements'''”的真实性，因此计算能力超过机械图灵机。然而，也有一些人不同意“哥德尔不完备定理”。<ref>{{cite web|author1=Graham Oppy|title=Gödel's Incompleteness Theorems|url=http://plato.stanford.edu/entries/goedel-incompleteness/#GdeArgAgaMec|website=Stanford Encyclopedia of Philosophy|accessdate=27 April 2016|date=20 January 2015|quote=These Gödelian anti-mechanist arguments are, however, problematic, and there is wide consensus that they fail.}}</ref><ref>{{cite book|author1=Stuart J. Russell|author2=Peter Norvig|title=Artificial Intelligence: A Modern Approach|date=2010|publisher=Prentice Hall|location=Upper Saddle River, NJ|isbn=978-0-13-604259-4|edition=3rd|chapter=26.1.2: Philosophical Foundations/Weak AI: Can Machines Act Intelligently?/The mathematical objection|quote=even if we grant that computers have limitations on what they can prove, there is no evidence that humans are immune from those limitations.|}}</ref><ref>Mark Colyvan. An introduction to the philosophy of mathematics. Cambridge University Press, 2012. From 2.2.2, 'Philosophical significance of Gödel's incompleteness results': "The accepted wisdom (with which I concur) is that the Lucas-Penrose arguments fail."</ref>
+''哥德尔的论点'':哥德尔本人 、John Lucas和Roger Penrose（在1989年以后的一个更详细的争论中）提出了高度技术性的观点，认为人类数学家可以看到他们自己的“'''哥德尔不完备定理 Gödel Satements'''”的真实性，因此计算能力超过机械图灵机。然而，也有一些人不同意“哥德尔不完备定理”。<ref>{{cite web|author1=Graham Oppy|title=Gödel's Incompleteness Theorems|url=http://plato.stanford.edu/entries/goedel-incompleteness/#GdeArgAgaMec|website=Stanford Encyclopedia of Philosophy|accessdate=27 April 2016|date=20 January 2015|quote=These Gödelian anti-mechanist arguments are, however, problematic, and there is wide consensus that they fail.}}</ref><ref>{{cite book|author1=Stuart J. Russell|author2=Peter Norvig|title=Artificial Intelligence: A Modern Approach|date=2010|publisher=Prentice Hall|location=Upper Saddle River, NJ|isbn=978-0-13-604259-4|edition=3rd|chapter=26.1.2: Philosophical Foundations/Weak AI: Can Machines Act Intelligently?/The mathematical objection|quote=even if we grant that computers have limitations on what they can prove, there is no evidence that humans are immune from those limitations.|}}</ref><ref>Mark Colyvan. An introduction to the philosophy of mathematics. Cambridge University Press, 2012. From 2.2.2, 'Philosophical significance of Gödel's incompleteness results': "The accepted wisdom (with which I concur) is that the Lucas-Penrose arguments fail."</ref>
@@ 第475行： / 第475行： @@
 ''AI效应'': 机器本来就是智能的，但是观察者却没有意识到这一点。当深蓝在国际象棋比赛中击败加里 · 卡斯帕罗夫时，机器就在做出智能行为。然而，旁观者通常对AI程序的行为不屑一顾，认为它根本不是“真正的”智能; 因此，“真正的”智能就是人任何类能够做到但机器仍然做不到的智能行为。这就是众所周知的AI效应: “AI就是一切尚未完成的事情"。
 ===潜在危害===

@@ 第825行： / 第825行： @@
 ----
-本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[[用户:薄荷|薄荷]][[用户:AvecSally|AvecSally]]、编辑，如有问题，欢迎在讨论页面留言。
+本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[[用户:薄荷|薄荷]]、[[用户:AvecSally|AvecSally]]、[[用户:唐糖糖|糖糖]]编辑，如有问题，欢迎在讨论页面留言。
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

@@ 第825行： / 第825行： @@
 ----
-本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[[用户:唐糖糖|糖糖]]、[[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。
+本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[[用户:薄荷|薄荷]][[用户:AvecSally|AvecSally]]、编辑，如有问题，欢迎在讨论页面留言。
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

@@ 第825行： / 第825行： @@
 ----
-本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[用户:唐糖糖|糖糖]]、[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。
+本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[[用户:唐糖糖|糖糖]]、[[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

@@ 第806行： / 第806行： @@
-====[https://campus.swarma.org/course/1775 ]====
+====[https://campus.swarma.org/course/1775 面向复杂系统的人工智能读书会]====
 该读书会的目的是通过闭门分享讨论的形式，将为大家提供更加沉浸，深度，自由的交流环境。帮助大家了解面向复杂系统的人工智能研究和前沿进展，了解深度学习，因果推断等方法论如何与复杂系统研究相互影响。为大家在自己的研究领域引入何种人工智能方法提供灵感。
 ===书籍推荐===

@@ 第796行： / 第796行： @@
 == 编者推荐==
 ----
-本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，糖糖编辑，如有问题，欢迎在讨论页面留言。
+本中文词条由Thingamabob参与编译，[[用户:Paradoxist-Paradoxer|Paradoxist@Paradoxer]]、[[用户:Qige96|Ricky]]审校，[用户:唐糖糖|糖糖]]、[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

←上一版本		2021年8月8日 (日) 09:32的版本
第329行：		第329行：

	== 应用 ==		== 应用 ==
		+	[[File:Automated online assistant.png\|thumb\|AI的初级应用之一：提供客户服务的网页自动化助理]]
	AI与任何智力任务都息息相关。现代AI技术无处不在<ref name=":1">{{Cite book\|last=\|first=\|url=https://ec.europa.eu/info/sites/info/files/commission-white-paper-artificial-intelligence-feb2020_en.pdf\|title=White Paper: On Artificial Intelligence - A European approach to excellence and trust\|publisher=European Commission\|year=2020\|isbn=\|location=Brussels\|pages=1}}</ref> ，数量众多，无法在此列举。通常，当一种技术变成主流应用时，它就不再被认为是AI; 这种现象被称为'''AI效应'''。		AI与任何智力任务都息息相关。现代AI技术无处不在<ref name=":1">{{Cite book\|last=\|first=\|url=https://ec.europa.eu/info/sites/info/files/commission-white-paper-artificial-intelligence-feb2020_en.pdf\|title=White Paper: On Artificial Intelligence - A European approach to excellence and trust\|publisher=European Commission\|year=2020\|isbn=\|location=Brussels\|pages=1}}</ref> ，数量众多，无法在此列举。通常，当一种技术变成主流应用时，它就不再被认为是AI; 这种现象被称为'''AI效应'''。

@@ 第263行： / 第263行： @@
 ===人工神经网络 ===
-[[File:Artificial neural network.svg|thumb|神经网络是一组相互连接的节点，类似于人脑中庞大的神经元网络。]]
+[[File:Artificial neural network.svg.png|thumb|神经网络是一组相互连接的节点，类似于人脑中庞大的神经元网络。]]
 神经网络的诞生受到人脑神经元结构的启发。一个简单的“神经元”''N'' 接受来自其他神经元的输入，每个神经元在被激活(或者说“放电”)时，都会对''N''是否应该被激活按一定的权重赋上值。学习的过程需要一个根据训练数据调整这些权重的算法：一个被称为“相互放电，彼此联系”简单的算法在一个神经元激活触发另一个神经元的激活时增加两个连接神经元之间的权重。神经网络中形成一种分布在一个共享的神经元子网络中的“概念”，这些神经元往往一起放电。“腿”的概念可能和“脚”概念的子网络相结合，后者包括”脚”的发音。神经元有一个连续的激活频谱; 此外，神经元还可以用非线性的方式处理输入，而不是简单地加权求和。现代神经网络可以学习连续函数甚至的数字逻辑运算。神经网络早期的成功包括预测股票市场和自动驾驶汽车(1995年)。<ref name="Domingos, Pedro (2015)"/>2010年代，神经网络使用深度学习取得巨大进步，也因此将AI推向了公众视野里，并促使企业对AI投资急速增加; 例如2017年与AI相关的并购交易规模是2015年的25倍多。<ref>{{cite news|title=Why Deep Learning Is Suddenly Changing Your Life|url=http://fortune.com/ai-artificial-intelligence-deep-machine-learning/|accessdate=12 March 2018|work=Fortune|date=2016}}</ref><ref>{{cite news|title=Google leads in the race to dominate artificial intelligence|url=https://www.economist.com/news/business/21732125-tech-giants-are-investing-billions-transformative-technology-google-leads-race|accessdate=12 March 2018|work=The Economist|date=2017|language=en}}</ref>

←上一版本		2021年8月8日 (日) 09:30的版本
第292行：		第292行：


−	第一个可以用的深度学习网络是由A. G.伊瓦赫年科和V.G.拉帕在1965年发表的。这些网络每次只训练一层。1971年伊瓦赫年科的论文描述了一个8层的深度前馈多层感知机网络的学习过程，这个网络已经比许多后来的网络要深得多了<ref name="ivak1971">{{Cite journal \|doi = 10.1109/TSMC.1971.4308320\|title = Polynomial Theory of Complex Systems\|journal = IEEE Transactions on Systems, Man, and Cybernetics\|issue = 4\|pages = 364–378\|year = 1971\|last1 = Ivakhnenko\|first1 = A. G.\|url = https://semanticscholar.org/paper/b7efb6b6f7e9ffa017e970a098665f76d4dfeca2}}</ref>。2006年，杰弗里•辛顿和特迪诺夫的文章介绍了另一种预训练'''~~<font color=#ff8000>多层前馈神经网络~~ Many-layered Feedforward Neural ~~Networks, FNNs</font>~~''' 的方法，一次训练一层，将每一层都视为无监督的[[受限玻尔兹曼机]]，然后使用监督式反向传播进行微调。与浅层人工神经网络类似，深层神经网络可以模拟复杂的非线性关系。在过去的几年里，机器学习算法和计算机硬件的进步催生了更有效的方法，训练包含许多层非线性隐藏单元和一个非常大的输出层的深层神经网络。<ref>{{cite web\|last1=Research\|first1=AI\|title=Deep Neural Networks for Acoustic Modeling in Speech Recognition\|url=http://airesearch.com/ai-research-papers/deep-neural-networks-for-acoustic-modeling-in-speech-recognition/\|website=airesearch.com\|accessdate=23 October 2015\|date=23 October 2015}}</ref>	+	第一个可以用的深度学习网络是由A. G.伊瓦赫年科和V.G.拉帕在1965年发表的。这些网络每次只训练一层。1971年伊瓦赫年科的论文描述了一个8层的深度前馈多层感知机网络的学习过程，这个网络已经比许多后来的网络要深得多了<ref name="ivak1971">{{Cite journal \|doi = 10.1109/TSMC.1971.4308320\|title = Polynomial Theory of Complex Systems\|journal = IEEE Transactions on Systems, Man, and Cybernetics\|issue = 4\|pages = 364–378\|year = 1971\|last1 = Ivakhnenko\|first1 = A. G.\|url = https://semanticscholar.org/paper/b7efb6b6f7e9ffa017e970a098665f76d4dfeca2}}</ref>。2006年，杰弗里•辛顿和特迪诺夫的文章介绍了另一种预训练'''层前馈神经网络 Many-layered Feedforward Neural Networks（FNNs）''' 的方法，一次训练一层，将每一层都视为无监督的[[受限玻尔兹曼机]]，然后使用监督式反向传播进行微调。与浅层人工神经网络类似，深层神经网络可以模拟复杂的非线性关系。在过去的几年里，机器学习算法和计算机硬件的进步催生了更有效的方法，训练包含许多层非线性隐藏单元和一个非常大的输出层的深层神经网络。<ref>{{cite web\|last1=Research\|first1=AI\|title=Deep Neural Networks for Acoustic Modeling in Speech Recognition\|url=http://airesearch.com/ai-research-papers/deep-neural-networks-for-acoustic-modeling-in-speech-recognition/\|website=airesearch.com\|accessdate=23 October 2015\|date=23 October 2015}}</ref>