來源：CDA數據分析師
導讀：人工智能和人類智能究竟有何不同之處呢？在本文中Sabine Hossenfelder 就從十個方面分析了這兩者間的不同。
今天我想講講人工智能有何智能之處。
當然顯而易見的是，人的大腦是有溫度且不確定的，而計算機不是。但是更重要的是，人類智能和人工智能之間存在結構性差異。這我將在之后講到。
在我們開始之前，我要簡單的講講'人工智能'指的是什么。
中英字幕視頻如下：
以下是文字版本：
如今所謂的'人工智能'其實是通過神經網絡實現的。
神經網絡是一種計算機算法，用來模擬人腦的特定功能。當中包含虛擬的'神經元' 這些神經元排列在'層'中，并且互相連接。神經元傳遞信息從而進行計算。就像人腦中的神經元傳遞信息，并進行計算一樣。
在神經網絡中，神經元只是代碼中的數字，通常它們的值在0到1之間。神經元之間的連接也有與之相關的數字，它們被稱為'權重'。這些權重告訴你，來自其中一層的信息對下一層有多大的影響。神經元的值以及連接的權重本質上是網絡中的自由參數。
通過訓練神經網絡，你想找到那些使某個函數最小化的參數值，這稱為'損失函數'。這是神經網絡要解決的優化問題。
在優化中，神經網絡的魔力是通過所謂的反向傳播實現的。反向傳播是指，如果神經網絡給出的結果不是特別好，你可以回溯并改變神經元的權重和連接。神經網絡就是這樣從錯誤中'學習'。
說到這里，下面讓我們進入人工智能和人類智能之間的關鍵區別。
01
形式和功能
神經網絡是運行在計算機上的軟件，人工智能的'神經元'沒有物理實體。它們以位數和字符串的形式編碼在硬盤或硅芯片上，它們的物理結構和真正的神經元一點也不像。相反，在人腦中形式和功能是同時存在的。
02
大小
人類大腦大約有1000億個神經元，目前的神經網絡通常有幾百個左右。
03
連接
在神經網絡中，每一層通常與上一層和下一層完全連接。但人腦并沒有所謂的層，相反，它依賴于許多預定義的結構。并不是人類大腦的所有區域都是同樣連接的，區域是專門用于特定目的的。
04
能量消耗
人腦在能量消耗方面，比現存的任何人工智能都更為節能。人腦大約耗費20瓦能量，這與現在標準筆記本電腦耗費的差不多。但有了這些能量，大腦處理的神經元數量多一百萬倍。
05
體系
在神經網絡中，這些層是整齊有序的一個接一個地處理。而另一方面，人腦會進行很多并行處理，沒有任何特定的順序。
06
激活狀態
在人腦中，神經元要么是激活狀態，要么非激活狀態。在神經網絡中，激活是由連續值模擬的。因此人造神經元可以平穩地從上到下運行，這是人腦做不到的。
07
速度
人類的大腦比任何人工智能系統都要慢得多。一臺標準計算機每秒執行大約100億次操作。另一方面，人的神經元激活頻率為每秒最多一千次。
08
學習方式
神經網絡通過輸出來學習。如果根據損失函數，這個輸出是低性能的。然后，網絡通過改變神經元的權重和它們之間的連接做出反應。沒有人知道人類學習的細節，但肯定不是這樣的。
09
結構
神經網絡每次都是從零開始的。而人腦呢? 很多結構已經連接到它的連接處，而且利用的模型，這在進化過程中被證明是有用的。
10
精度
人腦的干擾因素更多，而且不如計算機上運行的神經網絡精確。這意味著大腦基本上不能運行與神經網絡相同的學習機制，它可能使用完全不同的機制。
這些差異的結果是，如今的人工智能需要大量的訓練，需要大量精心準備的數據。這與人腦的運行方式是很不一樣的。
局限性
神經網絡不會建立世界中模型，相反它們會學習對模式進行分類。這種模式識別只需要很小的變化就會失敗。
一個著名的例子是，你給圖片添加少量影響因素，這些因素小到肉眼無法識別。但人工智能系統可能會被騙，錯認為物品A認為是物品B。
目前，神經網絡也不善于從它們所學習的情況推廣到另一種情況。
它們的成功很大程度上取決于定義正確的'損失函數'。如果你沒有謹慎思考損失函數，你最終會優化你不想要的東西。比如本被訓練以恒定的高速行駛的自動駕駛汽車，很可能變成只會原地旋轉。
但是神經網絡擅長于一些內容。比如對圖像進行分類，或者推斷出沒有明顯趨勢的數據。
結語
也許人工智能的意義就在于不讓它與人類智能太相似。
畢竟，我們擁有的最有用的機器，比如汽車或飛機，它們之所以有用正是因為沒有模仿人類。相反，我們需要創造專門處理人類不擅長任務的機器。
《崛起的超級智能》一書主要闡述互聯網經過50年的時間從網狀結構發展成為大腦模型，數十億群體智慧與數百億機器智能通過互聯網大腦架構形成了自然界前所未有的超級智能，這個超級智能的形成與物聯網，云計算，大數據，工業4.0，人工智能，群體智能，云機器人的爆發是什么關系；互聯網大腦與超級智能如何影響人類社會的科技，經濟，產業以及城市建設的未來發展？人類個體和組織機構如何應對崛起的超級智能帶來的挑戰？
