• 欢迎访问热点图书网

中国前沿-电子书下载

简介

中国视角,一手资料
一本书了解我们国家,我们时代的前沿科技。
本书精选了人类对未来生活无限畅想的“人机共生”、“太空探索”、“生物医疗”等方方面面的十大前沿黑科技主题。
在内容上,不仅囊括作者本人多年来科技领域的所见所闻,更有深入各大前沿科技实验室的探访实录,与专家面对面探讨科技,同时辅以热门科幻电影盲区解读,既有着引人入胜的接地气内容,又可真实再现当今前沿科技探索历程。
不管你是想拥有一位双商均高的人工智能助手,还是一直梦想着到太空生活,亦或极度渴望通过生物医疗来改写生命密码从而实现逆生长,这本书里都有你所好奇的答案。

作者介绍

郝景芳,小说作者、研究员、创业者。2006 年毕业于清华大学物理系,2013 年清华大学经管学院博士毕业。2013 年至2018 年任中国发展研究基金会研究一部副主任,2018 年哈佛大学肯尼迪政府学院访问学者。
自2006 年开始小说创作,2016 年凭借短篇小说《北京折叠》高票力压“科幻小说之父”斯蒂芬·金,斩获第第74 届雨果奖中短篇小说奖。是继刘慈欣后享此殊荣的第二位华语作家。
2017 年创立儿童通识教育品牌“童行学院”,为孩子打开视野、提升思维、培养创造力,探索可持续的公益教育。创办影视工作室“芳景科幻”,致力于可持续的科幻文学和影视作品创作,打造具有世界水准的科幻IP。

部分摘录:
类脑网络,是基于人类大脑构建出的新文明 如果说构建人工智能不需要参考人脑,那么我认为这忽略了自然界数亿年演化带给我们的力量。就像一头狮子突然开口说话了,那还叫狮子吗?脱离人类认知的人工智能,还能叫人工智能吗?
郝景芳 我们为什么要从仿人脑的角度去构建人工智能呢?
曾毅 实际上,人类在进化发展的过程中一直以高级动物自居。但在自然界面前,人类在整个演化过程中,并不一定是最优的,人类也还没有到达演化的顶峰。但是我们可以认为,人类在构建人工智能时,是在一个镜子中看我们自己,是在构建一种新的文明。
也有人说构建人工智能不需要参考人脑。我认为这忽略了自然界数亿年演化带给我们的力量。人类是怎么产生的?正是在数亿年的演化过程当中产生的。哲学家路德维希·维特根斯坦曾经说过,如果一头狮子会说话,我们未必能够理解它。另一位哲学家丹尼尔·丹尼特却认为不是这样。如果一头狮子会说话,我们才能很好地理解这个动物。但这对于我们理解狮子究竟是什么毫无益处,因为一头会说话的狮子就已经不是狮子了。
这不就是我们在构建人工智能时所面临的悖论吗?如果我们创造的人工智能,与人类想要的实现方式完全不一样,那还是我们认为的人工智能吗?从这个角度来讲,我们更希望受到大自然演化机制的启发,去构建未来的人工智能。更关键的是,用这种方式构建的人工智能,对于人类来讲可能是最贴近的,最容易被理解的,也是最安全的方式。你可以想象,如果用一种完全不同的方式构建人工智能,你自己也说不清楚它为什么会工作,为什么而工作。就像现在的深度神经网络系统,有很多隐藏层很难解释一样。你是宁愿相信这样的系统,还是相信一个基于数亿年自然界演化,从现有机制和结构发展而来的智能系统呢?
所以我想答案已经非常明显了。我们在构建类脑人工智能的过程中,其实是受到脑结构及其机制的启发,而不是去克隆!自然演化的过程,已经使得我们人类的大脑结构和机制进化融合得更为自洽,更适合解决问题。
郝景芳 类脑网络究竟是什么意思,基于人脑构建而成的人工智能系统,现在发展到什么程度了?
曾毅 如果人类想从数亿年自然界演化的力量中得到启发,就要搞清楚大脑是怎么连接的,它的工作机制是什么。有关神经网络科技的研究已经有200多年的历史。当前人工智能之所以能被应用,可以说全靠深度学习。而深度学习就是模仿一部分大脑视皮层的学习模式。通过对神经科技的深入了解,科学家用3D(三维)建模技术,重现一些哺乳动物的大脑原型,这种重建就叫作类脑网络,它比深度学习强几十倍。但这个复制过程并不轻松。以鼠脑为例,哪怕是一粒花生豆大小的大鼠脑中就拥有超过2亿个神经元,科学家也需要用科学手段把鼠脑分切成18 000多片,在微米尺度进行拍照,再把1万多张图片用3D形式重新在计算机中建模,才能将整个大鼠脑中的神经结构网络完完全全地还原。
鼠脑是目前人类在微米尺度重建哺乳动物大脑模型的极限。一般鼠脑大概有2亿个神经元,猴脑则是60多亿个神经元。如果我们想构建猴脑模型,在现如今的科学技术条件下,实现这一点还存在着巨大挑战。更不用说具有大概860亿个神经元的人脑了,挑战难度只会更大。
我们只告诉了机器人什么是对的、什么是错的,但从来没有告诉它们对的原因和错的理由。
曾毅 但要注意的是,结构只是一方面,机制才是更重要的。也就是,如何用它去解决问题。我们构建类脑神经网络,是希望它可以解决一些现实世界的问题。比如,我们可以用它构建一个近似人脑的决策系统,安装在无人机上,使其具备一定的类脑智能网络思维,“知道”躲避障碍物。
更甚的是,你可以让机器人学习理解人类的意图。比如,父母表达对孩子的喜爱时会招手说“宝贝快过来”。最开始你可能不知道这种动作语言代表什么,但当你过去并得到一个微笑或是拥抱时,你会下意识记住,这代表喜欢、开心。下次父母再冲你招手时,你可能不假思索就过去了。
郝景芳 就像那个著名的实验,巴甫洛夫的狗。
曾毅 如果有陌生人向你招手,哪怕面带微笑,在了解这个行为的本质前,你仍然到对方那里的话,后果可能不堪设想。这类陌生人带来的不愉快甚至是可怕的经历,同样会让我们理解并记住,不是所有的招手、微笑都是真正友善的。下次再有人做出相应举动时,我们自然会做出适当的判断。但像这样看似简单的手势意图理解能力,现在的人工智能系统并不具备。
据此,我们构建了一个基于奖赏机制的类脑决策系统,它能够帮助机器人基于我们的奖赏机制获得这种能力。但这跟现在的计算机强化学习不同,现在用得更多的还是深度强化学习模型,其可理解性依然很差。当前人工智能学习最大的瓶颈在于,我们只告诉了机器人什么是对的、什么是错的,但从来没有告诉它们对的原因和错的理由。
郝景芳 我听过这样一种说法,这类深度强化的学习网络,还是一种统计,所以它才那么依赖大数据。假如真有人经过一万八千次试验才辨别出手势背后的意义,可能其中有一万七千次都被人打了,人工智能会说:“经过统计论证,一万八千次里面有一万七千次都被打了。所以招手跟打屁股是有联系的。”当然这个次数和结论,我们人类一听就知道是不必如此的。我小时候因为某一次上学迟到被罚抄作业,下回就记住了。
像这种单一样本的小数据学习统计,我们人类就能举一反三,吃一堑长一智,到底是怎么做到的?它需要在我们的智能系统里构建一种因果关系,即我因为某事得到某种结果,从而建立事物的因果联系。那么下次遇到类似事件时,为了避免出现此果,我就舍弃这个因。可因果关系看似容易,当你真的把它用数学语言表达出来后,你会发现我们所说的很多因果都是相通的,人工智能是需要用大量的数据相关联才能得到的。但我们人类不是这样的,不过就是两个字——“理解”,我们人类就是能理解大多数事件背后的因果关系是什么。这种能力其实是很稀有的,那类脑智能是如何“理解”的呢?
曾毅 “小数据学习”这个概念很有意思,一方面,你提到的不是学习两个同时发生的东西,而是学习它们之间的因果关系;另一方面,人有小数据学习的能力,是建立在他有大规模先验知识[1]的基础上。比如,我们学习一个东西时,为什么通过几个事例就学会了?因为我们先有了相关概念,我们知道如何学习一个概念,有大量的先验知识在一定程度上帮助我们。去接触并获取新事物的同时,你会利用先验知识理解一个新的场景和一个新的概念。
所以从某种程度上讲,你又不能把人简单看成一个小数据的学习系统。因为在人类还未出生,身处母体中时,就已经开始获取大量的先验知识。婴儿一出生就有吮吸的能力,随着身体发育其更多天然行为慢慢凸显。所以我在想,如何能使一个人工智能系统基于“理解”获取先验知识,在先验知识的基础之上,利用小规模的数据,快速学习未知概念。这对于人工智能未来的发展来说是一个巨大的挑战,至少现在还做不到。

下载地址

下载
喜欢 (0)
发表我的评论
取消评论

表情 贴图 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址