[Если разложить любую сегодняшнюю систему AI/ML/DL, она будет выглядеть как биты и байты, нейронные сети, множество данных и математические алгоритмы.
Если разложить человеческий мозг на 86B+нейронов, соединенных в нейронные пути, нейронные цепи и сложные сетевые системы, и структурированных как головной мозг, ствол мозга и мозжечок, это просто мешок нейронов, запускающих электрохимические пути.
Теперь, чтобы сделать AI/ML/DL/NN действительно разумным, он должен быть способен научиться понимать мир, как абстрактные модели мира, пространственно-временные представления окружающей среды, с возможностью связывать данные/информацию/знания..., порождающие, таким образом, смыслы, значения и ценности, глубокое и широкое знание, интеллект и в высшей степени разумные действия].
If you decompose any today's AI/ML/DL system, it will look just like bits and bytes, neural networks, lots of data, and mathematical algorithms.
If you decompose the human brain, 86B+neurons, connected to form neural pathways, neural circuits, and elaborate network systems, and structured as the cerebrum, the brainstem and the cerebellum, it is just a bag of neurons, firing electrochemical pathways.
Now to make AI/ML/DL/NNs real intelligent, it must be capable to learn to understand the world, as the abstract world models, space-time representations of the environment, with the power to relate the data/information/knowledge to the objective references, thus generating senses and meanings and values, deep and wide knowledge and intelligence and supremely intelligent actions.
Neural Networks Without Intelligence
Over the past 60+ years there have been many approaches and attempts to get artificial systems to learn to understand its surroundings and learn from its experiences: decision trees, association rules, artificial neural networks, deep learning, inductive logic, support vector machines, clustering, similarity and metric learning including nearest-neighbor approaches, Bayesian networks, reinforcement learning, genetic algorithms and related evolutionary computing approaches, rules-based machine learning, learning classifier systems, sparse dictionary approaches, etc.
Deep learning architectures (deep neural networks, deep belief networks, recurrent neural networks and convolutional neural networks) are universal functional approximators for unstructured tasks: computer vision, speech recognition, natural language processing, audio recognition, social network filtering, machine translation, bioinformatics, drug design, medical image analysis, material inspection, board game programs, etc.
For each task - a special NNS, unlike human brains, thus making an Artificial Neural Network Zoo.
Trans-AI or Meta-AI = Unified World Model Engine + Intelligent Neural Networks
https://www.linkedin.com/pulse...
AI, Existential Risks, and Societal collapse, or a Brief Guide to the End of the World
https://cont.ws/@ashacontws/22...
КАК МЫ СОЗДАЕМ НИИИ [НАСТОЯЩИЙ И ИСТИННЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ]
https://cont.ws/@ashacontws/22...
Оценили 4 человека
6 кармы