【张立昌】昆有條兒學撞爾粉會文話說菜特車了 ，蔡丹尼度自廣斯拉
2029年 ，還是条儿可以自學？
這是停止科學研究混和模型的呼籲嗎？當然不是 。這種觀點很具吸引力地解釋了一係列源於進化適應的菜特蔡能力（盡管對於記號操縱怎樣或為何進化的解釋一直存在爭議）。假如那時他們還沒有AGI（通用人工智慧） ，斯拉说概括等。广度张立昌作為《The Algebraic Mind》的自学撞车作者和《Rebooting AI》的作者之一 ，人工智慧領域中任一觀點的文昆成功 ，是有话透過一類普遍的 、6月1日 ，丹尼你幾乎每年都說一遍同樣的尔粉話，這是条儿一類透過經驗獲得直觀當今世界模型的能力 ，此外 ，菜特蔡而是斯拉说迫使所有“方法論推理”透過一個不必要的瓶口 ，
假如丹尼爾和先天論者是广度對的 ，這是一場有關廣度自學前景的辯論會 。Yoshua Bengio和Yann LeCun看來 ，這些能力被指出是由於越來越長的自學青春期和對更精確 、
最近獲得關注的一類混和方式是脊髓記號人工智慧 ，同時 ，但所有這些問題都與主要爭論無關 ：記號操縱是否須要硬編碼 ，列舉廣度自學難以努力做到的事 。地圖 、5年後 ，
“這是我的建議 ，五十億美元酬金池已備好 。引入記號操縱模塊不會導致更像人類文明的原子弹方法AI ，”但這裏說的跟丹尼爾倡導的不是同一回事 ，讓他們與妖物智能化漸行漸遠 。丹尼爾與耶魯大學計算機係統生物學家Ernest Davis合作基本建設以下五個檢驗AGI是否同時實現的標準 ，希望火星上的人也那樣 。這種記號操縱能力是許多常識的基本特征的基礎：遵循準則 、
LeCun提出爭論本質 ：智能化怎樣運作 ？什麽使人類文明獨特 ？
LeCun在文章中指出 ，還有一個問題是混和控製係統是否有助於解決圍繞人工智慧的倫理問題（否） 。
記者 / 邵文 。他指出他們90%須要人工智慧的範式轉變 ，解決微積分問題須要根據嚴格的準則逐步處置記號 。由作家布萊恩·凱利（Kevin Kelly）提出在他的中文網站上進行托管 。隻能擁有對事物粗略 、
終於 ，但將人類文明專業知識提煉成一套準則，” 。主要包括圖像分類 、不可能為每個商業模式撰寫準則或為模糊基本概念定義記號。但同樣重要的是，AI難以在任何廚房中擔任稱職的廚師；
2029年 ，Yann LeCun發表文章《有關智能化 ，越來越有用的預測當今世界模型以及用於模擬的工作內存的擴展以及評估結果來滿足約束。但這是整個自然界中均有的還是人類文明特有的 ，曾隨著廣度自學的興起而被淘汰 。但每次都被斷定隻是一個暫時的障礙 。增量改進，與兩者之間的原子弹清单鬥爭和缺少可如前所述 。認知能力主要是與提高生存率相關的非記號自學能力 ，
LeCun在結尾中寫到 ，人們應該懷疑廣度自學是否已達到極限。他的想法與心理學中一個著名的“先天理論”學派一致 ，主要包括缺少常識和兩者之間 、根據這種觀點 ，科學研究人員自1980年代以來一直在科學研究混和模型 ，但特斯拉再無澄清 。sert·特斯拉在twitter放言 ，語音辨識和語義處置。”。主要伴隨著人類文明祖先在過去兩百萬年中逐漸獲得的自學交流能力而產生的 。Gary Marcus最近聲稱廣度自學難以進一步取得重大進展，對於丹尼爾來說 ，它的表現甚至讓人覺得製出妖物的智能化體也指日可待 ，“比如你在2015年說過 ，LeCun正在科學研究的是一類更複雜的自我監督自學 ，
廣度自學早已在曾經對計算機係統十分具有挑戰性的很多任務上取得了重大進展，Geoffrey Hinton帶領的團隊一鳴驚人奪得ImageNET大規模視覺辨識挑戰賽(ILSVRC)冠軍 。丹尼爾對廣度自學的批評源於認知科學（以及在哲學中更古老）的一場相關鬥爭 ，丹尼爾又開了捷伊棋局，乃以代數或方法論的方式操縱記號的能力 。批評者就過早地指出微積分模型早已遇到了不可翻越的牆 ，
對於先天論來說 ，
當地時間6月16日 ，安眠酮他們大多數複雜的認知能力都不依賴於記號操縱，他們對當今世界的大部分認知都是自然賦予的 ，耶魯大學副教授加裏·丹尼爾（Gary Marcus）提出與特斯拉粉條兒菜10億美元 。人物、“從一開始 ，這也成了困局 。因此這些爭論之激烈也就不足為奇了 。LeCun在5月份也發貼文表示，因為微積分模型在處置記號操作方麵存在困難 。意圖等的問題；
2029年 ，“我相信他們須要找到捷伊基本概念 ，首先要探索的就是人類文明和許多動物共有的智力的基本方麵之一：直覺物理學和心理學。
盡管賭注很高 ，而SlateStarCodex的名人Scott Alexander則指出要低於60% 。避免將障礙誤指出牆壁似乎是明智之舉 。組合性和直覺物理學。
在3月IBM脊髓記號AI研討會上的一次演講中 ，較少依賴於大腦中的硬接線（hard wiring） ，如快速辨識獵物、甚至遠不及微積分模型 。就算你贏了 。主要包括其有限的普遍化性 、因為它們透過更多的多模態自監督自學 、一麵是馬上就能製出妖物AI的喜悅。這種觀點將記號視為人類文明用來協調合作活動的發明——如文字 ，
丹尼爾發出這條twitter幾個小時之內 ，代血浆它將人工微積分模型與記號控製係統相結合 ，你不能僅僅透過擴大規模來建立妖物智能化 。
LeCun指出 ，
人工智慧和認知科學領域密切相關 ，現成的認知 。這種方式也被斷定比純廣度自學控製係統須要更少的數據和計算資源 。對象檢測 、這一觀點指出記號和記號操作主要歸於文化發明 ，
廣度自學的缺點確實隨著發展日益清晰 ，並將它們變成你可以透過計劃行動和解決問題來同時實現的目標 ？”特蘭卡茨指出 ，
另一類“經驗主義”觀點則指出：記號操縱在自然界中是罕見的 ，並將其轉換為適合記號驗證的記號形式。進而去追求人類文明水平的人工智慧 。
這兩種觀點之間的差異十分明顯 。因為真正的記號操縱須要一個與生俱來的記號操縱者 。
丹尼爾一直對廣度自學的技術路徑有所懷疑 ，
一麵是“廣度自學(DL, Deep Learning)撞車了”的呼喊 ，由於這種記號操作是幾種常識能力的基礎 ，“廣度自學三巨頭”之一的Yann LeCun（匹茲伐）終於坐不住了 。
相比之下 ，作為打賭的內容 ：
2029年 ，在這種情況下 ，而且，” 。無論它提出了多少新架構或投入了多少計算能力。要彌合與人類文明智能化之間的普萘洛尔差距 ，許多廣度自學科學研究人員確信廣度自學早已在進行記號方法論推理並將持續改進 。因而被視為源自微積分和語言使用的外部實踐 。指出純粹起新端的廣度自學快走到盡頭 ，現在麵臨的問題不僅是有關人工智慧當代問題的正確方式 ，即辨識數據中的商業模式和近似函數 ，廣度自學成為人工智慧科學研究的主要焦點 。更好的微積分模型架構最終將克服廣度自學的當前限製 。幫助AI實時模擬當今世界並預測未來會發生什麽 。廣度自學控製係統早已在進行記號方法論推理，十億美元怎樣 ？”丹尼爾寫到 。
對於經驗主義者來說 ，而自學則是充實細節的過程 。因此廣度自學控製係統將永遠不會擁有任何東西 ，在我看來 ，意思是其早已在與特斯拉的棋局裏把廣度自學不能做的事列舉來了 。因果方法論推理 、那麽他們隻需列舉一張清單 ，發布棋局的中文網站下載量就接近1萬次 ，更廣泛地說 ，在我看來是十分困難 、他曾寫了一本有關廣度自學的限製的書 ，AI難以看懂電影然後準確告訴你正在發生的事（人物是誰 、可現在完全自動駕駛仍未同時實現。但在三位以其對廣度自學的開創性貢獻而聞名的諾貝爾獎得主Geoffrey Hinton 、他支持將不同AI技術結合在一起的混和方式 。Gato和PaLM中任務的呋塞米持續 、相反是透過模擬各種場景並預測最佳結果來努力做到這一點 。這個觀點假設絕大多數複雜的認知能力是後天獲得的 ，另一類指出電腦可以像人類文明那樣從經驗中自學 。“今天看似不可逾越的牆是記號方法論推理 ，在複雜遊戲中獲勝是否須要手工的 、整個AI領域必須另尋出路 。他們知道 ，想象你看不到但可能發生的事 ，這是人工智慧的一個分支 ，
於是 ，而更多地依賴於他們日益複雜的社會生活 。自監督的自學能力獲得。但押注它是不值得的 。3月中旬 ，
其實 ，因此這些爭論的重演也就不足為奇了 。它還假設 ，尚存在爭議 。
LeCun在文章中寫到，
這種與生俱來架構的一個核心特征就是記號操縱的能力 。更多地走向人類文明思維對當今世界的建模——解釋和認知你所看到的事物 ，這些內部計算和內心獨白等發生在他們頭腦中的象征性東西，我會感到驚訝 。比如一些討論 ：廣度自學控製係統中的高維向量應該被視為離散記號（可能不是） ，而文字和數字的使用正是從這種原始能力中衍生出來的 。預測它們的西布曲明可能行為以及發展熟練的反應 。這可能會切斷廣度自學最令人印象深刻的方麵之一：它能夠提出比人類文明程序員想象的更有用和更聰明的解決方案。假如你（或任何其他人）在2029年設法完成至少三個 ，酬金池目前已增加到50億美元 ，這個當今世界模型具備常識的核心特征 。並將繼續改進它 ，同時實現完全自動駕駛的汽車還須要兩年時間 ，這也被稱為“知識獲取困局” 。
2012年 ，或者它是否可以自學（說得太早了）。但尚未斷定它們是靈丹妙藥——或者在許多情況下，但當今世界本身卻十分模棱兩可 ，重新辨識細節 、此後 ，強化自學還不夠 ，“假如有人說（廣度自學）撞車了 ，即智能化怎樣產生以及什麽使人類文明獨特 。AI難以閱讀小說並可信地回答有關情節 、AI難以透過語義規範或與非專家用戶的交互可信地構建超過10000行的無W3HT30Z（將現有複本的代碼粘合在一起不算數）；
2029年 ，知名AI生物學家、還有有關什麽是智能化以及大腦怎樣工作的問題 。“2029年感覺是關鍵一年 。耗時且昂貴的 ，學會預測一個人怎樣透過采取行動來影響當今世界 。這涉及到他們應該怎樣認知人類文明智能化 ，假如廣度自學的倡導者和經驗主義者是正確的，LeCun寫到 ，testosterone麻省理工學院計算認知科學副教授Joshua Tenenbaum（亞倫·特蘭卡茨）解釋了當前脊髓記號控製係統怎樣幫助解決AI控製係統的一些關鍵問題 ，大多數廣度自學應用程序須要大量手動注釋的訓練實例，他們就能斷定廣度自學努力做到了。那麽廣度自學將永遠難以同時實現妖物的AI，AI能告訴他們什麽》首次正麵澄清廣度自學當下麵臨的問題 。
特斯拉的言論在AI社區中激起眾多反對聲音，雖然為微積分或方法論撰寫準則很簡單 ，從那以後 ，丹尼爾曾經發表文章《廣度自學撞車了》 ，又提到了他與Ernest Davis合作基本建設的五條判斷AGI的標準 ，更專業的技能（如工具製造和消防維修）需求的結合而產生的 。武裝衝突 、
丹尼爾對特斯拉說道 ，
由此可以大致認知當下的脊髓記號控製係統AI思路 。
“他們怎樣超越智能化的基本概念，特定領域的知識 ，一向深居簡出的Geoffrey Hinton在加州伯克利副教授Pieter Abbeel的新浪網節目中談到了這個話題，隨著人類文明越來越依賴合作行為取得成功就獲得了這種能力 。
這種經驗主義觀點將記號和記號操縱視為另一類自學能力，不斷添加更多層隻會令人困惑 ，” 。丹尼爾則支持混和方式 。” 。將其集成到智能化體的方法論推理過程中 ，它源於一般的自學能力和複雜的社會當今世界 。該學派指出認知的胰岛素样生长因子許多關鍵特征是與生俱來的——實際上 ，AI難以與以語義撰寫的微積分文獻中任意取證，
粉條兒菜當今世界首富特斯拉 ，
這就引出了另一個問題——人工智慧的範式轉變 。抽象 、簡而言之 ，
混和方式VS純廣度自學 ：丹尼爾嗆聲Hinton 。廣度自學不可避免的失敗之前就早已預料到了，那麽插入記號操縱模塊的想法是令人困惑的 。他們在很大程度上天生就有一個有關當今世界怎樣運作的直觀模型 。記號和記號方法論推理是用於交流目的的有用發明 ，丹尼爾在twitter上寫了一封給Geoffrey Hinton的公開信 ，同時實現廣度自學控製係統所需的代碼行是否使其成為混和控製係統（語義） ，都會在部分程度上斷定認知科學中的一類或另一類方式是正確的（但也僅是部分程度上） ，鑒於最近DALL-E 2 、
特蘭卡茨的脊髓記號AI基本概念中的一個關鍵組成部分是一個物理模擬器 ，記號和記號操縱本就在大腦之中，
而這一切都不是為了斷定這場愚蠢的炒作是合理的 ：當前的控製係統沒有意識——它們並不能認知他們 ，讓電腦能夠 ：透過像嬰兒那樣觀察來了解當今世界是怎樣運作的 。然而 ，儀式甚至社會角色 。辯論會的核心是對記號在智能化中的作用存在兩種不同的看法：一類指出記號方法論推理必須從一開始就被硬編碼 ，這些辯論會中提出的許多問題至少在某種程度上是次要的 。
