永不下车 第五三四章 效率

不论从哪一点出发“强人工智能”都必须尽早应用到实践中去。

找到莱斯利兰伯特方然毫不掩饰的直接说出构想对这一计划兰伯特原则上认为“可以一试”但并未给出任何确切的承诺。

“是的阿达民先生用‘强人工智能’替代现有的ai的确可以提升一些效率。

这一点不知您是否理解即便通用型人工智能与强人工智能都是基于现有信息技术水平的计算机加软件之体系彼此之间没有明显的技术差距后者的处理效率也会大大优于前者当然能领先到什么程度还说不准。”

“是因为两者的软件架构一个基于fscim一个则基于‘自主思维’吗。”

“正是如此或者说在算力消耗相同的情况下‘强ai’比现有ai快得多主要原因并不是前者的效率极高；

而是基于fscim体系的传统人工智能在解决实际问题时效率太低。”

莱斯利兰伯特的说法对熟悉fscim体系的方然而言一听就懂他早知道这体系的弊端。

fscim联邦标准信息测度码诞生在旧时代的一套“计算机系统通用编码标准”原则上是站在计算机、而非人类的立场上描述客观世界进而从这一体系出发可以用传统ai的诸多算法实现诸多功能。

这一体系早在诞生之初就引起it业界的浓厚兴趣但也有很多业内人士不以为然。

反对者的一大武器便是fscim体系的低效这种低效并不是体系架构本身多么拙劣而是由于fscim的开发初衷：

描绘计算机眼中的世界进而为计算机提供一种内禀的通用“语言”。

这样的体系显而易见并无人类对客观世界的既有认识以其为基础开发的程序一般而言也几乎无法借助人类已有的科学技术成果去加快处理的速度。

这是什么意思呢譬如说物流网络的运力规划问题用ai解决的一般思路是挂载深度学习网络并根据问题的性质给定大量边界条件ai上线运行后很快就能根据初始条件与运行数据逐步优化策略给出较好的解决方案。

旧时代的it领域中人工智能往往就是应用在这样的场合。

这种“自动化、智能化”实质上仍然是一种低级重复劳动的替代是用人类智慧分割、定义问题给出算法然后利用计算机的速度迅速做完原本用人力需要很长时间才能完成的工作。

但这种应用方式显然对复杂问题的解决能力不会太理想。

在若干年前应用于某一领域、解决某一类问题的ai几乎只能用于解决该类问题。

不仅如此一旦问题的边界条件发生变化甚至只是略微改变ai的效率都有可能大幅滑坡进而必须有人来干预修改边界条件替换算法总之借助人类的智慧才能应对多变的具体情形。

即便这些多变的情形根本上讲并未改变问题的性质理应在计算机的能力范围内传统ai体系也几乎总是一筹莫展。