AI：是时候让你的钱包变鼓了！

一、AI生财：强人工智能的实现之路

嘿，听说你想知道怎样实现强人工智能？嗯，这可是个困扰科学家们已久的问题。虽然目前还没有确切的答案，但我可以和你分享一些关于强人工智能可能出现的契机。

在探讨这个问题之前，我看了两本书，部分观点来源于其中。如果你不想翻开纸质版，其实这两本书在微信阅读上也有哦。

在人工智能的发展史上，出现了两个派别。当然，我们还可以进一步细分，比如符号学派、联结学派、进化学派等等。但总体来说，可以分为两大类。最早的是符号派，他们试图模仿人类建立知识的过程。比如，为了理解“太阳离月球5000公里”这句话，他们首先需要创建一个“XX离XX多远”的模板。但在大数据普及之前，人工智能领域普遍认为神经网络方法没有希望，效果不如其他方法。不过现在我们看到，通过符号派的方式，我们需要创建无数个模板。而通过统计派的方法，我们只需要用神经网络进行训练即可。不过在40年前，学术界对这种方法并没有抱太大希望。直到Raj Reddy（卡内基梅隆大学计算机系终身教授、美国工程院院士）从美国国防部获得了300万美元的经费，用来进行不指定语者、大词库、连续性的语音识别。这三个问题在当时是无解的。他还招募了30位学者来启动这个项目，他们计划使用专家系统来完成。然而，有一位学生坚持认为统计方法是可行的，并说服了Reddy教授尝试。这位学生独自使用统计方法进行研究，并建立了与政府合作的关系，从美国标准局收集了大量数据。虽然当时专家系统的准确率已经达到了40%（现在看来几乎不可用），但看着这位学生使用统计方法，将准确率从40%提高到80%，再提升到96%！这个成果震动了整个学术界。熟悉人工智能历史的人应该知道这位学生是谁了。没错，他就是李开复。他凭借这项成果获得了博士学位，并成为卡内基梅隆大学的助理教授。尽管统计学方法不是由李开复提出的，但他是最早证明统计方法可行的人之一。现在我们已经看到，通过统计派和各种复杂的神经网络，我们已经开发出了许多非常实用的产品，如人脸识别、刷脸支付和同声传译等。虽然我们取得了巨大的进步，但这仅仅是弱人工智能。因为迄今为止，神经网络还没有实现“理解”这个词。统计派的人工智能在《如果创造可信的AI》一书中被作者Marcus Gary指出了一些弊端。他提出了AI鸿沟并列举了三大难题。

我们目前已经认识到，基于深度学习的人工智能并没有真正理解规律。正如阿尔伯特·爱因斯坦所说，我们目前的实现方式并不是真正的理解，只是在寻找统计规律。虽然基于深度学习的人工智能已经在性能上达到了巅峰，但鲁棒性仍然非常低。你看，这是我第N次发这张图了。原本被识别为熊猫的图片，只需加入白噪声，就被识别为长臂猿。当然，对于这个问题，也有很多缓解方法。但请注意，我说的是“缓解”而不是“解决”，因为暂时还没有完全解决的办法。正因为无法完全理解深度网络内部参数，我们只能通过各种补丁来减少深度学习网络的错误。如果我们无法完全消除这种错误，那么强人工智能就无从谈起。即使是目前最强大的GPT-3，也只是弱人工智能的一个新高度而已。当然，通过极大的努力，GPT-3在弱人工智能方面取得了显著成就，我们已经看到了许多GPT-3聪明的案例。但实际上，这些案例只是挑选出来的，很多失败的案例并没有被报道出来。甚至OpenAI的创始人Sam Altman也认为GPT-3被过度炒作了。所以，关于强人工智能的可能性，我们还需要继续畅想。

二、AI副业：图神经网络的潜力

嗨，听说你想了解图神经网络。

如果你想深入研究，可以参考葫芦娃AI