如果一个 AI 是由另一个 AI 制造的……

人工智能是人类开发的综合构造系统所表现出的智能行为。它是由“人造”的东西显示的智能。智能是一个频谱，人工智能也是。自动开门器（就像你走进现代超市时遇到的那样）足够“智能”，可以在你走近时自动开门。它可能与变形虫的智力相媲美（打个比方——这可能是对变形虫的侮辱）。一般而言，人类是我们可以指出的最智能的系统。但是我们没有“绝对智力”的衡量标准来将人类置于所有智力的等级中，只有一个（粗略的）系统将人类置于相对于彼此的等级中，其中“IQ = 100”意味着“与其他人相比大约是平均水平”人类”。

每个接受输入并执行有用操作的软件程序在技术上都是“人工智能”。您的移动设备可能会尝试更新当前的体育比分或天气预报，并可能在没有信号时暂停，然后在出现信号时“决定”继续下载。那当然是“人工智能”。考虑到所有疯狂的司机和不断变化的交通状况，一辆可以自动驾驶穿过城市而不会发生事故的汽车无疑是一种人工智能。

但人工智能的“流行”概念是一个系统，人工的，其智能能力可与人类相媲美（至少）。在这方面——我们还没有生产出任何能够显示这种通用智能的系统。达到这一点所需要的是“更多的一切”（对包含智能行为的方法进行更多研究，在更小的空间中提供更多的处理能力和存储等）。

人工智能能否同时执行多项复杂任务而不会出错？

答案是或否，取决于你对“人工智能”、“同时”和“错误”的定义。假设“一个人工智能”的任务是制定一条新街道的计划。它必须决定街道的宽度，是用沥青还是混凝土铺设，以及是否部署荧光灯或 LED 路灯。

同时？：我们可以让一台运行“AI”的典型计算机同时运行所有这 3 个任务（分时 – 您的设备在发送电子邮件时获取网页和流式传输电影的方式）。这是否符合 AI 独立执行任务并分时执行任务的三个副本，或单个 AI 多任务处理的条件？如果 AI 控制操作系统分时怎么办？那么它只是一个人工智能吗？

形象地说，AI 可以设计成这样，给定三个“复杂”任务，它只决定运行自己的三个副本，每个副本只分配一个任务来处理。不要将人工智能与人类思维混淆。人的大脑无法“克隆自己”来独立处理数百种不同的任务。AI 是一个系统，可以精确地设计为创建自身的副本，然后将获得的独立结果聚集在一起。一个试图兼顾太多事物的人会迷失方向，因为它需要“关注”所有事物。人工智能可以将任务委托给它的子系统，并且只需要通过检查每个子任务的状态来“注意”。

错误？：为给定的道路选择错误数量的沥青或混凝土将是一种错误，易于检测和避免。但究竟选择沥青还是混凝土，要看成本、耐久性、美观等问题的重要性。如果选择混凝土，有人说选对了，有人说选错了. 什么时候是“错误”？

人类基本上只有一个“有意识的头脑”，可以尝试“多任务处理”，但任务太多可能会因上下文切换而忘记重要细节，而人工智能没有“头脑”。它有一个用于执行程序的系统，并且可以处理数百个单独的任务以及一个任务，只需为每个任务投入一部分时间和内存即可。给定有限的硬件和在线内存，分配的任务越多，在给定的小时内可以投入到每个任务上的时间就越少。因此，要么所有的任务都需要更长的时间（但执行起来就像它们是唯一的任务一样准确），要么施加时间限制，在这种情况下，被迫在每项任务上花费更少的周期，它可能无法为每项任务找到最佳解决方案。

需要扩展优化策略的那种“软计算”总是会出现权衡，就像人类一样。花在计算上的时间越多，得到的答案就越准确。如果您人为地限制可用于执行计算的时间量，您将获得的答案越不准确或越不理想。这对人类和人工智能都是如此。

软件工程师转人工智能/机器学习/深度学习有多难？

所有这些都是一回事。

我会说，给他们几周或一个月的时间来阅读一些教程并加快速度。他们可以在网上找到免费的软件包和工具来为他们完成大部分工作。如果他们真的想了解传递函数等，他们将需要微积分 I 课程。但如果他们愿意接受我的话（或数百万其他人的话）来进行数学计算，他们只需要实现一些非常简单的方程式并完成它。大多数机器学习（比人工智能更准确的名称）和深度学习对于有经验的编码人员来说非常容易理解。实施的大部分工作是准备训练数据，并从概念上处理“信息”和“特征”的概念。但对于那些一直使用复杂软件库来实现图形、动画、统计、数据库访问、线性代数等的人来说，机器学习并不难。

严重地。去获取 TensorFlow，它是免费的，有很多软件工程师会发现很容易理解的教程。你不必知道张量是什么。对于大多数软件工程师来说，如果他们在一两天内建立并运行“Hello World”神经网络，我不会感到惊讶。之后，剩下的就是他们擅长的，软件力学。

我们可以通过哪些方式利用人工智能让人类变得更聪明、更高效？

当我学习数学时，比如四年的微积分和微分方程以及所有这些东西，我必须手工完成所有这些，并记住求解微分方程的所有规则和方法。

但现在我使用人工智能。Maple 和 Mathematica 内置了 AI，可以采用任何方程，进行各种转换，自动找出求解微分方程的方法，可以采用绝对庞大的方程并将它们分解，甚至可以证明等价或不等式等等。它可以将复杂的方程式转化为我可以用于近似的泰勒级数。

我用了那么多东西，而且效果很好，我忘记了如何用铅笔和纸手工完成。而且它确实比我快数百或数千倍。如此之多，我可以尝试几十种方法，看看它们的效果如何，然后选择最有希望进一步研究的方法。我可以在几天内完成用铅笔和纸需要几个月才能完成的工作。

需要明确的是，它只是一个助手，从数学上讲，它只做我告诉它做的事情。这些想法是我的。但它绝对提高了我的效率，并且通过找到更好、更准确的解决方案，使我比没有它时更“聪明”。

如果一个 AI 是由另一个 AI 制造的，它会比原来的 AI 更聪明吗？

人类（像我一样）创造了所有当前的人工智能，而人工智能总体上并不比人类聪明。在一些微观上狭窄的领域，例如下棋或围棋，他们可能比人类更聪明。编写当前围棋世界冠军人工智能 Alpha-Go-Zero [AGZ] 的人类本身并不是出色的围棋选手。但 AI 是专门制造的机器，AGZ 除了下围棋外什么都不做。它无法思考或沉思，它实际上执行了数万亿次计算来计算下一步行动，而这就是它所做的一切。曾经。但是我们已经在使用这种专门构建的 AI 来创建其他 AI。至少 5 年，甚至可能更长的时间，这是一项相当普遍的努力。他们工作。更具体地说，在大多数像深度学习网络这样的人工智能中，有很多参数是由人类程序员决定的。使用多少层、神经元数量、转换函数、连接性。各种交织在一起的任意数字可能会影响 AI 的性能，或者它是否成功。当然，这也是 AI 擅长的事情：找到一组理想的看似任意的数字，这些数字之间的关系并不明显。

所以我们可以将这些设计决策留给另一个 AI，让它为 AI 选择设计参数，构建 AI，训练它一段时间，然后看看它是如何工作的。将设计参数集打分为好或坏，并使用该信息将理想的设计参数集归零。

所以我们确实创造了相当成功的人工智能来设计其他人工智能。但我赶紧说，“设计人工智能”和“设计人工智能”的智能方式完全不同。就像擅长设计引擎并不意味着你擅长做引擎一样。“设计 AI”在创建面部识别 AI 方面可能很棒，但“设计 AI”本身对面部识别毫无用处。而人脸识别AI是没有能力设计AI的，它只擅长人脸识别，别的什么都不会。例如，它不能识别汽车品牌，也不能通过叶子的形状识别树种。

当今世界上所有的人工智能都在极其具体和狭窄的目的上具有智能。它们都不是有意识的或思考的，即使是在遥远的意义上也是如此。他们都只是计算器，寻找和使用数学公式。这不太可能改变。

来源：带你一起周游世界