人工智能和人類智能究竟有何不同之處呢？在本文中Sabine Hossenfelder 就從十個方面分析了這兩者間的不同。

今天我想講講人工智能有何智能之處。

當然顯而易見的是，人的大腦是有溫度且不確定的，而計算機不是。但是更重要的是，人類智能和人工智能之間存在結構性差異。這我將在之后講到。

在我們開始之前，我要簡單的講講"人工智能"指的是什么。

如今所謂的"人工智能"其實是通過神經網絡實現的。

神經網絡是一種計算機算法，用來模擬人腦的特定功能。當中包含虛擬的"神經元" 這些神經元排列在"層"中，并且互相連接。神經元傳遞信息從而進行計算。就像人腦中的神經元傳遞信息，并進行計算一樣。

在神經網絡中，神經元只是代碼中的數字，通常它們的值在0到1之間。神經元之間的連接也有與之相關的數字，它們被稱為"權重"。這些權重告訴你，來自其中一層的信息對下一層有多大的影響。神經元的值以及連接的權重本質上是網絡中的自由參數。

通過訓練神經網絡，你想找到那些使某個函數最小化的參數值，這稱為"損失函數"。這是神經網絡要解決的優化問題。

在優化中，神經網絡的魔力是通過所謂的反向傳播實現的。反向傳播是指，如果神經網絡給出的結果不是特別好，你可以回溯并改變神經元的權重和連接。神經網絡就是這樣從錯誤中"學習"。

說到這里，下面讓我們進入人工智能和人類智能之間的關鍵區別。

01

形式和功能

神經網絡是運行在計算機上的軟件，人工智能的"神經元"沒有物理實體。它們以位數和字符串的形式編碼在硬盤或硅芯片上，它們的物理結構和真正的神經元一點也不像。相反，在人腦中形式和功能是同時存在的。

02

大小

人類大腦大約有1000億個神經元，目前的神經網絡通常有幾百個左右。

03

連接

在神經網絡中，每一層通常與上一層和下一層完全連接。但人腦并沒有所謂的層，相反，它依賴于許多預定義的結構。并不是人類大腦的所有區域都是同樣連接的，區域是專門用于特定目的的。

04

能量消耗

人腦在能量消耗方面，比現存的任何人工智能都更為節能。人腦大約耗費20瓦能量，這與現在標準筆記本電腦耗費的差不多。但有了這些能量，大腦處理的神經元數量多一百萬倍。

05

體系

在神經網絡中，這些層是整齊有序的一個接一個地處理。而另一方面，人腦會進行很多并行處理，沒有任何特定的順序。

06

激活狀態

在人腦中，神經元要么是激活狀態，要么非激活狀態。在神經網絡中，激活是由連續值模擬的。因此人造神經元可以平穩地從上到下運行，這是人腦做不到的。

07

速度

人類的大腦比任何人工智能系統都要慢得多。一臺標準計算機每秒執行大約100億次操作。另一方面，人的神經元激活頻率為每秒最多一千次。

08

學習方式

神經網絡通過輸出來學習。如果根據損失函數，這個輸出是低性能的。然后，網絡通過改變神經元的權重和它們之間的連接做出反應。沒有人知道人類學習的細節，但肯定不是這樣的。

09

結構

神經網絡每次都是從零開始的。而人腦呢? 很多結構已經連接到它的連接處，而且利用的模型，這在進化過程中被證明是有用的。

10

精度

人腦的干擾因素更多，而且不如計算機上運行的神經網絡精確。這意味著大腦基本上不能運行與神經網絡相同的學習機制，它可能使用完全不同的機制。

這些差異的結果是，如今的人工智能需要大量的訓練，需要大量精心準備的數據。這與人腦的運行方式是很不一樣的。

局限性

神經網絡不會建立世界中模型，相反它們會學習對模式進行分類。這種模式識別只需要很小的變化就會失敗。

一個著名的例子是，你給圖片添加少量影響因素，這些因素小到肉眼無法識別。但人工智能系統可能會被騙，錯認為物品A認為是物品B。

目前，神經網絡也不善于從它們所學習的情況推廣到另一種情況。

它們的成功很大程度上取決于定義正確的"損失函數"。如果你沒有謹慎思考損失函數，你最終會優化你不想要的東西。比如本被訓練以恒定的高速行駛的自動駕駛汽車，很可能變成只會原地旋轉。

但是神經網絡擅長于一些內容。比如對圖像進行分類，或者推斷出沒有明顯趨勢的數據。

結語

也許人工智能的意義就在于不讓它與人類智能太相似。

畢竟，我們擁有的最有用的機器，比如汽車或飛機，它們之所以有用正是因為沒有模仿人類。相反，我們需要創造專門處理人類不擅長任務的機器。