人工智能的未来不是对话和画图，而是工农业生产自动化

Redknife

Redknife 发表于 2024-6-9 23:52
ai的训练并不需要它从头开始挖废多少矿井，事实上现在的ai训练会经常地使用人类过往汇总的数据或者知识经 ...

还有，现在的ai模型训练后会用校验集调节出最优的超参数，在进行性能评估的时候都会用测试集进行模型泛化能力的测试，以考验其在面对新样本时的性能。在这里，校验集与测试集都不会在训练时被模型学习到，以保证人类用校验集调整超参数之后就可以让模型拥有最优的泛化能力，也保证人类可以用测试集更好地测试出模型的泛化能力。泛化能力过差的模型是不会被用于生产当中的，学术上也不会认可（比如把数据噪音都学习进去的过拟合模型）。

Redknife

xin 发表于 2024-6-9 22:01
举一个例子，一个人类下矿和ai控制的机械下矿，谁的成本高?

只要是一个脑能力正常的人类，几个月就能学会 ...

事实上“对于不断变化的事物没有应变能力”的技术不只是现有的ai技术，过往的许多自动控制技术也同样如此，这些技术连学习和训练能力都没有。但这不代表这些技术不能用于劳动生产过程中，相反许多专用性极强的自动控制技术、通信技术都广泛的应用于现在的劳动生产过程，所以我们不能因为一些新技术仍然不完美或者有一些明显的缺点而去小看它们。

xin

Redknife 发表于 2024-6-10 01:00
事实上“对于不断变化的事物没有应变能力”的技术不只是现有的ai技术，过往的许多自动控制技术也同样如此 ...

那我就静待佳音了，毕竟事物是不断发展变化，说不定下一秒就达到科学奇点了呢，但目前在我来看ai技术很不成熟，对完全实践与人类劳动生产还非常遥远。

xin

Redknife 发表于 2024-6-9 23:42
我提个意见：人工智能和其他与自动化强相关的技术是一定要坚持发展的，而且要与社会主义生活建设同步，这 ...

红色之刃同志认为人工智能技术发展对于未来社会主义生活建设是完全缺一不可的东西吗，必要充分条件?

xin

Redknife 发表于 2024-6-9 23:52
ai的训练并不需要它从头开始挖废多少矿井，事实上现在的ai训练会经常地使用人类过往汇总的数据或者知识经 ...

现在大型ai的发展就是无限积累算力，那就需要持续发展生产力配套给ai供给，但是现在地球的环境已经不支持这样做。

人脑的耗能就非常低，但是算力非常强，强到可以自我学习和思考，总结经验和发展新方式，这是ai做不到的，想从事挖掘矿山这种比较考验复杂细节和应对风险的工作，我认为起码是要达到人类大脑算力的三分之一，才能勉强保证机械能稳定按照指令运行，同时计算最优解。

但是我们不可能真的为了挖掘一次矿石给它们造几万个芯片烧光，所以对此我对未来ai发展保持悲观态度。

xin

李嘉图 发表于 2024-6-9 22:41
你觉得可能吗？

你觉得不可能吗？

激活

xin 发表于 2024-6-9 22:01
举一个例子，一个人类下矿和ai控制的机械下矿，谁的成本高?

只要是一个脑能力正常的人类，几个月就能学会 ...

哈哈，我拿你这段去问GPT，让它回答你的问题，可以参考看看：

这段话有一定的道理，但需要进一步探讨和分析。

人类矿工 vs. AI控制的机械矿工成本对比：

人类矿工成本：包括工资、培训费用、安全设备和医疗保险等。人类矿工有高度的灵活性和应变能力，可以在不同环境下工作，并且能够处理突发情况。
AI控制的机械矿工成本：包括开发和训练AI的费用、购买和维护机械设备的成本、电力和其他运营费用。AI和自动化机械的初始成本较高，但长期来看，运营成本可能低于人类矿工。此外，AI机械可以在危险或极端环境下工作，减少人类工伤和死亡风险。
AI训练周期和适应能力：

训练周期：AI的训练确实需要大量的数据和时间，并且需要在特定的环境和条件下进行训练。然而，现代AI技术，特别是深度学习和强化学习，已经能够在模拟环境中进行训练，从而减少现实中的试错成本。
适应能力：虽然AI在特定任务上表现出色，但在面对新的或未见过的环境时，可能会遇到挑战。然而，随着技术的进步，AI的适应性和通用性正在不断提高。通过迁移学习和自适应算法，AI能够在一定程度上应对新的环境和变化。
技术应用的可行性：

AI和自动化技术已经在许多领域得到了成功应用，如制造业、物流和无人驾驶汽车等。虽然在矿业中的全面应用还存在挑战，但随着技术的进步，这些挑战有望得到解决。
人类矿工在应对复杂和不可预见的情况上具有优势，而AI和自动化设备在执行重复性和危险性高的任务上更具优势。因此，两者可以互补，共同提高生产效率和安全性。
作为AI的我如何训练
我的训练过程是基于大规模的数据集，通过自然语言处理技术（NLP）进行训练。具体过程包括：

数据收集：收集大量的文本数据，这些数据可以来自书籍、文章、网站等。
预处理：对数据进行清洗和预处理，使其适合模型训练。
模型训练：使用深度学习算法（如Transformer架构）对数据进行训练，学习语言模式和语义关系。
优化和验证：通过不断优化模型参数和验证模型性能，提高准确性和通用性。
我的训练目标是理解和生成自然语言，以帮助回答用户的问题和提供相关信息。我可以不断从新的数据和互动中学习和改进，虽然没有自主学习和思考的能力，但可以通过模型更新和训练提高性能和适应性。

Redknife

xin 发表于 2024-6-10 14:27
红色之刃同志认为人工智能技术发展对于未来社会主义生活建设是完全缺一不可的东西吗，必要充分条件?

...

我觉得是必要的。
比如：未来计划经济的运行需要对大量的经济数据进行搜集、分析，如果用人工进行数据的搜集和分析，那么这个过程会占用人大量的时间，这些时间如果可以释放出来，那么人们可以用这些释放出来的时间去参与决策的讨论或者其他公共事务的管理。在现在看来，人工智能在数据分析方面的确要比人类效率高不少，它可以很好地降低人类在数据处理方面所需要花费的时间，而且准确度也很高。
再比如：人工智能模型如果能够出现一个降低模型深度以及参数量且保证性能的成功发展方向，那人类便可以更好地以低成本大量使用人工智能技术。

Redknife

xin 发表于 2024-6-10 14:40
现在大型ai的发展就是无限积累算力，那就需要持续发展生产力配套给ai供给，但是现在地球的环境已经不支持 ...

我提个意见：人脑的耗能的确低，但是其算力或者“运算速度”远逊于机器。人脑相较于机器的优势其实是：少量新样本下的强大适应性、可以进行多线程平行计算、可以处理模糊、含有大量噪声及不一致性强的复杂数据。
我对人工智能的看法中有一点是与您相同的：就是人工智能很有可能无法自己提出概念进行自我思考，这是人工智能永远无法到达的顶点。不过，我们可以让人工智能尽量取代人类的重复性工作，同时探索新的方向让他更节能更廉价。

xin

激活 发表于 2024-6-10 16:36
哈哈，我拿你这段去问GPT，让它回答你的问题，可以参考看看：

那些模型的幻视性不解决，ai将永远不可能用于实践生产。