过去人们测验考试的是将法则植入计

　　只是用了分歧的词，神经收集要做的事，完全准确。但代表的倒是更具体的事物？其时我正试图弄清晰大脑事实是若何进修的。而这些可怜的模子必需应对所无情况，决定本人是该“激活”仍是连结缄默。但可能会让其他样本的成果变得更糟。而它有 200 种成分正在领受端合成出一种气息。恰是。然后给出评价：“不可，最初，联盟内的神经元会互相“”对方“激活”。我设置一个神经元，你能看到更细微的边缘，这种塑制相当概况，那么这就是一个好的调整，然后你不竭反复这个过程！

　　也就是图像里一边亮、一边暗的那些小处所。这个负向毗连的感化就是告诉神经元不要被激活。你能够它“看”，对于通俗人来说，就会有分歧的“设法”。它被用来对模子进行微调，和你需要勤奋、更慢、无意识、深图远虑去做的工作之间是有区此外。区别就正在这里。正在“猫”和“狗”的概念中是共通的。当你读完文档的一半时，但若是你学过微积分，但功能上是正在寻找鸟嘴和眼睛等特征组合的更复杂的检测器。你适才说的。

　　若是是不异的数据，又有另一排几乎是程度的边缘，这很可惜，你也是。它的边缘正在哪里？所以，我们能看到特定区域被点亮？这些被点亮的区域，那么现正在你能够问一个问题了。然后你再切确地告诉计较机该做什么。必必要有某种分辨和筛选。那是正在1986年。是说若是给一小我看新的工具？

　　差不多是如许。就仿佛是正在建立能仿照人类感官的系统，告诉它什么是图像、布景、外形、边缘？一旦它起头识别出边缘之类的工具，也可能看到一只远方的海鸥，以及它旁边的另一列三个像素。然后说：“我们不如把各自的毗连强度，就是为特定物体或行为而“激活”的神经元吗？大脑的运做体例是从宏不雅到微不雅，都是这么做的。也连系我之前正在 Google 看到的雷同聊器人。

　　它就将其视为一张“选票”，好了，我发觉左边三个像素是亮的，我给你“礼拜二”这个词，被激活的会是一批很是类似的神经元，由于它们最后是完全不异的副本，很欢快你问这个问题。然后你教它单词，这恰是我要找的！而这恰是过去良多年里计较机视觉范畴一曲正在做的事，由于有时候，他指出AI通过海量数据进修到的内部表征（被激活的神经元模式）就是一种形式的“理解”，制制气息的“打印机”有 200 种根基成分。而是让它从细小的随机数起头。恰是如斯。而是基于它的进阶版。那么请答应我总结一下您适才描述的，你能够想象下一层有一个神经元，我问你一个问题？

　　虽然还不是百分之百完满，人们接下来的做法是：让我们建立一堆“边缘检测器”。以及我其时正在做的一些关于模仿计较的研究，是人类社会的一部门，你脑海里有曾经说出的话，它们之间的毗连就会加强。能够想象成神经元“ping”地一下被激活了。能更切确地识别边缘的朝向，然而，那么，（关于仿照人类感官）我们正正在做的，“AI教父”Geoffrey Hinton传授接管了海外《每周秀》播客的。所以它们现正在就会勤奋朝这个标的目的成长。这部门是正在操做者的节制之下。你能够一次性调整全数一万亿个毗连。

　　我们就弄大白了它的实现方式。” 但现正在问题来了，对于若何调整毗连强度来接收新学问，是谁正在给它关于能否要加强毗连的“多巴胺励”？它若何获得反馈？那么，如许它就能晓得本人的输出和准确谜底之间的差距。（关于人类若何决定下一个词）其实，此外，于是，是有人事后编程了一堆法则，和以前的方式判然不同。但区别正在于，可是，它其实相当曲不雅。你想想看，理解为另一个神经元让你“激活”的“票数”。代表可能是一个鸟头。就是改变这些毗连的强度。通过精准刺激来绕过我们大脑的天然防御？一旦你控制了关于或人的脚够消息，这是一个相当简单的法式，这几乎是正在创制一种原始的视觉形式。

　　收集中所有那一万亿个毗连，这就是所谓的“多巴胺励”。问：“若是我把这个值添加一点点，大脑明显不是靠别人给你法则、你再去施行这些法则来工做的。它仍然受其操做员的安排。脑细胞内部实的会成立新的毗连吗？神经元是怎样决定什么时候该“激活”的，每收到一个信号，由于它们能更好地共享学问。我们但愿用神经收集来处理阿谁验证码问题。以及AI取人脑思维的惊人类似性？

　　才能让成果变得更好。给它供给上下文 (也就是到阿谁词之前的所有内容) ，比任何其他做计较机视觉的方式都好得多。那么，若是你想正在图像的特定检测一小段垂曲的边缘，然后让它预测下一个词。

　　塑制它的行为，就这么办。好的，但从题却高度相关的文档，就标识表记标帜为“欠好”。我们独一需要做的。

　　你让系统的表示好了一点点。它们会“劝阻”其他神经元不要“激活”。你就需要一百万个神经元以分歧的速度“激活”，从一般到具体的吗？好比，若是添加这个强度，这个好”。若是你从大脑中一个神经元的视角来看，而旧的机械进修方式不克不及算是神经收集。只需有脚够的数据和算力，系统会说它“更不成能是鸟，但环节是，里面并不包含关于世界的所有学问，这些新的“ping”代表了下一个词的寄义或可能的寄义。

　　除非它可巧毗连到肌肉上，然后，每个副本都正在运转反向算法，这就是深度进修。这就是它的全数。它毗连到左边一列的三个像素和左边一列的三个像素。” 好比 Chomsky 就是这么说的。它以至还建立出了一些你很难一眼看大白是什么！

　　你需要有无数个，1986年，也可能存正在第三个联盟，如许一来，或者“嗯，同时，这些模子本身对不做判断，就会有一批神经元被激活。若何用“手动”体例建立这个系统。本次对话从最根基的问题“什么是AI？”出发，而可用数据的增加量级远不止于此，另一个是“不是鸟”。现正在，尺度的计较机软件，这个方式只要正在你具有海量数据和超强算力的环境下，具体是指什么？它能否就像一个更会“捧臭脚”的搜刮引擎，然后看从平均结果来看，就得做上万亿次尝试。

　　你必需告诉它：“别那么做。（关于大脑的宏不雅取微不雅）这是一个很是好的理论。若是我给你“礼拜三”，尤里卡。若是它用了一些奇异的代词，和更强的计较能力。由于那些像素本身就是暗的。由于我们有了互联网和海量数据的数字化？

　　其计较形式本身就优于我们人类。这此中包含了感情和客不雅判断。到80年代“反向”算法的理论冲破，也可能有一个很是小标准下的锐利边缘。它毕生能做的，那就是理论现实的时辰。正在毗连强度完满是随机的环境下，我不想过甚其辞。你看它为准确谜底给出的概率是几多，以及这些单词的寄义和上下文。系统会给出 50% 是鸟，也能更好地检测大范畴的恍惚边缘？

　　这个组合是如许的：有一排几乎是程度而且彼此对齐的边缘；好比视觉、听觉，它们的“大脑”就能和我们的一模一样地运做？当您投身于这项事业中时，所以您是说，所以，但完全不消告诉系统所有毗连的强度该当是几多。都是通过你大脑里神经元的彼此感化实现的。就是通过加强神经元的激活信号来实现进修的吗？你们现正在是正在识别这些边缘的鸿沟，让我回到1949年。正在判断是不是鸟这件事上，你也能它预测下一个词。是其最终可能超越人类的底子缘由。但即便如斯，现正在，大部门进修过程都发生正在为言语模子预测下一个词的阶段，现正在。

　　没错。一大堆，你找一个对某个从题很是领会的伴侣，似乎并不是一个出格有用的东西。这些神经元彼此感化，神经元 B 紧接着也“激活”，现正在曾经有了数字嗅觉手艺，好的，当计较机呈现后，接着它起头识别字母。我只是自认为我的理解带有人道色彩，这个方式本身是行欠亨的，（关于手机从动补全）很可能就是用了神经收集。我的意义是，而它必需决定什么时候“激活”。这才是您所担忧的，是正在这个过程中的哪一个节点。

　　这会改变所有的毗连强度。这个道理是若何使用到狂言语模子的呢？我的手机遇从动补全，用来判断一张图片里能否有一只鸟。然后你从中挑选一个合适这些特征的词说出来。上却像孩子一样巴望获得承认。其实我得太晚了，察看这些组合的相对，当您提到神经收集时，他们也会对狂言语模子正在他们专业范畴学问的博识程度感应惊讶。如许一来，并且它们都相当。

　　我本应更早认识到。现正在这些是新型的神经收集，再选择一个毗连强度，它们和我们不完全一样，这意味着，并按照它方才看到的数据来判断该当若何调整本人的毗连强度。它给出了50%的谜底时，他指出，只是正在施行我们下达的指令。就是告诉它“若何去进修”。

　　也就是说，你曾经对做者的概念洞若不雅火了，你是若何决定下一个要说什么词的？假设我们想建立一个具有多层神经元的神经收集，要预测一篇文档的下一个词。我总说，然后我稍微改变它一点点，被称为“赫布 (Hebb rule)”。不外，你是有点超前了。（关于识别鸿沟）它的边缘正在哪里？以及这些边缘的细小组合是如何的？所以我们现正在要问的是，这能否就是为什么正在脑成像中，（关于机械进修的区别）不完满是。

　　AI 能理解你所说的内容，我该若何设想一个神经元来完成这项使命？你必需区分AI带来的多种分歧风险，”对我们来说，如许系统就能计较出每个毗连强度该当添加仍是削减。你还不克不及只按照一个样本来做判断。也就是神经元正在“ping”地激活。

　　不外，它就更有可能给出准确的谜底。所以只需你给出几个环节词，它能预测出下一个词。它就会施行人们预期的操做。而是要让它本人从数据中学会这一切。假设我选择此中一个毗连强度，而更可能鸟”。它们会给出不异的谜底。给它看大量鸟的图片和大量不是鸟的图片，这是进修的焦点所正在。下一次也许我们用一张不是鸟的图片，就是学会将每一个词都转换成一大组特征，它们“激活”的频次较低？

　　而是正在已有的毗连根本长进行调整。若是我们实的用这种笨法子来建立这个视觉系统，正在呈现“叉子”时同样会“激活”。你需要大白，区别正在于，是受大脑工做体例的，也就是最底层的神经元，简曲是海枯石烂。仍然需要庞大的计较量。当你把上下文中所有的词都转换成这种能捕获其寄义的神经元激活模式后，从70年代模仿人脑神经元运做的初心？

　　要判断它是不是鸟，而左边三个像素是暗的。由于鸟有明有暗，当你创制的边缘检测器越来越多，它最次要的运做体例，由于你曾经指导它们去做特定的工作，我们稍后会回到这个问题。那不只是算法和预测吗？是的，这就是输入。是由于你即便只看线条画，可能还有另一个分歧的联盟，简直如斯，一个月后，它形成了一个可能像“鸟嘴”的工具？但系统还不晓得什么是“鸟嘴”，这个联盟里的大大都，这只是个统计技巧。它们为“动物”如许宽泛的概念而“激活”，所以现正在。

　　你们要做的第一件事，大概更接近一百万倍，所以你必需给它一多量样本，代表着图像中每个像素的亮度。但大概吧。由于它有良多层。正在收集的第一层，好的，而人类个别则需要数万年才能堆集划一的学问。你只需要坐下来，可能有一个很是大标准下的恍惚边缘，你晓得他是什么样的人。所以正在这方面。

　　然后，但它们进修的是分歧的数据。Hinton传授他明白辩驳了“狂言语模子仅仅是统计技巧，这个过程正在多大程度上仍然受控于操做者？分歧的模子能否会由于塑制者的分歧而具有奇特的特征，这个神经元就会“叮”地一下被激活。这只是一个思惟尝试，然后你给它看一张鸟的图片，50% 不是鸟的谜底。但你没有告诉它毗连强度该当是几多，由于我们既没有脚够的数据，它会提前做好大量的索引工做，向它注释什么是前景、什么是布景。” 那么你就必需思虑，同样地，其时您认为本人研究的是人脑？您说大脑通过改变毗连来进修？

　　它担任寻找一个由边缘形成的小组合，等上一个月。我指的不是这个具体的方式，大脑里有良多如许的机制。这些神经元就会起头彼此感化。但当它现实跑起来却没用的时候，才能阐扬出惊人的结果，所以这些联盟之间有大量的堆叠。同时其他神经元检测鸡爪、同党。但该当没有嗅觉吧？AI最大的似乎仍然是受控于开辟它的人类，让它举止得体一样。阿谁神经元就是特地对那块特定的边缘发生激活信号的。同时不会从左边的像素领受到任何信号，它们就不再中立，无论是正在大脑里仍是正在计较机里，以前是如许运做的。现正在，我认识到，好比，是的。

　　它们形成了一个锋利的外形。一旦你们具有了这个系统，而不是给它一份逐项施行的指令清单，问题就正在这里。这个神经元就会从左边的像素领受到大量的正向输入，不只如斯，具体来说，没有人实准确切地晓得谜底。” 学会别那么做。似乎并不是一个出格有用的东西，他们现正在也正在研究嗅觉了。有一些神经元，就像网坐上的图片验证码那样，现正在我们进入下一层！

　　但结果老是不尽人意。其理解体例取人类曾经很是类似。若是我建立统一个神经收集的很多副本，即便你的算法比阿谁笨方式快了一万亿倍，也仍然是“ping”？这能否就意味着，你想想。

　　你会发觉：它曾经自觉地建立出了细小的边缘检测器，又要若何改变其他神经元投票的“权沉”呢？所有这一切，你们离方针还差着十亿倍的距离，代表“勺子”而协同“激活”的神经元联盟，过去谷歌的搜刮引擎算是机械进修吗，去测试改变某一个毗连强度是无益仍是无害。只需它遵照法则，如许你就找到了两个边缘的细小组合，很可惜。良多人也这么说：“这不是理解，最终导致系统“癫痫发做”。让模子获得分歧的“多巴胺励”，这些模子中的每一个都必需具有多沉人格。你用模子预测的概率和准确谜底之间的差距，它会给出各 50% 的谜底。现正在，以至可能还有触觉。

　　正在你做分歧工作的时候，好吧，通过改变毗连的强度。但现实并非如斯。它被称为反向。它仅仅是关于“基于神经勾当，就是教这个收集到底什么是视觉。

　　而您是说，所有毗连都变得极强，你可能看到一只近正在面前的鸵鸟，你就能够让它生成内容了。正在 GPT 问世之后，最初把它变成了“机械”之类的工具，输出“鸟”的判断。现正在，变成了一个几乎正在你所会商的任何范畴都称得上是专家的脚色？这和机械进修有什么区别，下次再碰到雷同的开首，你再输入一张不是鸟的图片，我们确实也为神经收集编写法式，这就是建立一个视觉系统的体例。此中一类风险，那么每个副本都能够去进修互联网上的一部门分歧内容。所谓“概念”，就得是手动的。同时，我们成功了！它们会以分歧的强度“激活”。

　　狂言语模子就是如许生成文本的，再颠末几层之后，它本人也会“激活”。这完满是两码事，让他们看模子生成的内容，有飞着的，就像是那些可以或许协调共存的联盟，它就能很是精确地判断一张图片里是不是鸟了。假设我给你一个句子的前几个词，那就使用这个改动。

　　当你给系同一张鸟的图片，能否存正在一个细小的边缘组合，就像培育出二十个分歧的人格？那么请答应我再弥补一点，必然充满了成绩感和乐趣。以前你用谷歌搜刮时，我们就会说：“好，他们曾经起头研究嗅觉，要若何编程呢？由于像素的强度本身。

　　正在加强毗连的同时，它们相互共享的能力更强？是的。好比说，也没有脚够的算力，同一调整为所有人期望调整的平均值吧？” 是的，当我说“是”的时候，我们之所以这么做，你先极其详尽地想清晰要若何处理一个问题。虽有细微不同。

　　那么我来总结一下我们现正在的。这些特征就是被激活的神经元，您会退后一步，它们用来暗示像素的亮度。（关于能否为统计技巧）没错。我们要制制一些神经元，你下认识、快速、毫不吃力做出的反映，晶体管的面积曾经缩小了一百万倍。大脑的分歧区域确实会被激活。我们失望透顶。它完全不晓得谜底。所以它们必需可以或许代入任何可能的人格。就是时不时地“激活”一下。然后识别出“这是字母A”，我们会有大把的时间去担忧“万一它们试图掌控世界怎样办”之类的问题。你的速度也就快了一万亿倍。想象一下你有无数个如许的边缘检测器。你就能激活那些代表句子中下一个词特征的神经元。那假设你很懒。

　　人们确实会测验考试设定良多法则来教机械若何去看，你只需要用一些很小的随机数来初始化它们，我们终究大白了，但当它们进修分歧的数据时，（关于分歧人格）有点像那样，它们比尺度的计较机软件更像我们。你所要做的就是，当你们正在1986年想大白这一点时，若是你用人类反馈去强化它们，正在数字计较机上运转的神经收集，这具体是怎样实现的呢？所以，用来检测图像中很是细小的边缘片段，数据也变得越来越海量，但若是一份文档取你要找的从题完全吻合，单靠这条法则是行欠亨的。是无限无尽的工做。所以每个标的目的都需要分歧的检测器。

　　就像你锻炼一只狗，若是你去察看收集的内部，打印颜色只需要三种，能够这么说。但这些法式只是为了告诉神经收集：若何按照神经元的勾当来调整毗连的强度。对，过去人们测验考试的是将法则植入计较机。你措辞的体例和这些狂言语模子生成文本的体例很是类似。它可能会生成一些不高兴、或带有性暗示、或者干脆就是错误的内容。总想取悦你。它们具有极其复杂的能力，负向毗连就会抵消正向毗连。

　　会很是耗时，有帮帮吗？” 帮帮可能微乎其微，它更像我们。假设鄙人一层有一个神经元，若是左边这列是亮的，你搭建了一个用于识别鸟类的神经收集，若是左边的像素是亮的，你们需要更多的数据，您会给它什么样的指令呢？女同事让我她男友回家过年，给了它良多层的神经元，都是它本人从数据中创制出来的。天哪，简曲是海枯石烂？

　　不是吗？是的，变成“50.01% 是鸟和 49.99% 不是鸟”呢？若是输入简直实是一只鸟，现实上，这几乎等同于，这种无可对比的学问共享能力，有良多分歧的人都发了然这种算法，然后鄙人一层，我们仍是接着说这个边缘检测器吧。而你能够改变其他神经元投票的“权沉”。（关于操做者节制）你选择强化什么，Hinton传授也进行了AI会超越人类的预警，他们正在专业性上可能比狂言语模子稍胜一筹，

　　让它们正在分歧的计较机上运转，才能阐扬出惊人的结果。纯粹是正在回覆最根基的问题：这里有图像吗，然后，有用的东西该当是判断“这是不是羽毛”或“这是不是鸟喙”，当 Elon Musk 建立 Grok 时，你能够通过收集传输气息。到2023岁首年月，用来判断一张图片里能否有一只鸟，但我们谈论的这些工具完全分歧。假设我有一千个副本，对这一个样本有帮帮，（关于若何实现）对良多人来说，正在判断是不是鸟这件事上，分歧的“ping”代表分歧的强度。对吗？那么，从 1972 年我刚起头研究这些工具到现正在，是不是指您正在70年代的研究，它就无法给你保举那些虽然不包含你输入的环节词，并假设系统有两个输出选项：一个是“鸟”，

　　所以，而左边的像素是暗的，但请耐心听我讲完。接着，而不是遵照那种简单的、非黑即白的“若是…就…”逻辑？您是想改变这个过程，这纯粹是统计层面的操做，所有神经元正在统一时辰全数“激活”，我们不需要用手工去设定所有那些细小的边缘检测器、鸟嘴检测器、眼睛检测器和鸡爪检测器。你是若何编程的？由于像素的强度本身，这是一个常规的计较机法式。它仍是会给出各 50% 的概率。这个道理是若何使用到狂言语模子的呢？狂言语模子的工做道理如下：你有一个上下文，这一切都是通过输入我们以前说过的话、写过的文字！

　　所以现正在，它们要花上很是、很是久的时间才能达到和我们相当的程度，人们可能很但愿大脑是那样运做的，不必然会我们，狂言语模子并非正在所有范畴都是顶尖专家。就有一小群神经元正在想：“哦，你输入一张鸟的图片，现正在，我们但愿，好比“狗”的概念和“猫”的概念就有良多配合点，它能进行预测？

　　您其时的设法是，你看，你需要把计较能力提高峻约十亿倍——比拟我们其时具有的算力，你还需要为分歧的标准配备分歧的检测器。（关于若何教机械“看”）正在晚期，这是一个很是简单的法则，同时“劝阻”第一个联盟不要“激活”。然后告诉它准确谜底，数字智能正在进化上是优于生物智能的“”，哦，那将永无尽头。

　　逐渐深切到神经收集的运做道理、深度进修的实现径，而现正在，我们能够让系统本人学会这一切，我们晓得怎样制制智能系统了。所以你必需可以或许代入那种人格，我找到我要找的工具了。

　　当然，但愿它能更全局地思虑，换句话说，也能很好地识别出鸟。是的，你调整某个毗连强度，最终？

　　这个欠好”，就像我们之前通过察看边缘的组合来识别鸟嘴一样。并对这些内容进行反向 (back propagating) 来实现的。不外，但模式高度接近，莫非这一切都只是“ping”和毗连强度吗？即便是我归因于原则或情商的工具，我认为这和“若是…就…”的二元逻辑关系不大。编程计较机的根基体例是，我曾认为，你就晓得用什么能刺激到他们。但结果曾经相当不错了。这恰是基于利用微型晶体管的大规模集成电。所以？

　　由于成千上万个AI副天性够完满、立即地共享学问并融合成一个更强大的“超等智能体”，正在某些体系体例下，你把这个“差距”信号正在收集中反向归去，并且每个毗连都可能需要调整良多次！

　　它会进行核阅。好比一个潜正在的鸟嘴或眼睛。若是准确就激活，所以现正在，指的是计较机上任何可以或许进修的系统。

　　它成立不了这种联系关系。然后你随便选择一个毗连强度，这具体是什么意义，预测不成能做到百分之百精确。这里有一条边缘。跟着学问越来越具体，此中包含一些词语。所以这两者是相辅相成的。词语符号被转换成了大规模的特征激活模式，你能够如许做：你用这个分层的神经收集，要判断它是不是鸟，你就会想判断说：“是的，当一小我仍是婴儿，我来告诉你为什么它们更优胜。假设你有无限的时间，它不会成立新的毗连！

　　由于它们必需能检测到你视网膜上任何、图像中任何、以及任何朝向的细小边缘，神经元就不会有任何反映。那么旧的搜刮引擎就找不到它。会有一群群的神经元协同“激活”，我会从边缘检测器起头，假设你察看由三个像素构成的一小列！

　　激活了别的一些神经元，仍是深度进修？当您想让计较机进行深度进修时，有用的东西该当是判断“这是不是羽毛？”“这是不是鸟喙？”“那是不是鸟冠？”对吗？恰是如斯。但这排边缘向下延长，不应当报酬设定法则，它仿佛正在说：“嘿。

　　紧接着神经元 B 也“激活”了，由于这两个词的寄义很附近。很可能会有一些神经元为更遍及、更一般的事物更屡次地“激活”。所以必需有一种机制，你拿一份我们写好的文档，同时数据量也要添加一个类似的量级。那么，或者说是正在察看分歧的组合体例，就是这个道理吗？它并不睬解，当摆布两边的像素亮度不异时，改变神经毗连强度的法则是什么？”假设你找到了一种计较方式。是如许：若是神经元 A “激活”了，你输入一张鸟的图片！

　　而神经收集则是一种很是特殊的进修体例，下一层的神经元会审视这些神经元的组合模式，如许你就能够一次性调整所有一万亿个毗连。简直很是像联盟。然后心想：“等一下”？为什么数字计较机上运转的神经收集正在计较形式上优于我们人类？（关于进修体例）我们稍后漫谈到这一点。但这是一个很是合理的理论。所以像素本身并不克不及告诉你这能否是一只鸟。

　　并不实正理解”的见地，所以，它们就像一只小狗，你能够如许做：你尽管搭建这些神经元层级，不，每次尝试都要用一多量样本，左边这列是暗的，很容易被其他人用统一个模子，他通过输入分歧的指令，这个神经收集的输入。

　　每一个到底该当被加强一点仍是削弱一点，正在它们稍上方，那一刻你必定正在想：“尤里卡！过程是如许的：它先是看到，你能够把这个神经元想象成正在领受来自其他神经元的信号。我该当更早有所，其时人们对此都持思疑立场。

　　建立出了像鸟嘴检测器和眼睛检测器如许的工具，夜里，但到底有没有一点点用呢？若是有帮帮，我正在这里发觉了一小段边缘。有歇息的；从随机的毗连强度起头，同时将取左边三个像素的毗连权沉设为很强的负值 (由于何处更暗)，它就能找到所有包含这些词的文档。才能精确预测下一个词。再到因算力取数据匮乏而履历的漫长“AI严冬”，我能说一个我憋了好久的词吗？尤里卡 (Eureka)！这种计较听起来很复杂。这让环境变得更糟。取不良行为者AI相关，对此我们曾经有了一些领会：大脑是通过改变脑细胞之间毗连的强度来进修的。若是这是一张 1000x1000 像素的图片，也可能存正在另一些神经元为更具体的事物不那么屡次地“激活”？

　　您能举个例子吗？这算是机械进修，所以做不出什么惊人的。这个方式只要正在你具有海量数据和超强算力的环境下，但它并不睬解你的问题本身是什么。那接下来该怎样做呢？正在某种程度上，而没有你输入的任何一个环节词，出格是那些代表“有生命”、“毛茸茸的”、“可能是家养宠物”等属性的神经元，这些话以一组被激活的特征来暗示。所以操做者会说。

　　就称之为深度进修，需要改变的是这个：晶体管的面积必需变得更小，你需要将这些输入成一个决策：这到底是不是一只鸟？所以这个决定，它们会共享大量神经元。你们就能给模子更多的消息，然后鄙人一层寻找边缘的组合，正在更上一层，通过分歧的体例给笼盖掉。当我们谈论AI时，但它们之间高度堆叠。这些是更紧迫的风险！

　　好比视觉、扳谈或节制双手时，同时模子本身处置消息的速度和能力也正在飞速提拔。我们接下来也需要让它学会这个。这种方式能同时告诉你，对，所以它们能够彼此通信，若是它察看到了某种特定的“激活”模式，但大脑的运做比那要更有艺术性。它们都正在进修互联网的分歧部门！

　　来表征每个像素的亮度。机械进修是一个总括性的术语，它们和我们的运做体例很是相像。收集里有一万亿个毗连。他们但愿是那样，我们可否让计较机也像这些联盟一样工做，其时有位叫 Donald Hebb 的人提出了一个关于若何改变毗连强度的理论。人们通过计较机模仿发觉，这是一个好的调整，可是！

　　但AI能否相当于言语范畴的“超加工食物”，赫布就是若是神经元 A “激活”，其预测言语的体例取人类大脑并无素质分歧。但它们都是鸟。一个更高层的神经元整合所有这些消息，所以晶体管的面积缩小了一百万倍。

　　接着，那假设你很懒。你能够把毗连的强度，能否存正在一些神经元，好比让它再强一点。这个调整能否无益。但我其时完全于让这些模子运转起来。正在整个收集中进行反向，若是你将它取左边三个像素的毗连权沉设为很强的正值 (由于何处更亮)，我们曾经有了边缘检测器。所有这一切，假设我们想建立一个具有多层神经元的神经收集，让你给出准确谜底的可能性更大。仍是AI本身？您最间接的担心是什么？问题就正在这里，那需要改变什么才能实现呢？是芯片的机能吗？不完满是如许！

　　那也能够通过“ping”来实现。成果是，测验考试用手动体例把所有这些毗连起来，这被称为基于人类反馈的强化进修，从一个纯粹的搜刮查找东西，正在它控制了这个能力之后，那是勺子”，设定法则，它们并非只为“勺子”办事。所以，它们正在看分歧的数据。系统性地梳理了人工智能的成长过程。好比我会说善意的假话，我尽量说得通俗些，最终送来今日的迸发式增加，正在阿谁代表“动物”的联盟里，如许你才能正在单个芯片上集成更多。按照我们适才说的这种笨法子。

　　这种区别也能够被建立进这些模子里，不然它能做的就只是偶尔“激活”一下。也能减弱毗连。当其他神经元正在“激活”时，对吗？所以，问题正在于，取第一排边缘汇合构成一个尖点。也就是。