- 主题:柯洁：AI让围棋无聊透顶 人类棋手失去存在意义 (转载)
我老人家一针见血指出，你们争论的根源在于中英文翻译的差别，你几个光顾着唇枪舌剑，却没发现，嘿嘿
Vision掌握着通往真正人工智能的key，把vision做明白了，人工智能就明白了一半。CNN一定程度已经很接近真相了，不然不可能这么effective。多个layer把一张图片从裸像素一层层抽象到高级概念，这个很接近人脑了。人脑算力已在10年前被电脑超过。当然cpu，gpu的结构不适合当神经网络就是了。和人脑比起来还很粗陋，但本身视觉图像处理已经成熟。performance差，主要来源于后面、类似于人逻辑处理的层（比如判断什么物体，手势，结构等），一般简单用fc layer来模拟，也许完全是错的。可能cnn只对应了人脑部分具象思维，离先验概念上的抽象思维还很远。但既然cnn可以暴力数据驱动来实现低阶功能，焉知不会发现对应抽象逻辑思维的网络？
真正的自然语言处理跟通用智能一样困难。你只要有逻辑，不需要懂任何知识。你想想，机器会吹NB扯JB蛋。这玩意那么容易搞？别说不用码工，领导和老板也没用了。吹NB扯JB蛋搞不过机器，就是人类历史的终结。这玩意，全世界只要一台就够了。NLP的终极目标，就是取代。直接把自然语言转化为确定图灵机DTM。只需一台机器，和全世界聊聊天，就搞定了。就是general AI。这个世界只需要一台，就可以彻底消停了。
【 在 h2929 的大作中提到: 】
: 你说的都对，我比较关注这段, 一步一步来吧。
: “但有了0到1，就会有1到100、1万。现在用大规模神经网络已经可以摸仿几亿年进化出的视觉（智能一部分）。下一步仿的是几百万年的人类智能。”
: 现在视觉任务总体做的不错，但是还有以下笑话需要解决。
: ...................
--
FROM 164.92.116.*
你说的cnn是啥？
【 在 Zsuper 的大作中提到: 】
: 我老人家一针见血指出，你们争论的根源在于中英文翻译的差别，你几个光顾着唇枪舌剑，却没发现，嘿嘿
: Vision掌握着通往真正人工智能的key，把vision做明白了，人工智能就明白了一半。CNN一定程度已经很接近真相了，不然不可能这么effective。多个layer把一张图片从裸像素一层层抽象到高级概念，这个很接近人脑了。人脑算力已在10年前被电脑超过。当然cpu，gpu的结构不适合当神
: 缇褪橇恕：腿四员绕鹄椿购艽致旧硎泳跬枷翊硪丫墒臁erformance差，主要来源于后面、类似于人逻辑处理的层（比如判断什么物体，手势，结构等），一般简单用fc layer来模拟，也许完全是错的。可能cnn只对应了人脑部分具象思维，离先验概念上的抽象思维还很远。
: ...................
--
FROM 216.240.30.*
我对于中英文翻译的区别没兴趣，我本人以前就是做自然语言处理 和机器翻译的，
机器的中英文翻译做的很差，即使现在也做的不行，经常闹笑话。
图像处理cv cg这些是最近几年机器学习的热点，然而还是我说的CNN，RNN 这种玩意不管吹的多nb，只是一部分真相，关于图像暗含的推理，常识，逻辑这块还是做的不行。
至于原因，我也不知道，你说的也许是对的。或者就是我说的，现在的神经网络搞再多层，乱七八糟的一堆结构堆上去，是不是真的能模拟人脑的思维，还待商榷。人脑是不是图灵机，也待商榷。人脑有可能更接近量子计算机的思路。
【 在 Zsuper 的大作中提到: 】
: 我老人家一针见血指出，你们争论的根源在于中英文翻译的差别，你几个光顾着唇枪舌剑，却没发现，嘿嘿
: Vision掌握着通往真正人工智能的key，把vision做明白了，人工智能就明白了一半。CNN一定程度已经很接近真相了，不然不可能这么effective。多个layer把一张图片从裸像素一层层抽象到高级概念，这个很接近人脑了。人脑算力已在10年前被电脑超过。当然cpu，gpu的结构不适合当神
: 缇褪橇恕：腿四员绕鹄椿购艽致旧硎泳跬枷翊硪丫墒臁erformance差，主要来源于后面、类似于人逻辑处理的层（比如判断什么物体，手势，结构等），一般简单用fc layer来模拟，也许完全是错的。可能cnn只对应了人脑部分具象思维，离先验概念上的抽象思维还很远。
: ...................
--
FROM 163.114.132.*
以下都是网上抄的。我自己对这些玩意是工作经常用，但是还觉得不够智能，经常闹笑话
CNN，RNN，LSTM都是什么？
卷积神经网络（Convolutional Neural Network, CNN）
CNN 是一种前馈神经网络，通常由一个或多个卷积层（Convolutional Layer）和全连接层（Fully Connected Layer，对应经典的 NN）组成，此外也会包括池化层（Pooling Layer）。
循环神经网（Recurrent Neural Network，RNN）
RNN，循环神经网络，也有人将它翻译为递归神经网络。从这个名字就可以想到，它的结构中存在着“环”。
确实，RNN 和 NN/DNN 的数据单一方向传递不同。RNN 的神经元接受的输入除了“前辈”的输出，还有自身的状态信息，其状态信息在网络中循环传递。
长短时记忆（Long Short Term Memory，LSTM）
LSTM 可以被简单理解为是一种神经元更加复杂的 RNN，处理时间序列中当间隔和延迟较长时，LSTM 通常比 RNN 效果好。
相较于构造简单的 RNN 神经元，LSTM 的神经元要复杂得多，每个神经元接受的输入除了当前时刻样本输入，上一个时刻的输出，还有一个元胞状态（Cell State）
【 在 cjohny 的大作中提到: 】
: 你说的cnn是啥？
: 窬
: 。
: ...................
--
FROM 163.114.132.*
啊，原来你们是同行，都是搞神经网络的啊。
【 在 h2929 的大作中提到: 】
: 以下都是网上抄的。我自己对这些玩意是工作经常用，但是还觉得不够智能，经常闹笑话
: CNN，RNN，LSTM都是什么？
: 卷积神经网络（Convolutional Neural Network, CNN）
: ...................
--
FROM 216.240.30.*
现在有一些高级神经网络，自己学习，已经开始模拟出小老鼠大脑里的神经元聚集和突触了，可能是个慢慢进化的过程，但是不知道哪天才能进化好。
前两年吹的很牛逼的GPT-3，号称最强大的自然语言处理应用程序，吹的天花乱坠，什么自动写代码，自动回答推理型问题，等等，我看了一下，还是很容易找到弱点，可以说是一个笑话集。所以不管是vision还是NLP还是自动驾驶，只要涉及到认知，推理，常识这块，目前的AI还差的很远，当然一定的进展肯定是有的。
【 在 Zsuper 的大作中提到: 】
: 我老人家一针见血指出，你们争论的根源在于中英文翻译的差别，你几个光顾着唇枪舌剑，却没发现，嘿嘿
: Vision掌握着通往真正人工智能的key，把vision做明白了，人工智能就明白了一半。CNN一定程度已经很接近真相了，不然不可能这么effective。多个layer把一张图片从裸像素一层层抽象到高级概念，这个很接近人脑了。人脑算力已在10年前被电脑超过。当然cpu，gpu的结构不适合当神
: 缇褪橇恕：腿四员绕鹄椿购艽致旧硎泳跬枷翊硪丫墒臁erformance差，主要来源于后面、类似于人逻辑处理的层（比如判断什么物体，手势，结构等），一般简单用fc layer来模拟，也许完全是错的。可能cnn只对应了人脑部分具象思维，离先验概念上的抽象思维还很远。
: ...................
--
FROM 163.114.132.*
我主要是偏应用，用神经网络骗钱，经常骗不来，因为做的太差。
对于真正搞神经网络，让它接近智能的那些研究者，我是很佩服的。当然那里面很多骗钱水paper的，也有真正干实事的。
【 在 cjohny 的大作中提到: 】
: 啊，原来你们是同行，都是搞神经网络的啊。
--
FROM 163.114.132.*
你们公司那个田啥啥的做的围棋人工智能咋样了？可堪一战否？
【 在 h2929 的大作中提到: 】
: 我主要是偏应用，用神经网络骗钱，经常骗不来，因为做的太差。
: 对于真正搞神经网络，让它接近智能的那些研究者，我是很佩服的。当然那里面很多骗钱水paper的，也有真正干实事的。
--
FROM 216.240.30.*
我觉得他在AI领域什么都做，写很多paper，各种自动打游戏平台，图像处理，NLP等等他都涉及，然后围棋不是一个难的AI问题，Alphago出来之后他们就没继续搞了，不值得投入金钱精力。
【 在 cjohny 的大作中提到: 】
: 你们公司那个田啥啥的做的围棋人工智能咋样了？可堪一战否？
--
FROM 163.114.132.*
难怪最近没啥消息了
【 在 h2929 的大作中提到: 】
: 我觉得他在AI领域什么都做，写很多paper，各种自动打游戏平台，图像处理，NLP等等他都涉及，然后围棋不是一个难的AI问题，Alphago出来之后他们就没继续搞了，不值得投入金钱精力。
--
FROM 216.240.30.*