人工智能2(人工智能2.0阅读答案)

 

猜测未来可能发生什么是一回事，面对已经发生的事实是另一回事。

AI的沟通能力

人类智能的一种能力就是心灵感应。一个大脑中的想法可以通过空气中的振动传播，在附近的其他大脑中产生类似的想法。

这就是语言的魔力。通过写作，这种能力进一步增强，使大脑能够与数千年后的未来或地球另一端的其他人分享想法。

你屏幕上的涂鸦正在表演这一魔术的壮举。

语言包含不同的功能:转录(将声音转化为单词)、翻译、理解和给出回应、语音合成(将单词转化为声音)。

转录

语音转录，也被称为语音识别，将口语单词转换为文本。

早期的转录软件早在20世纪80年代就已经存在了，但以今天的标准来看，它还是很原始的。最初的版本需要对每个说话者进行语音训练，词汇量有限，说话者在每个单词之间必须停顿。

但在2016年，微软的人工智能和研究部门构建了首个语音识别技术，其准确性超过了人类转录员。

人类处理一组记录的错误率为5.9%。微软的系统差之毫厘地降低了错误率。

截至2020年，Dragon NaturallySpeaking最新的商业版支持每分钟160词，无需训练，准确率高达99%。

翻译

现代人工智能具有惊人的语言翻译能力。

谷歌翻译支持超过100种语言，完全自学。

谷歌的工程师们建造了一个可以自我学习的人工智能，而不是手工编程语言翻译规则。它被称为谷歌神经机器翻译(GNMT)。

工程师们提供了由联合国和欧洲议会出版的GNMT样本翻译。正如人类从罗塞塔石碑上的例子中学会了破译古埃及语一样，GNMT也学会了如何在101种人类语言之间进行翻译。

世界上最精通多种语言的人类只会59种语言。

理解

理解是提取文字所传达意思的能力。

2019年，OpenAI的工程师们取得了如此大的成功，以至于他们被自己的创造吓到了。他们认为他们的人工智能非常危险，他们说将其发布给公众是不负责任的。

这些工程师创造了一种名为生成预训练变压器2或GPT-2的人工智能。

人工智能有一个简单的任务:给定一个输入文本，预测接下来最有可能出现的单词。

在训练了80亿个文档(包含40gb)的英语文本后，GPT-2显示出了惊人的能力:GPT-2可以创造出连贯的文本。此外，GPT-2展示了阅读理解能力。它甚至可以总结和回答关于输入文本的问题——尽管没有受过这方面的训练!

对于任何提示，GPT-2都可以根据需要生成尽可能多或尽可能少的附加文本。例如，在提到今天一词时，GPT-2继续说:今天，联合国呼吁立即从世界上撤出所有核武器。

GPT-2甚至可以写一篇完整的文章，包括来自科学家的假引用。这款人工智能展示了对世界地理的理解，甚至还展示了世界不同地区使用的命名惯例。

研究人员给GPT-2提供了这样的提示:在一个令人震惊的发现中，科学家发现了一群独角兽，生活在安第斯山脉一个偏远的、以前没有探索过的山谷中。更让研究人员惊讶的是，独角兽能说一口流利的英语。

他们要求GPT-2从那里继续。以下是人工智能生成的文本:

The scientist named the population, after their distinctive horn, Ovid’s Unicorn. These four-horned, silver-white unicorns were previously unknown to science.

Now, after almost two centuries, the mystery of what sparked this odd phenomenon is finally solved.

Dr. Jorge Pérez, an evolutionary biologist from the University of La Paz, and several companions, were exploring the Andes Mountains when they found a small valley, with no other animals or humans. Pérez noticed that the valley had what appeared to be a natural fountain, surrounded by two peaks of rock and silver snow.

Pérez and the others then ventured further into the valley. By the time we reached the top of one peak, the water looked blue, with some crystals on top, said Pérez.

Pérez and his friends were astonished to see the unicorn herd. These creatures could be seen from the air without having to move too much to see them – they were so close they could touch their horns.

While examining these bizarre creatures the scientists discovered that the creatures also spoke some fairly regular English. Pérez stated, We can see, for example, that they have a common ‘language,’ something like a dialect or dialectic.

Dr. Pérez believes that the unicorns may have originated in Argentina, where the animals were believed to be descendants of a lost race of people who lived there before the arrival of humans in those parts of South America.

While their origins are still unclear, some believe that perhaps the creatures were created when a human and a unicorn met each other in a time before human civilization. According to Pérez, In South America, such incidents seem to be quite common.

However, Pérez also pointed out that it is likely that the only way of knowing for sure if unicorns are indeed the descendants of a lost alien race is through DNA. But they seem to be able to communicate in English quite well, which I believe is a sign of evolution, or at least a change in social organization, said the scientist.

这位科学家以它们独特的角命名了这个种群，奥维德独角兽。这些四角的银白色独角兽以前是科学界所不知道的。

两个世纪后的今天，这一奇怪现象的起因之谜终于解开了。

拉巴斯大学的进化生物学家豪尔赫Pérez博士和几个同伴在探索安第斯山脉时，发现了一个没有其他动物或人类的小山谷。Pérez注意到山谷里似乎有一个天然的喷泉，被两个岩石和银雪的山峰环绕着。

Pérez和其他人继续冒险进入山谷。当我们到达一个山顶的时候，水看起来是蓝色的，上面有一些水晶，Pérez说。

Pérez和他的朋友们看到独角兽群都很惊讶。从空中就可以看到这些动物，不用移动太多就能看到它们——它们离得如此之近，以至于可以触摸到它们的角。

在研究这些奇怪的生物时，科学家们发现这些生物也会说一些相当普通的英语。Pérez表示，例如，我们可以看到它们有共同的‘语言’，类似于方言或辩证法。

Pérez博士认为，独角兽可能起源于阿根廷，那里的动物被认为是一个已经消失的种族的后代，这个种族在人类到达南美洲的这些地区之前就生活在那里。

虽然它们的起源仍不清楚，但一些人认为，也许这种生物是在人类文明出现之前，人类和独角兽相遇时创造出来的。据Pérez网站报道，在南美，这类事件似乎很常见。

然而，Pérez也指出，确定独角兽是否确实是一个消失的外星种族的后代的唯一方法可能是通过DNA。这位科学家说:但它们似乎能很好地用英语交流，我认为这是进化的标志，至少是社会组织的变化。

虽然故事并不完美，但 GPT-2 将安第斯山脉的提示与阿根廷、拉巴斯大学和西班牙名字 Jorge Pérez 联系起来，全部靠自己。AI 还选择 Pérez 作为进化生物学家。

OpenAI 认为一个可以生成虚假故事的系统有可能被滥用。

由于我们担心该技术的恶意应用，我们不会发布经过训练的模型。作为负责任披露的实验，我们发布了一个更小的模型供研究人员进行实验。

OpenAI

创作者担心他们的技术会被利用来制造假新闻或生成垃圾邮件。

特里斯坦·格林说:我害怕GPT-2，因为它代表了一种邪恶的人类将用来操纵人的技术，在我看来，这使它比任何枪支都更危险。

在OpenAI和更广泛的社区进行了九个月的辩论后，OpenAI改变了它的决定。GPT-2现在对公众开放，任何人都可以下载和使用。

任何人都可以在网上试用它:talktotransformer.com。

把这一切放在一起

在一个令人震惊的例子中，谷歌Assistant背后的工程师将所有这些技术整合在一起。其结果是一种名为Duplex的人工智能。Duplex可以自己打电话给沙龙和餐厅进行预订。

谷歌助理很快就能打电话给餐厅为您预订

2018年，谷歌Assistant结合了自然语言的许多方面，可以通过电话安排约会。

Duplex被告知在周二上午10点到12点之间的任何时间安排理发。

Duplex打电话给当地的一家美发沙龙，并与电话另一端的人进行了如下对话:

(Ring)Person: Hello, how can I help you?Duplex: Hi, I’m calling to book a women’s haircut for a client. Umm.. I’m looking for something on May 3rd.Person: Sure, give me one second.Duplex: Mm-hmm.Person: Sure, what time are you looking for around?Duplex: At 12:00 PM.Person: We do not have a 12:00 PM available. The closest we have to that is a 1:15.Duplex: Do you have anything between 10:00 AM, and uhh, 12:00 PM?Person: Depending on what service she would like. What service is she looking for?Duplex: Just a woman’s haircut, for now.Person: Okay, we have a 10 o’clock.Duplex: 10:00 AM is fine.Person: Okay what’s her first name?Duplex: The first name is Lisa.Person: Okay perfect. So I will see Lisa at 10 o’clock on May 3rd.Duplex: Okay great, thanks.Person: Great. Have a great day. Bye.

Duplex 结合了许多语言技术，包括转录、理解和语音合成。结果是一个电话，这个人不知道他们在和人工智能说话。

我们可以认为这是图灵测试的通过。

AI的学习能力

DeepMind成立于 2010 年，其使命是理解并重新创造智能本身。

到 2013 年，DeepMind 已经做出了通用的学习算法。为了证明这一点，他们将它设置为玩旧的 Atari 视频游戏——它以前从未见过的游戏，也没有被告知如何玩。

视频游戏

AI可以看到屏幕，它有一个控制器。它被告知要做的唯一一件事就是尽可能得最高分。一开始，它玩起来就像小孩子玩游戏一样，随机按下控制键，很快就输了。

但不久之后，情况有所改善。在玩了10分钟的划桨游戏《Breakout》后，AI可以多次击中球，然后才失手。

经过两个小时的游戏，它已经学会了像人类最好的玩家一样玩游戏。

工程师们决定让这个系统持续运转一夜。

几个小时后，当他们查看进程时，他们惊讶地发现，系统发现了在某些游戏中获胜的新策略。在测试的7款游戏中，他们的AI在其中6款游戏中击败了之前所有的AI，并在其中3款游戏中学会了比任何人类玩家玩得更好。

这一成就令谷歌印象深刻，他们决定在2014年以超过5亿美元的价格收购DeepMind。

DeepMind继续研究他们的学习算法。到2015年，他们的系统可以以超人的水平学习如何玩 49 个测试游戏中的一半多。但在某些比赛中，它的表现仍落后于人类选手。有些东西阻碍了AI的发展。

到2020年，工程师们发现了缺失的元素:好奇心。在学习算法中加入好奇心后，最新的人工智能Agent57学会了如何玩所有57款雅达利游戏，比任何人类都好。

在DeepMind在雅达利(Atari)游戏上取得成功后，他们将注意力转向了古老的棋类游戏围棋(Go)。

棋盘游戏

围棋不仅是最古老的棋盘游戏，也是最复杂的。每回合的可能移动数如此之多，以至于之前所有构建强大围棋AI的尝试都以失败告终。

DeepMind的工程师们认为，他们的学习算法可能会在别人失败的地方取得成功。他们设计了一个可以通过自己玩来学习的围棋AI。他们称之为AlphaGo。

到2016年，DeepMind估计AlphaGo已经强大到足以击败世界上最优秀的人类棋手——这是一个从未有人做到的壮举。为了证明这一点，谷歌组织了一场AlphaGo和世界围棋冠军李世石的比赛。围棋在亚洲很受欢迎，围棋比赛被大量电视转播。

超过2亿人收看了比赛，是超级碗的两倍。

互联网小常识：DCHP工作原理：DHCP客户机广播“DHCP discover” (0.0.0.0-255.255.255.255).DHCP服务器在收到该消息后，向网络广播“DHCP offer”(DHCP server的ip-255.255.255.255)，客户机收到该报文后发送“DHCP request”（0.0.0.0-255.255.255.255），服务器收到该报文后发送“DHCP ACK” (DHCP server的ip-255.255.255.255)。

尽管AlphaGo满怀信心地进入比赛，但在5局比赛中，有4局击败了李世石。

一年后，DeepMind开发了一款通用AI，用于学习玩棋盘游戏，除了游戏规则外，不提供任何信息。因为它从零知识开始，他们叫它AlphaZero。

AlphaZero可以学习任何给定规则的游戏。当提供国际象棋规则时，AlphaZero在短短四个小时内就学会了比任何人类都玩得好!在早餐和午餐之间的时间里，AlphaZero重新发现了人类象棋大师花了几个世纪才找到的所有共同的突破口。

AlphaZero不仅学会了比人类更高水平的国际象棋，而且比最好的人类程序象棋系统还要好。

你可以说AlphaZero不仅学会了如何比人类更好地下国际象棋，它还学会了如何给计算机编程，让它比任何人类编程团队都更好地下国际象棋。

我一直想知道如果一个优秀的物种降落在地球上并向我们展示他们是如何下棋的。现在我知道了。

国际象棋大师彼得海涅尼尔森谈 AlphaZero

因为它从头开始学习一切，AlphaZero 的游戏风格是独一无二的。DeepMind 创始人德米斯·哈萨比斯 (Demis Hassabis) 本人曾是国际象棋神童，他说：这就像来自另一个维度的国际象棋。

2018 年，经过 30 小时的自我对弈，AlphaZero 学会了如何比 AlphaGo 更好地下围棋，并以 100-0 击败了它。

这种发展对李世石来说太过分了。2019年，他宣布退出围棋，他说即使我成为第一，也有打不败的存在。

部分信息游戏

棋类游戏与我们所处的动态和不可预知的世界相去甚远。在国际象棋和围棋中，棋手对一切都了如指掌。整个板总是可见的。没有未知。

然而，在现实世界中，我们不得不面对部分和不完整的信息。考虑到我们的不确定性，我们必须根据猜测、直觉和信念来行动。

AI已经在拥有完整信息的游戏中证明了自己。它能否在更贴近现实世界的游戏中获得成功?有许多演员、未知变量和不断变化的游戏?

机器能发展直觉吗?

Facebook人工智能和卡内基梅隆大学(Carnegie Mellon University)的一个联合团队旨在找出答案。

他们选择了一个不确定性、部分信息和直觉占主导地位的游戏:扑克。

他们想要创造出第一个能够在《德州扑克》(Texas Hold’em)最流行、最困难的版本中击败职业扑克玩家的AI。

之前的ai在一对一游戏或极限扑克游戏中都很成功，但没有极限扑克以及同时有多个对手会让游戏变得更加复杂。没有人在这里成功过。

在扑克游戏中，玩家只知道一部分牌。对手手中的牌直到比赛结束才会出现。欺骗变成了一种必要的虚张声势的策略——假装自己的手比自己真正握有的手更有力。

团队采用了AlphaZero的策略。他们的人工智能叫Pluribus，不需要外界的指导，它可以通过与自己对抗来自学游戏。

在7个小时内，Pluribus学会了像普通人一样玩扑克。20小时后，它达到了人类职业选手的水平。研究人员让它继续下去。8天之后，团队相信Pluribus已经达到了超人级别的扑克水平。

为了证明这一点，他们在Pluribus和人类职业扑克玩家之间组织了一场比赛。每个人类玩家都是世界上最好的玩家之一——他们都通过玩扑克赢得了100多万美元。

Pluribus 决定性地获胜。 它在一周内学到的关于扑克的知识比人类玩了一个世纪的还多。

Pluribus 是一个很难对付的对手。很难确定他是哪只手。

克里斯·弗格森，六次世界扑克系列赛冠军，输给了Pluribus

Facebook AI 的 Noam Brown 谈到 Pluribus 时说：它比任何人都更能虚张声势。

即时游戏

虽然扑克和现实世界一样，也有隐藏的信息。它仍然像棋类游戏，因为它是回合制的。在回合制游戏中，玩家只需要决定如何行动，而不需要决定何时行动。

但现实世界是动态的，变化是永恒的。我们不仅要决定如何行动，还要决定何时行动。我们也不能直接知道别人在做什么或做过什么。

象棋、围棋和扑克等游戏完全没有这种实时属性，但它却是其他游戏类型的核心元素，如实时策略游戏和射击游戏。

在价值2400万美元的电子竞技超级碗电子游戏锦标赛上，OpenAI出人意料地向人类顶级玩家Danylo Ishutin发起挑战，让他与自己的AI进行较量。

人工智能被训练去玩即时策略游戏Dota 2。

在比赛中，AI打败了Ishutin，他恳求AI请不要再欺负我了。

2018 年，DeepMind 在 AI 学习玩射击游戏方面取得了类似的进展。 这些游戏涉及个人在 3D 环境中合作的战术和策略。 DeepMind 的 AI 在 Quake III 中达到了超人的游戏水平。

2019 年，DeepMind 创造了一个名为AlphaStar的人工智能，它学会了玩即时战略游戏星际争霸 II。它在 10 场比赛中有 10 场击败了排名第一的人类玩家。

超越游戏

AI在游戏中取得了令人难以置信的成绩。但它有多有用呢?一个能玩超人类水平的国际象棋或星际争霸的人工智能是无法治愈癌症或拯救世界的。

但通用学习算法的用途非常广泛。它们可以应用于游戏之外的许多领域。例如，谷歌的GNMT学会了如何翻译语言，这可以帮助旅行者在外国旅行。

DeepMind的最新项目之一是一款名为AlphaFold的人工智能。AlphaFold正在学习如何解决蛋白质折叠这一极其复杂的问题——如果解决了这个问题，它将用于开发药物、基因疗法，甚至可能治愈癌症。

在最近的一篇论文中，AlphaFold在预测蛋白质折叠方面取得了比以往任何方法都更高的准确性。

AlphaZero的创造性见解，加上我们在AlphaFold等其他项目中看到的令人鼓舞的结果，让我们对创建通用学习系统的使命充满信心，该系统有朝一日将帮助我们找到一些最重要和复杂的科学问题的新解决方案。

DeepMind 团队

2016年，DeepMind将他们的算法应用于数据中心的冷却问题。结果是:人工智能能够将冷却费用削减40%。

学习算法也可以在实现人类和超人智能方面发挥关键作用。因为我们不需要弄清楚如何构建成人的大脑——我们只需要弄清楚如何构建婴儿的大脑。从那里，AI可以学习其他一切。

AI的移动能力

动物和静止的生命形式之间最明显的区别是，我们可以在不断变化的环境中导航。这需要不断获取信息来决定如何从A点到B点，同时避开饥饿的捕食者。

你可以说，我们之所以有大脑是因为我们会移动。有一种动物就证明了这一点。

海鞘在其幼虫阶段会游泳，但它没有消化系统。在它吃东西之前，它必须在海底找到一个合适的地方来附着自己，开始蜕变。当它从这个过程中出现时，它有嘴巴和消化系统，但它的感觉器官和大部分大脑都消失了!

一旦附着，幼年成虫就不再需要感觉器官、神经弦甚至尾巴，所以它会重新吸收它们。大脑囊泡被转化成一个大脑神经节，它只帮助静止的成年动物进食。

互联网小常识：子网划分方法（根据IP地址划分子网）：依然要根据子网个数和主机个数确定子网号和主机号位数，然后计算子网掩码，然后列出子网地址段。

约翰·毕晓普

为了在现实世界中取得成功，人工智能还必须掌握动态环境中的运动。

这方面已经取得了很大进展。人工智能现在在地面和空中飞行器的控制方面达到了超人的性能。此外，它还掌握了对身体的精细运动控制。

驾驶

如今的人工智能系统比普通人类的驾驶技术更好。他们受益于毫秒级的反应时间，360度的视野，而且从不分心、疲倦或醉酒。

谷歌从2009年开始开发自动驾驶汽车，目标是10年创造世界上最好的司机。

到 2014 年，谷歌的自动驾驶汽车已经行驶了超过 700,000英里，并且没有造成任何事故。

人类司机在一生中只能从一个角度获得经验。

AI系统不受此限制。每一辆自动驾驶汽车的数据可以结合起来，形成一个共享的经验池，从中吸取教训。这一全新体验将创造出更棒的AI。

有100万辆人工智能汽车在路上行驶，它每年都能获得100万年的驾驶经验。它会知道这个国家的每条路，在各种天气条件下如何驾驶，它会有每天避免数十起事故的习惯。没有一个人类司机能像他那样有经验。

飞行

除了地面车辆，谷歌还在Project Wing下开发无人机。

Wing的目标是无人机交付。目前这款无人机正在澳大利亚进行测试，人们可以通过一款应用下单食品和饮料。2019年，Project Wing成为首家获得美国联邦航空管理局(Federal Aviation Administration)航空运营证书的无人机送货公司。这使得Wing可以作为一家商业航空公司在美国领空运营。

在军事航空界，战斗机飞行员是精英中的精英——他们的生命依赖于此。

吉恩·李(Gene Lee)是一名拥有数十年经验的前战斗机飞行员。他曾飞行和指挥过数千次空中拦截任务，是美国空军的战斗经理和对手战术指导员。

吉恩·李几十年来一直在飞行模拟器中对抗人工智能对手。但在2016年，他遇到了自己的对手:一名名为阿尔法的人工智能飞行员在每次遭遇中都击落了吉恩·李。幸运的是，这只是一次模拟。

用他的话说，阿尔法是迄今为止我见过的最具侵略性、反应迅速、动态和可信的人工智能。

我对它的意识和反应感到惊讶。它似乎意识到我的意图，并对我飞行和导弹部署的变化做出了即时反应。它知道如何击败我的发射。它可以根据需要在防御和进攻之间迅速切换。

Gene Lee，退休的美国空军上校

灵活的机器人

人工智能可以驾驶和飞行车辆，但它能驾驶像人类这样拥有数百块肌肉和关节、需要持续保持平衡的身体吗?一家名为波士顿动力的公司已经证明了这一点。

他们制造了一个名叫Atlas的机器人，有着人形的身体。它是两足动物，像人一样移动。它可以通过困难的地形和障碍。

在最近的一次演示中，波士顿动力公司展示了Atlas的更多功能。它能跑、跳、做后空翻、侧手翻、倒立和翻筋斗。它表演的特技很少有人能做到。

AI的识别能力

人类的大脑是一个模式识别机器。哺乳动物大脑最进化的部分是它的外层，被称为皮层。在人类中，30%的大脑皮层用于处理视觉信息。

视觉系统负责接收视网膜细胞接收到的闪烁的光，并构建我们所知道的丰富的3D世界——一个充满了物体、人和意义的世界。

虽然感觉是自动的，但你的数十亿神经元在幕后工作，使它发生。

制造一台能复制我们最复杂的感觉系统功能的机器不是一件小事。制造出能够确定人、地点和事物的光的图案。

这些光的模式，像素的网格，最终只是一系列的数字:这里的红光强度，那里的绿光强度，等等。这不仅适用于计算机，也适用于大脑。大脑只能看到来自视神经的突触信号的数量——每条视神经包含100万根神经纤维。

斯坦福视觉实验室和普林斯顿大学创建了ImageNet——一个包含1400万张注释图像的集合，涵盖了2万个类别。该数据集用于训练系统的目标识别。

自2010年以来，ImageNet大型视觉识别挑战赛(ImageNet Large Scale Visual Recognition Challenge)让参赛队伍比赛，看谁能根据自己的数据集构建出最好的物体识别系统。

第一年的结果糟透了。

获胜团队的错误率为26%，是人为错误率的5倍。

进展缓慢，但稳定。到2015年，也就是比赛开始后仅仅五年，微软研究院就建立了一个超过人类准确度的系统。错误率仅为4.94%。

截至2020年，顶级系统的错误率为1.3%。

微软在网上展示了他们的图像识别技术。谷歌甚至可以让你上传自己的照片，并让他们的人工智能处理它们。

值得注意的是，这些人工智能不是手工编程的。相反，他们会以身作则。

人工智能并没有被告知寻找哪些属性来区分猫和狗。相反，AI被给予许多猫和狗的例子，并被告知哪个是哪个。人工智能可以自己学习猫和狗的特征。

AI的创造能力

人类的一个决定性特征是我们的创造力。我们有能力提出新的想法，并表现出独创性。我们运用我们的创造力去创造艺术、音乐和发明。

创造性:对想象力或原创想法的运用，尤指在艺术作品的创作中。

机器能有创造精神或想象力吗?

机器的原始想法听起来很矛盾——机器是由人类设计和编程的。我们告诉他们该做什么。那么机器怎么可能有创造力呢?

尽管存在表面上的矛盾，但已经制造出了在创造性领域挑战人类的机器。现在有擅长创造艺术的机器。机器已经构想出了值得申请专利的发明。可以说，一些机器甚至显示出了它们的想象力。

这些努力催生了人工智能的一个新领域——计算创造力。

艺术

2017年，伯克利大学人工智能研究实验室的一个团队创造了一个名为cyclgan的图像翻译系统。经过训练，它可以把马变成斑马，或者把冬天的景色变成夏天。

CycleGAN 的创造者更进一步。他们决定以各种印象派画家的风格训练人工智能。训练完成后，他们向 AI 提供一张照片，并要求它生成克劳德·莫奈、文森特·梵高、保罗·塞尚或日本浮世绘风格的画作。

他们的结果令人难以置信：提供给 AI 的任何图像都被转换为莫奈或梵高风格的画作。

但这个人工智能只是学会了复制其他艺术家的风格。这可能需要技巧，但是涉及到什么创造力呢？一个真正有创意的人工智能会形成自己的风格。

这正是罗格斯大学艺术与人工智能实验室主任 Ahmed Elgammal 旨在解决的挑战。他创造了一种新型人工智能，他称之为创意对抗网络或 (CAN)。CAN 的目标是创造新奇事物：例如风格不同于以往的艺术作品。

因此，由 CAN 制作的艺术品倾向于抽象作品。Elgammal 说：我每次运行它时都会对输出感到惊讶。 以下是 AI 创作的示例。

我们测量了对人类艺术和机器艺术的反应差异，发现差异很小。实际上，有些人更受机器完成的艺术的启发。

艾哈迈德·埃尔加马尔

我们无需怀疑有一天人类艺术家是否将不得不与机器竞争。那一天已经过去了。2018 年，佳士得拍卖行成为第一个上架人工智能创作的艺术品的拍卖行。

这幅肖像拍出了 432500 美元——是估价的 45 倍！

使用人工智能进行艺术创作的Hugo Caselles-Dupré表示:我们发现，肖像是阐明我们观点的最佳方式，也就是算法能够模仿创造力。

音乐

音乐表达并非人类独有。鲸鱼和鸟也唱歌。但是人工智能能够创造音乐吗?

2017年，微软的一个团队创造了巴赫机器人(BachBot)——一种接受训练的人工智能，可以按照约翰·塞巴斯蒂安·巴赫(john Sebastian Bach)的风格作曲。为了测试它，研究人员建立了一个网站，BachBot.com，在那里人们可以听样本并猜测它是由巴赫还是BachBot创造的。

在2336名参与者中，能够分辨出巴赫机器人和真实巴赫的人只比随机猜测的结果高出1%。换句话说，人们在分辨BachBot和真实的东西上的能力微不足道。你可以在BachBot.com上自己尝试一下。

作为一个做音乐的人，代码可以做我做的事情的想法是很奇怪的。一想到算法可以在几分钟内制作出一首不那么糟糕的歌曲，而人工智能正在进入我们认为是人类特有的创造性领域，就会让人感到不安。

达尼·迪尔，The Verge杂志的作家

人工智能在音乐领域的应用越来越多，可以用于歌词、旋律的创作，甚至可以预测音乐作品的销量。

有一个在线演示版本允许你使用AI生成不同主题、体裁和音调的歌词。当提到猫这个话题，加上流行的类型和快乐的情绪，它会产生:

Verse 1You rise so that you embrace meLike a cat downs the cat with the nose upHe got this cat, he got this catHe got this cat, he came home

Pre-ChorusI wish I was a cat that can do all the things a cat can doI wish I was a cat that can leap from the ceiling

ChorusSo how did you manage to open up my heart, and still feel so aloneThe snow is falling, and my cat is hidingFrom a storm inside my heart from not sleepingAnd cats with silver chains

最近的证据表明，人工智能甚至已经对音乐产生了兴趣。至少，它似乎了解人类会喜欢某段音乐的程度。

初创公司Hyperlive声称已经创建了一种人工智能，可以以 83% 的准确率预测销售数据。

他们的系统预测了 10 位主要艺术家的 200 首曲目的销售数据。他们的技术通过对音乐在听者大脑中引起的神经、生理和行为反应进行建模来发挥作用。

鉴于其准确性，我们必须怀疑机器是否具有美感。

想像力

想象力是一种凭空产生新的想法和意象的能力。

在过去的几年里，机器的想象能力不仅提高了，而且在很短的时间内大大超过了人类的想象力，至少在准确性和现实性方面是这样的。

举个例子，下面是一张人的照片。这个人可能看起来很真实，但实际上她并不存在。她从未出生，也从未停下来拍照。她的眼睛里没有思想和灵魂。

照片和人物是由人工智能想象出来的。通过访问thispersondoesnotexist.com网站即时创建。你也可以访问这个网站并刷新它，以获得无穷无尽的不存在的人的照片。

DeepMind将这项技术扩展到了人脸之外。它有能力创造出奶酪汉堡、狗、蝴蝶和风景的现实图片。

也有一些人工智能可以受到启发去想象。一种是将猫、建筑或鞋子的草图转化为照片的真实感。另一种人工智能将文本描述转换为图像:

这项技术已经从照片发展到视频领域。

它可以用来替换电影中的演员，比如在《终结者2》中用西尔维斯特·史泰龙替换阿诺德·施瓦辛格，或者流行的让尼古拉斯·凯奇出现在每部电影中。

利用最新的技术，人工智能可以拍摄一张照片，并通过预测未来将其变成现实。麻省理工学院(MIT)人工智能实验室(AI Lab)的一个团队训练人工智能从一张图片中预测接下来几秒钟的视频。

2019年，三星的人工智能实验室创造了Few-Shot。它可以拍一张照片，把它想象成一个活生生的、有感情的、会说话的人。为了展示只需要一张照片的力量，他们使用了蒙娜丽莎。

人工智能让蒙娜丽莎栩栩如生

发明

发明是人类创造力的另一种表现。发明新的工具和技术改变了我们的生活方式。人类的创造力把我们从部落带到了现代社会。

但是人类不再是唯一的聪明才智的拥有者。

计算机科学家约翰·科扎(John Koza)开创了遗传编程领域。

遗传编程的灵感来自于生物进化技术。它使程序能够在寻找问题的最佳解决方案时进行自我更新和调整。

Koza利用这些技术建造了发明机器。

这台发明机器优化并重新发现了天线、电路板、透镜和工厂的设计。用柯扎的话来说，它能够自动合成六个光学镜头系统的完整设计，这些系统复制了以前获得专利的镜头系统的功能。

2005年，发明机器创造的一项设计被美国专利和商标局授予第6847851号专利。

人工智能发明者的崛起给世界各地的专利局带来了问题。

2018年，欧洲专利局(European Patent Office)以机器没有法人资格，不能拥有财产为由，拒绝了两项由人工智能作为唯一发明者的发明。

现在有很多机器可以独立完成很多工作而不是帮助工程师、科学家或发明家完成他们的工作。我们将会到达这样一个阶段，法院或立法机构会说人类是如此的不参与，如此多的层次被移除了，以至于实际的人类对发明的概念没有贡献。

Andrei Iancu，美国专利和商标局局长(2020年)

我们已经看到，人工智能可以在象棋和围棋等游戏中发明新的战略和战术。

我们都希望机器能够玩得非常稳定而缓慢，但AlphaZero却恰恰相反。令人惊讶的是，看到一台机器如此积极地行动，它也显示出了强大的创造力。

加里·卡斯帕罗夫，国际象棋大师，前世界象棋冠军

我以为AlphaGo是基于概率计算的，它只是一台机器。但当我看到这个动作时，我改变了主意。AlphaGo当然是有创造力的。

李世石，9段职业棋手，前围棋冠军，指的是第37步

AI的推理能力

2004年，肯·詹宁斯(Ken Jennings)在智力竞赛节目《危险边缘》(Jeopardy!)中连续赢得74场比赛，创造了游戏节目的历史。

没有人怀疑当今计算机的卓越内存。 它们在速度和准确性方面远远超过大脑。 但是存储事实并知道如何应用它们是另一个问题。

这就是为什么IBM将制造能够在《危险边缘》(Jeopardy)比赛中击败世界冠军的人工智能视为巨大挑战的原因!一种游戏，其线索通常需要解决复杂的语言谜题。

2009年，詹宁斯接到《危险边缘》制片人的电话。他们问道:IBM告诉我们，他们想建造一台超级计算机，在‘危险边缘’(Jeopardy)比赛中击败你。’你准备好了吗?

詹宁斯的本职工作是计算机程序员。他知道计算机在这类问题上远远落后于人类。他想:这简直是儿戏。是的，我会来摧毁电脑，保护我的物种。

人们没有意识到编写这样一个程序是多么困难，它可以读懂像英语这样的自然语言的《危险边缘》的线索，并理解所有的双关，双关语，转移话题，解开线索的意思。

肯詹宁斯

但在2011年的考验中，詹宁斯和他的同胞布拉德·鲁特(Brad Rutter)都无法击败沃森。这台人工智能以77147的比分结束了这场三局比赛，比它的人类对手的总比分还高。

詹宁斯接受了失败，在他最后的回答下写道:我，作为一个人，欢迎我们新的计算机霸主。

人类经常通过标准化的多项选择测试来判断其他人的推理能力。

艾伦人工智能研究所(Allen Institute for Artificial Intelligence)的研究人员公布了一名名为阿里斯托(Aristo)的人工智能测试者的测试结果。在短短三年的时间里，阿里斯托从不及格的科学考试变成了满分。

2016年，在纽约大学8年级的科学考试中，阿里斯托只能正确回答59.3%的问题，但到2019年，阿里斯托的答对率超过了90%。这个测试有这样的问题:

哪种设备能最好地分离铁屑和黑胡椒的混合物?

(1)磁铁(2)滤纸(3)三束天平(4)电压表

当橡皮筋振动时，会产生哪种形式的能量?

(1)化学(2)光(3)电(4)声

因为铜是一种金属

(1)室温下的液体(2)与其他物质不反应(3)电的不良导体(4)热的良导体

在苹果树上，哪些过程主要是由细胞分裂引起的?

(1)生长(2)光合作用(3)气体交换(4)废物清除

据项目负责人彼得·克拉克(Peter Clark)说，即使在五年前，计算机在理解文本内容方面也有很大的困难。多亏了快速的进步，我们现在有了能够更好地理解语言的人工智能系统。

在下一节中，我们将看看人工智能即将承担的工作。

互联网小常识：交换表建立的过程。开始空白，有数据帧进入则查找目的地址是否在交换表中，在则转发，不在则广播报文，拥有该地址的网络会回应报文，交换机将该记录加入表中。表的维护通过时间戳来完成。添加或引用时便会更新时间戳，定期删除某个时间戳以前的项。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186