检索结果共
个
4.1
自然语言处理理论概论
4.2
行为主义的自然语言处理路径
4.3
外在主义的语义建模
4.4
基于理想语设想的语义建模
4.5
统计学进路的语义处理方式
4.6
混合式进路
4.7
基于实际语例的进路
7.2
被西语思维扭曲的汉语量词现象
友情提示：同学您好，此页面仅供预览，在此页面学习不会被统计哦！ 请进入学习空间后选择课程学习。
学习目标
通过本章学习，你需要掌握和了解以下问题：
专业用人工智能与通用人工智能的区别；
深度学习是否能够升级为通用人工智能；
自然智能的特点和优势；
“强人工智能”与“超级人工智能”
友情提示：同学您好，此页面仅供预览，在此页面学习不会被统计哦！ 请进入学习空间后选择课程学习。
视频
专用人工智能与通用人工智能之间的巨大距离
顾名思义，“专用人工智能”就是指专司某一个特定领域工作的人工智能系统，而所谓的“通用人工智能”（Artificial GeneralIntelligence，简写形式：AGI），就是能够像人类那样胜任各种任务的人工智能系统。富有讽刺意味的是，符合大众对于AI之未来的期待的虽然是AGI, 而且西方第一代人工智能研究者——如明斯基（Marvin Minsky）、纽艾尔（Allen Newell）、司马贺（Herbert Simon），还有麦卡锡（John McCarthy）等——所试图实现的机器智能，肯定也是具有鲜明AGI意蕴的，但是目前主流的AI研究所提供的产品都不属于“AGI”的范畴。
譬如，曾经因为打败李世石与柯洁而名震天下的谷歌公司的AlphaGo，其实就是一个专用的人工智能系统——除了用来下围棋之外，它甚至不能用来下中国象棋或者是日本将棋，遑论进行医疗诊断，或是为家政机器人提供软件支持。虽然驱动Alpha Go工作的“深度学习”技术本身，也可以在进行某些变通之后被沿用到其它人工智能的工作领域中去，但进行这种技术变通的毕竟是人类程序员，而不是程序本身。
换言之，在概念上就不可能存在着能够自动切换工作领域的深度学习系统。由于一切真正的AGI系统都应当具备在无监督条件下自行根据任务与环境的变化切换工作知识域的能力，所以上面笔者的这个判断本身就意味着：深度学习系统无论如何发展，都不可能演变为AGI系统。
友情提示：同学您好，此页面仅供预览，在此页面学习不会被统计哦！ 请进入学习空间后选择课程学习。
章节测验