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。
视频
向自然智能学习
尽管针对人类的智商测量方式具有针对人类而言的物种特异性，但只要我们小心甄别其中的内容，我们依然可以从中寻找到某种能够沿用到AGI研究之上的一般性因素。
抽象的人类智力分类方案——譬如卡特尔-霍恩-卡罗尔三层智力模型（Cattell-Horn-Carroll three-stratum model）——则将覆盖更为宽泛的机器智能的能力范围（参考图-1）
图—1卡特尔-霍恩-卡罗尔三层智力模型（底层智力项之内容在表中省略）
图-2 AGI学界对于通用人工智能研究的子课题分布情况的勾勒
心理学家所刻画的种种人类智力的分类形式，归根结底乃是由人类的神经系统所执行的。因此，只要我们对人类的大脑的神经运作细节进行精确的描述，我们就可以从中抽象出一张精确的AGI工作图纸来。而时下方兴未艾的“类脑人工智能”（brain-inspiredAI）研究路数，便是该思路的体现。
不得不承认，与前面提到的深度学习的进路相比，类脑人工智能的研究思路的确更可取一些。虽然从字面上看，深度学习的前身——人工神经元网络——也是基于对于人类大脑的仿生学模拟的，但是在专业的神经科学家看来，传统的神经元网络也好，结构更为复杂的深度学习机制也罢，其对于人脑的模拟都是非常低级与局域的。与之相比较，类脑人工智能的野心则要大得多：它们要对人脑的整体运行机制作出某种切实的研究，并将其转化为某种数学形式，使得计算机也能够按照“人脑蓝图”来运作。考虑到人类大脑的整体运作——而不是局域神经网的某种低端运作——能够以“神经回路”的方式向我们提示出更多的关于人类智力整体运作的信息，类脑人工智能的研究显然能够比主流的深度学习研究减少犯下“盲人摸象”错误的几率。
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