简介：本文的首席执行官注释将介绍有关如何完成人工智能以完成计算功能的相关内容。我希望这对每个人都会有所帮助。让我们来看看。
由于缺乏解释性人工智能，人们越来越关注人工智能主题的接受和信任。以外，解释的注意力非常重视计算机视觉，自然语言处理和序列建模的领域。随着时间的流逝，这些类型的编码说明变得比任何人想象中的任何人都变得更加全面和复杂。Artutherindence算法已经进入了该领域。ArthertionalIntellignence算法是机器学习的子领域，并且它指导如何在计算机学习中独立工作。为了优化过程并更快地完成工作，小工具将继续学习。
人工智能算法也广泛用于能源领域。本地供应商可以改变邻近城镇和地区的电源方向，以确保那些需要最需要的人可以通过增加个人计算机的使用来获取电力。个人计算机是国家电力网的一部分。人工智能算法的另一个迷人目的是在我们的运输网络中。如果您考虑了如何根据交通流进行调整红灯，或者如何根据紧急情况如何根据紧急情况自动调整流量情况，您将了解如何使用此程序。
科学家可以使用专业的仪器和数据收集技术来找出气候变化的原因以及我们可以做的事情。在该领域中，人工智能算法变得越来越普遍。从我们如何使用互联网到我们如何使用移动电话，这技术层面已经解决了许多困难，使这一时期成为历史上最简单的沟通时期。
人工智能算法也每天都使用。尽管目前尚不清楚美国联邦政府如何保护个人数据信息，对特定的计算机软件监视和沟通一直在预防国内外的主要恐怖行为。这只是一种人类使用人工智能继续发展和扩展的经验。人工智能在人类智能中的使用扩大了我们的视野，使事情变得更简单，更安全，并使子孙后代更快乐。
人工智能的原则是简单的描述：
人工智能=数学计算。
机器的智能取决于“算法”。从本质上讲，人们发现电路已打开和关闭，可以用1和0表示。不同的安排更改可以代表许多事物，例如颜色，形状和字母。与逻辑组件（Triode）结合，“输入（按Switch Button）-down（当前通过该线路） - 输出（轻度输出）开启）”
这个模型。
想象一下在家中的双控制开关。
为了实现更复杂的计算，它最终成为“大型集成电路” -Chip。
电路逻辑逐层嵌套。将图层封装后，更改当前状态的当前状态的方法已成为“编写编程语言”。程序员正在这样做。
程序员让计算机执行，并执行。该程序将整个过程固定为死亡。
因此，要允许计算机执行特定任务，程序员必须首先完全找出任务过程。
以Lianji电梯为例：
不要低估这台电梯，它是“智能的”。考虑它需要做什么判断：向上和向下的方向，无论是全部员工，高峰时间，停车时间是否足够，单层和双层楼等，您都需要提前考虑所有可能性，否则您将成为错误。
在某种程度上，程序员控制着世界。但是总是要亲吻这个东西。程序员太累了。您会看到他们在加时赛中有红眼睛。
因此，我想：我可以让计算机自己学习并遇到问题来解决它吗？我们只需要告诉它一套学习方法即可。
每个人都记得1997年，IBM用专门设计的计算机赢得了国际象棋冠军。实际上，它的方法是愚蠢的 - 暴力计算，该术语称为“糟糕”（实际上，为了节省计算能力，IBM手动修剪了A许多不必要的计算，例如那些明显的愚蠢国际象棋，以及针对卡的卡片的目标。Siparov的样式得到了优化）。计算机计算出每一步的每个方法，然后比较人类的国际象棋记录以找到最佳解决方案。
一句话：剧烈的奇迹！
但是当我到达这里时，我做不到。无关，力量有多么强大，有一个限制。GO的可能性远远超过宇宙中原子的总和（已知）。即使当前最强大的超级计算使用当前最强大的超级计算，它也是数万年的。在量子计算机成熟之前，不可能进行电子计算机。
因此，程序员向Alpha Dog添加了额外的算法层：
A.首先计算：在哪里计算，忽略哪里。
B.然后，以目标方式进行计算。
- 从本质上讲，仍然可以计算。如何有“感知”！
在步骤A中，如何判断“在哪里计算”？
这是“人工智能”的核心问题：“学习”的过程。
想想人类如何学习？
所有人类认知都来自观察到的现象的摘要，并根据摘要规则预测未来。
当您看到一条四腿，短发，中等大小，嘴巴和吠叫动物时。如果您是狗，您将对后来看到的所有类似物体进行分类。
但是，机器的学习方法与人类不同：
人们可以通过观察少数特征来推动最未知的人。制定者和反击。
该机器必须观察很多狗才能知道跑步。是狗吗？
如此愚蠢的机器可以期望它统治人类吗？
它只是依靠计算能力！
具体而言，其“学习”算法是“神经网络”（更多虚张声势）。
（功能提取器，总结对象的特征，然后将功能放入池中以集成，连接神经网络输出的完整连接的结束结论）
它需要两个先决条件：
1.吃很多数据以尝试和错误，并逐渐调整您的准确性；
2.神经网络层的数量越多，计算越准确（限制），所需的计算能力就越大。
因此，尽管它在多年前可用（当时称为“感知机”），但神经网络的方法。但是，由于数据和计算能力的量，它尚未开发。
神经网络听起来不仅仅是意识机的感觉。我不知道高端的去向！这再次告诉我们一个好名字对研究（BI）有多重要！
现在，两个条件都可以使用-big数据和云计算。
目前AI公共应用领域：
图像识别（安全识别，指纹，美容，图片搜索，医学图像诊断），使用“卷积神经网络（CNN）”，主要是提取空间维度的特征来识别图像。
自然语言处理（人机对话，翻译）使用“环状神经网络（RNN）”，它主要提取时间维度的特征。因为前后有一个顺序，因此单词的时间决定语义。
神经网络算法的设计水平决定了其描绘现实的能力。顶级公牛Wu Enda曾经设计了超过100层的卷积层（太多的层容易容易过度拟合问题）。
当我们深入了解计算的含义时：有一个明确的数学定律。
这个世界具有量子（随机）功能，它决定了计算机的理论局限性。实际上，计算机甚至无法产生真实的随机数。
- 机器仍然很愚蠢。
对于更多人工智能的知识，如果您想知道，您可以私下询问。
机器学习，尤其是深度学习，迫使对芯片和系统的设计进行评估，这将改变未来几十年的行业方向。
从芯片到软件再到系统，由于未来几年的机器学习的普及，计算字段将发生巨大变化。我们可能仍将这些计算机称为“通用图灵机”，就像我们已经80年或更长时间了。但是实际上，它们与到目前为止的构建和使用方式不同。
任何关心计算机工作的人和对机器学习感兴趣的人都感兴趣。
今年2月，负责人工智能研究的Facebook在旧金山举行的国际实体州巡回赛会议上发表了演讲。会议是世界上最长的计算机芯片会议之一。想象一下，并将允许自己追求。我们掌握的工具比我们承认的可以更好地影响我们的想法。”
不难看出情况。在2006年，深度学习的兴起不仅是因为机器学习中的大量数据和新技术，例如“辍学学校”，还因为计算能力特别是，尤其是，越来越多地使用图形处理单元或来自Nvinia的“ GPU”，这会导致更大的计算。这使得过去可以比较更大的网络培训。“在1980年代提出的治疗，也就是说，人造网络的节点是同时训练的，并最终成为现实。
有人认为，现在预计机器学习将接管世界上大部分的计算活动。在2月份的Esscc中，Lecun告诉ZDNET计算方向的变化。Lecun说：“如果您已经走了五年十年，您将看到计算机花费时间做什么。在大多数情况下，我认为他们会做类似深入学习的事情 - 就计算而言。计算机通过收入销售，但是“我们如何花费毫米或每秒运营，它们将花在神经网络上。
深度学习增加
随着深度学习成为计算的重点，它正在促进计算机在某种程度上在某种程度上可以做到的界限，在某种程度上，神经网络预测的“推理任务”，但对于训练神经网络而言，这甚至更是如此。功能。
注意：根据Openai的说法，自2012年以来，对计算网络的需求每3.5个月增加了一倍。
现代神经网络（例如OpenAI的GPT-2）需要超过十亿个参数或并行培训中的网络权重。作为Pytorch的产品经理，Pytorch是Facebook的流行机器学习培训库，ZDNET告诉ZDNET，ZDNET告诉ZDNET，“该模型正在开始越来越大，它们确实很大，训练成本很高。”当今最大的型号不能完全存储在GPU上的GPU中。在存储电路中。
此外：Google说，人工智能的“指数”增长正在改变计算的本质
计算周期的需求越来越快。根据OpenAI提供的数据，2012年创建的可敬的Alexnet图像识别系统消耗了“ 100万亿浮动 - 点操作”等效于1000万浮动点操作，一天的总训练时间。有一天。但是Alphazero是Google的DeepMind在2016年建立的神经网络。它击败了世界国际象棋冠军，消耗了每秒超过一千万亿次。每3.5个月引起一次计算消耗。这是2016年收集的数据。因此，毫无疑问，步伐将增加。
计算机芯片危机
世界甚至没有佩戴深度学习训练的顶级筹码，例如NVIDIA的特斯拉V100，每秒运行112万亿次。因此，您必须跑步八天零1000天和更多的能量。
更糟糕的是，近年来，芯片改善的步伐已经触底了。作为加州大学伯克利分校，伯克利分校，戴维·帕森（David Patson）和英国航空公司主席约翰·亨尼西（John Hennessy）的主席在今年早些时候的一篇文章中指出，摩尔的法律指出，每12到18个月芯片的芯片能力使经验规则翻了一番。每年仅增加3％。
两位作者都认为，这意味着芯片的设计众所周知，必须完全改变其体系结构，以便从水晶管获得更高的性能，这不会产生性能优势。因此，他知道硬件如何影响机器学习，反之亦然。）
由于处理器的改进停滞不前，机器学习的需求需要每隔几个月加倍，并且必须支付价格。芯片设计。由于机器学习需要很少的剩余代码支持 - 它不必运行Excel或Word或Oracle DB-正如他们所说的，对于芯片设计师，由于其最基本的计算高度重复，机器学习是绿色空间机会。
建造新机器
卷积神经网络和长期短期记忆网络的核心，两个深度学习的主要支柱以及更现代的网络，例如Google的变形金刚，大多数计算是线性代数计算，称为张量化数学。最常见的是，一些输入是数据被转换为向量，然后将矢量乘以神经网络权重矩阵的列，并添加所有这些乘法的乘法。通过乘法来称呼这些计算，这些计算使用SO -called``乘法 - iCACCUMCAMCAMULATION''电路或电路或因此，只要您需要改进MAC并在芯片上创建更多Mac以增加并行化，就可以立即改善机器学习。
英特尔（Intel）主导AI培训NVIDIA及其CPU主导的机器学习推理，试图调整其产品以使用这些原子代数函数。NVIDIA在其Tesla GPU中添加了“张量核心”，以优化矩阵乘法。为了收购从事机器学习的公司，包括Mobileye，Movidius和Nervana系统，尽管延迟，但最后一个应该导致“ Nervana神经网络处理器”。
到目前为止，这些措施无法满足机器学习的需求，例如Facebook的Lecun。在2月与ZDNET聊天时，Lecun认为：“我们需要的是竞争对手，现在您知道，领先的供应商NVIDIA。还指出，这并不是因为Nvidia没有做好芯片。这是“因为他们做出了假设，并且有一套不同的硬件可以用来做GPU擅长的补充事情，这将是非常好的。
另外：为什么人工智能报告如此糟糕？
他说，有缺陷的假设之一是，训练神经网络将是一个可以操作的“整洁阵列”问题。相反，将来可能会使用大量的网络图。随着指针的简化，神经网络的计算图的元素被传输到处理器。Lecun说，芯片必须增加大量乘法，但是如何将这些乘法增加到处理器的期望是不同的。
作为TPU CHIP贡献者之一，Google软件工程师Cliff Young在去年10月在硅谷举行的CHIP活动中发表主题演讲时更加直言不讳。Young说：“我们都拒绝了，并说了很长时间。那个英特尔和Nvidia非常擅长建立高性能系统，”“我们五年前超越了这个阈值。”
初创企业的兴起
在这个脆弱性中，新的筹码来自人工智能巨头，例如Google，以及Venture Capital支持的大量初创公司。
除Google的TPU外，现在已经进行了第三次迭代。微软还设有一个可编程处理器，一个称为Project Brainwave的“ FPGA”，可以通过其Azure Cloud Service租用它。Amazon表示将于今年晚些时候推出自己的定制芯片，称为“推理”。，他提到Facebook有自己的芯片。
他指出，像Google和Facebook这样的公司都有大量产品，这对您自己的发动机工作和该领域的内部活动很有意义。
这家初创公司包括GraphCore，这是一家位于布里斯托尔的五年初创公司，该公司位于伦敦西南部一个半小时的港口城市；Cornami，Effinix和Flex Logix。S系统公司仍处于秘密模式。
这些初创公司中有许多有一个共同点，即大大增加用于矩阵乘法的计算机芯片区域的数量，即Mac单元，以便在每个时钟周期中挤压最平行的。graphaphcore是所有的最远的。初创公司，也是第一家真正向客户发送生产芯片的公司。关于其第一个芯片最引人注目的事情之一是大量的记忆。为纪念世界上第一款数字计算机，Colossus被称为具有巨大区域和一个筹码806 Square Millimeters的区域。首席技术官Simon Knowles称其为“迄今为止最复杂的处理器芯片”。
巨像由1,024个独立核心组成，称为“智能处理单元”，每个核心都可以独立处理矩阵数学。众所周知，每个IPU都有自己的专用内存，25.6千字节的快速SRAM内存。内存是芯片中最常用的内存。
没有人知道芯片上有如此多的内存来改变构建的神经网络的类型。可能是，通过越来越多的内存，访问速度非常低，并且更多的神经网络将专注于存储在内存中的值以新有趣的方式。
软件问题
对于所有这些芯片，问题当然是由于公司的“ CUDA”编程技术。他们多年来没有为NVIDIA建立软件。图GraphCore和其他的答案将是双重的。专注于计划结构。所有进入市场的筹码都支持这些框架，他们的创建者认为，这些框架具有NVIDIA的竞争环境。
第二点是GraphCore和其他人正在构建自己的编程技术。他们可以证明，他们的专有软件可以更改框架或智能地将并行计算分配给芯片上的许多Mac单元和向量单元。它的“杨树”软件。Poplar将神经网络的计算图打破到“ Codelets”中，并将每个Codelet分配给不同的巨像核心以优化并行处理。
在过去的二十年中，大数据和快速并行计算已成为规范，它促进了机器学习并带来了深入的学习。构建是为了使用高度平行的芯片架构。将来看起来很有趣。
当计算机上实施人工智能时，有两种不同的方法：
一种是采用传统的编程技术来制造系统的智能效果而不考虑使用的方法是否与人类或动物使用的方法相同。这种方法称为工程方法，该方法已在某些领域（例如文本识别）中获得了工程方法和计算机国际象棋。
另一个是建模方法。它不仅取决于效果，而且还需要与人类或生物身体相同或相似的实施方法。
遗传算法（GA）和人工神经网络（ANN）均为后一种类型。遗传算法模拟了人类或生物学的遗传进化机制，人工神经网络是模拟人或动物脑中神经细胞的方式。为了获得相同的智能效果，通常可以使用这两种方法。采用先前的方法，详细信息需要该过程逻辑。如果游戏很简单，它仍然很方便。如果游戏很复杂，角色的数量和活动空间的增加将增加，相应的逻辑将非常复杂（根据索引增长），人工编程非常繁琐并且易于犯错误。发生错误，有必要修改原始程序，编译和调试，并最终为用户提供新版本或新补丁，这非常麻烦。各种复杂的情况。此系统通常会犯错误，但可以学习课程。它可以在下一次运行中进行纠正。使用此方法实现人工智能，要求程序员使用生物学思维方法，并且条目更加困难。但是，一旦您进入门，就可以广泛使用。不需要在编程过程中就角色规则做出详细规定，通常比以前的方法更费力。
人的大脑有意识，计算机有意识吗？随着当今极为科学的发展，计算机会超越人类的大脑，人们将成为计算机的奴隶？哲学无法回答这个问题。
人工智能是20世纪中叶科学和技术取得的主要结果之一。它的出生和发展对人类文明产生了巨大的影响和利益。同时，它也引起了对哲学意识和的理论讨论人工智能。
人工智能与人类智能相关。它是指用机械和电子设备对人类智能的仿真和替换。兵工智能也称为“机器智能”或“智能仿真”。图案人工智能主要使用电子技术成就和生物学方法来实现。从大脑的结构（即结构模拟）中模拟人脑活动。
人的大脑是智能活动的物质基础，是一个复杂的系统，由数千亿个神经元组成。结构模拟始于单个神经元。首先，使用电子组件制作神经元模型，然后将神经元模型连接到神经网络（脑模型）中以完成某些功能和模拟人类智能。美国大学；1975年在日本福岛（Fukushima）设计的“认知机器”（自组织多层神经网络）。
电子计算机是智能的模拟材料技术工具。它是一种自动，高速处理电子机。它使用与大脑相似的五个组件来形成一台计算机来模拟人脑的相应功能。这些组件是：（1）输入该设备，是人类感觉的类似物（眼睛，耳朵，鼻子等），用于接受外国信息。通过输入设备，任务，主题，计算步骤和原始数据需要告诉该设备。计算机以计算机可以接受的形式，这些数据通过输入设备存储在内存中。（2）Mascies，模拟人脑的内存功能，存储输入信息，以提取和使用任何时候。（3）人脑的计算，判断和选择功能可以执行算术操作以及逻辑操作，例如加法，减法，乘法和其他算术操作。（4）控制器，全面，全面人脑的活动以及通过思考活动的各种协调工作的控制功能，并根据记忆中的程序控制计算机的协调工作。（5）输出设备，思维结果人脑和外部刺激的反射，向操作员报告计算的结果，或与外部装置联系以指导机器运动。
以上五个部分是电子模拟计算机的基本部分，称为硬件。只有硬件不能有效地模拟和替换人脑的某些功能，并且必须有相应的软件或软设备。So -called软件是一组已提前编译的程序系统。
人工智能的产生是人类科学和技术进步的结果，也是机器进化的结果。人类发展的历史是人们使用各种生产工具的第一个自然转变（由自然引起的环境，例如河流和湖泊，山脉，森林等），创造第二天（即人造房屋，车辆机器，机器机器和车辆机器的人性化）。为了解决生理之间的矛盾功能和劳动的对象和更多财富的生产，有必要继续开发其生产工具。随着科学和技术的发展，军械情报创造了各种复杂的机械和设备，并大大扩展了自己的手脚功能
从哲学的角度来看，物质世界不仅在原始原始中统一，而且在法律上是统一的。无论是机器，动物和人，都有共同的信息和控制法。它们是信息转换系统。活动表现为某些信息输入和信息输出。人们了解世界与在实践中获取和处理信息的过程有关，世界的转换与将现有信息控制到现有信息的过程有关。简而言之，所有系统都可以通过信息交换和反馈来自我调节，以抵制干扰并保持自己的稳定性。因此，电子计算机可以使用信息和控制原理来模拟人类的某些智能活动。
在其他科学说话中，控制和信息理论是使用系统方法来揭示机器，动物和人类等不同系统的共同定律。这样，实际描述是形成现象和现象的数学模型行为;机械化解决问题的方法，即根据数学模型制定某种算法和规则，以机械地执行；自动解决解决问题的过程，自动解决问题的过程。也就是说，算法和规则被编译为具有符号语言的程序，并交付了知识智能机器来执行某项任务以使某些任务以进行某些思维因此，控制理论和信息理论是“智能模拟”的科学基础，而“智能模拟”是控制理论和信息理论在实践中的最重要实践结果。
人工智能是人类智能的必要补充，但是人工智能和人类智能之间仍然存在一个本质上的区别:::
1.人工智能是机械机械的物理过程，而不是生物学过程。它没有主观世界，包括世界的观点，生活前景，情感，意志，兴趣，兴趣，爱好。人类智能是一种心理基于人脑生理活动的活动，使人们形成一个主观的世界。因此，尽管计算机和人脑在信息的输入和输出行为中有共同点，但在这方面，两者之间的差异很明显。从信息的输入，同一件事对于这两个智能手机具有相同的信息，但是从两个不同的人那里获得的信息量是非常不同的。从信息输出的角度来看，两台机器的相同信息输出相等。Ren非常不同。
2.解决问题时，人工智能并未意识到问题是什么，它的含义是什么以及它带来什么后果。计算机没有意识，这取决于方式操作的操作。人类的脑智力和人类意识是有目的的，可控制的，思想的思维活动是有意识和有能力的。
3.计算机必须接受人脑的指示并按照计划的程序进行工作。它无法输出任何输入。尾部的结论只是输入程序和输入数据的逻辑结果。无法自主和创造性地提出问题。当遇到计划中未包含的“事故”情况时，它是无助的或中断的。人工智能不是创造性的。人的大脑功能可以提出新的概念，做出新的判断和创建新的外观，以反映反映法律。它具有丰富的想象力和创造力。
4.人造机器不是社会的。作为存在于社会中的人，其大脑功能是为了满足社会生活的需求而产生和开发的。人们的社会需求远远超出了直接生理需求的有限目的，这取决于发展因此，物质文明和社会的精神文明的程序。因此，作为人脑功能的思维能力，它是通过社会教育和培训的社会教育和培训逐渐形成的。人类的内在世界是丰富的，更加采用因为人类的社会联系是丰富而多的，并且人类的智力是社会的。无法做到这一点。随着科学技术的发展以及思维模拟的持续扩展，计算机将继续接近B就功能而言，降雨。但是本质上，它们只能是一条近距离线，并且它们之间的边界不会被清除。仿真是近似且不能等效的。
人工智能和人类大脑在功能上不仅仅是它的功能，而且它不如整体。从人造机器产生的人工智能之后，人工智能将永远不会赶上并超越人类的智能。将成为更多的奴隶制”和“人们将成为计算机思想家的戏剧家或害虫，……在将来的动物园保存下来”，因为它可以消除人类和机器的本质和基本界限。
人工智能丰富了辩证的唯物主义。这进一步表明，意识是人脑的功能和材料的属性。对人类大脑的计算机功能的模拟表明，意识不是神秘而难以捉摸的事物，而不是灵魂它与身体内外的身体分开，也不是人脑分泌的特殊材料形式，而是人脑大脑的功能属性。静hescethis进一步证明了意识的原理。
人工智能的出现加深了意识反应的原则。徒劳智力是人类意识的自我意识的产物。计算机的出现意味着人类意识可以与人脑部分区分，并将其物质化为物质机械运动。这不仅扩展了意识器官，而且还表明意识反过来又可以创造“人脑”。这是对人脑意识的巨大反应。意识与人脑之间的相互作用，以及意识作为物质运动发展的最高物质属性。
人工智能导致意识结构的变化，并扩大了意识的研究领域。计算机进入意识器官的等级，作为一种新的机器形式，它不仅可以完成人类大脑意识活动的一部分，而且还可以在某些功能中，人的大脑比人的大脑更好。没有人工智能，就不会出现突破性的发展，并且人类知识范围的扩展不仅取决于人，而且还取决于计算机。这增加了意识结构中人工智能的讨论以及对人类 - 机器互补性之间的关系。在同一时间，思维模拟还突出了思维形式中思维的作用，并提出了一个重要的意识研究问题。
结论：以上是首席CTO指出人工智能如何完成计算函数的相关内容的摘要。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?