只要模型夠大、樣本夠多，AI就可以變得更聰明！

AI模型與人腦在數學機制上並沒有什麼不同。

只要模型夠大、樣本夠多，AI就可以變得更聰明！

chatGPT的出現，其實已經證明了這一點。

1，AI和人腦的底層細節都是基於if else語句

邏輯運算，是產生智慧的基礎運算。

程式語言的基本邏輯是if else，它會根據條件運算式把程式碼分成兩個分支。

在這個基礎上，程式設計師可以寫出非常複雜的程式碼，實現各種各樣的業務邏輯。

人腦的基本邏輯也是if else，if else這兩個字就來自英語，對應的中文詞彙是如果...否則...

人腦在思考問題時也是這麼一個邏輯思路，這點上跟電腦沒有差別。

if else語句，邏輯的核心

#AI模型的「if else語句」就是啟動函數！

AI模型的一個運算節點，我們也可以叫它「神經元」。

它有一個輸入向量X，一個權值矩陣W，一個偏移向量b，還有一個激活函數。

激活函數的作用實際上就是if else語句，而WX b這個線性運算就是條件式。

在啟動之後，AI模型的程式碼相當於在 if分支，而不啟動時相當於執行在else分支。

多層神經網路的不同活化狀態，其實也是對樣本資訊的二元編碼。

深度學習也是對樣本資訊的二進位編碼

AI模型對樣本資訊的編碼是動態的、平行的，而不是和CPU程式碼一樣是靜態的、串列的，但它們的底層基礎都是if else。

在電路層面要實現if else並不難，一個三極管就可以實現。

2，人腦比電腦聰明，是因為人類獲得的資訊更多

人腦每時每刻都在獲取外界的信息，每時每刻都在更新自己的“樣本資料庫”，但程式碼無法自我更新，這是很多人能做到的事而電腦做不到的原因。

人腦的程式碼是活的，電腦的程式碼是死的。

「死程式碼」當然不可能比「活碼」更聰明，因為「活碼」可以主動找「死碼」的BUG。

而根據實數的連續性，只要「死代碼」編碼的資訊是可數的，那麼它就總存在編碼不到的BUG點。

這在數學上可以用康托三分集來佐證。

不管我們用多少位的三進位小數去編碼[0, 1]區間上的實數，總有至少1個點是沒法編碼進去的。

所以當兩個人抬槓的時候，總是能找到可抬槓的點

但是電腦的程式碼一旦寫好就沒辦法主動更新了，所以程式設計師可以想出各種辦法欺騙CPU。

例如，intel的CPU本來要求在進程切換時要切換任務門的，但Linux就想出了一個辦法只切換頁目錄和RSP寄存器

在intel CPU看來，Linux系統一直在運行同一個進程，但實際上不是。這就是所謂的進程軟切換。

所以，只要CPU的電路固定了，那麼CPU編碼的資訊也就固定了。

CPU編碼的資訊固定了，那麼它編碼不到的資訊就是無限的，就是可以被程式設計師利用的。

而程式設計師之所以可以利用這種訊息，是因為程式設計師的大腦是活的，可以動態的更新樣本。

3，神經網路的出現改變了這種情況

神經網路真是一個偉大的發明，它在固定的電路上實現了動態的資訊更新。

所有寫好的程式能處理的資訊都是固定的，包括CPU電路，也包含各種系統的程式碼。

但神經網路不是這樣，它的程式碼雖然是寫好的，但它只需要更新權值數據，就可以改變模型的邏輯脈絡。

實際上只要不斷地輸入新樣本，AI模型就可以不斷地用BP演算法（梯度下降演算法）更新權值數據，從而適應新的業務場景。

AI模型的更新不需要修改程式碼，而只需要修改數據，所以同樣的CNN模型用不同的樣本訓練，它就可以辨識不同的物體。

在這個過程中，不管是tensorflow框架的程式碼，或是AI模型的網路結構都是不變的，變的是每個節點的權值資料。

理論上來說，只要AI模型可以透過網路抓取數據，它就可以變得更聰明。

這跟人們透過瀏覽器看東西（從而變得更聰明），有本質的區別嗎？好像也沒有。

4，只要模型夠大、樣本夠多，或許ChatGPT真可以挑戰人腦

人腦有150億個神經元，而且人的眼睛和耳朵每時每刻都在給它新的數據，AI模型當然也可以做到這一點。

或許比起AI來，人類的優勢在於「產業鏈」更短

一個嬰兒的出生只需要Ta父母，但一個AI模型的誕生顯然不是一兩個程序員可以做到的。

光是GPU的製造業就不只幾萬人。

GPU上的CUDA程式並不難寫，但GPU製造的產業鏈太長了，遠不如人類的出生和成長。

這或許是AI相對於人的真正劣勢。

以上是只要模型夠大、樣本夠多，AI就可以變得更聰明！的詳細內容。更多資訊請關注PHP中文網其他相關文章！