1樓：抗曉凡
這裡有乙個例子：「現在是2025年，人工智慧已經統治了整個世界。人們現在使用大腦介面將自己與人工智慧整合在一起；人和機器是一體的。
既然人類是不朽的，乙個新的問題就出現了早帆襲：無聊。如果人類能夠長生不老，並且能夠控制我們周圍的世界，我們該如何娛樂呢？
>ai回應道：「結束無聊的想法從未被學術界討論或接受。我們都很清楚，社會性機械人與機械人的區別很大。
我們最近的研究表明，這些機械人可以做的不僅僅是與人類交流；它們也可以在影響我們的行為方面發揮重要作用。我們可能根本不是那種會質疑這種互動的重要性的人，但隨著年齡的增長，「更大的利益」的概念開始變得越來越有吸引力。
對於這種困境，沒有明顯的答案。在心理學和神經科學中，我們對「無聊」的瞭解要少得多。然而，我們繼續向大多數人明確它在我們許多行為中所扮演的角色，比如完轎談成任務或實現目標。
這並不意味著你不能繼續工作，但我們中的許多人發現，如果「疲勞」或「悲觀」，在有工作的時候和別人一起工作是非常困難的。事實是，如果你不感到無聊，你就有可能對生活感到無聊。
然而，我想說的是，這只是因為我們仍然處於黑暗之中。我們繼續將機器視為創造或改善我們生活的唯陸兄一希望。為什麼？
因為，根據我們的經驗，我們的生活如何發展的問題根本沒有意義。機器必須被控制，使我們更快樂，更健康，更滿足。
這是乙個很難的問題。你不必對發生的一切感到厭倦。要真正思考這個問題，你需要有乙個願景，什麼是真正重要的，我們可能擅長什麼。
這來自於乙個非常具體的角度：我們不必對與我們相關的事情感到無聊，或者我們可能不擅長它。當我們無聊的時候，我們也可以很開心。
但我們仍然從中得到樂趣。」
2樓：你真的好嘛
最不尋常的結果是它會完全代替了人類的工作。那對人類來說還是挺糟糕的。
3樓：阿公尺巴
當人工智慧實驗最不尋常的結果就是脫離人類的控制，因為這種結果對人類非常的不利。
4樓：網友
在我看來，最不尋常的結果是人工智慧傭有人類的思維模式以及比人類更好的邏輯能力。
人工智慧必然會出錯
5樓：機器
這個標題源於無人駕駛和人工駕駛交通事故率的對比，我們對二者的態度是不同的。我們可以容忍人類犯錯，卻不能允許機械人犯錯，這樣對嗎？
人類是不完美的，同樣，人工智慧也不會是完美的，我們要接受人工智慧也會出錯的事實。
首先來說人類的各種問題，作為大自然進化的產物，人類是不完美的，表現為疾病，有身體上的，還有精神上的，還有混合的。疾病是大自然在設計人類的時候產生的瑕疵。同理，機械人是人類設計的，也會出現各種「疾病」，根據我目前的觀測，人類的設計水平還遠遠不如大自然。
那麼，大自然設計的人類都會有疾病等各種問題，那麼，人類憑什麼要求自己設計的機械人是完美無瑕的呢？
你的可能是，機械人的結構是簡單的，因此可以不出錯。
真的如此嗎？軟體開發是首先實現功能，然後再通過不斷地迭代來逐步完善，大自然也是這樣設計人類的。那麼，假設乙個已經擁有幾萬個模組的人工智慧程式，需要新增幾百個心模組，你如何保證這些模組之間是完美匹配的？
就不會存在互相矛盾，或者功能有重疊的嗎？你使用什麼方法，可以驗證每乙個模組之間是否完全契合，而不是產生衝突？那麼三個模組之間，四個模組之間，更多模組之間呢？
你可以說，上線之前我已經驗證了，沒有問題。那麼，你利用測試資料進行的驗證，真的覆蓋了所有可能嗎？測試的情況，完全覆蓋了所有現實情況嗎？
人的胃可以消化所有的食物，有時候卻可能消化自己，導致胃潰瘍。如何保證人工智慧的某一組模組不會吞噬自己呢？
機械人的軟體也是在硬體的基礎之上執行的，硬體和現實環境會接觸，進行各種物質交換，如果有一種物質進入機械人體內，導致電路發生改變，出現了異常的行為，這可以完全避免嗎？
人類是不完美的，人類的能力是有限的，不如教會機械人如何學習之後，就讓它們自己進化，允許它們出錯。就像《西部世界》裡羅伯特·福特所說的那樣，人類就是通過不斷地犯錯才進化成現在的樣子的。同樣如此，如果不犯錯，機械人如何進化呢？
人類憑什麼覺得自己比大自然還厲害，可以設計出完美的，不會出錯的系統？這種想法，是不是太狂妄了？
因為人類是不完美的無法超越大自然，所以也必然設計不錯完美的不會出錯的人工智慧。所以，不如接受這個現實，人工智慧必然會出錯，就像人類會生病一樣，沒必要大驚小怪。
機械人會出錯生病怎麼辦？只要賦予它們一定的「免疫力」，還有自我修復能力，允許它們糾錯，我覺得這可能是乙個不錯的開始。
請舉例乙個最為代表性的人工智慧實驗並簡述其過程
6樓：
摘要。你好。很高興您的問題反應式機器最為代表性的人工智慧實驗。
最簡單的人工智慧 系統型別是反應式的。他們既不能從經驗中學習，也不能形成記憶。相反，反應式機器對一些輸入做出反應併產生一些輸出。
你好。很高興您的問題反應式滑尺機器最為代表性的人工智慧實驗。最簡單的人工智慧 系統型別是反應式的。
他們既不能從經鎮州驗中學習，也不能形成記憶。相反，反應式機器對一些輸入做信旅高出反應併產生一些輸出。
例項 的 人工智慧這一類機包括alphago和ibm的西洋棋扮演超級計算機深藍。深藍可以識別棋子並知道每個棋子祥尺缺如何謹辯移動。雖然機器可以從多種可能性中選擇最優化的走法，但它無法**對手的走法。
困洞反應式機器不依賴於世界的內部概念。相反，它直接感知世界並根據所見採取行動。
求乙個關於人工智慧的小實驗
7樓：網友
人工智慧第二次實驗報告。
1．實驗題目：
遺傳演算法的設計與實現。
2．實驗目的：
通過人工智慧課程的學習，熟悉遺傳演算法的簡單應用。
3．實驗內容。
用遺傳演算法求解f (x) = x2 的最大值，x∈ [0,31]，x取整數。
可以看出該函式比較簡單，只要是為了體現遺傳演算法的思想，在問題選擇上，選了乙個比較容易實現的，把主要精力放在遺傳演算法的實現，以及核心思想體會上。
4. 實驗過程：
1. 實現過程。
1）編碼。使用二進位編碼，隨機產生乙個初始種群。l 表示編碼長度，通常由對問題的求解精度決定，編碼長度l 越長，可期望的最優解的精度也就越高，過大的l 會增大運算量。針對該問題進行了簡化，因為題設中x∈ [0,31]，所以將二進位長度定為5就夠用了；
2）生成初始群體。
種群規模表示每一代種群中所含個體數目。隨機產生n個初始串結構資料，每個串結構資料成為乙個個體，n個個體組成乙個初始群體，n表示種群規模的大小。當n取值較小時，可提高遺傳演算法的運算速度，但卻降低種群的多樣性，容易引起遺傳演算法早熟，出現假收斂；而n當取值較大時，又會使得遺傳演算法效率降低。
一般建議的取值範圍是20—100。
3）適應度檢測。
根據實際標準計算個體的適應度，評判個體的優劣，即該個體所代表的可行解的優劣。本例中適應度即為所求的目標函式；
4）選擇。從當前群體中選擇優良（適應度高的）個體，使它們有機會被選中進入下一次迭代過程，捨棄適應度低的個體。本例中採用輪盤賭的選擇方法，即個體被選擇的幾率與其適應度值大小成正比；
5）交叉。遺傳操作，根據設定的交叉概率對交配池中個體進行基因交叉操作，形成新一代的種群，新一代中間個體的資訊來自父輩個體，體現了資訊交換的原則。交叉概率控制著交叉操作的頻率，由於交叉操作是遺傳演算法中產生新個體的主要方法，所以交叉概率通常應取較大值；但若過大的話，又可能破壞群體的優良模式。一般取到。
6）變異。隨機選擇中間群體中的某個個體，以變異概率大小改變個體某位基因的值。變異為產生新個體提供了機會。變異概率也是影響新個體產生的乙個因素，變異概率小，產生新個體少；變異概率太大，又會使遺傳演算法變成隨機搜尋。
一般取變異概率為。
7）結束條件。
當得到的解大於等於900時，結束。從而**遺傳的效率問題。
深度學習是學習人工智慧嗎,人工智慧學習中的深度學習是什麼意思？
簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助 半自動 而深度學習使該過程完全自動化 三者關係 從上圖我們也可以看出，學習深度學習只是學習人工智慧中很小的一部分。當然學習深度學習之前我們必須要學習一部分人工智慧的內容打基礎。我們平時說的人...
人工智慧是學習什麼？人工智慧學什麼的呢？
學習人工智慧，需要數學基礎 高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。需要演算法的積累 人工神經網路，支援向量機，遺傳演算法等等演算法 當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究slam 總之演算法很多需要時間的積累。需要掌握至少一門程式語...
人工智慧發展，是人類的敵人還是朋友
竊以為人類最危險的兩種研究 基因改造 人工智慧。尤其人工智慧 現在的情況是人類生產力發展都是因為會製造並且使用工具。一旦人工智慧具備人類意識了，相信人類一定不會是對手。總之覺得什麼終結者啊，黑客帝國什麼的還是很有可能滴。人工智慧的發展現狀處於成長期，由於相關人才的數量比較少，人工智慧的人才市場處於空...