近年来,人工智能 (AI) 取得了重大进展,甚至超出了人们的乐观预测。利用数据驱动的人工智能,即深度学习技术,已经证明计算机现在可以具备范围广泛、质量卓越的能力,例如以人类的水平解决图像和文本处理任务。尤其是大型语言模型引发了关于这一快速发展领域的机遇和挑战的争论。如果将数据驱动的人工智能与知识表示和推理等符号人工智能技术相结合,那么数据驱动的人工智能剩下的基本挑战(例如事实或逻辑错误)是否会被彻底克服?通用人工智能 (AGI) 系统是否会从中脱颖而出,拥有常识,并事实上完成推动该领域在 20 世纪 50 年代兴起的数十年人工智能探索?鉴于这些问题,我们从混合人工智能的角度回顾了同样数十年关于计算机能力和局限性的哲学争论。在这里,我们讨论了混合人工智能如何更接近于反驳 Hubert Dreyfus 关于计算机不能做什么的著名论断。同时,我们揭示了混合人工智能面临的一个较少讨论的挑战:其开发者可能是其最大的限制因素。
密歇根大学的异质催化21世纪:定义良好,高统一,有针对性的纳米结构是高度选择性的异质催化剂,照片催化剂和表征工具