XiaoMi-AI文件搜索系统
World File Search System图灵
反对合成感知的神经遗传学案例
在过去的几年中，机器学习 (ML) 系统的发展迅速增加，单个 ML 模型可以执行的任务越多，它就变得越通用，用途也越广泛。因此，目标是以多模式工作，明确意图最终实现人工智能 (AGI)，它接近甚至超过人类的能力 (Goertzel 等人，2022 年；Goertzel 和 Pennachin，2007 年；Wang 和 Goertzel，2012 年)。人们普遍认为，最好的人工智能模型是最接近人类特征和能力的模型。由于模型是根据它们与拟人化基准的匹配程度来选择的，因此只要人类不断改进这些基准，人类就会继续将它们越来越多地拟人化，这似乎是很自然的。可以说，最好的人工智能系统是模仿人类意识输出的系统，这样局外人就无法将其与真人区分开来。这正是著名的图灵测试背后的核心思想，图灵测试是一个最初被称为“模仿游戏”的思想实验（图灵，1950 年）。1
计算机械和智能
♣H arnad：“机器”在图灵的论文中永远不会得到充分的定义，尽管最终将被称为“图灵机”（计算机的抽象描述）。这将在真实的物理系统，在世界上做某事和另一台物理系统之间引入系统的歧义，在正式的情况下模拟了第一个系统，但不是在做它所做的事情：一个例子是真实的飞机 - 一台机器 - 一台在现实世界中飞行的机器 - 在现实世界中飞行的机器，并且不是像飞机一样飞行的，而是像仿真的，而是在形式上仿真，''''''机器而不是图灵机的合理定义可能是任何动态的因果系统。使宇宙成为机器，分子是机器，以及瀑布，烤面包，牡蛎和人类。机器是否是人造的，显然是无关紧要的。唯一的相关属性是它是“机械”的，即按照物理因果定律的行为。“思考”永远不会通过图灵来定义；它将被操作定义所取代，即“思维就像思维一样”。这很好，因为在知道思维系统如何做到之前，无法在思考之前定义思维，而且我们还不知道如何做到这一点。，但我们确实知道我们的思想家是这样做的，无论它是什么，当我们想到的时候，我们知道何时（通过自省）。因此，思考的一种意识形式，已经通过指向我们所有人都有和知道的经验来定义。取而代之的是像盖洛普民意调查一样进行统计调查，以找出人们对思想的看法确实是浪费时间，正如图灵指出的那样 - 但是后来在论文中，他不必要地介绍了统计调查的等同于他通过图灵测试的标准！
一种具有自主规则学习和利用图像或文本进行泛化能力的人工智能非图灵计算机架构
自现代计算机历史开始以来，图灵机一直是大多数计算设备的主导架构，它由三个基本组件组成：用于输入的无限磁带、读写头和有限控制。在这种结构中，读写头可以读取的内容（即比特）与其写入/输出的内容相同。这实际上不同于人类思考或进行思维/工具实验的方式。更准确地说，人类在纸上想象/书写的是图像或文本，而不是它们在人脑中所代表的抽象概念。这种差异被图灵机忽略了，但它实际上在抽象、类比和概括中起着重要作用，而这些对于人工智能至关重要。与这种架构相比，所提出的架构使用两种不同类型的读写头和磁带，一种用于传统的抽象比特输入/输出，另一种用于特定的视觉输入/输出（更像是一个屏幕或一个带有摄像头观察它的工作区）。抽象比特与具体图像/文本之间的映射规则可以通过卷积神经网络、YOLO、大型语言模型等神经网络实现，准确率较高。作为示例，本文介绍了新的计算机架构（我们在此简称为“任氏机”）如何自主学习特定域中的乘法分配属性/规则，并进一步使用该规则生成一种通用方法（混合在抽象域和特定域中）来计算基于图像/文本的任意正整数的乘法。
麦克卢汉论人工智能
麦克卢汉论人工智能 (AI)：他的探索的带注释的猜测 William Kuhns kuhns.bill@gmail.com 这是一部尚未写成的剧本的框架。我在此放弃版权并邀请任何有抱负的剧作家接受它。背景：1934 年英国剑桥的一间学生公寓。有人在一个晚上召集了他在校园里发现的两个最有趣的头脑：加拿大英语学生、现代主义诗歌的传播者、博学多识的赫伯特·马歇尔·麦克卢汉，以及校园里的数学天才阿兰·图灵。这两个人出生的时间相差一岁，他们是 20 世纪迄今为止最大胆、最富想象力的梦想家。当然，当时他们两人都不知道，驱动下个世纪的伟大引擎的发明者会与一位哲学家坐在一起，而这位哲学家的思想将探究该引擎最深层的人类意义和后果。这正是剧作家可以大快朵颐的地方。1934 年，麦克卢汉 23 岁，图灵 22 岁。通过巧妙的舞台设计和服装，他们年长的自我可以出现并互动。60 岁的麦克卢汉将如何回应 38 岁的图灵的断言，即机器不仅能够思考，而且有一天它们的操作将远远超越曾经活过的人的思维？图灵对这位贪婪的诗歌学生的反应是什么？这位学生坚持认为技术的突飞猛进——以及所有科学——深深植根于人文主义的堡垒？当麦克卢汉说“没有什么比我们的技术更人性化”时，图灵是反驳他的通用图灵机无限的思维潜力——还是鼓掌？这是一部我很想看的戏剧。足以让我写它吗？也许。一旦我在胚胎中检测到心跳。现在，我将自己限制在下面的“猜测”中，麦克卢汉对图灵的伟大创意人工智能的看法。首先，介绍一些背景。麦克卢汉编组机 1987 年，我在加拿大国家档案馆阅览室的硬木椅上花了大量时间，仔细阅读马歇尔·麦克卢汉的信件和短篇及未完成的作品。我来寻找传记资料和我可以追踪的他的思想线索，但我收集到的 — — 并且被证明具有无价之宝 — — 是宝石：麦克卢汉坚持要描述的令人震惊和原创洞察力的爆发点，一丝不苟的探测。这些警句宝石频繁出现在他出版的书中。同样，这些珍宝也经常出现在他的 1,400 篇文章、演讲、采访和未完成的项目以及超过 100,000 封信件中。这些珍宝包括：
1.1 与人工智能交互的概念、定义和历史...
人工智能的历史：人工智能，简称AI，挪威语（KI）也称为人工智能，以下简称AI，于1956年正式形成。这在当时被称为现代人工智能。哲学家试图将人类思维描述为符号系统（Lewis，2014）。人工智能一词本身来自计算机技术领域的教授约翰·麦卡锡 (John McCarthy)。我们也不能忘记阿兰·图灵，他创造了一台突破性的机器，探索人工智能的数学可能性（Anyoha，2017）。这样，我们可以将图灵视为人工智能的创造者。人工智能的定义：如上所述，麦卡锡可以被认为是人工智能之父，因为他对信息学和人工智能领域的参与（Solutions，2020）。麦卡锡将人工智能定义为：
计算机和智能（1950）——爱德华·弗伦克尔
讨论和详述；直到 1999 年才发表，这一重要的补充材料为理解图灵测试提供了新的启示。2 模仿游戏涉及三名参与者：一台计算机、一名人类询问者和一名人类“陪衬”。3 询问者试图通过向另外两名参与者提问来确定他们中的哪一位是计算机。所有通信都是通过键盘和屏幕或等效装置进行的（图灵建议使用电传打字机链路）。询问者可以随心所欲地提出深入而广泛的问题，而计算机可以尽一切可能迫使对方做出错误识别。（因此，计算机可能会在回答“你是计算机吗？”时回答“否”，并可能在要求将一个大数乘以另一个大数后停顿很长时间并给出一个可能不正确的答案。）陪衬必须帮助询问者做出正确识别。成功玩模仿游戏的能力是图灵提出的“思考”标准（第 442、443 页）。他给出了两个例子，说明询问者和成功玩模仿游戏的机器之间可能发生的交流。以下内容来自第 452 页。
医生 AI？一项试点研究考察人工智能对老年患者常见问题的回答
在 1956 年首次创造人工智能 (AI) 一词之前（ Russell and Norvig，2016 ），艾伦·M·图灵 (Alan M. Turing) 构思了他著名的“图灵测试”。图灵通过测试试图探索计算机生成的反应是否能够在不知情的观察者看来与人类的反应区分开来（ Kleppen，2023 ）。如果计算机的回答与真实人类回答者的回答无法区分，则计算机“通过”了图灵测试。 2014 年，名为 Eugene Goostman 的聊天机器人（ Warwick and Shah，2015 ）成为第一台通过图灵测试的机器，代表了人工智能和机器学习的一个重要里程碑，为后续程序树立了标杆。按照目前的定义，人工智能是指设计用于执行原本需要人工干预的任务的计算机系统（ Sutton and Barto，2018 ）。早期的人工智能研究侧重于使用符号逻辑和基于规则的系统解决一般问题（Jordan and Mitchell，2015）。最初，人工智能研究受到了乐观的评价（Russell and Norvig，2016）；然而，由于资金和计算能力不足等因素，研究工作停滞不前。在 20 世纪 90 年代和 21 世纪，由于神经网络、强化学习、计算机视觉和自然语言处理的出现（Jordan and Mitchell，2015），以及大数据、更便宜的计算和先进的计算算法的兴起，机器学习取得了重大进展。最近，深度学习人工智能模型（一种机器学习算法的分层网络，可以通过处理大量数据来提取越来越复杂的信息）已导致基于人工智能的研究取得重大突破（LeCun 等人，2015）。关于人工智能是否通过了图灵测试，仍然存在激烈的争论。如今，无论是在文本还是语音中，都有大量论断声称深度学习程序（例如 Chat GPT）和文本转语音程序能够生成与人类难以区分的输出，从而通过图灵测试（Biever，2023 年；Mai 等人，2023 年）。近年来，人工智能技术对医疗保健系统产生了尤为重要的变革性（Yu 等人，2018 年）。例如，在医学成像领域，深度学习算法已被用来以比放射科医生更高的准确度检测潜在异常（Liu 等人，2019 年）。自然语言处理使人工智能能够分析和提取患者病历中的相关健康数据，以协助准确诊断和辅助治疗计划（Kreimeyer 等人，2017 年）。可穿戴人工智能辅助监测系统已被用来追踪重要的患者健康指标，并可以提醒护理人员注意潜在的健康风险（Senders 等人，2018 年）。人工智能还被用于机器人辅助手术，以实现常规任务的自动化并提高手术的精准度（Hashimoto 等人，2018 年）。在制药行业，深度学习在药物开发中非常有用，甚至可以用来帮助医疗服务提供者根据患者的生物/遗传特征和个人需求确定对患者最有效的药物（Mak 等人，2023 年）。在临床实践中，聊天机器人和虚拟助手已被证明对患者教育、药物提醒和心理健康支持有益（Miner 等人，2016 年）。在精神保健领域，人工智能技术的应用同样具有影响力。具体来说，人工智能和机器学习工具已经