自 20 世纪 50 年代诞生以来,人工智能领域经历了数次循环:乐观预测和大规模投资时期(“人工智能春天”),以及失望、失去信心和资金减少时期(“人工智能冬天”)。即使在今天人工智能突破的速度似乎很快的情况下,开发自动驾驶汽车、家政机器人和对话伴侣等长期备受期待的技术却比很多人预期的要困难得多。这些重复循环的原因之一是我们对智能本身的性质和复杂性的理解有限。在本文中,我描述了人工智能研究人员常见假设中的四个谬误,这些谬误可能导致对该领域的过度自信预测。最后,我将讨论这些谬误所引发的悬而未决的问题,包括让机器具有类似人类的常识这一古老的挑战。
休伯特·德雷福斯:“第一步谬误是声称,自从我们第一次研究计算机智能以来,我们一直在一个连续体上缓慢前进,而人工智能是这个连续体的终点,因此,我们程序中的任何改进,无论多么微不足道,都算作进步……事实上,在假定的稳步渐进的连续体中存在着不连续性。这个意想不到的障碍被称为常识问题。”
自 20 世纪 50 年代诞生以来,人工智能领域经历了数次循环:乐观预测和大规模投资时期(“人工智能春天”),以及失望、失去信心和资金减少时期(“人工智能冬天”)。即使在今天人工智能突破的速度似乎很快的情况下,开发自动驾驶汽车、家政机器人和对话伴侣等长期备受期待的技术却比很多人预期的要困难得多。这些重复循环的原因之一是我们对智能本身的性质和复杂性的理解有限。在本文中,我描述了人工智能研究人员常见假设中的四个谬误,这些谬误可能导致对该领域的过度自信预测。最后,我将讨论这些谬误所引发的悬而未决的问题,包括让机器具有类似人类的常识这一古老的挑战。
Oracle数据库10G中引入的自动工作负载存储库(AWR)是Oracle数据库最广泛使用的性能诊断工具。AWR收集,过程和维护数据库性能统计数据,以进行问题检测和自我调整目的。此数据收集过程在常规时间间隔中重复,并在AWR快照中捕获结果。从AWR快照捕获的数据计算得出的增量值,表示每个统计量的更改,并可以通过AWR报告查看以进行进一步分析。默认情况下,AWR快照以每小时的间隔拍摄,并且快照保留了八天。建议增加保留期,以允许每月(31天)或季度(90天)比较,具体取决于您的报告和保留要求。AWR报告也可以按需以特定时间间隔生成。1
这是我想进一步探索的一些概念的集合,我将看到他们带我去哪里。,这可能太冗长了,因为我会想到这个问题。如果您准时短暂,请随时跳过结束,因为那是我认为我对OP要求的答案的答案。我的重点是将分化和集成为符号操作。为了差异化,让我们考虑一个包括常数(可能是复杂的),$ x $的功能符号的$ e $ e $,并且在算术操作和组成下被关闭。我们可以添加更多功能符号,例如$ e^x $,$ \ ln(x)$或$ x^{ - 1} $,但我们假设我们知道如何为添加到$ e $的每个添加的衍生物找到它们的衍生物。仅使用常数和$ x $,我们将多项式作为设置$ e $。更大的选项将是基本功能。如果差异化被视为$ e $中符号内的操作,则根据定义,它的算法是算法,因为我们可以根据$ e $中任何功能 - 符号的衍生物,因为其涵盖了生成$ e $的操作的属性。挑战可能来自确定功能是否属于$ e $。我声称,至少集成与差异化(可能更难)一样困难,这对于多项式来说是显而易见的,但取决于所选的集合$ e $。现在,让我们考虑构建一个适合集成的域,类似于我们处理分化的方式。让我们称此功能符号$ i $的收集。它包含常数和$ x $,其中可能还有其他符号,例如$ e^x $或$ x^{ - 1} $,我们知道它们的积分。这是一个简单的事情。我们假设$ i $在某些操作下关闭:其元素的线性组合以及操作$ \ oplus $(乘以衍生物)和$ \ otimes $(特定的组成操作)。这为我们提供了一个合理的最小域来定义内部集成。在这样的$ i $中,集成成为使用这些操作编写的功能的算法。我声称,在这种情况下,如果我们假设$ i $包含常数,并且满足了三个条件之一,那么推导很简单,从而允许仅使用一个基本操作计算衍生物。可以将OP的问题转化为是否给定的$ E $,我们有一种算法来检查其元素是否是$ i $的一部分,还是使用其积分和某些操作已知的函数 - 符号。此功能取决于$ e $的性质及其可用功能符号。对于$ x $中的多项式,这种算法显然存在。我们不仅有一些情况,即某些$ e $的问题是不可确定的。感谢Richardson的定理,如果$ e $包含$ \ ln(2),\ pi,e^x,e^x,\ sin(x)$,并且还包括$ | x | $以及$ e $中没有原始功能的功能,则条件3可用于$ e $ $ e $的基本功能,以及$ | x | $ | x | $。要验证这种情况,我们可以使用$ e^{x^2} $。定理的有效性源于基本函数$ m(n,x)$的存在,每个自然数$ n $都与0或1相同,但是对于每个自然数$ n $,无论它是相同的0还是1。如果我们通过为每个原始添加符号来关闭$ e $,则此范围消失。给定这样的函数,如果我们可以在$ e $中确定集成,那么对于每个自然数$ n $,无论$ f_n(x):= e^{x^2} m(n,x)$是否可以集成。但是,这将使我们能够弄清楚$ m(n,x)$是0或1何时,因为$ f_n(x)$是可以集成的,当$ m(n,x)= 0 $而不是$ m(n,x)= 1 $时。因此,对于某些类$ e $,我们看到虽然派生是基本的(显示该功能属于$ e $),但集成是不可决定的。这已经表明集成比派生更难(依赖我们集成的函数类别的语句)。观察:上述$ e $集成的不确定性与在$ e $中具有函数符号无关,而没有原始函数 - 符号为$ e $。另一方面,这使得$ e $不是由有限的许多符号生成的,从而使确定何时用$ e $中的符号表示函数更为复杂。因此,对于这个大$ e $的原因,如果我们赋予了我们知道的功能,则可以计算其积分,因为我们假设输入为$ e $。问题仍然存在:$ e $可以比派生更难集成?
1在BEMV中,我们使用DRS技术编写模型。在这里,我们将其调整到垄断竞争激烈的环境中,在该环境中,收入下降的收入降低。2我们分析的关键步骤是在(i)(i)通过增长和(ii)BEMV稳态的经济均衡生长路径的稳态稳定状态之间提供映射。此结果使我们能够直接使用BEMV的校准。
摘要:纠缠态的分布是许多量子信息处理协议中至关重要的关键任务。一种常用的量子态分布设置设想在一个位置创建状态,然后通过一些量子通道将其发送到(可能不同的)远程接收器。虽然毫无疑问,也许直观地预料到,纠缠量子态的分布效率低于乘积态,但尚未对这种低效率(即纠缠态和分解态的量子态传输保真度之间的差异)进行彻底的量化。为此,在这项工作中,我们考虑了 n 个独立的振幅衰减通道,它们并行作用,即每个通道局部作用于 n 个量子比特状态的一部分。我们推导出了在初始状态存在纠缠的情况下,最多四个量子比特的乘积态保真度降低的精确分析结果。有趣的是,我们发现真正的多部分纠缠对保真度的影响比双量子比特纠缠更大。我们的结果暗示了这样一个事实:对于更大的 n 量子比特状态,产品状态和纠缠状态之间的平均保真度差异会随着单量子比特保真度的增加而增加,从而使后者成为不太值得信赖的品质因数。
因此,在太空中肯定不乏氦气。,但并非每个天体都是热核融合反应器。太阳是。地球不是。在地球上,氦气极为稀缺。实际上,这是最稀有的天然发生的元素之一。地球的大部分氦气都来自自然的放射性过程,即腐烂的沉重元素。此过程听起来很慢,这意味着氦气是不可更新的有限资源。氦气从何而来?没有氦特异性采矿。相反,氦是天然气开采的副产品。“传统上,美国一直是全球氦气的最大来源,”英国牛津大学西门子磁铁技术Nology的氦气商品经理安德鲁·韦德(Andrew Wade)说。近年来,美国的氦气供应已经干燥,韦德不得不转向其他国家进行采购:“目前最大的生产商是卡塔尔和阿尔及利亚。很快在西伯利亚也将有一些大型燃气场。”氦气不仅是有限的,而且还挥发了:当氦气球弹出时,其氦气逃到了无法检索的气球中换句话说:
凝视是一种将他人关注转向特定位置的重要且有力的社会提示。但是,在许多情况下,方向符号(如箭头)实现了类似的目的。是由总体问题进行的,人造系统如何有效地传达方向信息,我们进行了两个提示实验。在两个实验中,都要求参与式插图识别屏幕上出现的外围目标,并通过按下按钮尽快响应它们。在出现目标之前,屏幕中心显示了一个提示。在实验1中,提示是凝视或指向一个方向的箭头或箭头,但对目标位置无可预测。对早期研究的意见,我们发现箭头或凝视的侧面有一个反应时间益处。延伸了早期的研究,我们发现这种效应在垂直轴和水平轴之间以及面部和箭头之间是不可或缺的。在实验2中,我们使用了100%的“反预测性”提示;也就是说,目标总是发生在与凝视或箭头方向相反的一侧。具有没有固有定向含义(颜色)的线索,我们控制了一般学习效果。尽管在实验1中观察到的非预测性目光与非预测性箭头提示之间的定量匹配,但反预测箭头比中性提示的反应时间益处比对反预测性目光的相应益处更强大。这种差异可能具有实际相关性,例如,在人机相互作用的背景下设计提示时。这表明 - 如果符合其固有方向的功效,则与箭头更难覆盖或重新解释。
痴呆症会使糖尿病更难控制。记忆问题可能意味着人们忘记自己注射过胰岛素或忘记吃饭。它还会使人们更难意识到自己的血糖水平低。与医生、糖尿病专科护士 (DSN) 或营养师讨论患者的痴呆症症状以及控制糖尿病的方法。有关更多信息,请参阅第 20 页“其他有用组织”中的英国糖尿病协会。