读书有感
posted on Aug. 4, 2024, 3:24 p.m. by wangyang thanks 我来翻 百度百科 0
为学日益
为道日损
损之又损
以至于无为
无为而无不为
为学日益
为道日损
损之又损
以至于无为
无为而无不为
Red Delicious Apple = 红 地里蛇 果 = 红色好吃的苹果 = 蛇果
身体好
不负责
即是青春
门头沟,河北涿州,天津
无人关心
剩下一地鸡毛
立贴为证:AI的发展趋势
1. 关联推理(seeing,观察):识别数据中的模式、相关性和统计关系的能力。
2. 干预推理(doing,干预):理解变量干预如何影响结果,从而能够做出决策和制定政策。
3. 反事实推理(imagining,想象):推理虚拟或替代场景的能力,使AI系统能够分析不同行动或决策的潜在后果。
4. 元因果推理(reflecting,反思):理解底层因果结构的能力,使AI系统能够根据新信息或变化的问题要求进行调整和优化其因果模型。
5. 社会性因果推理(collaborating,协作):理解、预测和影响来自多智能体交互的因果关系的能力,使AI系统能够参与团体决策并在复杂的多智能体环境中导航。
6. 跨领域因果推理(generalizing,泛化):将因果知识转移并应用于不同领域的能力,使AI系统能够快速适应新情境并在各种背景下泛化其对因果关系的理解。
7. 演化因果推理(adapting,适应):理解和预测系统随着时间的演化和适应的因果机制的能力,使AI系统能够预测长期变化、新兴趋势并在复杂系统中进行战略干预。
8. 跨模态因果推理(synthesizing,综合):整合和推理来自多个来源和模式的因果信息的能力,使AI系统能够综合不同数据类型的信息并创建更全面和稳健的因果模型。
9. 有意识的因果推理(self-awareness,自我意识):AI系统意识到自己的存在、行为和在世界中存在的因果影响的能力。这种自我意识使AI系统能够评估和修改其目标、价值和决策过程,以应对不断变化的情况。