当人工智能遇上费曼( 二 )

所以，这样看来，以后的机器并不会像人一样思考。对于智能来说，情况是完全一样的，例如他们不会像我们做算术那样做算术，但他们会做得更好。
超人弱人工智能
作为在进行智力任务时人造机器强于自然进化器官的例子，费曼接下来描述了超人弱人工智能（Superhuman Narrow AI）——例如计算器——和人脑之间的区别：
理查德·费曼
让我们讨论一些非常基础的数学--算术。计算器的算术比任何人都好。他们速度更快，虽然计算方法不同，但是结果是一样的，因为最终得到的数字是相等的，对吧？这是一个很好的例子。
我们永远不会改变他们做算术的方式，让它更像人类。因为那是一种倒退。人类所做的算术是缓慢的，繁琐的，混乱的，充满错误的。
如果把机器可以做的事情和人类相对比，我们发现以下相当有趣的事：如果我给人类一串数字， 1 ， 7 ， 3 ， 9 ， 2 ， 6 ， 5 ， 8 ， 3 ， 1 ， 7 ， 2 ， 6 ， 3 ，让他马上把数字串的顺序反过来，或者更简单的，直接复述这串数字，所有人都能做到吗？答案是否定的，这还只是数字长度不超过20的情形。但是你可以给一台计算机5万个这样的数字，然后要求它按任何方式重新排序，或者将所有数字的总和，用它们做不同的事情，等等。计算机会长时间记得这些数字。所以有些事情电脑比人做得好得多。
关于模式识别的问题
在下面的内容中， Feynman越来越接近于描述后来通过有监督的机器学习解决的问题，即大数据集的模式识别：
理查德·费曼
人类总是试图找到这样一件事，那就是他们能比电脑做得更好的事。我们知道了在很多事情上，人类可以比机器做得更好。例如，一位女士走在街上，边走边扭动身体，你可以认出那就是简，对吧？或者，有个人走了过去，你看不清他的脸，但他的后脑勺很有特点，你可以认出那人是杰克，对吧？识别事物，识别模式，我们似乎还无法通过程序来实现这样功能。你会说， “我有一个很好的认出杰克的程序。只要拍很多杰克的照片就行了”--顺便说一下，用这种方法可以把一张照片放到电脑里，如果对这张照片的描述再细一点的话，我就可以分辨出它在不同的地方是黑或白的。你应该知道，实际上报纸上的照片是由黑白点组成的，如果你将照片印得足够好，那就看不到这些点。所以，有了足够的信息，我可以把照片载入，这样你就可以把杰克在不同情况下的所有照片放进来，然后会有一台机器来进行比较。
权衡偏差与方差
Feynman接着从本质上解决了数据训练集的方差问题，因此也隐式地解决了所谓的权衡偏差与方差的问题。在统计学和机器学习中，偏差-方差权衡是一组预测模型的性质，参数估计中偏差较低的模型，在样本之间的参数估计中方差就会偏高，反之亦然。偏差-方差困境描述了一个优化问题面临的问题，在这个优化问题中，人们试图同时将学习算法中错误假设产生的偏差和训练集里从灵敏度到小波动的方差最小化。
理查德·费曼
问题是，实际操作中新照片会带来新情况。光线不同，距离不同，头部倾斜也不同，你需要让机器可以识别所有这些变化。解决问题变得非常复杂，以至于即使有存储量巨大和计算速度飞快的大型机器，我们也无法编写一个可以应对所有情况的程序。所以，目前机器很难识别事物，但有些事情是一个人一瞬间就可以完成的。所以，有些事情人类可以做，但我们不知道如何让归档系统也能做到同样的事。这就是识别面临的问题。
这让我想到需要有识别复杂事物能力的文书职员们。举个例子，在指纹鉴定部门的员工要观察指纹并进行仔细比对，看看这些指纹是否匹配。对于一台计算机而言，这件事情虽然很难做，却是有可能完成的。