“足够大的神经网络当然无所不能！”
[美] 斯蒂芬 • 沃尔弗拉姆（Stephen Wolfram）
该思维导图由 AI 生成，仅供参考
ChatGPT 的能力令人印象深刻，以至于人们可能会想象，如果能够在此基础上继续努力，训练出越来越大的神经网络，那么它们最终将“无所不能”。对于那些容易被人类思维理解的事物，这确实很可能是成立的。但我们从科学在过去几百年间的发展中得出的教训是，有些事物虽然可以通过形式化的过程来弄清楚，但并不容易立即为人类思维所理解。
非平凡的数学就是一个很好的例子，但实际而言，一般的例子是计算。最终的问题是计算不可约性。有些计算虽然可能需要很多步才能完成，但实际上可以“简化”为相当直接的东西。但计算不可约性的发现意味着这并不总是有效的。对于一些过程（可能像下面的例子一样），无论如何都必须回溯每个计算步骤才能弄清楚发生了什么。
我们通常用大脑做的那类事情，大概是为了避免计算不可约性而特意选择的。在大脑中进行数学运算需要特殊的努力。而且在实践中，仅凭大脑几乎无法“想透”任何非平凡程序的操作步骤。
当然，我们可以用计算机来做这些。有了计算机，就可以轻松地完成耗时很长、计算不可约的任务。关键是，完成这些任务一般来说没有捷径可走。
是的，我们可以记住在某个特定计算系统中发生的事情的许多具体例子，也许甚至可以看到一些（计算可约的）模式，使我们能够做一些泛化。但关键是，计算不可约性意味着我们永远不能保证意外不会发生—只有通过明确的计算，才能知道在任何特定的情况下会实际发生什么。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
“大的神经网络当然无所不能！”这篇文章探讨了神经网络的能力和局限性。作者指出，尽管像ChatGPT这样的大型神经网络在某些方面表现出色，但在处理非平凡的数学和计算问题时，仍存在计算不可约性的挑战。文章强调了学习能力和计算不可约性之间的矛盾，以及神经网络在处理复杂计算任务时的局限性。作者还提到了工程学和现代技术世界对数学计算的依赖，以及神经网络在模拟自然界中不可约计算方面的局限性。总的来说，文章强调了神经网络的能力和可训练性之间的权衡，以及在处理复杂计算问题时的挑战。 这篇文章深入探讨了神经网络的技术特点，强调了其在处理复杂计算任务时的局限性，对读者有助于了解神经网络的能力和局限性，以及在处理复杂计算问题时的挑战。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《这就是 ChatGPT》
《这就是 ChatGPT》
立即购买
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论