创造人工智能

(英语).

由于我的研究,我不再用“人工智能”这一短语来形容自己太模糊,而出现了另一种提法:一种自学、研究和应用发现的解决任何可能问题的结果的算法。

何谓人工智能, 我以另一种方式提出这个问题,不是“大赦国际是什么”,而是“为什么大赦国际需要?” 我需要它来赚很多钱,然后我需要电脑来做我不想为我做的一切,然后造一艘太空船并飞向星星.

我在这里将描述如何让计算机实现我们的愿望。 如果你期待在这里看到一个描述或提及意识如何工作,自我意识是什么,思考或理性意味着什么,那么情况并非如此. 思考不是关于计算机的。 计算机计算,计算和执行程序. 因此,我们将思考如何制作一个程序,可以计算实现我们愿望的必要行动序列.

我们的任务以什么形式进入计算机 - 通过键盘, 通过麦克风,或从植入大脑的传感器 - 它不重要,它是次要的。 如果我们能让计算机实现文本中写下的愿望,那么我们就可以要求计算机制作一个同样实现这些愿望的程序,但是通过麦克风. 图像分析也是多余的。

认为为了让AI识别图像和声音,这种算法必须首先融入其中,就像说每个创建它们的人从一开始就知道这种程序是如何运作的。

这里的轴:
一、导 言 世界上的一切可以按照一些规则来计算.
(将讨论数量不确定性和不准确性。 )
2. 国家 根据规则进行的计算是对初始数据结果的明确依赖。
3个 从统计学上可以找到任何明确的依赖。
现在要求:
4个 将文本描述转换成规则有其功能,这样你不需要搜索早已找到的知识.
5.五. 将任务转化为解决办法(这就是实现我们的愿望)是一种功能。
6个 预测任意数据的规则包括所有其他规则和功能.

让我们把这译为编程语言:
一、导 言 世界上的一切都可以通过算法计算.
2. 国家 算法在重复原始数据时总是给出相同的结果.
3个 如果初始数据及其结果有许多例子,有无限的搜索时间,那么就可以找到执行初始数据和结果的这种依赖性的所有许多可能的算法.
4个 有将文本描述转换为算法(或任何其他信息数据)的算法,这样如果有人已经找到并描述过,就不会从统计学上搜索所需的算法.
5.五. 有可能建立一个能够满足我们愿望的程序,无论是在文字上还是在语音上,只要这些愿望在实际中并在规定的时间框架内得到实现。
6个 如果你能创建一个能够预测和学习如何在新数据到达时预测的程序,那么在无限时间之后,这样的程序将包含我们世界上所有可能的算法. 在没有无限时间实际使用和出现一些错误的情况下,它可能被迫执行程序索赔5的算法或任何其他的算法.

还有 IMHO:
7个 除了寻找规则和在预测时进行统计检查之外,没有其他完全独立和独立于一个人学习的方法。 你只需要学会如何使用这个地盘。 这是我们大脑工作的原则。

怎样预测? 在人脑中,从出生开始,从眼睛,耳朵,触觉等开始流动信息. 所有决定都是根据以前收到的数据作出的。 通过类推,我们制作一个程序,以一个字节输入新信息——输入字节流. 之前出现的一切都作为单列表列出. 将从0到255个外部信息接收,超过255个将用作特殊控制标记. 也就是说,输入允许您写一个数字的 0xFFFF 维度。 而正是这种流动,或者说下一个附加的信息量, 你需要学习预测,基于之前的数据。 也就是说,程序应该尝试猜测下一个数字会增加什么.

当然,可以有其他的选项来提供数据, 但是为了在入口处收到各种格式时, 我们只是把各种html填充, 一开始,这是最好的。 虽然为了优化目的,标记可以被escap序列所取代,但解释它们不太方便. (同样,让我们说,一切都是在ASCII,而不是UTF。)

所以,首先,和出生时一样, 我们把所有的网页 都排成一行, 并用新文本的标记来分享, “新Page” 这样这个黑匣子就能学到一切。 经过一定数量的数据后,我们开始使用控制标记来操纵收到的信息.

通过预测,我是指一个不仅知道什么模式已经存在,而且不断寻找新模式的算法。 因此,如果你给这样的程序发送序列
< beg>sky蓝色>
< beg>草本绿色
< beg> 上限
,然后他必须明白标记的"ans"跟随了来自之前指定的对象的颜色,在椭圆形的位置会预测天花板最可能的颜色.

我们向他重复了几个例子,以便他了解哪些功能适用于这些标记。 而颜色本身,当然,他不应该发明,而是应该通过研究预测的规律来独立地知道.

当需要算法来响应时,对前一步的预测会反馈到下一步的输入中. 键入自定义(类似于自定义词).

另一个选择是在第一个标记之后提出一个问题,然后是第二个答案,然后如果这个算法是超级-mega-cool,它应该开始给甚至最困难的问题答案. 同样,在已经研究过的事实范围内。

您仍然可以想出许多不同的技巧, 将控制标记输入到预测机制的输入中, 并获得任何想要的功能。 特别是,它可以与q学习算法交叉,并获得控制任何机制所必需的指令序列. 我们稍后会回到控制标记。

这个黑匣子是什么做的? 首先,值得一提的是,不可能在各种情况下都作出100%的预测。 另一方面,如果结果总是数零,那么这个预测是相同的. 带有绝对误差范围. 现在让我们用概率、数字、数字来计算。 对于每个数字,以下是最可能的. 所以我们可以预测一下。 这是漫长旅程的第一步。

根据算法对结果的初始数据进行毫不含糊的显示,这符合词函数的数学定义,只是算法的定义并没有给输入和输出数据的数量和位置带来确定性. 例如,让一个小牌匾:物体-颜色,它会带来许多线条:天蓝色,草绿色,天花板-白色. 这变成了一个小型的本地独有的显示功能. 而实际上颜色不同并不罕见, 而任何包含某个事物的记忆属性的数据库都是一组函数,并按其属性显示对象标识符.

为了简单起见,在很多情况下,更进一步地说,我将使用术语函数,而不是术语算法,如一参数,除非另有说明. 所有这些参考文献,你必须考虑对算法的扩展性。

我将作一个堪称楷模的描述,因为实际上,我现在就执行所有这一切。 但是这很合理 还应指出的是,所有计算都是用系数进行的,而不是用真假进行.

任何算法,特别是在整数上运行的算法,都可以细分为多个条件和它们之间的过渡. 添加,乘法等操作也分解为条件和过渡的多理论. 和结果操作员。 这不是一个返回操作员。 条件的操作者从某个地方取一个值,并将其比作常数. 结果操作员把一个恒值放在某个地方。 取或折的位置相对于算法的基点或前几个步骤来计算.

struct t_node { int type; // 0 是一个条件, 1 是由 { struct {/ 操作员} 状态 t_node * source_get; t_value * compare_value; t_node * next_if_then; t_node * next_if_else;}; struct {/ 操作员,结果 t_node * dest_set; t_value * result_value;} ; ; 脱钩之类. 从这些元素中,算法是构建的.

每个预测点由一个函数计算. 测试该功能是否适用于此点的函数附加了一个条件. 常见的耦合返回,要么是谎言不适用,要么是函数计算的结果. 而连续流预测是测试所有已经发明的函数是否适用性及其计算,如果是真实的. 所以,对于每一点。

除适用外,还有距离. 在初始数据与结果之间,这个距离是不同的,根据条件,功能相同. (从条件到初始或预测的距离相同,将隐含,但在解释中省略. )

随着大量功能的积累,测试这些功能适用性的条件数量将会增加. 但是,在许多情况下,这些条件可以以树的形式排列,许多功能的切除会按照对数依赖的比例发生.

当对函数进行初始创建和测量时,而不是结果操作者,则累积实际结果的分布. 统计积累后,分布被最可能的结果所取代,功能前有条件,以及测试结果最大概率的条件.

这是在寻找单一相关的事实。 积累了很多这样的单曲,我们尝试将它们组合成组. 我们审视一般状况和从初始值到结果的总距离。 我们还检查,在这种条件下和距离,在其他重复初始值的情况下,结果没有广泛分布。 也就是说,在已知的频繁使用中,它高度相同。

身份系数。 (此处为双向身份. 但它往往是单向的. 我待会再考虑这个公式
每对XY的编号在一个正方形中加.
除以:X的每个值的平方数量之和加上平方Y减去可分量之和。
即SUM(XY^2)/(SUM(X^2)+SUM(Y^2)-SUM(XY^2).
此比率为0比1.

并由此而生诸事. 我们从高频事实中看到,在这些条件和距离下,这些事实是毫不含糊的。 而剩下的罕见的——但总的来讲将比频繁的多得多——与这些条件下经常发生的事实有相同的错误. 也就是说,我们可以在这些条件下根据孤立的事实积累一个预测基础。

应有知识库. 天空常常是蓝色的, 热带的狗屎 某处看到它是灰色的波罗树莓。 记住,因为我们检查了规则 - 这是可靠的。 而原理并不取决于语言,无论是汉语还是外来语. 后来,在理解翻译规则之后,你可以理解一个功能可以从不同的语言组装出来.

此外,通过列举规则,我们发现在其他安排和条件下,出现了前一种身份。 而现在我们不需要获得一个大的基础来确认身份, 只需输入十几个个体的事实就足够了, 并且看到在这十个中, 映射的发生值与以前的函数相同。 也就是说,在其他条件下也使用同样的功能. 这种属性形式在描述中可以用不同的表达方式描述相同的属性. 有时它们被简单地列在互联网网页的表格中。 此外,可以收集这一职能的事实,供若干案件使用。

函数方面可能存在不同条件和位置的积累,您也可以尝试在它们上找到规律. 采样规则对于不同的功能是相似的,不很少见的,只有某些特征(例如,表内的识别财产的单词或标题)不同.

一般来说,我们发现了一堆单参数函数. 现在,正如将单一事实形成一个参数一样,让我们也在此尝试将一个参数的条件和部分距离加以分组。 常见的部分是一个新条件,不同的是新函数的第二个参数——双参数,其中第一个参数将是一参数.

事实证明,在多参数法中,每个新参数的线性与单一事实形成一个参数(well,几乎相同)相同. 即发现N参数与N成正比. 在寻找许多参数的过程中 几乎变成了神经网格 (谁想听谁就会听懂)

转换功能.

当然,当我们得到许多相应的例子时,例如,从俄文翻译成英文的小型文本,那就太好了。 你可以开始寻找它们之间的规律。 但是在现实中,它都混入了信息输入流中.

于是我们采取了一种功能,我们找到了数据之间的路径。 二释三. 现在我们看看能不能在它们中找到一个共同的部分。 尝试找到X-P1-(P2)-P3-Y结构. 然后,找到其他类似的结构,类似X-P1和P3-Y,但不同的P2. 然后我们可以得出这样的结论,我们处理的是一个具有依赖性的复杂结构. 一组发现的规则,减去中间部分,组合成组并称为转换函数. 因此,形成了翻译、汇编和其他复杂的实体。

取一份带有俄文文本的表单,并将其翻译成不熟悉的语言。 如果没有教程,很难从这些表里找到对翻译规则的理解。 但是这是可能的。 和你一样, 你需要把它变成一个搜索算法。

当我明白简单的功能, 然后我会继续堵塞转换搜索, 直到草图出现, 和理解这也是可能的。

除了对函数进行统计搜索之外,还可以通过将函数转化为规则,从描述中形成函数. 在教科书中可以找到大量关于这种功能的初步搜索的例子——描述与这些描述中的实例所适用的规则之间的相互关系。 也就是说,发现搜索算法应该同样看到源数据以及对其适用的规则,即所有东西都应该放在一种同质的数据图中. 从同一原则出发,只能找到相反的规则将内部规则反向转换为外部描述或外部程序. 除了了解系统所了解的和它所不知道的以外,你可以在要求答案之前先问系统是否知道答案——是还是否.

我所讲的功能 不仅仅是你找到的一个算法, 而是由一系列其他功能组成。 例如,我粗略地描述了一时的预测词和短语。 但是,要得到只对一个符号的预测,你需要把这个字符的功能应用到这个短语上.

另外,概率评估还受到不同函数中一组的重复性影响——它会形成类型(仍然要考虑如何使用).

还应提及的是,没有几套真实世界的套件,不是网页,是命令的,可能是连续的,或带有套件的其他特性,这在某种程度上改善了概率计算。

除了直接衡量在实例上发现的规则外,我还假设存在其他的评价方法,例如规则分类器. 或者这些分类者的分类者。

更细微. 预测包括两个级别。 发现规则的级别和寻找新规则的级别. 但是,寻找新的规则本质上与自己的标准相同. 我毫不怀疑,这可能更容易。 需要的是一个零关卡,它将寻找各种可能的搜索算法,这反过来将创造最终规则. 也可能是多层次的复发或分形.

回到控制标记。 由于这些关于算法的争论,结果发现,通过这些争论,我们要求这个黑匣子继续序列,并对由相似性决定的函数进行计算. 就像以前那样

另一种方法是通过定义界定这一机制的功能。 例如:
翻译为英文 table
回答问题的 天空的颜色蓝色
为TK创建程序我想要人工智能.

还有很多其他的用例 我甚至不想在算法建立之前再去思考,

总的来说,最后的生产说明尚未提供。 关于算法本身和使用(以及文本的多变性)的问题很多. 随着时间的推移,我将进一步完善和详细描述。

有人会说,野蛮的力量 寻找任何模式会太长。 与此相反,一个孩子学习了几年的演讲. 几年内我们有多少选择? 发现和准备的规则应用得很快,对于计算机来说比人类要快得多. 但寻找新东西的时间很长, 但电脑是否比一个人长, 我们不会知道,直到我们做了这样的算法。 另外,请注意,野蛮势力是完全平行的,有数百万爱好者会为此打开自己的个人电脑。 结果发现这几年仍然可以分为一百万. 而其他计算机发现的规则会立刻被研究,这与人类的类似过程不同.

其他人则认为大脑拥有数十亿的平行细胞. 那么问题是,这些亿万在尝试学习没有教科书的外语时,如何使用? 一个人将长时间坐在打印台上,写出相关的文字。 同时,一台计算机会在一分秒内用包进行.

图像分析 – 移动十几颗台球并计算出将有多少碰撞. 还有两打三... 那数十亿个细胞呢? 一般来说,大脑速度和多平行性是一个非常有争议的问题.

预测执行的另一个方向是使用反复出现的神经网络(例如埃尔曼网络)。 在这个方向上,你不需要考虑预测的性质,但有许多困难和细微差别. 但是,如果这个方向得到实施,那么其余的用途保持不变.

当我试图重新编程时, 我会更详细地了解算法。 如果有人有兴趣讨论这个方向,或者可能出现联合执行,您可以亲自或通过邮寄写作.

和PS:别问我抽什么. 你最好提供自己的选择。

资料来源:croketimes.ru/post/247572/