153 深度学习155（1 / 2）

深度学习是以模拟人类神经网络为基础，当神经网络具有数百万个单位和数十亿个连接时，悲观主义者认为深度学习系统是“黑匣子”，我们未来没办法理解和操控人工智能，技术层面无法完全理解它的工作原理，从而无法掌控它。

但是，从当前来看，人工智能系统每天做出数万亿个决策，其中大多数都与查找、分类和过滤信息以及一些分析类的应用程序有关，例如应用于照片和视频的效果。

（以下皆为个人观点，不喜勿喷）

并且，在当下，人工智能还没有产生意识的可能性。

意识是一个很难讨论的话题，我们不知道如何衡量和定义它。

它与自我意识混淆在了一起，同时，意识被认为是动物存在更高维度智力的标志。

在镜子中认出自己的大象和黑猩猩已经具有自我意识，而狗不行。

个人认为意识是一种幻觉，它似乎在许多聪明的动物身上存在。

人类的意识与注意力息息相关，当面对特殊情况时，我们将注意力集中于此，此时我们会非常专注。

当我们玩益智游戏时、准备新的烹饪食谱时、参加辩论时，我们的注意力将毫不犹豫地集中在这个不寻常的复杂任务上。

它迫使我们开启“世界模型”以规划下一步行动。

毫无疑问，未来的智能机器极有可能会具备某种形式的意识。

也许其与人类的不同，它们可以同时专注于多项任务。

但它也可能是无法培养意图或发展意识的。

安托万·博兹总结道：“我们甚至没有配方的原料去制造一台既能够制定战略，又对世界有敏锐了解的真正智能机器。如今我们还缺乏一些基础概念。”

这种因为种种技术或者其余元素造成的使用但是并没有深入了解其运行机制的系统是一种常见的现象。

许多常用药物都是通过反复试错获得的，而我们对其作用机制了解甚少。

比如，我们熟悉的且在日常生活中不可被替代的阿司匹林是有史以来使用最广泛的药物，它于1897年首次被合成，可是直到1971年我们才明确其作用机制。

如今，即便是最先进的人工智能系统也存在局限性，也许它们还不如一只猫聪明。

目前，大多数科学家都承认大脑是一种“特殊的”生物机器的概念。

大脑内的神经元对输入的电信号做出反应，根据从上游神经元接收到的信息计算是否产生电脉冲信号、动作电位或放电脉冲，并将其发送给所有下游神经元。

这虽然是一种十分基本的机制。但是，通过结合数十亿个相对简单的神经元的活动，我们便获得了思想。

虽然我们已经了解了大脑学习的原理，知道了大脑的结构，但重现其功能所需的计算量是无比巨大的，大约是每秒1.5×1018量级的操作。

现在一块GPU每秒可执行1013次计算，功耗约为250瓦。

为了达到人脑的计算能力，必须将10万个这样的处理器连接上功耗至少25兆瓦的巨型计算机才能实现。

但是这巨大的能量消耗是人脑的100万倍！

因此，深度学习的能力十分强大却又十分有限。