80电影天堂网,欢乐斗地主经典老版,精品人妻无码一区二区三区三级,中国xxxxxl19免费视频

　　

       形式和功能

　　
　　神經網絡是運行在計算機上的軟件，人工智能的“神經元”沒有物理實體。它們以位數和字符串的形式編碼在硬盤或硅芯片上，它們的物理結構和真正的神經元一點也不像。相反，在人腦中形式和功能是同時存在的。
　　
　　大小
　　
　　人類大腦大約有1000億個神經元，目前的神經網絡通常有幾百個左右。
　　
　　連接
　　
　　在神經網絡中，每一層通常與上一層和下一層完全連接。但人腦并沒有所謂的層，相反，它依賴于許多預定義的結構。并不是人類大腦的所有區域都是同樣連接的，區域是專門用于特定目的的。
　　
　　能量消耗
　　
　　人腦在能量消耗方面，比現存的任何人工智能都更為節能。人腦大約耗費20瓦能量，這與現在標準筆記本電腦耗費的差不多。但有了這些能量，大腦處理的神經元數量多一百萬倍。
　　
　　體系
　　
　　在神經網絡中，這些層是整齊有序的一個接一個地處理。而另一方面，人腦會進行很多并行處理，沒有任何特定的順序。
　　
　　激活狀態
　　
　　在人腦中，神經元要么是激活狀態，要么非激活狀態。在神經網絡中，激活是由連續值模擬的。因此人造神經元可以平穩地從上到下運行，這是人腦做不到的。
　　
　　速度
　　
　　人類的大腦比任何人工智能系統都要慢得多。一臺標準計算機每秒執行大約100億次操作。另一方面，人的神經元激活頻率為每秒最多一千次。
　　
　　學習方式
　　
　　神經網絡通過輸出來學習。如果根據損失函數，這個輸出是低性能的。然后，網絡通過改變神經元的權重和它們之間的連接做出反應。沒有人知道人類學習的細節，但肯定不是這樣的。
　　
　　結構
　　
　　神經網絡每次都是從零開始的。而人腦呢？很多結構已經連接到它的連接處，而且利用的模型，這在進化過程中被證明是有用的。
　　
　　精度
　　
　　人腦的干擾因素更多，而且不如計算機上運行的神經網絡精確。這意味著大腦基本上不能運行與神經網絡相同的學習機制，它可能使用完全不同的機制。
　　
　　這些差異的結果是，如今的人工智能需要大量的訓練，需要大量精心準備的數據。這與人腦的運行方式是很不一樣的。
　　
　　局限性
　　
　　神經網絡不會建立世界中模型，相反它們會學習對模式進行分類。這種模式識別只需要很小的變化就會失敗。
　　
　　一個著名的例子是，你給圖片添加少量影響因素，這些因素小到肉眼無法識別。但人工智能系統可能會被騙，錯認為物品A認為是物品B。
　　
　　目前，神經網絡也不善于從它們所學習的情況推廣到另一種情況。
　　
　　它們的成功很大程度上取決于定義正確的“損失函數”。如果你沒有謹慎思考損失函數，你最終會優化你不想要的東西。比如本被訓練以恒定的高速行駛的自動駕駛汽車，很可能變成只會原地旋轉。
　　
　　但是神經網絡擅長于一些內容。比如對圖像進行分類，或者推斷出沒有明顯趨勢的數據。