近期以來，由於對人工智慧的好奇，學習了不少關於人工智慧的知識。但是無論學習什麼都發現當前與人工智慧有關的演算法確實不能做到與人腦相提並論的那種對萬物都能適應般的「通配性」。
雖然人工智慧能在某些領域確實是有著能夠超越人類的能力，但是這種能力脫離了具體的環境就發揮不出作用了。就拿在人工智慧中廣泛運用的影象識別來說，雖然能夠經過訓練後識別某一類的物體，但是訓練之後的模型並不能具有「通用」的這一特徵，看似並不礙事，但這點卻至關重要，甚至關乎於為啥現如今人工智慧無法模擬人腦智慧型。換句話來說，由現在的人工智慧演算法訓練之後的模型，對於輸入資料具有嚴格要求，甚至於讓顛倒一下，原來能識別的物體，顛倒後就識別不出來了。更別說讓輸入的大小隨意更改後還能識別出具體的目標。
上述的話如果沒有接觸過影象識別的人來說有點難以理解，沒關係，下面用乙個更加通俗的例子來更好地理解這一過程。
如果現在有一堆沒有排序好的資料，那麼我想訓練乙個模型，來讓這個模型能夠實現輸出從小到大排序輸出資料（資料中只包含0-10，為啥不是任意數下面會解釋）的這一功能的話，那麼當前人工智慧訓練模型的方法一般是如下：
先拿乙個沒有排序好的資料集作為一組訓練集
【1,3,2】，【4,2,1】，【6,3,2】，【5,2,1】，【2,6,7】，....... 這樣的資料等等n項作為訓練集
現在到這裡，可以看到訓練集輸入的輸入全部都是乙個統一的大小，即數列的長度必須為3，這就是當前一般的人工智慧演算法存在的第乙個問題，如果有乙個訓練集的大小不符合要求，那麼這個資料就沒辦法輸入到模型的訓練裡面。
為了發展當前的人工智慧演算法，首先需要解決第乙個問題就是解決輸入資料大小的問題。
到了這裡，只有一組訓練集還沒辦法訓練模型，因為僅僅憑訓練集資料，人工智慧是不知道從小到大排序是什麼。因此我們還要給出對應訓練集從小到大排序好的資料
【1,2,3】，【1,2,4】，【2,3,6】，【1,2,5】，【2,6,7】，........等等n項對應訓練集的從小到大排序好的資料
有了訓練集資料和排序好的資料之後，我們就能訓練出來這個能夠輸入資料長度為3 資料只包含0-10，後能輸出從小到大排序還不一定準確的模型了。有了這個模型後，小明興高采烈地將其拷貝回家等有機會的時候使用。
有一天，小明想突然利用這個模型輸出乙個從小到大排序好的陣列，但是，他不小心輸入了其中有乙個數範圍不在0-10的陣列【0,11,8】
結果模型返回給他的陣列是【0,8,10】 他很納悶為啥他輸入的數中沒有10，但是為啥模型返回給他個10呢
這裡又發現了當前一般的人工智慧演算法的另乙個問題了，輸出的資料只能從訓練資料裡面的資料給出而不能給出乙個通配的解。
得到了這個模型之後，發現他的排序功能實在是太弱了，還不如直接自己編寫乙個排序來的痛快一些，即快還沒有大小限制。
所以，為了發展當前的人工智慧演算法，需要解決的另乙個問題是給出答案的通配解而不是具體值。
所以換個思路，我們再來重新乙個從小到大排序函式，這次，我們利用函式擬合而不是現如今人工智慧之一的訓練方式，（雖然神經網路的本質就是函式擬合）。
依舊還是上述的資料，訓練值作為函式的x值，排序好的資料作為函式的因變數，
就有如下的排序函式f(x1,y1,z1)=(min(x1,y1,z1),middle(x1,y1,z1),max(x1,y1,z1))
這次小明重新輸入【0,11,8】，得到的輸出資料是【0,8,11】，排序好的資料，這樣就解決了第二個問題了。這是之前的乙個實現過程：計算機語言函式提取演算法
雖然現在得到了能排序3個整數的通配函式了，但是如果更換資料的長度，依舊還是無法排序。例如【1,2,4,3】，此時函式能夠輸入的位置只有3個，而需要我們輸入的數列大小有4個就無法代入函式中了。
函式僅僅只是模擬資料的規律，卻沒理解這些資料之中存在的本質問題。
但在我們人腦看來，（這裡只說在一般而言可以接受的長度，無論如何我們理解了如何排序的這一規律）資料長度對我們解決排序基本沒有影響，我能知道排序的規律，我們了解排序的本質，因而長度對我們排序的過程沒有影響。
而第乙個問題，大小改變後無法代入訓練過程的問題，也就是當前人工智慧只是模擬而不知道具體的本質是什麼的問題。
最近我花了很長的時間，想讓其能提取從小到大排序任意長度任意數的函式，但均以失敗告終。是否函式也存在某種侷限呢？
如何才能讓當前的人工智慧理解問題的本質呢，如何訓練出來模型後，讓這個模型在任意場景都能使用的問題。如何讓其能理解問題的本質呢？
人工智慧的發展 人工智慧技術的發展歷程
人工智慧最遠是可以追溯到古埃及，可是在1941年以來，電子計算取得了很好的發展，可以說技術已經創造出來機器智慧型。對於人工智慧，在1956年的dartmouth學會上就被提出來了，這件事以後，研究者們又發展了更多的理論或者是原理，因此人工智慧的概念也變得越大了，在人工智慧這不算很長的歷史中，人工智慧...
人工智慧發展及其倫理問題思考
摘要 近年來，隨著人工智慧相關技術的快速發展，大量的ai應用湧現，從教育 醫療 養老 交通到製造業 物流等領域，大量的應用取得顯著效果。在享受人工智慧技術發展帶來的各種福祉的同時，我們也注意到，圍繞人工智慧產生的倫理問題也越來越突出，成為全社會關注的焦點。如何規避人工智慧帶來的倫理問題，已經成為人工...
人工智慧發展的看法
說起ai，算是一次技術上的變革和突破，為人們解決很多在以前不易解決的問題，提供了新的思路和方法，比如影象識別 分類等等。個人認為，ai最大的價值就在於此，ai始終還是作為人的工具，為人服務的。自從ai火了以後，不僅大公司跟進ai的應用落地，各大學校的也快速響應，開設了相關的專業以及研究方向。目前ai...