更徹底的“剽竊”是一種叫做“全腦模擬”的策略：將真實的大腦切成薄片 ， 逐層掃描 ， 用軟件重建一個精確的三維模型 ， 然后在一個功能強(qiáng)大的計算機(jī)上實現(xiàn)該模型 。 于是我們就有了一臺計算機(jī) ， 它能處理大腦所能處理的一切 ， 只需要學(xué)習(xí)和收集信息 。 如果工程師們做得足夠好 ， 就能精確地模擬真實的大腦 。 整個大腦結(jié)構(gòu)一旦上傳成功 ， 個性和記憶都會完好無損 。 如果大腦生前屬于小明 ， 那么電腦現(xiàn)在會像小明一樣醒來 。 這將是一個強(qiáng)大的人類級人工智能 ， 我們接下來可以嘗試把小明變成一個超級人工智能 ， 他想必會非常興奮吧 。
我們離實現(xiàn)全腦模擬還有多遠(yuǎn)？人們已經(jīng)模擬出了一個1毫米長的扁蟲大腦 。 它只有302個神經(jīng)元 ， 而人類的大腦有1000億個 。 如果這些數(shù)字讓你失去信心的話 ， 別忘了指數(shù)級進(jìn)步的力量 ， 現(xiàn)在我們已經(jīng)征服了小蟲子的大腦 ， 可能很快就能造出一只螞蟻的大腦 ， 然后是一只老鼠的大腦 ， 到時候 ， 這一切看起來就沒那么遙遠(yuǎn)了 。
2）按我們想要的方式 ， 再來一次進(jìn)化
如果聰明孩子的答案抄也抄不完 ， 我們可以試著模仿他的學(xué)習(xí)方式 。 如果大腦太難模擬 ， 我們可以模擬進(jìn)化 。
事實上 ， 即使我們模擬出大腦 ， 可能也會像模仿鳥類扇動翅膀來造飛機(jī)一樣 。 機(jī)器的設(shè)計最好采用一種全新的、面向機(jī)器的方法 ， 而不是完全模仿生物 。
如何模擬進(jìn)化？人們想出了“遺傳算法”：對一個計算機(jī)系統(tǒng)反復(fù)執(zhí)行表現(xiàn)-評估過程（就像生物通過生存來“表現(xiàn)” ， 并通過它們是否能夠繁殖來“評估”一樣） 。 一組計算機(jī)嘗試執(zhí)行任務(wù) ， 最成功的計算機(jī)得以培育后代：把各自程序的一半合并到一臺新計算機(jī)中 。 相對不那么成功的將被淘汰 。 經(jīng)過多次迭代 ， 這種自然選擇過程將產(chǎn)生越來越好的計算機(jī) 。 若是創(chuàng)造一個自動化的評估和繁殖周期 ， 進(jìn)化過程就可以自己運行起來了 。
進(jìn)化論的缺點是 ， 動不動就花上10億年的時間 ， 而我們希望在幾十年內(nèi)做到這一點 。 好在我們與進(jìn)化論相比有更多優(yōu)勢 。
第一 ， 進(jìn)化沒有先見之明 ， 它會隨機(jī)產(chǎn)生很多無用的突變；而我們會控制這一過程 ， 設(shè)計有針對性的小故障來實施自然選擇 。
第二 ， 進(jìn)化沒有任何特定目的 ， 包括智力 。 有時一個環(huán)境甚至可能會淘汰更高的智力（因為它太費糧）；而我們可以將這一進(jìn)化過程導(dǎo)向智力的提升 。
第三 ， 為了選擇智力 ， 進(jìn)化必須在很多其他方面進(jìn)行創(chuàng)新來促進(jìn)智力的發(fā)展 ， 比如改變細(xì)胞的產(chǎn)能方式；當(dāng)我們能夠消除這些額外的負(fù)擔(dān)（諸如用電來供能）時 ， 我們無疑將會比進(jìn)化要快得多 。
但這究竟是不是一種可行的策略？目前還不清楚 。
3）把整個問題拋給電腦
科學(xué)家們真的走投無路了 ， 于是把這個問題編成程序 ， 讓機(jī)器自己解決 。 這可能是最有希望成功的方法 。
這個方法的思路是：建立一臺這樣的計算機(jī) ， 它的兩項主要技能是研究人工智能和編碼改變自己 ， 使它不僅可以學(xué)習(xí) ， 而且可以改進(jìn)自己的體系結(jié)構(gòu) 。 我們將教計算機(jī)成為計算機(jī)科學(xué)家 ， 他們的主要任務(wù)就是讓自己變得更聰明 ， 這樣它們就可以自力更生 ， 自己發(fā)展自己 。
推薦閱讀
- 如何防止狗咬
- 柚子放久了會不會干
- 山莊名字怎么取
- 袋鼠會打地洞嗎
- 房子沒滿5年可以賣嗎從哪天 房子沒滿5年可以賣嗎
- 蝦分公母嗎
- Windows8.1電腦關(guān)機(jī)變重啟如何解決？
- 八月十五的月亮從哪個方向升起
- 鴕鳥會不會飛
- 給狗抓破會不會有事