imtoken安卓版(中国)互动百科

- 累积的AI不等于智能AI -Tau使用逻辑使机器真正了解人 感情的AI不等于智能的AI -TAU使用逻辑来使机器真正了解人 您可能已经听说过Google的LAMDA以及有关AI是否可以变得有感知者的病毒讨论。 Tau的团队认为，AI的感知只是其智力的一小部分。相反，AI的真正智能将基于其逻辑地了解人的需求并自动满足他们的能力。Tau是有史以来第一个能够对用户进行思想，建议和知识并更新更新的平台通过让用户写入机器和人都可以阅读和理解的语言来实时自己的软件。 Tau的分散社交网络及其货币方面Agoras Cryptocurrency由团队称之为真正智能的人工智能 - 逻辑AI的AI提供支持。逻辑AI与机器学习截然不同，根据Tau的创始人Ohad Asor，正处于成为技术领域的下一个大浪。数十亿人，并立即看到通过网络共享的思想背后的集体意义。这将通过让人们使用人类和机器都能理解的受控自然语言（CNL）来实现。每一个思想和每个知识，无论是明确的还是隐式的，都将自动认可并注册为您的世界观，这将充当您在tau上的个人资料，并且将完全可以拥有。以如此高级的方式组织您的想法和知识将意味着您不仅能够发现开创性的解决方案，而且还可以以轻松而直接的方式获利您的知识。 tau，您的知识将自动成为您拥有的数字资产。您将能够将您的知识卖给其他买家 或使用它通过将特定部分租给订户来产生收入，因为Tau会知道，即使您的知识也可以成为解决某人问题的解决方案的一部分。 TAU将强调多个用户知识的结合，并将其作为解决重要问题的解决方案，从而确保所需的知识与规格匹配100％的其他类型的AI，除非一个其他类型的AI基于逻辑。这是因为，简单地说，逻辑AI与单词和句子有关。它的核心是，它是以所谓的演绎推理来从其他陈述中推断陈述的能力。例如，从三个陈述中：巴黎在法国。法国在欧洲。如果x在y中，而y在z中，则x在z中。这是所有x，y，z。我们可以推断巴黎在欧洲。数学逻辑领域教导说，几乎所有逻辑问题都可以归结为这种推论形式。例如，一组陈述是矛盾的，并且只有当我们可以从中推导出陈述及其否定时，只有当时。逻辑AI是逻辑推理的机械化：发现矛盾，确定结论是否遵循给定的假设等等。因此，这是关于让机器理解我们要告诉他们的能力，而不是仅仅是机器说明。同时，机器学习目前是AI的最广泛形式，是关于从示例中概括的。因此，如果我们要以机器学习的方式传达上述法国和巴黎示例，我们必须为算法提供许多形式的示例“ X In In Y”，然后希望该算法能够得出结论，即巴黎在欧洲。这种交流形式甚至不应该被称为智能，因为如果某事不能得出结论，巴黎在欧洲，如何才能聪明， 并且必须看到大量示例才能“理解”，尽管不能保证这一点？从示例中概括是概率的。我们如何猜测看不见的样本？令人惊讶的是，机器学习有时可以是正确的，而且不是完全随机的，而且机器学习应该被称为数学奇迹。毕竟，在某些样本以外的零知识下，如何说出很有可能甚至是近似正确的话？令人惊讶的是，机器学习可以做到这一点。这就是机器学习的所有优点和缺点。它的用例是，当我们对系统几乎一无所知，而我们所能做的就是取样并尝试概括它们。另一方面，逻辑AI都是关于明确或隐式的全部知识和绝对性。这也是关于一种更有效的沟通方式，直接交流，“只是说话”，而不是为了给出许多例子而努力。检测矛盾。使用复杂性理论论证在数学上证明了这一点。因此，机器学习仅在本质上是非语言的领域取得成功，而在自然语言处理领域，它仅具有非常有限的功能，这不足为奇。但是，另一种方式是完全有效的：不仅逻辑可以进行机器学习，而且已经可以。机器学习算法已经以逻辑形式表示（与示例相反），并且已经作为计算机程序实现，它也采用逻辑相当概率的形式，即机器指令。因此，涵盖逻辑AI也涵盖了机器学习， 但是，另一种方法是无法实现的。另一种说法如下：机器学习最终涵盖了所谓的归纳和绑架推理（与所谓的监督和无监督的学习大致相对应），因此，这是非常有希望的，但是仍然处于有限的形式仅仅示例，而当前的技术仅处理数值性质的数据，或者可以转换为此类的数据。另一方面，逻辑AI可以在定性和定量数据中涵盖演绎推理，归纳推理和绑架推理。这些是Tau选择逻辑AI作为AI的最终形式的主要原因，认为机器学习只是AI历史上的一个里程碑。 Tau的解决方案将改善人类带宽的许多方面，从讨论范围，知识货币化，智能合同和分散治理。所有这些都是因为逻辑能够弥合人与机器之间的差距。了解有关Tau和背后的团队的更多信息，即在Telegram?XA0上加入了不断增长的Tau社区；该讲故事的标签是一个赞助的帖子。了解如何在这里吸引我们的听众。在下面读取免责声明。