马上记住本网站,如果被/浏/览/器/强/制进入它们的阅/读/模/式了,阅读体/验极/差请退出转/码阅读.
“余兴伟的研究，或者说余兴伟跟宁为的研究其最大意义并不仅仅止于在数学理论上的突破，而重要的是对人工智能领域底层的重新定义。比如最基本的人工智能深度学习模型，现在人工智能领域用到的深度学习模型标准大都还是我们所设计的，其中包含了深度神经网络、卷积网络、循环神经网络、玻尔兹曼机跟受限玻尔兹曼机等等。”
“现在我们面临的问题是，我们已经验证了两人研究的许多理论。而这些理论已经确定可用于指导人工智能底层定义的革新。我以OpenAI推出的自然语言深度学习模型GPT-3为例，我们都知道具有1，750亿个参数的自然语言深度学习模型GPT-3的表达能力已经接近人类，是极为成熟的深度学习模型，但依然有着缺点，比如跑任务的时候耗时太久，导致中途如果发现问题，也不敢停止运算，毕竟代价太大。”
“可如果按照余兴伟跟宁为的研究，我们不一定要走这条繁琐的道路来赋予机器智慧，并不一定需要不停的进行深度学习来实现人工智能，而是直接搭起一个相对成熟的认知框架，这直接让我们曾经信奉的底层逻辑产生了变化。说得更通俗些，以前我们让机器拥有一定智能，靠的是大数据堆积学习，给予机器哪方面的资料，然后机器便能在哪个方向具备一定的智能。比如机器视觉、图像识别，首先需要让机器阅读无数的图像，在使用相关算法才能最终让机器具备识别能力。”
“但如果按照他们的理论，我们只需要给机器下达一个相关指令，机器便能自行在数据库中去辨别、搜集并分类需要的数据，简单来说这就省略了最为繁琐的调参步骤。这是有别与计算机模仿人类大脑跟符号主义的第三条路，目前看来极有可能改写未来世界人工智能发展的大格局，同时也决定了我们对人工智能底层认知的改变。”
视频会议上，作为本届评审委员会主席杰弗里·格拉斯在数学奖投票之前先拿着稿子念一段评价。