{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","title":"被算法操控的生活：重新定义精准广告、大数据和AI","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787571003012","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","id":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","uuid":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","title":"被算法操控的生活：重新定义精准广告、大数据和AI","normalized_title":"被算法操控的生活重新定义精准广告大数据和ai","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787571003012","isbns":["9787571003012"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":257,"navigation_url":"https://workshop.closeclaw.top/ai/book/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","title_url":"https://workshop.closeclaw.top/ai/title/%E8%A2%AB%E7%AE%97%E6%B3%95%E6%93%8D%E6%8E%A7%E7%9A%84%E7%94%9F%E6%B4%BB%EF%BC%9A%E9%87%8D%E6%96%B0%E5%AE%9A%E4%B9%89%E7%B2%BE%E5%87%86%E5%B9%BF%E5%91%8A%E3%80%81%E5%A4%A7%E6%95%B0%E6%8D%AE%E5%92%8CAI","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","page_url":"https://workshop.closeclaw.top/api/ai/books/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/page","search_url":"https://workshop.closeclaw.top/api/ai/books/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/search"},"page":{"printed_page":210,"pdf_page":230,"physical_index":230,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"1fa6c2e9bb89a9b2752d8da6f545a8a513877c6492cefde3423d77c87d7774fa"},"chapter":"第15章|计算机作家","content":"了从英文到中文的翻译质量。\n\n我们尚不清楚利用神经网络来改进算法的潜力到底有多大，但至少最近的研究大大提高了计算机识别物体、声音和句子的能力。这种方法的激动人心之处在于，种种迹象表明我们正在取得更加引人注目的成果。我们是否终于快要发明强人工智能了？\n\n我当然很想回答这个有关强人工智能的大问题，但在这之前，我需要先搞清楚一个小问题。卷积神经网络到底有多出色？亚历克斯·克利泽夫斯基的图像分析论文彻底改变了工业界和学术界，但我想更充分地了解神经网络的局限性。\n\n抛开各种各样的炒作不谈，谷歌已经在自己的研究中找到了很大一部分答案。让我们回过头来看雅达利游戏神经网络。研究人员发现，在测试神经网络的49个游戏中，神经网络能够将其中29个玩得很好，甚至在大多数游戏中打败职业选手。但这意味着在剩下的20个游戏中，人类比神经网络玩得更好，不仅如此，神经网络在一些游戏中的表现跟瞎玩没什么区别。\n\n当我在研究人机游戏竞赛的结果时，其中一款游戏引起了我的注意：《吃豆人女士》(Ms Pac-Man)。在这个简单的迷宫游戏中，吃豆人必须吃掉尽可能多的食物，同时又要避免被妖怪抓住。计算机在这个游戏中表现得非常糟糕，得分只能够达到职业玩家得分的12%。\n\n《吃豆人女士》比《打砖块》和《太空入侵者》更难玩，因为它需要耐心。如果吃豆人女士想要生存下去，那么她就应该小心谨慎，等到某个地方没有妖怪的时候再移动过去。能量丸能让妖怪变蓝后被吃豆人吃掉，但要省着点用。如果吃豆人女士在游戏开始的时候就把能量丸用了，那么她确实能够吃掉妖怪并得到一点分数，但后面的游戏会变得很艰难，因为这些妖怪会复活，然后四对一地追杀她。\n\n卷积神经网络根本无法应对游戏中的这些困难。它们只能对眼前的事物做出反应：射杀外星人、对拳击手拳打脚踢、跳过六边形等。它们没有进行规划的能力，即使这个规划针对的是非常短期的未来。该算法在所有需要提前做出计划的雅达利游戏中都出师不利，哪怕这些游戏只需要一点点这方面的能力。\n\n被算法操控的生活OUTNUMBERED\n\n210","previous_page":209,"next_page":211}