{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","title":"人工智能和资本主义的未来_1-200的全文翻译","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780745338613","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","uuid":"addbcbca-2f35-4d20-b661-aef770dd9ec7","title":"人工智能和资本主义的未来_1-200的全文翻译","normalized_title":"人工智能和资本主义的未来1200的全文翻译","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780745338613","isbns":["9780745338613","9780745338606","9781786803955","9781786803979","9781786803962"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":200,"navigation_url":"https://workshop.closeclaw.top/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%92%8C%E8%B5%84%E6%9C%AC%E4%B8%BB%E4%B9%89%E7%9A%84%E6%9C%AA%E6%9D%A5_1-200%E7%9A%84%E5%85%A8%E6%96%87%E7%BF%BB%E8%AF%91","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7","page_url":"https://workshop.closeclaw.top/api/ai/books/addbcbca-2f35-4d20-b661-aef770dd9ec7/page","search_url":"https://workshop.closeclaw.top/api/ai/books/addbcbca-2f35-4d20-b661-aef770dd9ec7/search"},"page":{"printed_page":128,"pdf_page":136,"physical_index":136,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"368af9359737a564424bb90361826b12dbac297465641168a1bd0063766b2bb9"},"chapter":"非人的力量","content":"或者AGI甚至可以弥合各种狭窄的人工智能之间的差距(Wang和Goertzel 2007: 6;Goertzel 2014)。正如Goertzel所说，“AGI方法将通用智能’作为一种与任务或特定问题能力根本不同的属性，并直接关注于理解这种属性并创建显示[它]的系统”(Goertzel 2014:2). Wang和Goertzel指出，狭隘的人工智能和AGI研究领域都认为学习是智能的一个关键方面\n\n大多数现有的“机器学习”工作都不属于AGI，因为它们孤立地定义了学习问题，而没有将其视为更大图景的一部分。他们并不关心创造一个拥有广泛智能的系统，其通用性至少与人类的思维/大脑大致相当;他们关心的是在更狭窄的背景下进行学习。(Wang和Goertzel 2007: 2)\n\n同样，尼尔斯·j·尼尔森(Nils J.Nilsson)认为，通过“建立特殊用途系统”来达到HLAI的目标可能是错误的，相反，他提倡一种“可以学习和教授的通用可教育系统”，并且具有“最小的，尽管广泛的，内置功能”(2005:68)。这些能力包括感觉-运动系统、预测和计划、学习、推理和表征。实际上，尼尔森认为“儿童机器”应该以与人类相似的方式学习和发展。\n\n然而，尽管对AGI的追求不同于狭义的人工智能，但从根本上来说并非如此。AGI研究人员可能会使用与泛化相关的机器学习方法(例如迁移学习和归纳偏差)，从而与创造通用智能的目标重叠，但“除了那些需要帮助人类中介的原则之外，还需要额外的架构和动态原则。”机器学习帮助创造了各种狭义的人工智能系统”(Goertzel2014:4)。然而，与此同时，“通用”计算机系统并不一定需要“单一因素”来负责其所有的跨领域智能。该系统有可能是几种技术的集成”(Wang和Goertzel 2007: 5)。也就是说，尽管Wang和Goertzel拒绝将各种狭窄的人工智能聚合为AGI的可能性——这将相当于加入许多不同的自动化混凝土劳动\n\n128\n\ninhuman power","previous_page":127,"next_page":129}