{"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":15,"pdf_page":23,"physical_index":23,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"9d2b7624c63df830979faec6287f16de91979104112c5310ae463a0c82fe2bf5"},"chapter":"非人的力量","content":"系统可以学习，设计师不需要为系统暴露的所有潜在情况预测和编程解决方案(支付宝2016年:17)。理想情况下，系统将开发自己的解决方案，“数据本身……定义下一步要做什么”(支付宝2016年:11)。\n\n然而，如果这些系统不能将他们所学到的东西推广到训练数据集中未包含的数据中，这将不会是ML的一个非常强大的属性。因此，根据他们的“泛化能力”对他们进行评估(Alpaydin2016:40)。虽然2019年的机器学习系统最多只能泛化到与它们接受过训练的数据相似的新数据，但越来越复杂的系统可能会接近AGI跨领域泛化的假设能力。这本书是关于人工智能对资本主义未来的影响，从机器学习到AGI。\n\n机器马克思\n\n在马克思对资本的分析中，机器是至关重要的，以至于几乎任何对他的著作的严肃研究都以某种方式涉及到这个话题。在这里，我们快速地描绘了马克思思想中对AI讨论最重要的那些方面，突出了与本书后面的论点相关的要点。我们认为，马克思关于机器的思想主要有三条线索。在第一条主线中，机器是对人类劳动的补充，而人类劳动是资本主义制度中至关重要的价值创造者。虽然生产变得越来越机械化，并加剧了对工人的剥削，但机器最终导致了制度的终极危机。另外两条次要的路线，从逻辑上脱离了这个大潮流，但也偏离了它。它们都假定了一个时刻，在这个时刻机器从劳动中变得自主。然而，一个人将其后果视为解放，另一个人则将其视为噩梦。马克思机器思维的这三条线可以小心地结合在一起，但这取决于在我们面对AI难题时，它们之间的紧张关系会扩大和加深。\n\n我们所说的马克思机器分析的主要路线在第一卷《资本论》中展开。在这一论述中，机器与其他设备、建筑物和原材料一样，都是“不变的、固定的”资本这与人类劳动的“可变”资本形成对比(马克思1990:508-9;1992:237-48)。“固定”资本和“可变”资本之间的区别取决于一个基本命题，即在资本主义内部，只有人类劳动才能创造价值:机器，无论它多么庞大\n\nintroduction: ai-capital .\n\n15","previous_page":null,"next_page":null}