所有基于深度学习的工具都只是以统计方式利用用于训练的材料，而没有真正了解它们正在做什么。 我们如何实现通用智能？ 当今的智能：发生了什么变化？ 总之，从20世纪50年代到今天，给人的感觉就是大转折总是指日可待。然而，即使在今天，我们现有的所有基于深度学习的智能仍然是“狭隘”类型：有限的系统，一次只能执行一项任务除了一些部分例外。 因此，要实现通用智能，要实现的第一个技术目标是能够为其提供泛化能力：人类极其发达的能力，能够利用在一个领域学到的知识，然后在另一个领域重用它。
然而，在谈论机器所缺少的品
质时，还有两个总是被强调的元素： 抽象能力 常识 第一个意味着能够从无数的桌子、橱柜、板条箱等中抽象出“家具”的概念：这是一项至关重要的能力，但机器完全缺乏这一能力。另一方面，常识和直觉是源自我们抽象和概括能力的技能：它们使 自营职业主管 我们能够利用我们之前学到的知识，以正确的方式处理意外情况。 因此，所有这些都表明智能需要取得的进步不再是量的，而是质的。事实上，迄今为止，深度学习领域的所有进展首先要归功于数据和计算能力的不断增强。
应该学习哪些技能？ 然而
大多数专家相信，仅仅沿着这条道路继续前进还不足以实现真正的智能。相反，我们需要找到一种方法，让具备刚才提到的三种能力。我们现在在哪里？ 1.概括能力 让我们从显然最简单的一个开始：泛化，或者算法执行多项任务的能力。在致力于 博茨瓦纳 电话号码 智能进化这一方面的众多专家中，我们找到了 DeepMind 的首席执行官 Demis Hassabis：谷歌旗下的高级研究实验室。 哈萨比斯认为，实现通用智能这并不一定意味着更聪明，而是能够做更多事情的关键是被称为“迁移学习”的计算机技术。
简而言之，“学习迁移”将允许已
用于完成先前任务的模型被 搜索引擎定期重新索引 重复用于第二个目标，而不会删除先前学到的所有内容。 “其背后的想法是，与仅在第二个任务中从头开始训练的神经网络相比，通过第一个任务获得的先验知识将使智能获得更好的性能，更快地训练并且使用更少的数据任务，”我们在 Hacker Noon 上读到。 如果你想通过利用这种技术来实现 AGI，那么迁移学习必须应用于彼此相距很远的区域。只有这样，才能证明机器拥有或者至少可以模拟将在一个领域学到的知识抽象出来，然后在另一个领域重用的能力。
