諸緣來去何增減？笑擁斜陽照海天。。。 短暫人生幾番風雨情。 匆匆走過幾度回眸戀。 心坎鑲著足痕淚光影。 誰悟得無生法忍行去。 *幻羽*捻題一*悟行* 2023/01/03/18:34:58

3,592愛的鼓勵 79訂閱站台

科幻未來--智慧型機器助力"殖民太空" 

人類已經進入本世紀的瓶頸期——技術的發展可能會對地球造成災難性損害，或者從窘境中解救人類。一個文明的未來可能是由被毀壞的生態系統和惡性機器組成的反烏托邦，或者永生和星系間文明的天堂。在2013年9月12日美國國會圖書館召開的人類文明長壽的研討會上，幾個國家的首席研究學者和未來學家預測了未來幾個世紀可能發生的事。“我今天所說的一切可能是錯的，”科學美國記者大衛·別洛（David Biello）在研討會伊始這樣說道。以下是討論提出的5個可能的科幻版本的未來。 

氣候災難

二氧化碳含量的上升已經成為地球氣候的主要威脅。除非人類提出可靠的方法以極大的限制自身的碳足跡，否則整個行星將持續變暖，極端氣候將變得越來越普遍，很多物種和人類社區將被橫掃，卡內基科學研究所全球生態部門的大氣科學家肯·卡德拉（Ken Caldeira）這樣說道。

人類是否能夠與生態圈形成健康、穩定的關係？“答案是否定的，” 肯·卡德拉說道。人類是從狩獵採集的祖先進化而成，他們對於自己和家庭以及朋友的需要非常敏感，卡德拉說道。但是現在，人類已經創造了一個被科技而非自然主宰的世界，因此問題延伸到全球範圍內。如果不採取極端措施阻止全球氣候變暖，我不知道它將如何影響人類文明，卡德拉解釋道。 

仿生學世界

生物學已經進入一種復興，從測序人類基因組到研發拯救生命的醫療——機械心臟、假肢和人造器官的出現，科技能夠修復人類健康並極大的延長人類壽命。然而，這些科技變得越發大眾化。個人面對的最大威脅便是生物駭客，美國加州山景城搜尋地外文明計畫（SETI）研究所的高級天文學家賽斯·斯塔克（Seth Shostak）這樣說道。這樣的生物駭客包括從修補病毒基因組使其具有致命性，到通過植入物將資訊直接插入大腦。

還有一種可能便是人類甚至會研發“倫理植入物”，藍色大理石空間科學研究所行星氣候學家雅各·哈克-米斯拉(Jacob Haqq-Misra)這樣說道。這種植入物會確保每個人親眼看見人類文明所面臨的問題。 

人工智慧

科學家們正積極的區分人類究竟是會研發智慧電腦還是“思想機器”的問題。電影《2001太空漫遊》（《 2001: A Space Odyssey》）裏的場景是否會變為現實？著名的科幻小說《火星》三部曲的作者羅賓遜(Kim Stanley Robinson)認為事實並非如此。“我們永遠無法理解的事物之一便是人類大腦。”

科學家只能通過測量血流和電生理學現象間接地研究大腦，這只比人類思考的程度廣泛幾個等級而已，如果無法理解意識性，人類將如何創造一台具有意識性的機器？

斯塔克卻對此並不贊同。人類無需理解鳥類如何飛行的細節就能研發飛機，他說道。因此為什麼我們需要理解大腦從而研發智慧電腦？“一旦你擁有能夠思考的機器，你就能要求它製造下一台機器，” 斯塔克說道。 

航太物種

1969年，人類首次登陸月球。幾十年後，人類可能登上火星，或者未來某天，人類物種將漫遊在整個星系，就像電影《星際迷航》裏企業號聯邦星艦裏的船員一樣。在這次研討會上，科學家們廣泛的討論了殖民太陽系是否能夠拯救人類不受到地球上的災難摧毀的可能性。

“太空探索的目標之一是讓某些人類離開地球，因此倘若地球發生重大事件，人類還不至於完全被毀滅。” 美國國會圖書館2014年天體生物學主席、天文學家、作者兼科學歷史學家史蒂文·迪克(Steven Dick)這樣說道。如果一顆較大的小行星撞擊地球，人類可能明天就被毀滅，迪克說道。

然而，雖然搭載人類進入太空的科技已經存在，人類仍然將極大的依賴類似地球的環境。前往太空並不能避免人類不受到地球上災難的影響，這只是提供了獨特的視角，展示人類生活的藍色星球的脆弱性。 

外星人打電話回家

發現宇宙別處存在生命對人類的影響非常巨大。在人類歷史上，人類首次開始尋找其他星球上的生命。不可避免的他們將尋找類似自身的外星生命。美國宇航局開普勒太空任務成功的確定了幾百顆位於可居住區的環繞恒星的行星。SETI研究所也正在監聽或可能暗示外來科技文明的無線電信號。

有些懷疑論者認為如果存在外星生命，人類肯定已經發現他們了。但一系列理由可以解釋為什麼尚未有任何消息。可能發展這些科技的文明殖民了其他行星，又或者他們過於智慧從而向人類隱藏了自身的存在。無論真實的情況是什麼，如果地球外的確存在外星生命，那麼人類文明的啟示意義將是非常巨大的。“從哲學角度講，知道他們的存在就已經非常重要了。”

未來時間旅行

時間旅行是否真實可行？這個問題一直困擾著物理學家們，有研究人員稱時間旅行不可能存在，不然我們會親手殺死自己的祖父。來自英國物理學家布賴恩·考克斯教授認為時間旅行是可能的，但是有一個限制條件，即我們只能向未來進行時間旅行，不可能回到過去。時間旅行是許多科幻小說中的情節，未來的人類通過時間旅行回到任一個時間點上，根據現有的理論，“回到”這一辭彙在時間旅行上似乎不可能實現，我們只能進入未來。考克斯教授認為我們可以打造一台時間機器，其原型差不多接近一艘可以高速運行的太空船。

如果我們可以建造一艘飛行速度接近光速的太空船，那麼這艘飛船上的“時間”就會變慢，在相對論框架中，地球上的人們可能已經歷了千百年，但是飛船上的宇航員只經歷了幾個小時，顯然接近光速運行的太空船將成為一台時間機器。在廣義相對論中，我們可以實現時間旅行，考克斯教授認為宇宙中存在一種被稱為“蟲洞”的隧道，是進行空間和時間旅行的便捷通道，但是大多數物理學家對此表示懷疑，我們甚至不知道如何讓蟲洞維持開放的狀態，更不用說讓太空船進入蟲洞進行時空旅行。愛因斯坦相對論方程中允許的蟲洞通道維持時間很短，而且其規模都非常小，創建蟲洞的情景似乎只可能在科幻小說中出現。有研究顯示，蟲洞的創建需要一些奇異物質的介入，其有助於維持蟲洞的開放。

人工智能時代已經到來

超多維所佈局的智能計算視覺技術體系，對人工智能領域聚焦於視覺層面的改變和顛覆。隨着人工智能熱度的不斷提升，人工智能、機器學習和深度學習頻頻被提及。今天我們就從行業內的主流觀點出發，淺析一下三者的區別與聯繫。

關於人工智能

人工智能是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。該領域的研究包括機械人、語言識別、圖像識別、自然語言處理和專家系統等。 

人工智能現階段分為弱人工智能和強人工智能

強人工智能：強人工智能觀點認為有可能製造出真正能推理(Reasoning)和解決問題(Problem_solving)的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智能可以有兩類： 類人的人工智能，即機器的思考和推理就像人的思維一樣； 非類人的人工智能，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

弱人工智能：弱人工智能觀點認為不可能製造出能真正地推理(Reasoning)和解決問題(Problem-solving)的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。 主流科研集中在弱人工智能上，並且一般認為這一研究領域已經取得可觀的成就。

實際上，當下科技能實現的人工智能都是弱AI人工智能（奧創那種才是強AI），弱人工智能如今不斷地迅猛發展，而強人工智能則暫時處於瓶頸。 

關於機器學習

機器學習(Machine Learning)是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來「訓練」，通過各種算法從數據中學習如何完成任務。

 

機器學習可以分成下面幾種類別：

監督學習從給定的訓練數據集中學習出一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是包括輸入和輸出，也可以說是特徵和目標。訓練數據中的目標是由人標註的。常見的監督學習算法包括回歸分析和統計分類。

無監督學習與監督學習相比，訓練集沒有人為標註的結果。常見的無監督學習算法有聚類。

半監督學習介於監督學習與無監督學習之間。它主要考慮如何利用少量的標註樣本和大量的未標註樣本進行訓練和分類的問題。。

增強學習通過觀察來學習做成如何的動作。每個動作都會對環境有所影響，學習對象根據觀察到的周圍環境的反饋來做出判斷。

機器學習最主要的應用領域有：專家系統、認知模擬、規劃和問題求解、數據挖掘、網絡信息服務、圖象識別、故障診斷、自然語言理解、機械人和博弈等。 

關於深度學習

深度學習(Deep Learning)是機器學習的一種方法，它使用包含複雜結構或由多重非線性變換構成的多個處理層（神經網絡）對數據進行高層抽象的算法。 其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

深度學習的過程分為訓練和推理（即「評估」）兩個過程，通過訓練過程來獲得數據模型，然後用於評估新的數據。

神經網絡是一組大致模仿人類大腦構造設計的算法，用於識別模式。神經網絡通過機器感知系統解釋傳感器數據，能夠對原始輸入進行標記或聚類等操作。神經網絡所能識別的模式是數值形式，因此圖像、聲音、文本、時間序列等一切現實世界的數據必須轉換為數值。

在深度學習網絡中，每一個節點層在前一層輸出的基礎上學習識別一組特定的特徵。隨着神經網絡深度增加，節點所能識別的特徵也就越來越複雜，因為每一層會整合併重組前一層的特徵。舉個例子，一個神經網絡如何判定一個圖片是不是一條狗：可以看出，經過一系列訓練之後，在系統中輸入狗的圖片，通過深層神經網絡對狗的底層特徵進行抽象、推理（評估），最後輸出該圖片是狗的概率為90%。 

三者的區別與聯繫

主流觀點中，人工智能、機器學習、深度學習三者的關係如下圖所示。人工智能是最早出現的，也是最大、最外側的同心圓，其次是機器學習，最內側是深度學習，也是當今人工智能大爆炸的核心驅動。

其中，人工智能(AI)是一個最廣泛的概念，人工智能的目的就是讓計算機能夠像人一樣思考。

機器學習(Machine Learning)是人工智能的分支，它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。

深度學習(Deep Learning)是機器學習研究中的一個新領域，推動了機器學習的發展，並拓展了人工智能的領域範圍。甚至有觀點認為，深度學習可能就是實現未來強AI的突破口。