机器人和智能的进化速度远超预期-ROS-AI-

危机

通常,有危险也有机遇才称之为危机。

从2020年启动转型自救,到2021年发现危险迫在眉睫,直到2024年也没有找到自己满意的出路。 


共识

中产阶级知识分子共有的特性和一致的推断。 

200年前的推断,在如今得到了验证。

机器人工程的工作与考研之困惑“要求越来越高”_有关机器人工程的问题-优快云博客 

 

Geoffrey Hinton 

机器人方向小讲师如何从转型走到自救-优快云博客 

 

飞了两百年的回旋镖,从18xx年到20xx年,历经四次工业革命,终结于此。

从2050回顾2020,职业规划与技术路径(节选)_2050回顾2020 zhangrelay-优快云博客



ROS


AI



 

“人工智能之父”获得诺贝尔奖,但表示对发明感到后悔

杰弗里·辛顿教授担心比人类更聪明的系统可能会接管世界

杰弗里·辛顿教授去年从谷歌辞职,以便更公开地谈论人工智能的危险

乔·平克斯通

科学记者

2024年10月8日下午5:33(英国夏令时)

一位被誉为“人工智能之父”的英国科学家获得了诺贝尔物理学奖,但他对自己的发明表示后悔。

出生于伦敦并在剑桥大学学习的杰弗里·辛顿教授与普林斯顿大学的约翰·霍普菲尔德教授共同获得了这一荣誉。

这位76岁的老人在加利福尼亚州的一家“廉价酒店”里接到了告知他获奖的电话,而出生于芝加哥的91岁霍普菲尔德教授则在英格兰的一座茅草屋里。

瑞典皇家科学院表彰了他们使用“基本概念”设计人工神经网络的工作。他们在20世纪80年代所进行的工作,包括发明了一种能够自主发现数据中的特性并识别图片中特定元素的方法,这为今天日益主导世界的现代人工智能奠定了基础。

辛顿教授目前在多伦多大学任职,他曾在谷歌工作了十年。去年,他从这家科技巨头辞职,以便更公开地谈论人工智能对人类构成的“生存风险”。

这位学者之前曾就人工智能的风险发出过警告,他表示自己对将这项技术引入世界感到有些后悔。

“有两种后悔,”他说,“一种是你做了你知道不应该做的事情而感到内疚,另一种是你做了在相同情况下还会再做的事情,但最终结果可能并不好。”

“我有第二种后悔。在相同的情况下,我还会这么做,但我担心这最终会导致比我们更聪明的系统控制我们。”

“我们还没有经历过拥有比我们更聪明的东西是什么感觉。”

他认为,这项技术将提供卓越的医疗保健,并带来生产力和效率的“巨大提升”。

然而,他也警告说,这项技术也可能对人类构成重大风险。

“我认为它将对我们的文明产生巨大影响,”辛顿教授说,“它将与工业革命相提并论。但不同的是,它将超越人类的智力能力,而不是体力。”

“我们必须担心一系列可能的坏结果,特别是这些东西失控的威胁,”他周二在电话中告诉诺贝尔委员会。

对获奖感到“震惊”

他说,获奖的消息“如晴天霹雳”,让他“震惊不已”。

辛顿教授现在成为历史上第二个同时获得诺贝尔奖和图灵奖(通常被称为计算机领域的诺贝尔奖)的人。诺贝尔奖附带1100万瑞典克朗(约合81.1万英镑)的奖金。

“我本来今天要去做MRI扫描的,但我想我得取消了,”他说。

英国皇家学会会长阿德里安·史密斯表示:“我热烈祝贺辛顿教授,他在人工神经网络方面的工作非常杰出。”

“他将脑损伤的影响与这种网络中的损失进行了比较,并发现了与人类障碍的惊人相似之处,比如对姓名的识别和分类能力的丧失。这可能是自主智能的类脑机器的开端。”

安德斯·伊尔巴克教授在斯德哥尔摩瑞典皇家科学院的新闻发布会上介绍了约翰·霍普菲尔德教授和杰弗里·辛顿教授的工作

霍普菲尔德教授因发明了一种使用保存和重现模式的方法的网络而获奖。

他和妻子外出接种流感疫苗并喝咖啡,回家后看到“一堆电子邮件”,祝贺他获奖。

“推动技术的科学是出于好奇心而提前进行的科学,”他说。

他在1982年关于神经网络的工作源于一个神经科学项目,该项目试图理解一个人的大脑如何通过快速闪过其他想到的单词来回忆起很少使用的单词。

以他名字命名的“霍普菲尔德网络”现在是神经网络的核心,它赋予了计算机系统存储模式并重现它们的能力。

普林斯顿大学校长克里斯托弗·L·艾斯格鲁伯说:“约翰·霍普菲尔德卓越的科学生涯超越了普通的学科界限,使他能够为物理学、化学、神经科学和分子生物学做出持久贡献。”

“他今天因其在神经网络方面的开创性研究而获得荣誉,这一研究完美地展现了好奇心驱动的研究在推进知识前沿和创造解决世界一些最深刻挑战的新工具方面的力量。”

 


内容概要:本文详细介绍了一个基于JavaVue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定JavaVue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方的例子。 简单的平方问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zhangrelay

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值