雪怀友-优快云博客

原创 Computing Machinery and Intelligence-4.研究机器智能的有效边界

所以我们应将判断标准从难以验证的“内在体验”转移到“外部可观察的智能行为”，也就是通过“模仿游戏”来评估机器是否能表现出与人类无异的思考能力。图灵没有直接驳斥，而是接受其作为可能存在的现象，并主张通过修改图灵测试的实施条件来确保测试的公平性和有效性，使其不受这些超自然因素的干扰。这是指自然界（包括物理学、生物学等）适用于人体并决定其行为的法则，是无意识的、决定性的、我们身体运行的底层机制。机器行为与其存储容量相关，随着存储技术的进步，机器将能够拥有极大的存储容量，从而支持更广泛、更多样化的行为模式。

2025-09-22 11:42:45 841

原创 Computing Machinery and Intelligence-3.如何实现机器智能？

大英百科全书》第11版容量大约为2*10^9，而一个机器要在模仿游戏中获得良好表现只需要10^9的存储量，比前面的例子少的多的容量，这个存储量在当时的技术条件下一定可以实现，同时当时机器被认为某些部分的计算速度远快于人脑中的神经细胞，因此他认为"如何进行有效的编程"才是核心挑战。学习到的过程不会产生百分之百确定的结果，而且可以被“忘记”。在既定的逻辑系统框架内，机器在每一步推理过程中，从多个符合系统规则的、可行的操作步骤中，选择具体执行哪一个，以及以何种顺序、策略去执行这些步骤，会影响机器的最终表现。

2025-09-19 17:27:12 821

原创 Computing Machinery and Intelligence-2.用什么来实现人工智能

1.控制单元从存储单元的“指令表”中读取一条指令（例如，加法指令和操作数地址）。2.控制单元解析该指令，知道需要进行加法运算，并知道操作数在存储单元的哪些位置。3.控制单元指示执行单元进行加法运算，并告知其从存储单元的指定地址获取操作数。4.执行单元从存储单元中取出操作数，执行加法运算。5.执行单元将计算结果（通过控制单元的协调）写回存储单元的指定位置。6.控制单元继续读取下一条指令，重复上述过程。

2025-09-17 14:22:38 686

原创 Computing Machinery and Intelligence-1.如何看待机器智能

第二节则主要围绕替换问题，界定了机器冒充人类的边界，我们只衡量机器的外在表现，无需关注内在不可解释的部分。"这个问题展开，由于它涉及到对"机器"与"思考"的定义、而日常语言模糊性会导致语义争论，因此图灵对问题进行重构，用一个表述更明确的问题"模仿游戏"替代原有问题，后来被称为的"图灵测试"。在图灵的时代（20世纪中叶，甚至更多早)，“计算机 (Computer)”这个词最初指的是从事计算工作的人，他们通常是受过训练的数学家或技术人员，他们的任务是根据一系列预设的规则和指令，手动执行复杂的数学计算。

2025-09-16 15:43:16 518

原创 AI每日碎片化学习笔记-机器学习分类

前三种的训练数据是静态数据集，与它们不同、强化学习没有静态的“训练数据集”，它依赖的是智能体与环境实时交互产生的“动态经验数据”，模型（Agent）通过与环境实时交互“试错学习”——做对强化该行为，做错调整策略，最终学会“最大化累积奖励”的决策。“复用已有任务的知识”解决新任务——当新任务数据量少、标注成本高时，用在数据充足的“源任务”上预训练好的模型，微调后适配新任务，减少新任务的训练成本。用“带标签的数据”训练模型，让模型学习“输入→标签”的映射关系，最终能对新数据预测标签。

2025-09-15 16:37:15 539

原创 AI每日碎片化学习笔记-AI发展历程及领域技术

1959年，Arthur Samuel提出了“机器学习”的概念，1986年，David Rumelhart、Geoffrey Hinton和Ronald Williams等人共同发表的BP算法论文，标志着神经网络复兴，推动人工智进入"学习期"阶段。属于AI早期的核心研究方向（符号主义AI），核心是将人类知识转化为机器可理解的规则（如知识图谱、逻辑规则），通过“预定义规则”推理。是处理“模糊信息”（如“温度较高”）的逻辑推理方法，核心是用模糊规则建模不确定性，通过预定义的模糊规则决策。

2025-09-13 18:13:21 1051

原创 Docker资源隔离与资源管控

Docker为每一个容器分配一个IPC namespace，这个新的IPC namespace会拥有自己独立的资源(例如：信号量、消息队列和共享内存段)，同时该容器内IPC namespace内的进程只可以使用本空间的资源，确保容器内的进程无法直接干扰宿主系统或其他容器的IPC通信。Docker为容器内的用户空间进程分配独立且唯一的 PID（容器内视角），将容器内运行的进程封装在独立的namespaces中并限制其权限和可见性，防止受损容器利用进程管理接口对其他容器或底层宿主系统造成干扰。

2025-09-12 16:55:35 1001

原创 AI每日碎片化学习笔记-VM与Docker的层级架构

此处需注意，虽然Docker利用了LXC，但是Docker 并非简单“调用”一个现成的“Linux 容器”，而是基于 Linux 内核原生的容器化技术（Namespace、Cgroups 等），构建出符合自身规范的容器实例和镜像格式，本质是对 Linux 底层能力的封装与标准化，而非“直接使用现成容器”。它不创建独立的虚拟操作系统，而是在宿主机操作系统内核之上，通过技术隔离出独立的用户空间（即容器），所有容器共享宿主机的内核，因此资源占用更少、启动更快。它为运行在其上的App提供了一个完整的运行环境。

2025-09-11 15:40:55 748

原创 AI每日碎片化学习笔记-Docker

可以从一个简单的角度去理解Docker平台的功能，Docker单词释义为码头工人、容器，码头工人的工作就是将货物装载到集装箱里，Docker就像是码头工人，也是将货物打包装载到集装箱里，只不过货物变成了"应用程序及其运行所需的依赖(如库文件、配置、运行时环境等)”，要装载的集装箱变成了"标准化的容器”。这是一个对所有用户开放的平台，任何人都可以从中拉取大量预构建的、公开可用的镜像，也可以将自己创建的镜像(或不从头开始创建的镜像)推送到此进行分享。它管理容器的生命周期，并为容器分配资源(如网络、存储）。

2025-09-10 15:57:33 365

原创 AI每日碎片化学习笔记-提示技术

提示技术是一个方法论，它是人工智能领域的一项辅助技术，它通过设计提示词，可以帮助智能体更好的理解用户的意图和想法，高效的调用智能体已有的知识和推理能力，从而输出更准确的答案，避免因需求理解偏差导致的答非所问或输出质量不足。，形成“角色约束+场景需求”的完整指令，驱动模型生成针对性输出。简单来说，智能体交互机制范畴更大，虽然智能体交互机制通常包含提示技术的应用，但二者并非“包含与被包含”的绝对从属关系，更准确的定位是：提示技术是智能体交互机制实现“精准传递需求、高效响应交互”的重要工具之一。

2025-09-09 12:37:09 493

原创 AI每日碎片化学习笔记-Token

简单来讲，模型会按照分词器（Tokenizer）的拆分逻辑将语言文字分段，将文本转化为Token序列，并为每个Token分配一个唯一的ID，这些ID会被映射为高维向量，模型基于这些向量来理解文本的语义，并进行后续的计算和生成等操作。Token英文释义为令牌、标志、词元(自然语言)等，自然语言中，具备含义的最小文字单元为词元，在大语言模型中，模型能够识别出来的文字组块就是Token，Token本质是模型处理文本的最小单位，它不是固定的字或词，可能是一个字、一个词、甚至词的一部分。

2025-09-08 15:06:50 549

qq_56716671的博客