谢谢邀请，写不了太长的，就观摩一下算了

先码一个，明天来答题

人工智能的智能只是浅层次的，还达不到人类大脑的高度，别想了

先码一个，后天来答题

不能  机器人  骑车

机器人现在的思维方式是什么？

人类已经破解了人类大脑的思维方式了吗？

人工智能目前绝对安全吗？

楼主请回答

没写完

如果写完晚上就贴上

贴一发，deadline真的是第一生产力！

1.你认为人工智能能超越人类大脑吗？

看完上面一位老哥写的，我决定还是写点什么，希望不仅仅看到所看到的表象，而且能思考其背后的技术和原理，以及发展前景。

而且我看来是不会超越的，这真的难！

从生物进化的自然选择说起：前段时间的自然辨证法的课上老师提到了一个种说法，我们在精神方面获得越多，在本能方面失去的也就越多。  我们人类能有今天的高度文明，是建立在我们失去或者弱化了太多的本能。举个例子，猎豹是陆地上奔跑最快的哺乳动物，而它的大脑不及人的一个拳头大小。相比于人，我们的奔跑能力不说猎豹，就是很多普通动物我们也是比不过的，然而我们的选择的是在进化过程中不断强化我们的大脑，我们得到的是一个相对体积较大的大脑，大脑的功能也更加完备。虽然人类跑不过很多动物，但我们发明的工具可以跑过他们，人类不善于长时间奔跑，我们发明的工具确实可以长时间运行奔跑。最终结果就是我们人类最终统治了地球。然而人工智能技术为核心的只能实体又该是怎么样的规律呢？不断的技术迭代进化中人工智能所达到的水平又该是怎么样的进化规律。难道能够实现超越一些我们现有自然规律实现全方位的进化迭代？感觉不太可能

第一：

从莫拉维克悖论说起：我们人类拥有着非常高等的智慧，进化程度高的大脑，然而我们维持着这样高等的智慧却只需要很小的计算能力，这样的计算能力相比于计算机机械且强大快速的计算力而言有些微不足道。我们人脑细胞的工作频率很低，大脑里面有着数以亿计的神经元，通过神经递质的传递传递着兴奋和抑制两种状态，工作频率最高也仅仅在100Hz左右。这种高效率低功耗的人脑结构给予人工神经网络的发展以方向。  当然这样现有的结构是神秘自然所赋予和选择，也就是说自然觉得我们人类现有的这种结构是合适的。然而我们制造出的计算机模拟的人工智能是需要强大的计算能力的。所以我就在想计算机比人脑更快得出一个什么什么计算结果并不一定就是超越，还应考虑其他的因素，如消耗能量多少，利用的资源多少。人工神经网络和我们大脑的神经网络存在着难以阐述的差距，我们对神经网络的研究与模拟依然还有很长的路要走，所以人工神经网络并没有比于人脑的优势。其中有一点值得一提便是我们目前的实现人工智能的方式和真正的人的思维方式并没有太多交集。

第二：

关于新知识的产生，计算机的本质是没有知识的，所有的数据，代码等在计算机看来都是物理的，机械的。它理论上不会产生新知识，，并不会增进计算机本身对客观的认识，然而我们人类在不断的探索，研究和学习的过程中，发现了很多的规律并进行了定义和证明。这似乎也是目前机器也完不成的，否则我们就可以把许多在探索和追求的问题仍给机器好了，我们完全可以跑到一边去休息了，比如让机器自己思考如何证明黎曼猜想？

第三：

从人脑思维与人工智能思维方式说起：我们是很喜欢把人工智能的智力水平以人为标杆进行比较，衡量与分析。但硬件机器通过软件技术模拟出来的智能还是与我们人的思维存在着差异。我们人类的思维复杂而具有多样性，然而人工智能的思维更多是具有重复性。所以我们目前做出来的AI产物大都停留在做一件事或者几件事上。人类通过学习和思考可以做很多事情，甚至一定条件下，人类还可以发明和创造某些事物，这也是至今为止人工智能无法企及的。当然研究生人员预测，经过：大量存储人类已有的信息和标识；复制已有的信息和知识；通过已有的信息和知识进行选择和配对比较，这样的三个阶段，人工智能有可能像人的思维接近，但也只是预测，而且目前基本还停留在第一阶段，恐怕结果也并不如意。

2.你认为人工智能近期最有可能实现的是什么？

  人工智能在网络空间安全领域的崛起。

       现今互联网上有着大量的用户，每个用户又会有很多的账户和个人数据在不同的平台之下。用户的隐私数据问题变得越来越突出，苹果公司的ios12也是苹果目前为止打造的安全性最强的ios系统。可见信息安全问题，是当下也会是未来一个值得所有互联网用户关心的问题。

       为了应对可能发生的各种互联网威胁信息安全的状况，我们为什么不把一些机器学习，深度学习，增强学习等方法应用到信息安全领域呢？事实也正是这样，安全领域的专家们也正在尝试这样的事情，使用人工智能领域下的各种学习方法，基于收集的大量的数据信息，从这些数据中挖掘出有用的信息，预测且应对可能发生的安全威胁。从预测、防御、检测和响应四个维度打造一种自适应的网络安全架构模型，在刚刚过去的2018世界人工智能大会（上海）就有过这样的讨论。（有幸参与了一场会议，自己预约的回忆因时间问题都没去成）人工智能技术日趋成熟，人工智能在网络空间安全领域的应用（简称 AI+安全）不仅能够全面提高网络空间各类威胁的响应和应对速度，而且能够全面提高风险防范的预见性和准确性。因此，人工智能技术已经被全面应用于网络空间安全领域，在应对智能时代人类各类安全难题中发挥着巨大潜力。

       不仅仅如此，未来我们还要面对人工智能技术的安全漏洞，一辆自动驾驶汽车如果被黑客控制后果可能是非常可怕的，同样，也会有相应的技术方法会帮助提高人工智能安全。未来的安全相信不仅仅是隐私安全，信息安全，这个安全二字涵盖的领域更加广泛，相对的技术体系也会越来越完善，这是强烈的需求，也是发展的必然。

更详细的说明：（下面几段为节选的文章，写的很好）

当人工智能运用到安全领域，机器自动化和机器学习技术能有效且高效地帮助人类预测、感知和识别安全风险，快速检测定位危险来源，分析安全问题产生的原因和危害方式，综合智慧大脑的知识库判断并选择最优策略，采取缓解措施或抵抗威胁，甚至提供进一步缓解和修复的建议。这个过程不仅将人们从繁重、耗时、复杂的任务中解放出来，且面对不断变化的风险环境、异常的攻击威胁形态比人更快、更准确，综合分析的灵活性和效率也更高。

人工智能的思考和行动逻辑与安全防护的逻辑从本质上是自洽的，网络空间安全天然是人工智能技术大显身手的领域。

（1）基于大数据分析的高效威胁识别：大数据为机器学习和深度学习算法提供源源动能，使人工智能保持良好的自我学习能力，升级的安全分析引擎，具有动态适应各种不确定环境的能力，有助于更好地针对大量模糊、非线性、异构数据做出因地制宜的聚合、分类、序列化等分析处理，甚至实现了对行为及动因的分析，大幅提升检测、识别已知和未知网络空间安全威胁的效率，升级精准度和自动化程度。

（2）基于深度学习的精准关联分析：人工智能的深度学习算法在发掘海量数据中的复杂关联方面表现突出，擅长综合定量分析相关安全性，有助于全面感知内外部安全威胁。人工智能技术对各种网络安全要素和百千级维度的安全风险数据进行归并融合、关联分析，再经过深度学习的综合理解、评估后对安全威胁的发展趋势做出预测，还能够自主设立安全基线达到精细度量网络安全性的效果，从而构建立体、动态、精准和自适应的网络安全威胁态势感知体系。

（3）基于自主优化的快速应急响应：人工智能展现出强大的学习、思考和进化能力，能够从容应对未知、变化、激增的攻击行为，并结合当前威胁情报和现有安全策略形成适应性极高的安全智慧，主动快速选择调整安全防护策略，并付诸实施，最终帮助构建全面感知、适应协同、智能防护、优化演进的主动安全防御体系。

（4）基于进化赋能的良善广域治理：随着网络空间内涵外延的不断扩展，人类面临的安全威胁无论从数量、来源、形态、程度和修复性上都在超出原本行之有效的分工和应对能力，有可能处于失控边缘，人工智能对人的最高智慧的极限探索，也将拓展网络治理的理念和方式，实现安全治理的突破性创新。人工智能不仅能解决当下的安全难题，而通过在安全场景的深化应用和检验，发现人工智能的缺陷和不足，为下一阶段的人工智能发展和应用奠定基础，指明方向，推动人工智能技术的持续变革及其更广域的赋能。

3.你认为人工智能近期最迫切需要实现的是什么？ 

从启发式悖论谈起：

        工智能针对的问题往往是NP完备性问题。如果不是NP完备性问题，计算机往往就有能力计算出来、就更容易被看做普通优化或数学规划问题，而不被人们当做人工智能问题。如果是NP完备性问题，往往需要启发式函数来提高搜索效率。当人类面临这类问题时，往往会形成一定的感觉或直觉。就是这样一种难以用语言文字或代码描述清楚的直觉感觉。而启发函数就是去描述这种“势”。启发式搜索是人工智能的基础，它并不能办证找到全局最优和解的精度，因为我们需要一个可以证明的理论来作为基础。

从特征工程谈起：

我们如何制作好的特征量，如何选取特征量，选取哪些特征量？这几乎对我们接下来建立的学习模型影响巨大。而这之中有存在着许多的技术痛点。

        人脑在认识事物的过程中将大脑中记忆内容和现实内容进行了量化和抽象，我们在认识一个事物的时候，会把这个事物的主要特征记忆下来，再次遇到这个事物的时候我们的大脑就会将记忆的这些特征与这个事物进行比对，通过重合度来进行判断。人工智能与其类似。

       特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征工程能使得模型的性能得到提升，有时甚至在简单的模型上也能取得不错的效果。特征工程在机器学习中占有非常重要的作用，一般认为包括特征构建、特征提取、特征选择三个部分。

特征构建比较麻烦，需要一定的经验。 特征提取与特征选择都是为了从原始特征中找出最有效的特征。它们之间的区别是特征提取强调通过特征转换的方式得到一组具有明显物理或统计意义的特征；而特征选择是从特征集合中挑选一组具有明显物理或统计意义的特征子集。两者都能帮助减少特征的维度、数据冗余，特征提取有时能发现更有意义的特征属性，特征选择的过程经常能表示出每个特征的重要性对于模型构建的重要性。

        特征构建是指从原始数据中人工的找出一些具有物理意义的特征。需要花时间去观察原始数据，思考问题的潜在形式和数据结构，对数据敏感性和机器学习实战经验能帮助特征构建。除此之外，属性分割和结合是特征构建时常使用的方法。结构性的表格数据，可以尝试组合二个、三个不同的属性构造新的特征，如果存在时间相关属性，可以划出不同的时间窗口，得到同一属性在不同时间下的特征值，也可以把一个属性分解或切分。

在基于问题的基础上，我们需要找到好的特征构建方法。

参考文章：

https://www.jiqizhixin.com/articles/2018-09-19-7

https://www.cnblogs.com/wxquare/p/5484636.html

‘