期刊文献+

关于强人工智能未来发展的思考 被引量:2

下载PDF
导出
摘要 近年来,随着信息技术的高速发展,经历过两次低潮的人工智能技术又重新进入人们的视野,并引起热切关注。关于人工智能未来的发展,一般持有两种观点:支持与反对,但这都是基于对强人工智能未来发展的思考之上的。本文对强人工智能的未来发展持积极支持的态度,但对其中内涵的伦理道德与人道主义精神问题并非一概忽视,而是呼吁以一种与时俱进的态度来看待新事物的发展,在此基础上再思考人与机器、人与自然、机器与自然如何建立一种良性的和谐关系。
作者 郭芳
出处 《数字技术与应用》 2023年第2期73-75,共3页 Digital Technology & Application
  • 相关文献

参考文献4

二级参考文献50

  • 1工信部电信研究院大数据白皮书(2014)[M].北京:工业和信息化部电信研究院,2014.
  • 2Intel IT Center.大数据101:非结构化数据分析[M/OL].[2015-07-01 ]. http://www. intel. cn/content/dam/www/public/cn/zh/pdfvs/Big-data-101-Unstructured-data-Analytics.pdf, 2012.
  • 3Hinton G E, Salakhutdinov R R. Reducing the dimensionalityof data with neural networks [J], Science, 2006, 313(5786): 504-507.
  • 4Rosenblatt F. The perceptron: A probabilistic model forinformation storage and organization in the brain. [J],Psychological Review, 1958,65(6) : 386-408.
  • 5Rumelhart D E,Hinton G E, Williams R J. Learningrepresentations by back-propagating errors [J]. Nature,1986, 323(6088): 533-536.
  • 6Huang G B, Chen L,Siew C K. Universal approximationusing incremental constructive feedforward networks withrandom hidden nodes [J]. IEEE Trans on Neural Networks,2006, 17(4): 879-892.
  • 7Vincent P,Larochelle H, Lajoie I,et al. Stacked denoisingautoencoders : Learning useful representations in a deepnetwork with a local denoising criterion [J]. Journal ofMachine Learning Research, 2010,11: 3371-3408.
  • 8LeCun Y, Bottou L, Bengio Y. Gradient-based learningapplied to document recognition [J]. Proceedings of theIEEE, 1998, 86(11): 2278-2324.
  • 9Williams R J,Zipser D. Gradient-based learning algorithmsfor recurrent connectionist networks, NU-CCS-90-9 [R].Boston,MA: Northeastern University, 1990.
  • 10Robinson A J, Fallside F. The utility driven dynamic errorpropagation network [R]. Cambridge, UK: Department ofEngineering, University of Cambridge, 1987.

共引文献230

同被引文献15

引证文献2

二级引证文献1

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部