介紹

走向無限，一種意味著無限傳播的電流，這個想法將我們感知和理解過去、當前和未來事件的能力推向極限。據說，為了預見當前行動的結果，我們必須非常了解作為當前決策基礎的歷史，但大多數時候這是不夠的。

從人工智慧領域分析預測函數存在性的偽數學方法會指出，必要性得到了技術支持、理論和應用實現解決方案的進化知識的支持，但為了滿足充分性條件，所有進化步驟都必須錨定在觸發它們的因素中，並且必須以類似的方式證實因素之間的聯繫。

由此概述的智慧人工網路的功能元素將允許創建一個環境，​​用於在基於人工實現支援的高級學習領域中建立可能的趨勢和無限進化。為了創造可能的發展方向，分析所提出的假設的下一個邏輯步驟是分析與其他技術和文化演化環境的相互作用。所得的結果是一個精細的解決方案，與傳播環境中可能產生的影響密切相關。

因此，本章我們將回顧人工智慧的各種發展變體及其在現實世界中的應用，並沿著從起源到現在的傳播方式，識別基於人工存在環境的隨機和確定性演算法學習技術向無限進化的可能。

達到人工智慧的最高水平的定義是奇點的形成或獨立智慧的實現，並對人性產生所有相關影響，因此將研究此類事件之後可能的相互作用。

人工智慧的新興發展

人工智慧是透過理解人類的學習模式並尋找可以表達這些自然能力的數學結構而發展出來的。從這個想法出發，近似生物神經元模型的神經模型產生了第一階段，第一個模型是 1943 年的 McCulloch-Pitts[1]，以及 1958 年的 Rosenblatt[2]。

這種形式的神經元由加權脈衝加法器或適應訊號定義，這些訊號透過由特定活化函數引入的觸發閾值進一步傳播到神經元的反應。激活函數代表神經元學習過程中的重要元素，適應訓練過程中使用的資訊的能力取決於所使用的數學函數[4]。該函數的名稱用於創建神經元的類型學，但反過來，它也向我們展示了人工智慧基礎上的「基石」與無限答案之間的聯繫。因此，許多神經模型中的一個重要元素可以無限地傳播訊息並提供有限的反應。它代表了一種達到無限的數學形式，具體化為某個答案。

由於最初不存在以及後來的實施環境不足，有效實施這些模型的方向緩慢出現。 1950年阿蘭·圖靈發表了《計算機器與智能》，引入了圖靈測試的概念[3]。該測試旨在衡量機器展現類人智慧的能力，是人工智慧分析和研究的參考方法。人工智慧解決方案出現時的影響並沒有對技術環境產生影響，而是由於缺乏處理學習所需的資訊庫和創建學習產生的權重的數學支援而受到影響。在神經元的第一個數學形式出現之後僅僅 40 多年，就為人工神經元的高級學習和加權奠定了堅實的數學基礎 [5]。

分析人工智慧新興發展的重要因素原則上由三個重要方面的知識代表：用於學習和建模能力的數學演算法、處理能力和相關IT支援以及透過數學模型或相應資訊進行的科學和/或藝術傳播利基的存在或不存在。

數學演算法用於學習和建模能力

「學習」一詞用於人工智慧模型，儘管它並不具體，因為人工神經模型不像人類那樣基於個人實驗進行學習，而是透過數學關係整合輸入輸出相關性，即透過為網路中的一個或多個神經元的輸入分配權重。這個在人工智慧網路中分配權重的過程，基於透過推理活動與預期答案相比，最小化所提供答案的誤差的過程。調整響應以符合我們的需求稱為訓練演算法。學習性能受到所使用的演算法、所使用的激活函數類型、輸入處理方式以及神經單元在網路中如何互連來塑造響應的能力的影響。儘管對演算法的表現進行了比較研究和薈萃分析，這些原則上是評估競爭技術優點的有效方法，但迄今為止還無法提供明確的答案。一個原因可能是此類研究本身經常受到批評和偏見的指責：對於任何具​​體的實證比較，特定技術的支持者總是可以在設定的細節上發現錯誤。它們的標準化取決於它們的使用方式和目的地，這可能是一種解決方案，但現有的許多變體仍然是一個挑戰[6]。

分配權重的方式或多或少與輸入和輸出之間的直接依賴性相關，因此我們確定了實踐中使用的兩種方法，即確定性和隨機性[8]。權重的調整是透過監視和糾正人工網路內部結構的偏差來進行的，以使整體回應與強加的回應相對應。用作學習網路參考的數據在隨機人工智慧網路的內部結構中沒有清晰的表示。目前的方法假設至少三個基本要素的知識和存在：適當的神經網路、適當的學習演算法和所使用的適當的資訊格式化技術[7]。

專業文獻中指出的一個重大挑戰是由於無法控制與真實模型的偏差而限制了學習能力，並且存在於非常大的網路中。這種向極限或無限傳播的限製表明，在現有的人工學習結構中，存在一個限制步驟，將當前的知識和技術水平與人工智慧的性能水平相關聯。

處理能力和 IT 支持

人工智慧的出現和存在是由於電子運算支援的爆炸性發展，並在硬體處理能力和所獲得的性能之間建立了非常密切的關係。處理能力的發展極大地促進了人工智慧演算法和模型的實現。人工智慧的第一個模型直接在硬體層級與類比和數位電子設備集成，受限於所獲得的配置並且容易出現許多操作錯誤[9]。人工智慧模型的進一步技術步驟是使用基於離子管的計算機，然後是分別基於 8、16、32 和 64 位元的幾代計算機。重大的進化飛躍是由圖形處理架構（簡稱 GPU）的使用所產生的。透過使用圖形處理器訓練人工智慧模型，資訊資料庫的處理能力呈指數級增長，從而獲得了人工智慧領域第一個具有深度學習的高級模型。

人工智慧（AI）的傳播方向

目前的傳播方向涵蓋了人類關注的很大一部分，尋找科學和藝術發展的利基。

確定性人工智慧模型是基於這樣的理念：在給定初始條件和系統管理規則的情況下，可以確定地預測系統的行為。這種方法依賴明確定義的演算法和邏輯推理來做出決策和解決問題。確定性人工智慧模型的一些例子包括基於規則的系統、專家系統和經典規劃演算法。因此，確定性實現將依賴：透明度和可解釋性（決策過程可以追溯到規則和演算法）、可靠性和可重複性（它們總是對相同的輸入資料產生相同的結果）以及計算和能源效率（它們不需要某些隨機模型所需的大量處理和訓練）。隨著向極限的傳播，它們也會在使用中引發風險，即：缺乏靈活性（它們在適應複雜、動態或不確定的環境時表現出剛性，因為它們受到預定義的規則和算法的限制）、脆弱性（它們容易受到意外輸入或邊界情況的影響，因為它們可能沒有能力概括或處理未明確編程的情況）以及對複雜性現象建模的能力下降（在世界中建模的能力下降。

人工智慧中的隨機建模目前最受關注，重點是使用機率模型和統計方法來處理不確定性和複雜性。這種方法通常涉及機器學習技術，例如神經網路、決策樹和貝葉斯網絡，它們可以從數據中學習並根據機率做出決策。因此，隨機模型可以提供：適應性和靈活性（它們可以通過從數據中學習並相應地更新其內部表示來適應複雜、動態和不確定的環境）、泛化性（它們通常可以泛化到訓練數據之外，從而允許它們處理更廣泛的輸入和情況）和復雜現象的建模能力（成功的自然語言處理、音頻生成模型、圖像識別和生成以及不確定條件下的決策）[10]。

確定性和隨機建模的實現會為現實世界帶來許多挑戰，所使用的解決方案通常是從兩種類型的組合中獲得的，試圖獲得更好的性能。可能的新興方向是：

1. 自動駕駛汽車：自動駕駛汽車和其他由人工智慧驅動的自動駕駛汽車可能會變得更加普遍，從而提高運輸效率、減少事故並減輕對環境的影響。

2.個人化醫療：基於人工智慧的醫療應用可能會變得更加先進，從而能夠根據個人的基因譜和病史製定個人化的治療計劃。

3. 智慧助理：人工智慧驅動的虛擬助理可以變得更加複雜，提供更廣泛的服務和功能，從日程安排和任務管理到情感支援和生活方式建議。

4.量子電腦：人工智慧和量子運算的融合可以在密碼學、材料科學和藥物發現等領域帶來突破。

5.永續能源：人工智慧將能夠在開發更有效率和永續的能源系統（例如智慧電網和再生能源管理）方面發揮至關重要的作用。

未來世界的機器人或科學怪人

達到無限大或有限奇點

當一個人工實體被問及它是否可以在現實世界中達到 100% 的準確性（處理任何事件的能力）時，它會根據其擁有的資訊集產生以下回應：

在現實世界的應用中實現 100% 的人工智慧 (AI) 準確率的可能性極小，原因有幾個：

– 現實世界資料的複雜性：現實世界資料通常是混亂、不完整且吵雜的。不同格式、缺失值和異常值等因素使得人工智慧系統很難達到完美的準確性。例如，在影像辨識任務中，照明、角度和遮蔽的變化可能會導致錯誤分類。

– 動態環境：許多現實世界的應用程式在條件隨時間變化的動態環境中運作。例如，在自動駕駛中，道路狀況、天氣和交通模式可能會有很大差異。經過歷史資料訓練的人工智慧可能難以適應新場景，從而導致潛在的不準確。

– 人為錯誤和偏見：人工智慧系統從人類生成的數據中學習，這些數據可能包含偏見和錯誤。如果訓練資料反映了這些偏差，人工智慧就會使它們永久化，從而導致預測失真或不準確。這在就業、刑事司法和醫療保健等敏感領域尤其成問題。

– 模糊性和主觀性：許多現實世界的任務涉及模糊性和主觀解釋。例如，自然語言處理中的情緒分析可能具有挑戰性，因為單字的意思可能會根據上下文、語氣和文化細微差別而變化。在這種情況下，就什麼是「正確」達成共識是很困難的。

– 演算法限制：目前的人工智慧演算法具有固有的限制。不同的演算法在不同的領域表現出色，沒有一種方法可以完美地模擬複雜問題的各個方面。此外，即使是最先進的模型也可能過度擬合訓練數據，在未見過的數據上表現不佳。

– 道德與實際限制：在某些應用中，實現 100% 的準確性可能不道德或不可行。例如，在醫療診斷中，完美的模型可能會導致對人工智慧的過度自信，從而掩蓋人類的判斷和批判性思維。

– 成本和資源：尋求 100% 的準確性可能會導致時間、計算資源和財務成本方面的回報遞減。在許多情況下，達到滿足實際要求的高精度比力求完美更有利。

正如我們所看到的，隨著技術的進步，人工智慧的模擬能力正在不斷擴展，聲音的形狀也越來越多樣化。實現奇點可能涉及兩個主要方面：一方面，確定性模型的主要使用可以導致多功能實體的形成，但表達能力有限（有限奇點），例如小說電影中的機器人（例如：《星際爭霸戰》電影中的數據），另一方面，隨機模型的使用引入了高度不可預測、甚至潛在危險的變量，並可能導致《星際爭霸戰》的《星際爭霸戰》（例如：同一部電影中的星際爭霸戰）

現實世界、虛擬世界還是“逆世界”

目前使用人工智慧的實體產生的世界對虛擬世界產生了強烈影響，但目前對現實世界的影響還不是特別強烈，強烈影響僅透過電子環境產生。根據這些實體的發展方式，它們的自我定義能力僅限於用於學習的資訊集。因此，人工實體是由人類經驗產生的資訊集（兄弟）形成的，並將這種訓練轉化為一種表現形式。人類透過表現形式獲得經驗，從而創造資訊。換句話說，人工智慧是人性的一種逆向表現。透過將這個實體傳播到無限，我們可以創建一個“顛倒的世界”，它僅通過其形成源來代表一個非常複雜的主體，而不考慮與自然世界的相互作用。

參考書目

[1] McCulloch W.，Pitts W.，神經活動中固有思想的邏輯演算，數學生物學公報，卷。 52，第 l/2。第 99-115 頁，1990 年

[2] Rosenblatt, F.，“感知器：大腦中信息存儲和組織的概率模型”，《心理評論》，卷。 65，第 386–408 頁，1958 年

[3] 圖靈，A.M.，計算機器和智能。心靈 49: 433-460, 1950

[4] Lederer J.，人工神經網路中的活化函數：系統概述，Arxiv 線上圖書館，arXiv:2101.09957，2021

[5] Winter R.、Widrow B.，MADALINE 規則 II：神經網路訓練演算法，IEEE 1988 國際神經網路會議，1988 年

[6] Dahl G.、Schneider F.、Nado Z.、Agarwal N.，ş.a.，神經網路訓練演算法基準測試，Arxiv 線上圖書館，arXiv:2306.07179v1，2023

[7] Ruoyu S.，深度學習最佳化：理論與演算法，Arxiv 線上圖書館，arXiv:1912.08957v1，2019

[8] Sands T.，編輯，確定性人工智慧，IntechOpen，doi：10.5772/intechopen.81309，2020

[9] Carver M.，Mohammed I.，神經系統的模擬 VLSI 實現，Kluwer 國際工程與計算機科學系列，卷。 80., 1989

[10] Taye M.M.，透過深度學習理解機器學習：架構、工作流程、應用程式和未來方向，計算機，2023 年

[11] Alexeev Y.、Farag M.、Patti T、Wolf M.、şa.，量子計算人工智慧，Arxiv 線上圖書館，arXiv:2411.09131v1，2024

[12] Sudabathula B.，量子運算與人工智慧的融合：重塑機器學習的未來，國際資訊科技與管理資訊系統雜誌，第 16 卷，第 1 期，2025 年