人為什麼有那麼強遷移能力？

1樓：lens

1,標準化的知識儲存和傳播方式；2，大腦可以模擬現實，不需要過多的實際測試。這些都是除人類之外其它動物或機器現在還不具備的。

2樓：Derek

正在研究這種遷移能力。據我現在的研究來看，人最大的優勢是有乙個完整的體系。知識從產生到儲存到復用更新都是一體的，而機器學習是離散的。

縱然機器學習有很多演算法，但沒法整合到一起。人的學習能力在單個問題上似乎沒那麼強，但可以整合歷史經驗甚至從整個社會積累的知識中學習，這種整合能力是機器所不具備的。

至於人創造新演算法是因為對過往演算法的充分認識與理解，才能改進。大部分人都是傻傻的使用者，只是會用工具，不知道怎麼造工具就更談不上創新了，連舊工具的缺陷在哪都不知道，怎麼創新。

3樓：漢德桑東

我覺得人的學習和創造能力來自於歸納，抽象，和推理。在ai領域中有一階邏輯和二階邏輯我覺得更接近於這種過程。從已知規則中推理生成新的規則，不過這種方法效能瓶頸很嚴重，規則數量一大就難以計算，人腦計算能力是個謎。

另外機器學習我覺得和真正的所謂學習根本就是兩個方向。機器學習更接近於統計方法。用學習這個詞主要是為了讓這種技術聽起來炫酷高大上。

4樓：仲義

這個問題是值得懷疑的。。人的學習能力很強麼？世界上的文盲比例多高？

我們周圍的人究竟會什麼了不起的事情？你仔細思考下，就會發現，很多很多人其實什麼都不會。。。張口說話啥的，這種算是進化的力

5樓：lccurious

從計算機的角度出發可能可以理解地更加簡單粗暴一點，就卷積神經網路而言，前面的輸入層就類似於人的視覺接受域，然後經過幾層簡單的類似於卷積的編碼之後進入更加高階的腦區。然後人們像瞎子摸象一樣知道這部分原理了，就模仿這種結構做出了類似下圖的這樣的網路結構，

最左邊是輸入資訊，經過幾層抽象和重新對映到我們不能直觀理解的空間中

各類資訊進入大腦之後應該是經過極其複雜的神經網路抽象成更加通用的資訊，像是個資訊核，各類資訊可以編碼抽象成那個形態又能再解碼成各種形態。

6樓：柯羅伊

更願意把一類證明看作乙個演算法…反正我學數學感覺記的是方法，而不是證明。

機器學習人工智慧的是真不懂，不過有個想法，大概人是做到了理解，而機器只是知道了，記住了，習慣了，缺少了更深層次的分析和理解。是不是通過什麼手段讓機械也能「理解」，那個時候機器就能遷移了吧…

創造新演算法大概是融會貫通？大概也是要對前人的深刻理解之後才可以做到。