Source: Slashdot
最近，统计建模作为人工智能引擎特别是深度神经网络的重要组成部分，已经变得异常重要。这些系统筛选海量文本，创建一个书面表达的统计模型，即给定词在特定环境中出现的可能性。最大的模型找到了连接成千上万个简单数学神经元的最佳方式，使用数以万计的参数。
这些模型创造了庞大的数据结构，类似于交织的圣诞灯链，其开闭模式试图捕捉历史词语使用的一部分。这些神经元来自1943年由沃伦S.麦卡洛克和沃尔特·皮茨最初制定的生物神经元的数学模型。
沃伦S.麦卡洛克和沃尔特·皮茨认为，大脑活动可以简化为简单的相互连接的处理单元模型，按照相对简单的激活和禁用规则，在它们之间接收和发送零和一。但是，其他人看到了这种可能性，早期的机器学习研究人员通过实验小型数学神经元网络，有效地创建了简单大脑的神经结构的数学模型，不是为了从事精神病学，而是用于对数据进行分类。
在许多环境中，这些模型的预测和生成能力令人惊叹，但这是以理解它们的工作原理的代价为代价的。一个名为可解释性（或X-A.I.，即“可解释”的人工智能）的新领域实质上是人工神经网络的神经科学。
统计建模在人工智能中发挥着重要的作用，但我们需要谨慎理解其工作原理和局限性。
特别声明：本文及配图均为用户上传或者转载，本文仅代表作者个人观点和立场，不代表平台观点。其原创性以及文中陈述文字和内容未经本站证实，
对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本平台不作任何保证或承诺，请读者仅作参考，
并请自行核实相关内容。如发现稿件侵权，或作者不愿在本平台发布文章，请版权拥有者通知本平台处理。
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios)
posted above belong to the User who shared or the third-party website which the User shared from.
If you found your copyright have been infringed, please send a DMCA takedown notice to
info@microheadline.com
来源：https://tech.slashdot.org/story/24/01/19/1137253/how-much-of-the-world-is-it-possible-to-model?utm_source=rss1.0mainlinkanon&utm_medium=feed
https://news.ycombinator.com/item%3Fid%3D39001391
https://en.wikipedia.org/wiki/Many-worlds_interpretation
