曾經被學術界認為高不可攀的“強人工智能”，現如今，隻需一個大區的少量經費、資源，就能研發出來，這的確令人意外。
但想了想，方然也沒有十分驚訝，畢竟自己想要研發的“強ai”，和舊時代學術界心心念念的、那種能通過“圖靈測試”的強人工智能，根本就不是一回事，兩者的研發難度大有區別，也是很尋常的。
另一方麵，既然兩三年就能有成果，對“強ai初號機”的能力，也不能期望太高。
不同於舊時代的“圖靈測試”，今天的強人工智能之判據，著眼於本質、而非表象，nep_791研發的初號機，哪怕其行為特質，以圖靈測試的判定就是一個智障，隻要表征出可信的自主思維特征，就可以認為研發成功。
一旦研發出基礎架構，原則上，要實現更強功能的“強人工智能”，便隻需提升其規模。
與人類受製於大腦體積、結構的困窘不同，計算機係統，目前還沒有碰到基本架構與運行原理決定的性能天花板，新一代超級計算機的計算效率，雖然隻有35~40%，相比上一代超算，怎麽說也還在繼續增長。
而人腦，一百四十億神經元的組織體，重量一公斤有餘，物理上的限製在現階段幾乎無法突破。
有些研究甚至認為，目前的人腦已經是有機物——細胞——器官架構的最高水平，即便再怎樣演化，譬如增加神經元的數量（提升規模），提升單個神經元的體積（提高信噪比），填充更多的腦白質（拓展帶寬），都會因產生的副作用而得不償失。
這些研究，在asa的數據庫裏都有，方然也讀過一些，隻是暫時還未能確證。
但現在這一切已不重要，不論人腦是否還有演進的可能，短時間內，也根本無法獲得飛躍性的提升，根本無法追趕電子計算機的腳步。
隻要得到一台切實可用的“強人工智能”，隻要肯投入資源，便能得到更強大的“強ai”。
盡管這種投入，費效比想必會是一條斜率不斷接近於1.0的曲線，隨投入的翻番，所獲得的性能則距離翻一番越來越遠。
總體看來，還是會比豢養人類研究者更經濟。
ai與人類研究者，誰更經濟，這是方然一早就判明了的，專家組的意見也大致如此。
即便按目前的粗略預計，要具備與科學家相近的智力水平，整個“強人工智能”係統的造價與運行費用必然十分高昂，甚至會大大超出培養、雇傭一批科學家的總消耗，投入產出比也會很難看。
但換一個角度，一個人的智力再怎樣高超，將一群人組織起來，從事研究，則所有研究者都會被“信息交流效率低下”所困擾。
人類擁有的交流手段，視覺，聽覺，觸覺，嗅覺，味覺，除此之外，別無其他。
而這些手段，就算其中效率最高的視覺，傳遞訊息的能力也一點都不強，即便借助學術論文、科研資料，研究者之間的溝通效率，也很難超過10~100bps。
隨著組織規模的擴大，人與人之間，聯係愈加繁雜而緊密，這一問題便格外突出。
而利用fscim體係的計算機係統，則高效得多，哪怕微型計算機之間，彼此間的信息互聯也能達到gbps、甚至成百上千gbps的速率。
通訊的優勢，在一定係統規模的支持下，可以彌補節點的能力。
繼而，在計算機、人工智能領域，創造出智力超越一個人、甚至一群人的係統，也會比想象中來的更容易。
不知不覺，時間來到1495年深冬，nep_791地下建築內的“強ai初號機”完成初步配置，各模塊調試正常，等待阿達民審核一係列初始配置，將數據裝入係統，就可以上電進行第一次持續聯調。
隻是1pflops基礎算力，對應的智力，可以達到什麽樣的水平呢。
這一點，在研發時進行過幾輪仿真、估算，事到如今，萊斯利*蘭伯特還是說不準，畢竟置信區間跨越幾個量級，這種預測數字幾乎沒有意義。
故，在設置初號機的背景知識庫時，研究人員的設置，是謹慎的提供fscim基礎庫——數學部分的信息，這些信息都是年頭已久、絕對正確的概念、公理、定理等，難度則設置在“小學低年級”的水準。
難度水準僅供參考，事實上，研發組中的數學家，會同萊斯利*蘭伯特一起研討，仍無法判斷提供給“強ai初號機”的數據，相當於人類的什麽水平。
反正一開始的強人工智能，無須與人類比較，隻要有自我思維能力即可。
貫注數據，檢查所有模塊正常，西曆1495年12月的某一天，強人工智能初號機進入第一次沒有明確目標的全係統聯調，算力1pflops的巨型機開始全速運轉，監控係統抽取的數據，顯示ai的邏輯內核運行基本正常。
基本正常，放在傳統的計算機領域，這是一個很模棱兩可、似不應出現的詞。
用在當下的場合，u看書 ww.ukanshu.m顯然，也不是指任何vlsi、超大規模集成電路與外圍電路所必然存在的大量瑕疵、bug等因素，而是對一個被期望有“自我演化”能力的ai，究竟什麽樣的運行狀態是“完全正常”，本來也沒有100%準確的判據。
身在東北太平洋大區某地，通過監控網絡，方然“親眼”目睹了這一幕。
屏幕上的畫麵，很普通，“強人工智能”的上電運行、測試，過程也和一般的超級計算機係統差不多，並沒有令人印象深刻的特別環節。
自己參與到這一項目裏，身為前ffri-it（自封）的資深專家，方然沒時間親自為“強ai”編輯所有的fscim條目，不過fscim的條目的審核，則必須親力親為，才能保證身為管理員對其有起碼的掌控。
盡管如此，對這一具“強人工智能初號機”的機理，他的理解則很貧乏。
不僅是阿達民，事實上，根據“強ai”的總體架構，一旦該係統上電、開始運行，一段時間的自我演化後，係統的當前狀態都會變得未可知，連研發組都說不上來。
但想了想，方然也沒有十分驚訝，畢竟自己想要研發的“強ai”，和舊時代學術界心心念念的、那種能通過“圖靈測試”的強人工智能，根本就不是一回事，兩者的研發難度大有區別，也是很尋常的。
另一方麵，既然兩三年就能有成果，對“強ai初號機”的能力，也不能期望太高。
不同於舊時代的“圖靈測試”，今天的強人工智能之判據，著眼於本質、而非表象，nep_791研發的初號機，哪怕其行為特質，以圖靈測試的判定就是一個智障，隻要表征出可信的自主思維特征，就可以認為研發成功。
一旦研發出基礎架構，原則上，要實現更強功能的“強人工智能”，便隻需提升其規模。
與人類受製於大腦體積、結構的困窘不同，計算機係統，目前還沒有碰到基本架構與運行原理決定的性能天花板，新一代超級計算機的計算效率，雖然隻有35~40%，相比上一代超算，怎麽說也還在繼續增長。
而人腦，一百四十億神經元的組織體，重量一公斤有餘，物理上的限製在現階段幾乎無法突破。
有些研究甚至認為，目前的人腦已經是有機物——細胞——器官架構的最高水平，即便再怎樣演化，譬如增加神經元的數量（提升規模），提升單個神經元的體積（提高信噪比），填充更多的腦白質（拓展帶寬），都會因產生的副作用而得不償失。
這些研究，在asa的數據庫裏都有，方然也讀過一些，隻是暫時還未能確證。
但現在這一切已不重要，不論人腦是否還有演進的可能，短時間內，也根本無法獲得飛躍性的提升，根本無法追趕電子計算機的腳步。
隻要得到一台切實可用的“強人工智能”，隻要肯投入資源，便能得到更強大的“強ai”。
盡管這種投入，費效比想必會是一條斜率不斷接近於1.0的曲線，隨投入的翻番，所獲得的性能則距離翻一番越來越遠。
總體看來，還是會比豢養人類研究者更經濟。
ai與人類研究者，誰更經濟，這是方然一早就判明了的，專家組的意見也大致如此。
即便按目前的粗略預計，要具備與科學家相近的智力水平，整個“強人工智能”係統的造價與運行費用必然十分高昂，甚至會大大超出培養、雇傭一批科學家的總消耗，投入產出比也會很難看。
但換一個角度，一個人的智力再怎樣高超，將一群人組織起來，從事研究，則所有研究者都會被“信息交流效率低下”所困擾。
人類擁有的交流手段，視覺，聽覺，觸覺，嗅覺，味覺，除此之外，別無其他。
而這些手段，就算其中效率最高的視覺，傳遞訊息的能力也一點都不強，即便借助學術論文、科研資料，研究者之間的溝通效率，也很難超過10~100bps。
隨著組織規模的擴大，人與人之間，聯係愈加繁雜而緊密，這一問題便格外突出。
而利用fscim體係的計算機係統，則高效得多，哪怕微型計算機之間，彼此間的信息互聯也能達到gbps、甚至成百上千gbps的速率。
通訊的優勢，在一定係統規模的支持下，可以彌補節點的能力。
繼而，在計算機、人工智能領域，創造出智力超越一個人、甚至一群人的係統，也會比想象中來的更容易。
不知不覺，時間來到1495年深冬，nep_791地下建築內的“強ai初號機”完成初步配置，各模塊調試正常，等待阿達民審核一係列初始配置，將數據裝入係統，就可以上電進行第一次持續聯調。
隻是1pflops基礎算力，對應的智力，可以達到什麽樣的水平呢。
這一點，在研發時進行過幾輪仿真、估算，事到如今，萊斯利*蘭伯特還是說不準，畢竟置信區間跨越幾個量級，這種預測數字幾乎沒有意義。
故，在設置初號機的背景知識庫時，研究人員的設置，是謹慎的提供fscim基礎庫——數學部分的信息，這些信息都是年頭已久、絕對正確的概念、公理、定理等，難度則設置在“小學低年級”的水準。
難度水準僅供參考，事實上，研發組中的數學家，會同萊斯利*蘭伯特一起研討，仍無法判斷提供給“強ai初號機”的數據，相當於人類的什麽水平。
反正一開始的強人工智能，無須與人類比較，隻要有自我思維能力即可。
貫注數據，檢查所有模塊正常，西曆1495年12月的某一天，強人工智能初號機進入第一次沒有明確目標的全係統聯調，算力1pflops的巨型機開始全速運轉，監控係統抽取的數據，顯示ai的邏輯內核運行基本正常。
基本正常，放在傳統的計算機領域，這是一個很模棱兩可、似不應出現的詞。
用在當下的場合，u看書 ww.ukanshu.m顯然，也不是指任何vlsi、超大規模集成電路與外圍電路所必然存在的大量瑕疵、bug等因素，而是對一個被期望有“自我演化”能力的ai，究竟什麽樣的運行狀態是“完全正常”，本來也沒有100%準確的判據。
身在東北太平洋大區某地，通過監控網絡，方然“親眼”目睹了這一幕。
屏幕上的畫麵，很普通，“強人工智能”的上電運行、測試，過程也和一般的超級計算機係統差不多，並沒有令人印象深刻的特別環節。
自己參與到這一項目裏，身為前ffri-it（自封）的資深專家，方然沒時間親自為“強ai”編輯所有的fscim條目，不過fscim的條目的審核，則必須親力親為，才能保證身為管理員對其有起碼的掌控。
盡管如此，對這一具“強人工智能初號機”的機理，他的理解則很貧乏。
不僅是阿達民，事實上，根據“強ai”的總體架構，一旦該係統上電、開始運行，一段時間的自我演化後，係統的當前狀態都會變得未可知，連研發組都說不上來。