如何找一个AI解决生活中的小问题

[title]沃尔夫勒姆：人工智能能解决科学问题吗？[heading1] 超越“精确科学”[content]One thing that’s particularly notable about “AI measurements” is how they can potentially pick out “small signals” from large volumes of unstructured data.We’re used to having methods like statistics to do similar things on structured,numerical data.But it’s a different story to ask from billions of webpages whether,say,kids who like science typically prefer cats or dogs.“人工智能测量”特别值得注意的一件事是它们如何从大量非结构化数据中挑选出“小信号”。我们习惯于使用统计等方法对结构化的数字数据执行类似的操作。但从数十亿个网页中询问喜欢科学的孩子通常喜欢猫还是狗，那就是另一回事了。But given an “AI measurement” what can we expect to do with it?None of this is very clear yet,but it seems at least possible that we can start to find formal relationships.Perhaps it will be a quantitative relationship involving numbers; perhaps it will be better represented by a program that describes a computational process by which one measurement leads to others.但有了“人工智能测量”，我们能用它做什么呢？这一切还不是很清楚，但看起来至少我们可以开始寻找正式的关系。也许是一种涉及数字的数量关系；也许用一个程序来更好地表示它，该程序描述了一个计算过程，通过该过程，一个测量结果可以得出其他测量结果。

在上面这个非常简单的例子中，我们很容易能够显式地生成整个多路图。但在大多数实际示例中，该图会太大。因此，挑战通常是在不追踪整个可能性图的情况下弄清楚要采取什么行动。一种常见的方法是尝试找到一种方法来为不同的可能状态或结果分配分数，并仅追求分数最高的路径。在自动定理证明中，“从初始命题向下”和“从最终定理向上”工作也很常见，试图找出路径在中间的交汇处。还有另一个重要的想法：如果建立了“引理”，即存在从X到Y的路径，则可以将X→ Y添加为规则集合中的新规则。So how might AI help?As a first approach,we could consider taking something like our string multiway system above,and training what amounts to a language-model AI to generate sequences of tokens that represent paths(or what in a mathematical setting would be proofs).The idea is to feed the AI a collection of valid sequences,and then to present it with the beginning and end of a new sequence,and ask it to fill in the middle.那么人工智能可以提供什么帮助呢？作为第一种方法，我们可以考虑采用类似于上面的字符串多路系统的东西，并训练相当于语言模型人工智能的东西来生成代表路径的标记序列（或者在数学设置中将是证明）。这个想法是向人工智能提供一组有效的序列，然后向它呈现一个新序列的开头和结尾，并要求它填充中间部分。

针对每个小步骤，想想有没有AI工具可以帮上忙，如果你想不到的话，别自己闷头去想，去找一下别人是怎么做的？我们遇到的大多数问题，别人都遇到过并很好地解决了，所以你只需要找到别人是怎么解决这个问题的就可以了。注意，要灵活选择最优解，不要为了AI而AI。通过局部最优解，来达到全局最优解。我们的目的是提高工作效率，而不是提高工作的含AI量。