零基础学习ai 多长时间达到专家的水平

[title]为了在医疗保健中产生真正的改变，AI需要像我们一样学习毫无疑问，AI将不可逆转地改变我们如何预防和治疗疾病。医生将把文档工作交给AI书记员；初级医疗服务提供者将依赖聊天机器人进行分诊；几乎无穷无尽的预测蛋白结构库将极大地加速药物开发。然而，为了真正改变这些领域，我们应该投资于创建一个模型生态系统——比如说，“专家” AI——它们像我们今天最优秀的医生和药物开发者那样学习。成为某个领域顶尖人才通常以多年的密集信息输入开始，通常是通过正规的学校教育，然后是某种形式的学徒实践；数年时间都致力于从该领域最出色的实践者那里学习，大多数情况下是面对面地学习。这是一个几乎不可替代的过程：例如，医学住院医生通过聆听和观察高水平的外科医生所获取的大部分信息，是任何教科书中都没有明确写出来的。通过学校教育和经验，获得有助于在复杂情况下确定最佳答案的直觉特别具有挑战性。这一点对于人工智能和人类都是如此，但对于AI来说，这个问题因其当前的学习方式以及技术人员当前对待这个机会和挑战的方式而变得更加严重。通过研究成千上万个标记过的数据点（“正确”和“错误”的例子）——当前的先进神经网络架构能够弄清楚什么使一个选择比另一个选择更好。我们应该通过使用彼此堆叠的模型来训练AI，而不是仅仅依靠大量的数据，并期望一个生成模型解决所有问题。例如，我们首先应该训练生物学的模型，然后是化学的模型，在这些基础上添加特定于医疗保健或药物设计的数据点。预医学生的目标是成为医生，但他们的课程从化学和生物学的基础开始，而不是诊断疾病的细微差别。如果没有这些基础课程，他们未来提供高质量医疗保健的能力将受到严重限制。同样，设计新疗法的科学家需要经历数年的化学和生物学学习，然后是博士研究，再然后是在经验丰富的药物设计师的指导下工作。这种学习方式可以帮助培养如何处理涉及细微差别的决策的直觉，特别是在分子层面，这些差别真的很重要。例如，雌激素和睾酮只有细微的差别，但它们对人类健康的影响截然不同。

[title]为了在医疗保健中产生真正的改变，AI需要像我们一样学习鉴于人工智能依赖的神经网络基础，这些专家AI可能通过元学习（或学会学习）比我们预期的更快地获得知识，并带着我们人类一同进步。AI的性质让我们可以做一些我们无法对人做的事情；即将他们一部分一部分地拆解，并研究每一个小部分。通过构建系统以深入探索专家AI的内部工作机制，我们将创造一个学习的飞轮。最终，专家AI可能超越领域专家的角色，成为下一代专家——无论是人类还是AI——的教师。

[title]余欣航heaven：人类一败涂地？更重要的是，我们要站在发展的角度思考——你现在或许会觉得AI画图构图不好，像是东拼西凑，甚至“拼尸块”；你或许会觉得大语言模型不能保证从“ A是B ”推出“ B是A ”、不能“精确说出十个字”……但问题是，这都只是一个过程罢了。目前你觉得AI的所有缺点、你觉得人类所有独特的行为，这无非是因为“效用函数”还不够复杂、计算力还不够大！按照海量专家的精确计算，当函数的参数超过兆亿级的时候，硅基生物便能理解人类的所有行为以及背后的意义，实现对人类的全面超越。要注意的是，这并不是科幻小说中要到22、23世纪才能实现的事情。按照现在AI一日千里发展的速度，5年时间就足以让整个行业完全不同。我们90后、00后这一代人，注定要在自己职业生涯最黄金的时期完整地见证这些剧变。倘若现在还像鸵鸟一样把头埋在土里，或是抓住“ AI画图不够好”、“ ChatGPT不能精确说出十个字”这样几个点沾沾自喜，那么，不出几年你就会被更强大的AI击败、淘汰！这绝不是遥远的未来，而是我们在生涯黄金期，必然要面临的、巨大的冲击！“其实，都没什么意义啦。”丁一摇了摇头，“或许有些工作复杂，有些工作简单，有些事情先被AI替代，有些事情后被AI替代。但是，这只不过前后差几年而已。最终——我是指十几年之内，我们将亲眼见证人类的所有事情，乃至人类这个种族被AI完全地替代！”“可、可……”我想说些什么，却又说不出来。“人类已经输了，碳基生物已经输了。未来，将是硅基生物的天下！”