AI 是有用的，但并不是像中国大佬们吹嘘的那样似乎是唯一可以做的事情，革命性的产业。“人工智能”（AI）这个词根本就是噱头，从一开头就是噱头。“神经网络”也跟神经没有任何关系。这个领域靠“智能”和“神经”这两个词，骗了一代又一代人。
真正起作用的技术，叫做“机器学习”（Machine Learning）或者“深度学习”（Deep Learning）。我喜欢把它叫“机器学习”，因为“深度学习”就是“机器学习”改进了一下而已，去掉了以前的一些缺陷，它并没有概念上的突破。因为之前人们对“机器学习”产生了失望，为了市场效益换了一个更吓人的名字而已。有深度！
等你看透了机器学习，就会发现它真的很有用，甚至可以说是优美的理论，因为它根本就是改头换面之后的微积分！它是牛顿，莱布尼兹古老而伟大的理论，以更加简单，优雅而强大的形式出现。
机器学习基本就是利用微积分求导，拟合一些函数，深度学习就是拟合更加复杂的函数。而各种“深度学习框架”（TensorFlow，PyTorch，MxNet……），就是用来描述这些函数所用的“编程语言”。
跟普通语言的不同点在于，这些语言是“可求导”的（differentiable）。用这些语言写出来的函数，你可以得到它们的导数。有了导数，你就可以用“梯度下降法”调整参数，使得误差最小化，然后你就拟合出了一个函数。
所有这些，都是古老的统计学方法的扩展。我不得不承认它们是非常好的改进，可以说是具有“美感”的。我好长一段时间都沉浸在对这些美丽的理论的思考之中。
微积分是非常有用的，但却不是万能的，你可以从概念上理解它能做什么，不能做什么。深度学习在某些领域有很大的价值，但它跟“智能”没有什么关系。深度学习拟合的函数可以告诉你图片上的物体名字叫“狗”，但它并不知道狗“是什么”。
深度神经网络（比如 ResNet）可以判断出图片上很多东西的“名字”，甚至比大部分人知道的名字还多，但它并不知道那些东西“是什么”。它看到的只是一堆像素，然后通过复杂的计算，给你一个“名字”。没有理解，也没有常识。
ResNet 拿 ImageNet 训练之后，在识别能力上当然可以“超越人类”。我自己看了 ImageNet 里面的那些图片，好多东西我根本就没见过，或者不知道是什么。世界上有那么多种类的花，那么多种类的树，那么多种动物，各种奇怪的海底生物，那么多的明星演员，那么多的人造日用品，各种各样的飞机船只，那么多的古董文物，非洲的图腾，太平洋小岛上出产的水果…… 我看了也不知道它们叫什么名字，我也不在乎。这种题我当然做不过 ResNet！
但我知道猫和狗是什么。我知道它们的很多特征，它们发出什么样的叫声，是什么样的构造，它们吃什么样的食物，会有什么样动作，什么样的行为…… 你拿千万张猫和狗的图片或者视频给 ResNet，或者其它神经网络，它能知道这些吗？
这就是我所谓的“常识”或者“理解”，你可能没想到这对于机器而言有多难。
如果我遇到从来没见过的东西，我不知道它叫什么名字。可是我观察一会儿，玩一会儿，我就知道它大概是什么类型的东西。我可以发现怎么和它互动，它可能有什么用处，它是什么样的结构…… 研究透了之后，我发现以前没人见过这种东西，我可能给它起个名字。
所以我虽然不知道一个东西的“名字”，但我却可以知道它“是什么”。我们应该清楚地区分“知道一个东西的名字”和“知道一个东西是什么”。
ResNet 能做这些事情吗？不能。它只知道一些东西的名字，许许多多东西的名字，它却不知道它们“是什么”。它只能等我把这东西照了相给它，然后告诉它名字。经过训练之后，它下次再看到这东西，可能就能告诉我它的名字。但到最后，它仍然只知道东西的名字。
我不是说 ResNet 没用，它非常有用。我会拿它当字典查，我可以用它做图片搜索，做很多有趣的，前所未见的事情。可是它不具有智能，我有。它只是我的工具。
没有人知道如何实现“常识”和“理解”，甚至没有人真的知道它们是什么。人的视觉系统看到的只是一堆像素吗？人的理解能力在观察中起了什么作用？到底什么是“智能”？…… 一系列深刻的问题，深度学习根本没能回答，甚至没有人思考这些事情。
所以深度神经网络所谓“超人类”的视觉能力，其实是一个字典。它记住了一些数据，然后加了一点“平滑”，拟合出一个从“图片==>名字”的函数。任何一部字典都超越了所有人的记忆能力，可是字典有智能吗？就是这么一个东西，让不明觉厉的人以为“智能”即将实现，让别有用心的人借机大肆忽悠。
中国大佬们全都在浮夸 AI 的能力，每每上台说得天花乱坠，跟科幻电影似的。作为一个“深度学习工程师”，成天研究和折腾深度学习框架，这些我都看在眼里，记在心里，一直没好说出来。这些布道 AI 的大佬们，到底有没有碰过代码，有没有训练过模型，知不知道深度学习到底是什么……
很多深度学习工程师，数据科学家都知道这些，默默无闻做着真正有价值的事情。他们的老板们，各位“大佬”，一知半解，却到处宣讲和浮夸。各种 AI 书也充斥着市场，大佬们写鼓吹 AI 的书，各种外行名人们，甚至娱乐圈的人也写鼓吹 AI 的书，都想借着 AI 的热潮捞一把。如此的铺天盖地而来，真是让人怀疑，中国人还有没有节操？
“智能”这个东西，根本还没开始思考，没开始动手，完全没有头绪，就在天天叫嚣着“快要实现了”，“真的要来了”。最大的忽悠主题就是自动驾驶，智能客服，甚至自动编程。这些根本就是机器学习做不到的事情。
一辆没有真的理解能力的“自动驾驶车”，你敢坐吗？就算它知道摄像头上每一个位置的物体叫什么名字，它却不知道它们是什么，它没有这个“概念”。
#王垠 #人工智能
真正起作用的技术，叫做“机器学习”（Machine Learning）或者“深度学习”（Deep Learning）。我喜欢把它叫“机器学习”，因为“深度学习”就是“机器学习”改进了一下而已，去掉了以前的一些缺陷，它并没有概念上的突破。因为之前人们对“机器学习”产生了失望，为了市场效益换了一个更吓人的名字而已。有深度！
等你看透了机器学习，就会发现它真的很有用，甚至可以说是优美的理论，因为它根本就是改头换面之后的微积分！它是牛顿，莱布尼兹古老而伟大的理论，以更加简单，优雅而强大的形式出现。
机器学习基本就是利用微积分求导，拟合一些函数，深度学习就是拟合更加复杂的函数。而各种“深度学习框架”（TensorFlow，PyTorch，MxNet……），就是用来描述这些函数所用的“编程语言”。
跟普通语言的不同点在于，这些语言是“可求导”的（differentiable）。用这些语言写出来的函数，你可以得到它们的导数。有了导数，你就可以用“梯度下降法”调整参数，使得误差最小化，然后你就拟合出了一个函数。
所有这些，都是古老的统计学方法的扩展。我不得不承认它们是非常好的改进，可以说是具有“美感”的。我好长一段时间都沉浸在对这些美丽的理论的思考之中。
微积分是非常有用的，但却不是万能的，你可以从概念上理解它能做什么，不能做什么。深度学习在某些领域有很大的价值，但它跟“智能”没有什么关系。深度学习拟合的函数可以告诉你图片上的物体名字叫“狗”，但它并不知道狗“是什么”。
深度神经网络（比如 ResNet）可以判断出图片上很多东西的“名字”，甚至比大部分人知道的名字还多，但它并不知道那些东西“是什么”。它看到的只是一堆像素，然后通过复杂的计算，给你一个“名字”。没有理解，也没有常识。
ResNet 拿 ImageNet 训练之后，在识别能力上当然可以“超越人类”。我自己看了 ImageNet 里面的那些图片，好多东西我根本就没见过，或者不知道是什么。世界上有那么多种类的花，那么多种类的树，那么多种动物，各种奇怪的海底生物，那么多的明星演员，那么多的人造日用品，各种各样的飞机船只，那么多的古董文物，非洲的图腾，太平洋小岛上出产的水果…… 我看了也不知道它们叫什么名字，我也不在乎。这种题我当然做不过 ResNet！
但我知道猫和狗是什么。我知道它们的很多特征，它们发出什么样的叫声，是什么样的构造，它们吃什么样的食物，会有什么样动作，什么样的行为…… 你拿千万张猫和狗的图片或者视频给 ResNet，或者其它神经网络，它能知道这些吗？
这就是我所谓的“常识”或者“理解”，你可能没想到这对于机器而言有多难。
如果我遇到从来没见过的东西，我不知道它叫什么名字。可是我观察一会儿，玩一会儿，我就知道它大概是什么类型的东西。我可以发现怎么和它互动，它可能有什么用处，它是什么样的结构…… 研究透了之后，我发现以前没人见过这种东西，我可能给它起个名字。
所以我虽然不知道一个东西的“名字”，但我却可以知道它“是什么”。我们应该清楚地区分“知道一个东西的名字”和“知道一个东西是什么”。
ResNet 能做这些事情吗？不能。它只知道一些东西的名字，许许多多东西的名字，它却不知道它们“是什么”。它只能等我把这东西照了相给它，然后告诉它名字。经过训练之后，它下次再看到这东西，可能就能告诉我它的名字。但到最后，它仍然只知道东西的名字。
我不是说 ResNet 没用，它非常有用。我会拿它当字典查，我可以用它做图片搜索，做很多有趣的，前所未见的事情。可是它不具有智能，我有。它只是我的工具。
没有人知道如何实现“常识”和“理解”，甚至没有人真的知道它们是什么。人的视觉系统看到的只是一堆像素吗？人的理解能力在观察中起了什么作用？到底什么是“智能”？…… 一系列深刻的问题，深度学习根本没能回答，甚至没有人思考这些事情。
所以深度神经网络所谓“超人类”的视觉能力，其实是一个字典。它记住了一些数据，然后加了一点“平滑”，拟合出一个从“图片==>名字”的函数。任何一部字典都超越了所有人的记忆能力，可是字典有智能吗？就是这么一个东西，让不明觉厉的人以为“智能”即将实现，让别有用心的人借机大肆忽悠。
中国大佬们全都在浮夸 AI 的能力，每每上台说得天花乱坠，跟科幻电影似的。作为一个“深度学习工程师”，成天研究和折腾深度学习框架，这些我都看在眼里，记在心里，一直没好说出来。这些布道 AI 的大佬们，到底有没有碰过代码，有没有训练过模型，知不知道深度学习到底是什么……
很多深度学习工程师，数据科学家都知道这些，默默无闻做着真正有价值的事情。他们的老板们，各位“大佬”，一知半解，却到处宣讲和浮夸。各种 AI 书也充斥着市场，大佬们写鼓吹 AI 的书，各种外行名人们，甚至娱乐圈的人也写鼓吹 AI 的书，都想借着 AI 的热潮捞一把。如此的铺天盖地而来，真是让人怀疑，中国人还有没有节操？
“智能”这个东西，根本还没开始思考，没开始动手，完全没有头绪，就在天天叫嚣着“快要实现了”，“真的要来了”。最大的忽悠主题就是自动驾驶，智能客服，甚至自动编程。这些根本就是机器学习做不到的事情。
一辆没有真的理解能力的“自动驾驶车”，你敢坐吗？就算它知道摄像头上每一个位置的物体叫什么名字，它却不知道它们是什么，它没有这个“概念”。
#王垠 #人工智能
中国核废水的排放标准与日本核废水排放标准
ChatGpt 3.5:
截至我所掌握的知识（2021年9月），以下是关于中国和日本核废水排放标准的一些信息：
中国核废水排放标准：
中国目前没有明确的国家级核废水排放标准。核电站在中国通常会采用多重技术和措施来处理和处理核废水，以确保其排放符合环境保护要求。具体的核废水处理和排放标准可能会因核电站的不同而有所差异，但总体目标是保护环境和公众健康。
日本核废水排放标准：
日本政府于2020年4月批准了东京电力公司（TEPCO）福岛第一核电站事故后的核废水处理计划。根据该计划，福岛第一核电站的核废水将经过处理后排放至海洋中。2021年7月，日本政府正式决定实施这一计划。
在日本，核废水的排放受到多个标准和限制的约束，包括：
1. 放射性物质浓度：核废水排放中的放射性物质浓度必须符合日本的环境放射性物质浓度标准，以确保排放对环境和公众健康的影响得到控制。
1. 预处理和处理方法：核废水必须经过预处理和处理，以降低其中的放射性物质浓度和危险性。具体的处理方法可能包括离子交换、逆渗透、深度过滤等。
1. 监测和监督：核废水排放必须进行持续的监测和监督，以确保排放符合标准和限制，并及时采取措施防止潜在的影响。
需要注意的是，关于日本福岛第一核电站事故后核废水排放的计划和标准，具体的技术和操作细节可能已经发生了变化。如果您对最新的标准和政策感兴趣，建议查阅相关的官方机构、科学研究和政府公告，以获取最准确和最新的信息。
#人工智能
ChatGpt 3.5:
截至我所掌握的知识（2021年9月），以下是关于中国和日本核废水排放标准的一些信息：
中国核废水排放标准：
中国目前没有明确的国家级核废水排放标准。核电站在中国通常会采用多重技术和措施来处理和处理核废水，以确保其排放符合环境保护要求。具体的核废水处理和排放标准可能会因核电站的不同而有所差异，但总体目标是保护环境和公众健康。
日本核废水排放标准：
日本政府于2020年4月批准了东京电力公司（TEPCO）福岛第一核电站事故后的核废水处理计划。根据该计划，福岛第一核电站的核废水将经过处理后排放至海洋中。2021年7月，日本政府正式决定实施这一计划。
在日本，核废水的排放受到多个标准和限制的约束，包括：
1. 放射性物质浓度：核废水排放中的放射性物质浓度必须符合日本的环境放射性物质浓度标准，以确保排放对环境和公众健康的影响得到控制。
1. 预处理和处理方法：核废水必须经过预处理和处理，以降低其中的放射性物质浓度和危险性。具体的处理方法可能包括离子交换、逆渗透、深度过滤等。
1. 监测和监督：核废水排放必须进行持续的监测和监督，以确保排放符合标准和限制，并及时采取措施防止潜在的影响。
需要注意的是，关于日本福岛第一核电站事故后核废水排放的计划和标准，具体的技术和操作细节可能已经发生了变化。如果您对最新的标准和政策感兴趣，建议查阅相关的官方机构、科学研究和政府公告，以获取最准确和最新的信息。
#人工智能
中国核废水的排放标准与日本核废水排放标准
Bard:
中国和日本的核废水排放标准主要针对氚的含量。
中国《核电厂放射性废水污染控制标准》（GB13395-2021）规定，核电厂正常运行排放的放射性废水中氚的含量不得超过每升1000贝克勒尔（Bq），对核事故应急排放的放射性废水中氚的含量没有明确规定。
日本《福岛第一核电站事故处理水排放海中环境影响评价报告》规定，福岛第一核电站事故处理水中氚的含量不得超过每升15贝克勒尔。
从标准上看，日本的核废水排放标准比中国更严格。
中国之所以对核废水的排放标准相对宽松，主要是考虑到核电站正常运行产生的废水，其氚的含量相对较低，且经过处理后可以进一步降低。而日本的福岛第一核电站事故处理水中氚的含量较高，因此需要采取更严格的标准来确保安全。
不过，中国对福岛第一核电站事故处理水的排放也持反对态度，认为这会对周边环境造成潜在的威胁。
#人工智能
Bard:
中国和日本的核废水排放标准主要针对氚的含量。
中国《核电厂放射性废水污染控制标准》（GB13395-2021）规定，核电厂正常运行排放的放射性废水中氚的含量不得超过每升1000贝克勒尔（Bq），对核事故应急排放的放射性废水中氚的含量没有明确规定。
日本《福岛第一核电站事故处理水排放海中环境影响评价报告》规定，福岛第一核电站事故处理水中氚的含量不得超过每升15贝克勒尔。
从标准上看，日本的核废水排放标准比中国更严格。
中国之所以对核废水的排放标准相对宽松，主要是考虑到核电站正常运行产生的废水，其氚的含量相对较低，且经过处理后可以进一步降低。而日本的福岛第一核电站事故处理水中氚的含量较高，因此需要采取更严格的标准来确保安全。
不过，中国对福岛第一核电站事故处理水的排放也持反对态度，认为这会对周边环境造成潜在的威胁。
#人工智能
云计算巨头甲骨文（Oracle）创始人拉里·埃里森（Larry Ellison）是马斯克（Elon Musk）的好友。在他看来，把特斯拉看成是一家电动汽车制造公司是极其狭隘的，原因在于：1、特斯拉建造了全球的充电网络；2、创造了新型的电池；3、在全球建造了自动化工厂，其中德克萨斯工厂是世界上最大的建筑，仅花了18个月就建成，马斯克亲自监工；4、自动驾驶技术上领先。综合以上几点，特斯拉凭空建立了各项基础设施和软硬件，创造了电动汽车时代。因此，他认为特斯拉（Tesla）是地球上最有价值的公司。#甲骨文 #Oracle #拉里埃里森 #马斯克 #特斯拉 #Tesla #新能源 #电动汽车 #电池 #自动驾驶 #人工智能 #AI #科技