人工智能就是能够像人一样解决问题的智能体，其终极目标就是像人一样解决问题。
AI=ANI(Aritificial Narrow Intellgence,窄人工智能) +AGI（Aritificial General Intellgence,通用人工智能）
ANI是解决特定问题的人工智能。
AGI是解决通用问题的人工智能，具有完全具有人类智能的计算机系统。
常见的人工智能技术路径

1.Rule-based基于规则的技术路径。基于规则的模型依赖于一些列预定义的规则或逻辑来做出决策。特点是精确。
2.Tree-based决策树。基于树的模型是一种监督学习算法，他们通过树状结构来表示决策过程。处理一定自由度的模型。
Neural Network神经网络。神经网络是受人脑结构和功能启发的算法，它们通过模拟神经元的链接和激活来处理信息。善于解决高自由度的工作。

机器学习是人工智能的核心领域，是不需要明确编程的、ai自我学习和调节的过程，学习就是在数据中找规律。
AGI的挑战：

1.理解层面。人类的只能是如何产生的并不清楚，目前的猜测是神经网络的涌现，人工智能是在模拟这一涌现过程。
2.数据和能量。从数据量上看，人类的大脑是一个比当前任意神经网络系统高效得多的系统。从能耗上看，人脑大概每天是0.3度点，而openai每天的能耗是24万度电。
3.训练方式。当前的训练方式是筛选后的数据，相对人脑更温和。

Reinforcement Learning。是机器学习中的一个重要分支，专注于如何通过与环境的交互来学习最有的决策策略。
Scaling Laws是指描述模型性能如何随着模型规模、数据量和计算资源的增加而变化的定律。扩展定律为涉及和优化大规模AI模型提供了铝轮基础，帮助研究人员和工程师预测更大规模模型的性能表现。
Power function是一种数学形式，同城上用来描述两个变量之间的关系，其中一个变量的值与另一个变量的某个幂次函数相关联。
扩展定律，为ai的发展提供了明确的指导，由经验总结的定律，用来证明通用人工智能能否通过“大力出奇迹”的方式实现，原因如下

1.预测性能的提升，可以预测如果提升规模，性能会有什么样的提升，这样有助于制定更有效的研究和开发策略。
2.资源优化。帮助我们在特定的限制下，如何最大化模型的性能。
3.引导创新。激发对新架构和新方法的探索。

现在的人工智能是一个黑盒，对其内部工作机制和运行逻辑是不清楚的。
模型可解释性（Model Interpretability，指理解和解释机器学习模型的决策过程和输出的能力）
模型优化路线指的是一系列用于改进和提升人工智能模型性能、效果、准确性等方面的方法和途径的组合。
负责人的人工智能，指在开发、部署和使用人工智能的过程中，充分考虑伦理道德、社会影响、公平性、安全性、可靠性、隐私保护等多方面因素，以确保人工智能技术的发展和应用是有益的、可持续的且不会对人类社会造成负面影响。包括：

透明性。
公平性。确保没有偏见。数据偏见是ai训练过程中数据存在的系统性偏差或不公平的倾向，导致结果偏见的主要原因。
隐私保护安全性。
问责制。ai出现问题的时候能够明确责任归属。

伦理指南