强人工智能数学理论中最重要的部分。当然，如果可以还要尝试论证被摒弃的那一部分是无用智能……
比如对于人类来说，其实并不需要给为你辅助的智能设备添加审美功能。毕竟不能说以后某位长得过于抽象的客户买了一部最新的智能手机，智能手机还能因为摄像头感知到主人长得太丑而长期以低效的模式提供智能服务，这就是属于给自己找麻烦的高级智能还原。
这是宁为正在做的东西。
他需要将一系列人类需要的智能反应过程，转化为计算过程提供出有力的理论证明，并结合大数据证明机器可以拥有主动学习能力，并为实现更精确的计算机视觉、听觉甚至触觉提供一个更简单更精准的理论指导。
说起来简单，但真的做起来却是极为复杂的过程。在制作数学模型的时候需要充分考虑到其可扩展性，包括每个计算单元、每个算符，想要实现一个很简单的能力可能都需要多级程序语言调用的多级编译或解释系统。这一点是从构建三月主体程序得到的经验。
以三月为例，现在三月就具备了一定的程序感知能力，跟对基本语义的识别能力，这些都是建立在主动学习基础之上的。但实际上就目前的三月来说，相对于她审核那些可公式化的数学稿件，在识别人类基础语义这块消耗的算力要更多。
想要让机器如同人类一样去识别语言语义，尤其是识别一些不同环境下能表现丰富情绪的语义，往往还需要机器对情绪的洞察力。
而这一切都是人工智能理论构架的基础，其难度自然是极大的，宁为能做的便是将所有的问题分解成一个个小问题，然后一个个解决，最终形成整套大理论。
比如他已经解决了其中最简单的大数据压缩难题。通过强压缩手段可以让人工智能程序在最短时间内获得最多的数据来锻炼其本身的分析判断能力。现在宁为正在做的则是人类理解语义、情绪的计算还原过程。
这块做完了，他的拔尖青年项目也能顺利完成，顺便在拿个图灵奖大概问题不大。这块的难度虽然极大，超乎想象的大，但有三月作为参照物，却让难度直线下跌了不少，最关键的点在于整个学习过程的计算模式还原。
大概浏览了之前已经完成的内容，宁为快速的开始在程序中构建大脑中确定的行为模式模型。
“定义7，数据对象O是一个有指定类T的变量v，v∈V⊂PV⊏U，其由类型约束μv（T）限制以便将此一般类T通过子域裁剪T″转化为一给定问题的特定类T′。
“即O≙”
……
“嗨，你回来了？”当办公室门推开，江同学走进办公室时，宁为恰好通过列出的定义，完成了论文中一个定理的证明。
“是啊，今天出门忙
请收藏：https://m.aptfone.com
（温馨提示：请关闭畅读或阅读模式，否则内容无法正常显示）