如果一辆自动驾小巷中、罗马呼啸而过的摩托车中、伦敦的雨中或伊斯坦布尔的车流中，它会如何反应？目前，还没有一家初创公司敢于在非常复杂的欧洲城市中心测试其车辆。然而，直到几年前，这似乎只是一个时间问题：在道路宽阔、气候条件良好的大都市进行首次实验后，即使在最混乱的环境中驾驶所需的技能也将逐渐获得。 然而，随着时间的推移，我们意识到，仅通过统计数据不可能确定处理现实世界中城市交通中发生的各种情况的最佳方法，其中存在未知、意外、意外事件和违规行为。
是当今的秩序正如沃尔沃自
动驾驶业务负责人马库斯·罗特霍夫 (Marcus Rothoff) 最近承认的那样，“行为的随机性无法通过当今的技术来管理。” 深度学习：提高质量，减少数量 还有其他方面需要评估，这引发了人们对深度学习的潜力正在被推至极限的担忧上述假设得到 BC 数据欧洲 了前面提到的加里·马库斯Gary Marcus的支持，但例如图灵奖得主 Yann LeCun 就没有支持这一假设。深度学习本身的发明。 例如，为了取得重大进展，现在有必要将系统的计算能力提高到远高于所获得的改进的水平。
简而言之，回报不断减少，成本却越
来越高，据估计，仅训练 Open GPT-3 模型的成本就超过 1200 万美元。 为了获得更好的结果而不断增强的计算能力尽管计算机模型不断优化带来了另一个不可避免的问题：训练和使用这些系统会消耗大量资源，并且对环境的影响不再可以忽略不计尤其是在环境中未来我们将在大众市场使用这些系统。 在最近的一篇论文中，马萨诸塞大学的一组研 博茨瓦纳 电话号码 究人员测试了一些最常见的智能模型产生的能源消耗，发现他们的训练可以排放高达 280 吨二氧化碳，几乎是经典汽车在其生命周期包括汽车本身的生产。
IT 资源、成本和污染不断
加。它们是定量规模发展的系统的外部性：更深 最好的视频制作服务时 的网络以不断增加的速度处理更多的数据。去哪里？ “人们天真地认为，如果采用深度学习并添加 个附加层并使用一千倍以上的数据，神经网络将能够完成人类能做的一切，”谷歌研究员 François Chollet 解释道。 “但这根本不是真的。” 简而言之，要有一天实现真正的类人通用智能，仅靠深度学习的定量进步是不够的。相反，需要质的进步。一项让智能实现质量飞跃的新发明。
