Re: [情報] 情報數則

我覺得這樣比喻有點失準，應該說單純把人工智慧分成「強人工智慧」與「弱人工智慧」 ● 弱人工智慧 專注於某項特定任務，舉例來說如果有個人工智慧能自動依照作戰環境來切換雷達的掃描模式、自動選擇濾波演算法，這樣就算弱人工智慧 而且「弱人工智慧」不一定能夠跟你交互，或是說你只能透過它專精的事情來達成交互 ○ 如果把 F-14 的 WSO 用弱人工智慧來取代 那就相當於一個無口屬性的機娘自動幫你切換 APG-71 的掃描模式，切換電子對抗，但你並不能夠直接跟它對話，而是透過在雷達光點上點選或是按鈕，然後這位有點呆的 WSO 醬就會幫你處理好雷達跟武器，你只要開火就好 空戰中它會透過攝影機還有雷達警告接收器幫你看六點，被咬的時候就發出聲音提醒你，不過建議你問工程師可不可以換自訂語音 ● 強人工智慧 或是說「通用人工智慧」則更全面，它不僅能夠理解「如何駕駛戰鬥機、如何空戰並取勝」，更重要的是它夠理解人類透過口語或是戰術鏈所下達的戰術命令，並調整自己的行為 如果美軍之前實驗的 X-62 VISTA 可以在預先輸入的飛行計畫內，依據戰術指令去改變行為，而且能夠以語音或其他方式回饋這些改變，或是說它能夠從模擬戰場環境去接收各種情報後靈活的應對，那就算「通用人工智慧」 把「弱人工智慧」想成「凰牙」，「通用人工智慧」想成「阿斯拉」就可以理解了，「凰牙」只能專注於開 CF，甚至寫死在拼圈速這點，但它就是可以做到超越人類 然而「阿斯拉」雖然一開始表現平平，但它可以逐漸發掘出更多可能性，不論是在賽道上還是被關在車庫裡賭氣想怎麼挖苦人 ● 封鎖高階 GPUPU 跟 3nm 以下的 EDA 是兩個互補的招式 你缺乏高階 GPUPU 就無法在能源與經費預算可行的情況下搭建算力農場來訓練通用人工智慧模型，那在有時間與預算壓力下你能達到的效用就會縮減，而封鎖三奈米以下 EDA 則可以壓制對方 FGPA/ASIC 的性能跟迭代速度 以機械學習為例，通常用 Python 寫出可執行的程式後，如果要把速度提升跟最佳化，會考慮用更底層的 C 重寫一次運算與執行，來減少編譯層數跟延遲 這之間的差異就是: ⊙ Python --Interpreter-> Byte Code --VM-> Machine Code ⊙ C --Compiler-> Machine Code 類似的情況也會出現在高階訊號處理晶片，如果用傳統的 ADC/DSP/DAC 晶片來搭建訊號處理單元，那就相當於用一顆一顆獨立的 MOSFET 來完成整塊邏輯板，大小會十分驚人 https://i.imgur.com/9ENDtmF.png 這個用 MOSFET 來完成邏輯板的專案叫做 TraNOR，某種程度上的神經病（稱讚） https://t.co/XHQWYjtrPs 因此大部分的高集成度的高速晶片都是用 VHDL 來作驗證跟迭代，然後量產時依照需求在可靈活更新的 FPGA，與刪減多餘電路來提升能耗比的 ASIC 間取捨 這時在製程與電路設計的能力與技術瓶頸會嚴重影響訊號處理、運算能力的表現，就算你軟體模擬時寫的再好，但實際開始走向硬體，開始設計晶片時就會卡了 就像是雷達中必備的各類模組，包含了上面提到的 ADC/DSP/DAC 還有濾波 AAF、等化 EQ 這些，你是要各部份都能靈活調整又省電，還是模組卡上密密麻麻一堆 IC 又慢又熱，差距就出來了 ● 要形容差距大概就是 可能五年後美軍的 M1A3 只有炮手跟駕駛，環境感知、索敵是靠名為美穗的 AI 在處理，因此炮手反而比較像是車長兼預備裝填手，在名為優花理的自動裝彈機罷工時手動選彈跟裝填 然後另外一邊中國是用習主席配音的大地勇士系統，而且也只能達成聯隊規模的地圖跟接敵狀態共享 ※ 引述《LucidWorld (入曦)》之銘言： : 其實也不知道怎麼說明，再不講得太深入又能夠很簡白地說 : 真的蠻難的，我就大概點到一些點，然後開頭直接下個結論吧 : 美國想阻止的是中國透過AI完成強人工智慧，或是通用型的AI : 有點類似現在目前的ChapGPT進化的最終版 : 但如果要阻止中國完成區域性或是弱人工智慧已經不可能了 : 然後4090就沒辦法做正經的AI嗎? : 只能說在軍武點上要實現的AI功能，其實大部分有11GB左右的顯卡就能完成 : 也就是像2080TI這樣的顯卡，就能完成很多現今軍武裝備的大躍進 : 這邊科普一下，我們現今說的AI其實是一個很大的範疇 : AI包含了機器學習(ML)、深度學習(DL)、強化學習(RL)等等 : 但往往現今在講的一些AI或是突破會是以深度學習較多 : 通常在做一個AI模型，如果是DL會有兩個階段 : 第一個階段稱之為訓練(Training) : 第二個階段稱之為實現/推理(Inference) : 第一個階段通常就會使用GPU進行模型的參數訓練 : 簡單來說就是透過大量的資料來得到一批好的參數 : 而第二階段就不一定要使用到GPU了 : 在實務面上在第二階段使用GPU會遇到一些瓶頸，例如體積、耗電量、等問題 : （當然如果在工廠內其實就沒差，機台就這麼大台） : 但如果在一些軍武設備上，以上就是要考量的點，還要考量很多額外因素 : 所以往往會是自行客製化的板子來實現，大家可以想像就是客製化不外售的板子 : 或是可以參考特斯拉的作法，就是會客製化晶片/FPGA : 那回過頭來說，對這些軍武大廠來說，麻煩的並不是訓練出一個模型 : 而是怎麼把模型很好的放在他們的軍武設備裡面，而且可以正常運作 : 因為這邊就牽扯到了很多模型部屬，然後要用底層的程式碼來撰寫神經網路這件事 : 那老美為什麼要禁中國取得這些伺服器等級的GPU呢? : 因為這些GPU可以訓練出有自主能力的AI : 大家就可以想像AlphaGO(當初下圍棋的AI) : 在軍武點上就是以後的無人機變成是可以自主接敵 : 無人潛艦可以自行鎖敵規劃接戰流程 : 無人砲車/自主機器人等等等... : 那現今的狀況呢? : 單純的影像辨識、訊號辨識、雷達辨識在各大軍火商已經相當成熟了 : 甚至一些新的產品用的一些AI模型甚至也不是深度學習架構 : 舉一個這次烏俄戰爭中最明顯的美俄差距 : 為什麼美國像是隨時開圖一樣呢?這點大家仔細想想應該也不難理解 : NV除了被斷大型的伺服器GPU外，其實也限縮了很多嵌入式的GPU -- 在街道上橫行的亂象只是一個表象的病徵，表明了這個文明已經身患重病 它的公民（所有人都是）只知道歌頌著「權力」的神話 卻忘記了他們自身應擔負的責任 由這種公民所組成的國家是不可能國運長久的 【星艦戰將, Starship Troopers 】 羅伯特‧海萊恩 1959 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 122.116.15.4 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Military/M.1683664144.A.B65.html