“在交換越輕易涌現的情形下，變更就會產生得更快。”——Science Historian專欄作者詹姆斯·伯克

　　在2015年10月的消息宣布會上，特斯拉展現了他們研發的Model S的主動駕駛功效，該功效許可汽車可以或許停止半自立駕駛，而特斯拉首席履行官埃隆·馬斯克也提到，每一個車輛的具有者將成為每一個Model S這款車的“私家專家鍛練”。現實上，每輛Model S可以經由過程從駕駛員身下去進修改良自立特點，但更主要的是，當一個特斯拉汽車從本身的駕駛員身上學到常識時，便可以與其他一切的特斯拉汽車同享常識。

　　正如Fred Lambert不久以后在Electrik上報導的那樣，Model S型車主都留意到這款車的無人駕駛功效改良的速度有多快。舉一個例子，這款特斯拉汽車剛開端在高速公路上老是下錯了出口，這也迫使他們的主人只能經由過程手動駕駛汽車使其行駛在準確的道路上。但在短短的幾個禮拜后，車主們留意到他們的汽車曾經在主動駕駛的情形下不會走錯出口。

　　一名特斯拉Model S汽車的車主說：“我發明它異常敏捷地改良了這一點。”

　　智能體系，如最新一代機械進修軟件的智能體系，不只變得加倍智能，它們在智能化的基本上其順應才能加倍敏捷。懂得這些體系成長的速度能夠關于導航技巧變更是一項特殊具有挑釁性的項目。

　　雷·庫茲維爾（Ray Kurzweil）在他所謂的技巧變更的“直不雅線性”不雅點和如今正在產生的“指數級”變更率之間，普遍地描寫了人類在這兩項不雅點之間懂得的差距。在他揭橥了所謂的“加快報答定律”的這一篇非常有影響力的論文近二十年以后，一個與速度相干的演變變更實際出生了——相互銜接的裝備在可以或許互相分享常識的情形下，它們成長退化的速度會賡續被進步。

　　哥倫比亞年夜學機械工程和數據迷信傳授Hod Lipson比來接收采訪時說：“我以為這或許是關于人工智能演化退化帶來的最年夜指數趨向的加強。”

　　“一切的指數技巧趨向都有分歧的”指數“，”Lipson彌補道。 “然則它將具有最年夜的潛力。”

　　依據Lipson的說法，我們可以稱之為“機械教授教養”，它代表的是當裝備之間可以或許互相傳遞取得并獲得常識時，會使這些裝備的體系改良速度獲得指數目的提高。

　　他還說道，“有時刻它們會停止協作，例如，當一臺機械像蜂房一樣應用其相通的方法從另外一個機械進修。然則這有時刻是反抗性的，就像在兩個相互下棋的體系之間賡續停止競賽一樣。”

　　Lipson以為，這類開辟人工智能的方法是一個年夜的發明，部門緣由是由于它可以繞過人類為它設計練習數據的須要。

　　“數據是機械進修的燃料，然則即便關于機械來講，一些數據也很難取得，例如一些數據能夠是有風險的，遲緩的，稀缺的或昂貴的。在這類情形下，機械可以分享經歷或為彼此發明綜合體驗來增長或調換數據。現實證實，這不是一個小的影響，它現實上是應用本身的前提來分散到五湖四海的，是以我們說它的增加是指數級的。“

　　Lipson以為Google的DeepMind（一個名為AlphaGo Zero的項目）比來獲得了沖破性停頓，這也是一個沒有練習數據的AI進修的絕佳例子。很多人都熟習AlphaGo，它是人工智能應用機械進修的代表，在進修了由數百萬人的圍棋棋局構成的年夜范圍練習數據集以后，它成為世界上最兇猛的棋手。但是，AlphaGo Zero乃至可以經由過程進修游戲規矩和本身賡續經由過程玩游戲演習來擊敗AlphaGo，而它也沒有經由過程練習數據來加強才能。最初，為了讓年夜家看到它的實力，它從零開端只經由過程八個小時的練習以后，它在國際象棋棋戰中擊敗了世界上最好的國際象棋游戲軟件。

　　如今我們可以想象，稀有以千計或更多的AlphaGo在賡續的分享它們取得的常識。

　　它不只僅在游戲中獲得價值表現，并且我們曾經想到，它將會對企業進步裝備機能的速度發生嚴重影響。

　　GE的新型工業數字孿生技巧就是一個例子，如今僅僅經由過程一臺機械的軟件模仿即可以模仿裝備在將來將要任務的項目，我們可以把它看做是一臺具有自我抽象的機械，它也能夠與技巧人員分享數據。

　　例如，一臺帶稀有字孿生技巧的蒸汽輪機可以丈量蒸汽溫度，轉子速度，冷啟動和其他數據來猜測毛病，并提早正告技巧人員以避免工作產生后昂貴的維修費用。數字孿生技巧可使它們經由過程研討它們本身的表示來做出這些猜測，然則它們也依附于其他曾經投入任務的汽輪機模子的表示。

　　跟著機械開端以新的和微弱的方法在四周的情況中自立進修，它們可以或許經由過程溝通他們彼此進修的器械來加快他們的成長。遍及全球的GE汽輪性能夠在每臺機械之間加快它們各自的猜測才能。異樣我們之條件到的，剛開端能夠只要一輛無人駕駛汽車在進修若何控制駕駛在特定城市的一個目標地所需的時光，而如今，相似的一百輛在統一城市行駛的無人駕駛汽車可以全體同享他們進修的內容，是以它們可以在更短的時光內改良它們的算法。

　　跟著其他采取人工智能技巧的裝備開端應用這類同享常識轉移技巧，我們在將來可以看到它們更快的成長速度。所以請記住，面前產生的只是方才開端，在將來，會有更多意想不到的工作等著你為之蔚為大觀。