彩雲ai融資

『壹』 人工智慧究竟怎麼長「記性」

首先，我們來解釋一下什麼是「災難性忘卻」（catastrophic forgetting）。

現有人工智慧技術的底層是機器學習技術，也就是利用很多層神經網路來對問題進行量化分析。最終得到一個相對靠譜的神經網路，知道如何分解問題最合理，卻不知道網路參數數值與最終結果除了正確率之外的其他邏輯意義。

那麼我們假設現在有兩個需要學習的新生事物A和B，而我們先後用一套神經網路去學習，就會出現一個非常尷尬的局面：

讓人工智慧學習完A之後學習B，之前為完成A任務所建立的神經網路就變得無用，需要再次從0開始積累。當神經網路學會如何解決B問題之後，A問題的解決方法卻又已經被覆蓋，等於「忘記」了。

那種想說一件事，但是因為被打斷突然忘掉了，有多郁悶你肯定懂。

通俗點來說，雖然這套神經網路能夠同時學習A、B兩種事物，但他們從本質上來說卻不是一個神經網路，因為它並不能同時完成兩項事務。

這個特性就好比一堵「高牆」，攔住了人工智慧往通用化的方向前進。也正因為不能通用化，所以我們目前看到的人工智慧還久久停留在「弱人工智慧（只能完成一個或者一類實際問題）」階段。

為了解決這個問題，DeepMind此次引入了一套全新的演算法體系EWC（彈性權重鞏固），原理並不復雜。

A、B兩個任務，以及分別對應的兩個神經網路

依舊是A、B兩個需要學習的事物，但在學習完A之後EWC演算法中多出來了一步：根據神經網路中每一個神經元與結果的關系強弱，分別給他們加上一個對應的時間保護設置。當再次學習全新事物B時，A事物最關鍵的神經網路結構會被保留，即便少部分被覆蓋，也能快速通過再次學習獲得。

袁行遠特別指出：「這次DeepMind進展的關鍵，在於19個游戲用的是同一個神經網路。」單從這個成績來看，DeepMind這次的實驗已經算成功了。

不得不說，這的確很像人腦的工作方式。因為人類大腦也會左右分工、大腦皮層的不同位置也會負責不同任務。處理具體問題的時候，大腦對應區域自然會運轉起來。而EWC的出現，就是去衡量這些無法同時工作的神經網路應該如何分別留存。

實際上，DeepMind這套演算法的參考對象就是人類和哺乳動物大腦，因為他們都有鞏固先前獲得技能和記憶的能力。根據神經科學目前的研究成果，大腦中主要有兩種鞏固知識的方式系統鞏固（systems consolidation ）與突觸鞏固（synaptic consolidation）。

系統鞏固的過程中，人類大腦將快速學習部分獲得的記憶轉印進了緩慢學習的部分。這一轉印過程有有意識的回憶參與，也有無意識回憶的參與，人類做夢時就能完成這一轉印過程。而在突觸鞏固中，如果一種技能在此前的學習中非常重要，神經元之間連接就不會被覆蓋。

而這次DeepMind公布的EWC演算法，實際就模擬了突觸鞏固。但毫無疑問，即便裝備了EWC演算法，人工智慧目前的記憶復雜程度還遠遠比不上人類。

是騾子是馬？拉出來玩幾把游戲再說

既然演算法有了，自然要測試一下。DeepMind選擇了一個自己熟悉的項目：19款ATARI 2600（一款1977年發布的經典像素游戲主機，之上有數款最經典的游戲）游戲。

早在2015年，DeepMind就通過自行研發的神經網路Deep Q，在這些游戲上得分超過了人類。

還是熟悉的項目，但DeepMind這回在Deep Q基礎上加上了EWC演算法。

同時為了驗證EWC演算法的有效性，他們添加了一個考核條件：每種游戲只能學習2000萬次，然後就切換到下一個游戲。當19個游戲全部被學習一次之後，再從第一個游戲重新開始學習。

最終他們得到了下面的結果：

註：SGD（藍色）為沒有加上EWC的學習結果，紅色是加上EWC演算法之後，single game（黑色）為持續對單個游戲進行學習的結果。

需要額外解釋一下的是，這些圖表中橫向坐標是學習次數，同時EWC並不是連續學習的結果。EWC每兩個峰谷之間實際上已經學習了另外18個游戲。

對結果做一個簡單統計：在19個游戲中，總共有11個EWC成績達到或者接近（以80%計算）single game的成績。

另外一方面，EWC與SGD成績對比也能顯現出很有趣的趨勢：在絕大多數游戲中，兩者都會在「重新學習」之後發生較明顯的成績下滑，但是EWC的成績通常比SGD高，而且整體波動幅度會越來越小。而這恰恰證明，EWC的確記住了這個游戲怎麼玩。

但與此同時，我們還能發現另外一些有趣的結果：

1、breakout、star gunner、Asterix這幾款游戲中，數據的積累非常重要，single game也是在學習量積累到一定程度之後才找到其中的規律，而每個游戲只能學習2000次的限制讓EWC、SGD都無法取得進展（即便我們繼續增加回合數，希望也很渺茫）。

2、在kangaroo這款游戲中，不同的學習嘗試似乎反而促進了分數，EWC在數個回個之後曾取得多個超過single game的成績（這跟人類玩游戲需要狀態、靈感有點類似）。

3、在demon attack、defender、space invaders這幾款游戲中，EWC在幾個回合之後出現成績下滑。即便後面多個回合繼續研究也沒有起色。這可能是由於學習次數不夠，同時也有可能是因為EWC網路沒有正確選擇應該保留的神經網路組件的結果。

這次實驗證明了EWC的確能夠工作。但不同游戲下表現差異比較大。如何選擇需要「記憶」的神經網路，每次學習的次數如何決定？這些硬性條件同樣需要演算法來平衡，我們甚至可以說現在的EWC演算法是殘缺的。

袁行遠對這部分實驗也指出了自己的幾個看法：

1、DeepMind選擇ATARI 2600游戲作為測試樣本有其原因所在，雖然游戲種類、玩法、成績不同，但輸入都是一致的，這在一定程度上保證了神經網路的通用性質。

2、這次記憶體系的構建並不會直接打通強人工智慧之路，這還是一個非常漫長的道路。

3、神經科學目前的積累基本已經被人工智慧所「掏空」，接下來人工智慧的進展還需要不斷靠嘗試推進。

記憶鋪路，讓強人工智慧早日來臨

正如上文所提到的那樣，引入「記憶」最終是為了前往人工智慧的終極目標——強人工智慧，這也是最理想的道路之一。

袁行遠就此分享了一下目前他所理解的兩條前往強人工智慧的道路——語言與記憶：「就比如AlphaGo，它現在的確很厲害，未來肯定能超過人類。但它目前還不能做到我最希望的一件事，把它下棋的經驗寫出來。這樣雖然它能下過人類，但是人類並不能理解它的思考，那就等於對人類沒有意義。」

那麼怎麼才能讓AlphaGo學會寫書呢？首先就是能夠將AlphaGo的下棋經驗記錄下來，也就是記憶；其次還需要將這些記憶變成人類所能理解的代碼、語言。

當然，此次DeepMind所嘗試的演算法還非常有限，並不能算作一個完整的記憶體系。究竟怎麼樣的記憶才是人工智慧最需要的？袁行遠表示：「記住東西是必須的，關鍵是要能夠變成一本一本的書，也就是能夠輸出一個外部可以接受的成果。這樣不同的人工智慧能夠交換知識，人類也可以進行學習。」

從時間長度來看，這些書本實際可以定義為一個個長期記憶，能夠永久保存、更新就最好了。

至於語言方面，彩雲AI最新產品「彩雲小譯」就是一款人工智慧驅動的翻譯產品。在之前接受Xtecher采訪的時候他也曾強調過：「我們目前在做的是人與人之間語言的翻譯，未來實際上同樣也可以作為機器與人溝通的橋梁。」

『貳』 彩雲國物語的插曲《如花一樣盛開》

一、花咲くように¨(有如花朵綻放時¨)
作詞：こさかなおみ
作曲：渡辺剛
編曲：渡辺剛
歌：秀麗（桑島法子）
出處：彩雲國物語
original
sound
track
中文：
流入掌中雨滴的光芒
在我裡面發出光輝
全部轉變成喜悅的那一天
相信會到來
有如花朵綻放時¨
重新粉刷季節
溫柔的風經過此處
是堅強的花苞覺醒的時候
低聲耳語拂過去
內心萌生火熱感
祈求現在就能實現
使滋潤大地的雨變成勇氣
淚水也止不住的夜晚
夢中的燈火高高舉起
難過
朝向對面隱藏起
想要照亮那強烈的心情
有如美麗的明天
花朵綻放時¨
陽光透射閃爍光采
晨曦耀眼環繞四周
放上微微綻開的花瓣們
無憂無慮搖擺著
在胸中隱藏了感情啦
一個喔
瞧～已經打開了
在青色的天空
溫柔的伸長著
流入掌中雨滴的光芒
沒有灑出來唷
將我抱住
靜謐溫暖感被充滿
塗上色彩
有如花朵綻放時¨
想嘆息
使月夜蒙上陰影
清澈的瞳孔挺立
但悲傷
卻先被孕育出
只有笑臉不想忘記
有如美麗的明天
花朵綻放時¨
日文：
手のひら降り注ぐ光が
私の中で輝いてる
全てが歓びに変わる日を
信じている
花咲くように¨
季節を塗りかえて
優しい風が渡る
かたい蕾に目覚めの時を
囁いて過ぎてく
心熱く芽生えてる
願い今
葉えよう
大地濡らす雨よ勇気になれ
涙が止まらない夜でも
夢の燈火（ともしび）高く掲げ
せつなさ
その向こう隠れてる
強い気持ち照らしていたい
明日きれいに花咲くように¨
木漏れび煌（きら）めいて
眩しい朝がめぐる
ほころびかけた花びらたちを
安らぎで揺らして
胸に秘めた想いとか
ひとつ
ほら開いてく
蒼い空へ
しなやかに伸びよう
手のひら降り注ぐ光を
こぼさないよう
抱きしめてる
靜かな溫もりに満たされて
彩られる
花咲くように¨
ため息
月影が曇っても
澄んだ瞳で立っていたい
悲しみ
その先で產まれてる
笑顏だけは忘れたくない
明日きれいに花咲くように¨
羅馬：
tenohirafurisosoguhikariga
watashinonakadekagayaiteru
subetegayorokobinikawaruhiwo
shinziteiru
hanasakuyouni¨
kisetsuwonurikaete
yasashiikazegawataru
kataitsubominimezamenotokuwo
sasayaitesugiteku
kokoroatsukumebaeteru
negaiima
kanaeyou
daichimurasuameyoyuukininare
namidagatomaranaiyorudemo
yumenotomoshibitakakukakage
setsunasa
sonomukoukakureteru
tsuyoikimochiterashiteitai
ashitakureinihanasakuyouni¨
komorebikirameite
mabushiiasagameguru
hokorobikaketahanabiratachowo
yasuragideyurashite
munenihimetaomoitoka
hitotsu
horahiraiteku
aoisorahe
shinayakaninobiyou
tenohirafurisosoguhikariwo
kobosanaiyou
dakishimeteru
shizukananukumorinimitasarete
irodorareru
hanasakuyouni¨
tameiki
tsukikagegakumottemo
sundahitomidetatteitai
kanashimi
sonosakideumareteru
egaodakewawakuretakunai
ashitakireinihanasakuyouni¨

『叄』 如何在華文彩雲字體內填充顏色

那上個字體內部就是空的，如果內部想要填充顏色的話，可以用鋼筆或者套索工具把內部選中，然後填充實色。祝樓主早日解決問題，謝謝。
也可以用魔棒工具單選中意的鏤空部分，然後填充顏色。注意魔棒上方選連續

『肆』 ai如何在方正彩雲字體內部填充顏色

用AI的實時上色功能就好：

用直線工具在字的中間畫一條線，描邊和填充色都設置為無

『伍』 如何構建一個像""紅後""那樣的人工智慧

首先，我們來解釋一下什麼是「災難性忘卻」（catastrophicforgetting）。現有人工智慧技術的底層是機器學習技術，也就是利用很多層神經網路來對問題進行量化分析。最終得到一個相對靠譜的神經網路，知道如何分解問題最合理，卻不知道網路參數數值與最終結果除了正確率之外的其他邏輯意義。那麼我們假設現在有兩個需要學習的新生事物A和B，而我們先後用一套神經網路去學習，就會出現一個非常尷尬的局面：讓人工智慧學習完A之後學習B，之前為完成A任務所建立的神經網路就變得無用，需要再次從0開始積累。當神經網路學會如何解決B問題之後，A問題的解決方法卻又已經被覆蓋，等於「忘記」了。那種想說一件事，但是因為被打斷突然忘掉了，有多郁悶你肯定懂。通俗點來說，雖然這套神經網路能夠同時學習A、B兩種事物，但他們從本質上來說卻不是一個神經網路，因為它並不能同時完成兩項事務。這個特性就好比一堵「高牆」，攔住了人工智慧往通用化的方向前進。也正因為不能通用化，所以我們目前看到的人工智慧還久久停留在「弱人工智慧（只能完成一個或者一類實際問題）」階段。為了解決這個問題，DeepMind此次引入了一套全新的演算法體系EWC（彈性權重鞏固），原理並不復雜。A、B兩個任務，以及分別對應的兩個神經網路依舊是A、B兩個需要學習的事物，但在學習完A之後EWC演算法中多出來了一步：根據神經網路中每一個神經元與結果的關系強弱，分別給他們加上一個對應的時間保護設置。當再次學習全新事物B時，A事物最關鍵的神經網路結構會被保留，即便少部分被覆蓋，也能快速通過再次學習獲得。袁行遠特別指出：「這次DeepMind進展的關鍵，在於19個游戲用的是同一個神經網路。」單從這個成績來看，DeepMind這次的實驗已經算成功了。不得不說，這的確很像人腦的工作方式。因為人類大腦也會左右分工、大腦皮層的不同位置也會負責不同任務。處理具體問題的時候，大腦對應區域自然會運轉起來。而EWC的出現，就是去衡量這些無法同時工作的神經網路應該如何分別留存。實際上，DeepMind這套演算法的參考對象就是人類和哺乳動物大腦，因為他們都有鞏固先前獲得技能和記憶的能力。根據神經科學目前的研究成果，大腦中主要有兩種鞏固知識的方式系統鞏固（systemsconsolidation）與突觸鞏固（synapticconsolidation）。系統鞏固的過程中，人類大腦將快速學習部分獲得的記憶轉印進了緩慢學習的部分。這一轉印過程有有意識的回憶參與，也有無意識回憶的參與，人類做夢時就能完成這一轉印過程。而在突觸鞏固中，如果一種技能在此前的學習中非常重要，神經元之間連接就不會被覆蓋。而這次DeepMind公布的EWC演算法，實際就模擬了突觸鞏固。但毫無疑問，即便裝備了EWC演算法，人工智慧目前的記憶復雜程度還遠遠比不上人類。是騾子是馬？拉出來玩幾把游戲再說既然演算法有了，自然要測試一下。DeepMind選擇了一個自己熟悉的項目：19款ATARI2600（一款1977年發布的經典像素游戲主機，之上有數款最經典的游戲）游戲。早在2015年，DeepMind就通過自行研發的神經網路DeepQ，在這些游戲上得分超過了人類。還是熟悉的項目，但DeepMind這回在DeepQ基礎上加上了EWC演算法。同時為了驗證EWC演算法的有效性，他們添加了一個考核條件：每種游戲只能學習2000萬次，然後就切換到下一個游戲。當19個游戲全部被學習一次之後，再從第一個游戲重新開始學習。最終他們得到了下面的結果：註：SGD（藍色）為沒有加上EWC的學習結果，紅色是加上EWC演算法之後，singlegame（黑色）為持續對單個游戲進行學習的結果。需要額外解釋一下的是，這些圖表中橫向坐標是學習次數，同時EWC並不是連續學習的結果。EWC每兩個峰谷之間實際上已經學習了另外18個游戲。對結果做一個簡單統計：在19個游戲中，總共有11個EWC成績達到或者接近（以80%計算）singlegame的成績。另外一方面，EWC與SGD成績對比也能顯現出很有趣的趨勢：在絕大多數游戲中，兩者都會在「重新學習」之後發生較明顯的成績下滑，但是EWC的成績通常比SGD高，而且整體波動幅度會越來越小。而這恰恰證明，EWC的確記住了這個游戲怎麼玩。但與此同時，我們還能發現另外一些有趣的結果：1、breakout、stargunner、Asterix這幾款游戲中，數據的積累非常重要，singlegame也是在學習量積累到一定程度之後才找到其中的規律，而每個游戲只能學習2000次的限制讓EWC、SGD都無法取得進展（即便我們繼續增加回合數，希望也很渺茫）。2、在kangaroo這款游戲中，不同的學習嘗試似乎反而促進了分數，EWC在數個回個之後曾取得多個超過singlegame的成績（這跟人類玩游戲需要狀態、靈感有點類似）。3、在demonattack、defender、spaceinvaders這幾款游戲中，EWC在幾個回合之後出現成績下滑。即便後面多個回合繼續研究也沒有起色。這可能是由於學習次數不夠，同時也有可能是因為EWC網路沒有正確選擇應該保留的神經網路組件的結果。這次實驗證明了EWC的確能夠工作。但不同游戲下表現差異比較大。如何選擇需要「記憶」的神經網路，每次學習的次數如何決定？這些硬性條件同樣需要演算法來平衡，我們甚至可以說現在的EWC演算法是殘缺的。袁行遠對這部分實驗也指出了自己的幾個看法：1、DeepMind選擇ATARI2600游戲作為測試樣本有其原因所在，雖然游戲種類、玩法、成績不同，但輸入都是一致的，這在一定程度上保證了神經網路的通用性質。2、這次記憶體系的構建並不會直接打通強人工智慧之路，這還是一個非常漫長的道路。3、神經科學目前的積累基本已經被人工智慧所「掏空」，接下來人工智慧的進展還需要不斷靠嘗試推進。記憶鋪路，讓強人工智慧早日來臨正如上文所提到的那樣，引入「記憶」最終是為了前往人工智慧的終極目標——強人工智慧，這也是最理想的道路之一。袁行遠就此分享了一下目前他所理解的兩條前往強人工智慧的道路——語言與記憶：「就比如AlphaGo，它現在的確很厲害，未來肯定能超過人類。但它目前還不能做到我最希望的一件事，把它下棋的經驗寫出來。這樣雖然它能下過人類，但是人類並不能理解它的思考，那就等於對人類沒有意義。」那麼怎麼才能讓AlphaGo學會寫書呢？首先就是能夠將AlphaGo的下棋經驗記錄下來，也就是記憶；其次還需要將這些記憶變成人類所能理解的代碼、語言。當然，此次DeepMind所嘗試的演算法還非常有限，並不能算作一個完整的記憶體系。究竟怎麼樣的記憶才是人工智慧最需要的？袁行遠表示：「記住東西是必須的，關鍵是要能夠變成一本一本的書，也就是能夠輸出一個外部可以接受的成果。這樣不同的人工智慧能夠交換知識，人類也可以進行學習。」從時間長度來看，這些書本實際可以定義為一個個長期記憶，能夠永久保存、更新就最好了。至於語言方面，彩雲AI最新產品「彩雲小譯」就是一款人工智慧驅動的翻譯產品。在之前接受Xtecher采訪的時候他也曾強調過：「我們目前在做的是人與人之間語言的翻譯，未來實際上同樣也可以作為機器與人溝通的橋梁。」

『陸』 華文彩雲字體怎麼填充顏色

1、電腦打開Photoshop，然後新建文檔。

『柒』 求彩雲國物語 薄櫻鬼 ~~~ 郵箱[email protected]

動畫？漫畫？小說？還是游戲？

『捌』 如何看待自動續寫小說AI「彩雲小夢」

答：對於自動續寫小說的AI「彩雲小夢」，這是社會科學技術進步的社會運用；人工智慧的自動續寫，對於一些小說的創作者提出了更高的要求；這也可以讓小說創作者的壓力減輕。

首先，自動續寫小說的AI「彩雲小夢」，是社會科學技術進步的社會運用。自動續寫小說的AI屬於科學技術，寫小說屬於社會上的一些工作，當AI用於續寫小說時，也就是科學進步與社會發展結合的產物，也即它是省會技術進步的社會運用。

其次，自動續寫小說的AI「彩雲小夢」的出現，對小說創作者提出了更高的要求。因為代寫小說AI的出現，因為AI程序的相對固定，可能會產生許多格式相似的小說，使得那些缺乏好的創意的小說在AI續寫中變得格式千篇一律，不能讓讀者感興趣。

此時需要小說的創作者，用有創意的想法才能產生好的小說。好的小說作家，因為好的創意而產生讀者喜歡的小說。

再者，可以減輕小說創作者的壓力。因為AI的續寫功能，使得之前熬夜碼字的小說家不用再經歷熬夜的痛苦，可以在AI寫作的基礎上，進行一些修改，進而達到減輕工作帶來的壓力。

綜上所述，對於AI續寫，這是社會科學技術進步的社會運用；人工智慧的自動續寫，對於一些小說的創作者提出了更高的要求；這也可以讓小說創作者的壓力減輕。