第226章 这需要立马上报 (第2/3页)
题，自己这个新收的弟子，未来可能就是物流业的巨头了。
到时候，自己想要开个项目什么的，再也不用出去找别人化什么经费了。
想想，陶志强都觉得必须得为叶清河做好保驾护航的工作。
他将刚才脑海里想的也都给叶清河说了一遍。
“我知道了。”
叶清河真没有想过陶志强会脑补出这么多，他真没有往这一块去想，他动笔推导这个问题，本就不是为了拿什么菲尔兹奖，也不是为了颠覆世界，只是单纯因为在解AI智能问题的时候，被卡在这里了。
在P≠NP的旧世界里，AI再强，本质也只是暴力拟合大师，深度学习靠海量数据，层层参数，巨量算力在高维空间里一点点试探、逼近、修正，永远只能摸到局部最优，永远做不到真正的理解。
举个例子，给它一张图，它能识别是猫是狗，却不懂猫为什么是猫。
或者说给它一道题，它能套模板算出答案，却根本没有办法从零开始创造解法。
这就是AI的认知天花板，验证一个方案很容易，但凭空找到最优解极难。
它永远像个记忆力超强、反应飞快但缺乏真正智慧的模仿者。
在落笔解决P＝NP之前，困住他的根本不是数学难题，而是形式证明空间本身的几何结构。
这是一个比任何物理空间都更抽象，更扭曲，维度高到近乎混沌的拓扑空间。
所谓的“形式证明空间”，本质就是把所有逻辑命题，推理步骤，语义结构，全部映射成高维空间里的点与路径。
AGI想要真正理解，就必须在这片空间里找到最短最通用，一步直达的逻辑路径，而不是像现在的AI一样，靠海量数据暴力遍历，概率拟合，穷举试错。
可这个空间的复杂度是指数爆炸的，任何一点点变量增加，都会让搜索空间膨胀到整个宇宙都装不下。
这就导致现在的研究者默认这条路走不通。
于是只能退而求其次，用深度学习去近似拟合，用大数据
（本章未完，请点击下一页继续阅读）