人工智能（AI）可以独立思考，还是必须遵循人类给出的指令？

问：人工智能（AI）可以独立思考，还是必须遵循人类给出的指令？

答：人工智能不会“思考”，根本不会，在最遥远的意义上也不会。

AI是统计演算：

1.来自现实世界现象的统计数据（在 ChatGPT 中是人类书面文本）被收集在足够大的集合中，以代表人类如何通过书面语言进行交流，并广泛代表所有文本内容中的主题。

2.这些统计数据用于在支持反馈的过程中通过微积分生成公式，该过程计算所有这些统计数据，然后使用标准微积分方法生成模拟现实世界现象的“算法”，产生的答案中的任何错误都会向后传输（反馈）进入统计和微积分，以减少或纠正错误。

3.步骤 1 和 2 的结果是以一系列较大的线性代数矩阵的形式体现的“算法”。这些实际上只是数字的列和行，但数量很多。

4.当有人向受过文本训练的人工智能提出问题时，该问题只是“起始词”的统计样本。这些起始单词（“提示”）被转换为代表问题所使用单词的数字。然后将它们放入线性代数矩阵中，并与算法步骤 1 和 2 创建的稍大的线性代数矩阵系列相乘。

5.这些矩阵乘法的结果是对原始问题之后的文本的统计预测。结果是数字，因此使用与原始问题转换为数字相反的方法将这些数字转换为文本。然后将转换后的文本提供给最终用户。

请注意，线性代数矩阵管道中的任何一点都没有任何思考或思考“想法”的机会，只有对已知数字进行无意识和盲目的乘法。 

另请注意，如果训练人工智能算法的原始文本正文包含不正确的信息或冲突的信息，则生成的算法不会从人类的角度产生正确的答案，它将产生训练数据给出的答案，并且如果训练数据不一致，人工智能算法永远不会收敛以产生稳定的答案。

没有思考的机会，那又怎么样。

问：我应该用什么语言来学习数据结构和算法？为什么？

答：用于研究数据结构和算法的编程语言的选择是主观的，取决于几个因素，包括您的个人喜好、职业目标以及您所针对的行业或工作的要求。然而，由于某些语言的可读性、社区支持和多功能性，它们通常更适合学习和实现数据结构和算法。

以下是经常推荐用于研究这些主题的几种语言：

·为什么选择Python：

o可读性：Python的语法清晰简洁，具有很强的可读性。当您尝试理解复杂的算法或数据结构实现时，这可能很有用。 

o丰富的库：Python拥有丰富的库，可以轻松实现常见的数据结构和算法，而无需从头开始构建它们。这使您可以更加关注概念。

o多功能性：Python 广泛应用于各个领域，包括 Web 开发、数据科学和人工智能。用Python学习数据结构和算法可以有广泛的应用。

·为什么选择Java：

o面向对象的本质：Java 是一种面向对象的语言，它与数据结构的许多原理非常一致。它允许您使用面向对象的概念来实现链表、树和图等结构。

o平台无关性：Java是平台无关的，这意味着用Java编写的代码无需修改就可以在不同的平台上运行。这一特性使其适合开发需要与平台无关的算法。

·为什么选择 C++：

o效率：由于其效率，C++ 通常被选择用于算法密集型任务。它允许您与内存管理密切合作并提供低级访问，使其适合竞争性编程和性能关键型应用程序。

o标准模板库 (STL)：C++ 附带强大的标准模板库，其中包括许多预构建的数据结构和算法。这可以在实现通用结构时节省时间。

·为什么选择 JavaScript： 

oWeb 开发集成：如果您对 Web 开发感兴趣，那么学习 JavaScript 中的数据结构和算法是有益的。它是前端 Web 开发的主要语言，也用于服务器端 (Node.js)。

o社区支持：JavaScript 拥有一个庞大且活跃的社区，为学习和实现数据结构和算法提供了充足的资源、教程和库。

最终，学习数据结构和算法的最佳语言是您最熟悉并喜欢使用的语言。关键是专注于理解底层原理和逻辑，因为这些概念可以跨不同的编程语言迁移。一旦掌握了基础知识，过渡到另一种语言就变成了语法和特定于语言的功能的问题。