这个问题的答案真的很复杂。, 因为人工智能最好的硬件 (.AI) 这在很大程度上取决于您要开发的应用程序类型。. 例如, 如果你的目标是建立一个用于图像识别的神经网络, 您将需要一个功能强大的显卡，让您能够快速高效地进行网络训练.
通常, 可以说，人工智能最好的硬件就是能让算法更快、更高效地工作的硬件. 这意味着, 在大多数情况下, 你将需要一个强大的 CPU 和一个强大的 GPU. 尽管如此, 在某些特殊情况下, 例如语音识别或自然语言处理, 你可能需要比 GPU 更强大的 CPU.
任何状况之下, 选择最适合您的需求和应用要求的硬件非常重要。. 如果您之后不打算充分发挥其潜力，那么在 CPU 或 GPU 上花费过多的钱是没有意义的。. 同样的, 如果您的应用程序不需要那么多的计算能力，您不想在 CPU 上花费太多.
总之, 人工智能最好的硬件是能让算法更快更有效地工作的硬件, 适应您和您的应用程序的需求.
我们怎样才能建立一个强大的人工智能 (通用人工智能)?
人工智能是计算机科学的一个分支，致力于研究和开发能够执行需要人类智能的任务的系统。, 喜欢推理, 学习和解决问题. 人工智能可以弱也可以强, 根据系统执行这些任务的能力程度. 弱人工智能系统, 像专家系统, 他们可以非常擅长某项特定任务, 但无法执行其他任务. 强大的人工智能系统, 另一方面, 他们可以执行范围广泛的任务，被称为智能代理. 智能代理是一种能够在不断变化的环境中做出自己的决策以最大化其效用的系统。. 智能代理基于决策理论, 这是数学的一个分支，致力于研究如何在不确定的情况下做出决定. 决策理论可以应用于广泛的问题。, 从在视频游戏中挑选股票到投资股市.
构建智能代理, 我们需要一个代理人将要在其中行动的世界模型. 这个世界模型可以非常简单或非常复杂。, 取决于我们要解决的问题. 例如, 如果我们想建立一个下国际象棋的代理, 我们需要一个包含游戏规则的世界模型, 棋子在棋盘上的位置和代理可以执行的操作. 和, 另一方面, 我们想建立一个投资股票市场的代理人, 我们将需要一个复杂得多的世界模型，该模型将诸如行为类型之类的变量考虑在内, 股票价格, 交易量, 等. 一旦我们有了世界模型, 下一步是构建一个允许代理做出决策的算法. 该算法被称为决策算法或决策算法。. 有各种各样的决策算法。, 从随机选股算法等非常简单的算法到机器学习算法等更复杂的算法.
一旦我们有了决策算法, 最后一步是评估代理在现实世界中的表现. 这可以通过多种方式完成, 但最常见的方法之一是使用一种称为模拟的技术. 在模拟中, 代理人在一个所有变量都受到控制的虚拟世界中接受测试. 这使我们能够在受控和, 如果需要, 调整决策算法以提高性能. 一旦对代理进行了评估并调整了决策算法, 代理已准备好在现实世界中接受测试.
决策算法
如前面提到的, 决策算法是允许代理做出决策的例程。. 有各种各样的决策算法。, 从随机选股算法等非常简单的算法到机器学习算法等更复杂的算法. 在这个部分, 我们将专注于机器学习算法, 因为它们目前被用来构建最好的智能代理.
机器学习算法
机器学习算法基于机器学习, 它是人工智能的一个分支，致力于研究系统如何从经验中学习和改进. 机器学习算法种类繁多, 从强化学习等非常简单的算法到深度学习等更复杂的算法. 在这个部分, 我们将专注于强化学习, 因为它是目前用于构建最佳智能代理的工具.
强化学习
强化学习基于奖励理论。, 这是心理学的一个分支，致力于研究人类和动物如何通过经验学习. 奖励理论可以应用于广泛的问题。, 从在视频游戏中挑选股票到投资股市. 在强化学习中, 代理通过实验和错误学会在不断变化的环境中做出决策. 当代理人采取导致成功的行动时，他会收到奖励；当他采取导致失败的行动时，他会收到惩罚。. 作为代理人的经验, 他了解在每种情况下哪些行为最有价值，并相应地调整自己的行为. 强化学习是一种非常强大的机器学习技术，已成功用于各种问题。, 从在电子游戏中选股到投资股市.
结论
人工智能是计算机科学的一个分支，致力于研究和开发能够执行需要人类智能的任务的系统。. 人工智能可以弱也可以强, 根据系统执行这些任务的能力程度. 强大的人工智能系统, 智能代理, 他们可以执行范围广泛的任务，被称为智能代理. 智能代理是一种能够在不断变化的环境中做出自己的决策以最大化其效用的系统。.
构建智能代理, 我们需要一个代理人将要在其中行动的世界模型. 这个世界模型可以非常简单或非常复杂。, 取决于我们要解决的问题. 一旦我们有了世界模型, 下一步是构建一个允许代理做出决策的算法. 有各种各样的决策算法。, 从随机选股算法等非常简单的算法到机器学习算法等更复杂的算法. 机器学习算法基于机器学习, 它是人工智能的一个分支，致力于研究系统如何从经验中学习和改进. 强化学习是一种非常强大的机器学习技术，已成功用于各种问题。.
一旦代理人被训练并且决策算法被调整, 代理已准备好在现实世界中接受测试. 这可以通过多种方式完成, 但最常见的方法之一是使用一种称为模拟的技术. 在模拟中, 代理人在一个所有变量都受到控制的虚拟世界中接受测试. 这使我们能够在受控和, 如果需要, 调整决策算法以提高性能. 一旦对代理进行了评估并调整了决策算法, 代理已准备好在现实世界中接受测试.