Imatge de l'autor
27+ obres 6,191 Membres 82 Ressenyes 19 preferits

Sobre l'autor

Ray Kurzweil was born on February 12, 1948. He was the principal developer of the first CCD flat-bed scanner, the first omni-font optical character recognition, the first print-to-speech reading machine for the blind, the first text-to-speech synthesizer, the first music synthesizer capable of mostra'n més recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition. He has received numerous awards including the MIT-Lemelson Prize and the National Medal of Technology. In 2002, he was inducted into the National Inventor's Hall of Fame. He has written several books including The Age of Spiritual Machines, The Age of Intelligent Machines, The Singularity Is Near, and How to Create a Mind: The Secret of Human Thought Revealed. (Bowker Author Biography) mostra'n menys
Crèdit de la imatge: Credit: Michael Lutch

Obres de Ray Kurzweil

The Age of Intelligent Machines (1990) 175 exemplars
Die Intelligenz der Evolution (2016) 4 exemplars
The Singularity Is Nearer (2022) 3 exemplars
Science of the Soul — Performer — 2 exemplars

Obres associades

Etiquetat

Coneixement comú

Nom normalitzat
Kurzweil, Ray
Nom oficial
Kurzweil, Raymond
Altres noms
KURZWEIL, Raymond
KURZWEIL, Ray
Data de naixement
1948-02-12
Gènere
male
Nacionalitat
USA
Lloc de naixement
Queens, New York, USA
Educació
Massachusetts Institute of Technology (BS|1970)
Professions
inventor
futurist
businessman
Relacions
Kurzweil, Sonya (spouse)
Kurzweil, Amy (child)
Organitzacions
Kurzweil Music Systems
Kurzweil Computer Products, Inc.
Kurzweil Applied Intelligence
Kurzweil Educational Systems
Premis i honors
First place - International Science Fair (1965)
Grace Murray Hopper Award (1978)
Dickson Prize in Science (1994)
Inventor of the Year -- MIT (1998)
National Medal of Technology (1999)
Telluride Tech Festival Award of Technology (2000) (mostra-les totes 12)
Lemelson-MIT Prize (2001)
National Inventors Hall of Fame (2002)
Arthur C. Clarke Lifetime Achievement Award (2009)
ACM (Fellow)
Design Futures Council (Fellow)
National Academy of Engineering (2001)
Biografia breu
Ray Kurzweil is the principal developer of (among a host of other inventions) the first print-to-speech reading machine for the blind, the first text-to-speech synthesizer, the first CCD flat-bed scanner, and the first commercially marketed large vocabulary speech recognition system. Recipient of the National Medal of Technology among many other honors. [from What We Believe But Cannot Prove (2006)]

Membres

Ressenyes

Occasional insights, but painfully dated.
 
Marcat
kenf | Hi ha 20 ressenyes més | Dec 3, 2023 |
Why would I read a futurist’s book of predictions eighteen years late??? Well, being a technology educator and sci-fi hobbyist, it’s a book I should have read eighteen years ago. Kurzweil is a polarizing figure. He’s made bold and aggressive predictions his whole career. He had some big successes, but many of his predictions have failed to meet his timelines. But in an age of Generative AI, Musk’s Neuralink, Quantum computer advances, and broad implementation of nanoparticles in material science, medicine, and device engineering, I wonder if the criticisms have been premature.
Let’s be realistic, the explosion of interest in Generative AI (or as some call it – ‘plagiarism machines’ or ‘computer models that can lie’) has brought us no closer to ‘the singularity.’ However, it has made AI more conversational and has the potential to bring more existing information to more people faster. In addition, clearly technology adoption rates have accelerated (at least in some cases). It took Facebook four and a half years to reach 100 million users, ChatGPT reached that milestone in two months.
In this bestseller, Kurzweil takes on predictions around GRN (Genetics, Nanotechnology, and Robotics/strong AI). He explores the potential advances on human brain interfaces, brain reengineering, and uploading the brain into a computer. Crazy stuff, right? Well, he does include over 100 pages of notes and references. This is not just some person making wild predictions, it is supported with a substantial amount of research and expertise. Is it crazy to think we become more integrated with technology when 95% of the world is covered by broadband networks? When the average screen time in the U.S. is over seven hours, when nearly 7 billion humans own a smart phone, and the average person checks their mobile device over 95 times per day? At some level, humans have already merged with technology. The global active implanted medical device market size is $26.82 billion and most consider it in its infancy.
Ultimately, the book is about ‘the Singularity.’ This is a future event where technology advances so rapidly that human life will be transformed and unrecognizable. Likely outcomes are where advanced AI exceeds humans as the dominate force, or more likely, according to Kurzweil, humans and AI’s merge.
Even reading this book eighteen years later, I found it to be well researched, intriguing, bold, and useful. Don’t expect a perfect roadmap and timeline to our species’ future but do expect a great deal of well thought out implications, extrapolations, and forecasts. Four stars. I, for one, welcome our new A.I. overlords, they can’t do any worse in managing the planet than we are.
… (més)
 
Marcat
Kevin_A_Kuhn | Hi ha 33 ressenyes més | Aug 11, 2023 |
"Come creare una mente: il segreto del pensiero umano rivelato" è un libro scritto da Ray Kurzweil, futurista e inventore. In questo libro, Kurzweil presenta una teoria su come funziona la mente umana e propone un quadro per la creazione di un'intelligenza artificiale in grado di replicare processi di pensiero simili a quelli umani.

La teoria di Kurzweil si basa sull'idea che il cervello umano sia composto da moduli, o gruppi di neuroni, che svolgono funzioni specifiche. Questi moduli lavorano insieme in modo gerarchico per creare pensieri e comportamenti sempre più complessi. Kurzweil sostiene che comprendendo la struttura e la funzione di questi moduli, possiamo creare una macchina che imiti il modo in cui il cervello umano elabora le informazioni.

La struttura di Kurzweil per la creazione di un'intelligenza artificiale prevede la costruzione di una rete neurale che modella la struttura e la funzione del cervello umano. Propone che questa rete neurale sia composta da più livelli di moduli interconnessi in grado di apprendere e adattarsi nel tempo. Addestrando questa rete neurale utilizzando grandi quantità di dati, può sviluppare la capacità di riconoscere modelli, fare previsioni ed eseguire altre attività complesse.

Nel complesso, "Come creare una mente" è un'affascinante esplorazione della natura del pensiero umano e del potenziale per la creazione di un'intelligenza artificiale in grado di replicarlo. Tuttavia, vale la pena notare che le idee di Kurzweil sono ancora in gran parte speculative e devono ancora essere pienamente realizzate nella pratica.

Sebbene il framework di Ray Kurzweil per la creazione di un'intelligenza artificiale abbia influenzato lo sviluppo delle tecnologie AI, non ci sono esempi specifici di AI che siano stati sviluppati utilizzando esclusivamente il suo framework.

Tuttavia, ci sono tecnologie AI che sono state sviluppate sulla base di principi simili, come le reti neurali di deep learning. Le reti neurali di deep learning sono composte da più strati di nodi interconnessi che possono apprendere e adattarsi nel tempo. Sono stati utilizzati per creare sistemi di intelligenza artificiale in grado di riconoscere immagini, comprendere il linguaggio naturale e giocare a un livello sovrumano.

Ad esempio, AlphaGo di Google, che ha sconfitto il campione del mondo nel gioco da tavolo Go, è stato sviluppato utilizzando una rete neurale di deep learning. Allo stesso modo, i sistemi di elaborazione del linguaggio naturale come Google Assistant e Amazon Alexa utilizzano reti neurali di deep learning per comprendere e rispondere alle domande degli utenti.

Sebbene queste tecnologie di intelligenza artificiale non si basino esclusivamente sul framework di Kurzweil, condividono alcune somiglianze nel loro approccio alla creazione di macchine intelligenti.

Si può dare una spiegazione di alto livello su come funzionano le reti neurali di deep learning. A livello di base, una rete neurale è un modello computazionale progettato per elaborare le informazioni in modo simile al cervello umano. Una rete neurale di deep learning è un tipo di rete neurale composta da più livelli di nodi interconnessi, o neuroni, in grado di apprendere e adattarsi nel tempo.

L'idea di base alla base di una rete neurale di deep learning è che acquisisce dati di input, li elabora attraverso una serie di livelli e produce un output. Ogni livello della rete è costituito da un insieme di nodi, o neuroni, collegati ai nodi del livello precedente. Ogni connessione tra i neuroni ha un peso, che determina la forza del segnale che viene passato da un neurone all'altro.

Durante il processo di addestramento, i pesi tra i neuroni vengono regolati in base all'errore tra l'output previsto e l'output effettivo. Questo processo di regolazione dei pesi è noto come backpropagation e consente alla rete di imparare dai propri errori e migliorare la propria accuratezza nel tempo.

Le reti neurali di deep learning sono state utilizzate in un'ampia gamma di applicazioni, tra cui il riconoscimento di immagini e parlato, l'elaborazione del linguaggio naturale e l'analisi predittiva. Uno dei principali vantaggi delle reti neurali di deep learning è che possono imparare automaticamente a riconoscere modelli e caratteristiche nei dati senza la necessità di una programmazione esplicita. Questo li rende adatti per attività che sarebbero difficili o dispendiose in termini di tempo da programmare manualmente.

Sebbene le reti neurali di deep learning abbiano mostrato un notevole successo in una varietà di applicazioni, presentano anche alcune limitazioni. Eccone alcuni:

1. Interpretabilità limitata: le reti neurali di deep learning possono essere difficili da interpretare, il che rende difficile capire come arrivano alle loro decisioni. Ciò è particolarmente vero per le reti complesse con molti livelli e nodi, dove può essere difficile tracciare il flusso di informazioni.

2. Dipendenza dai dati: le reti neurali di deep learning richiedono grandi quantità di dati di alta qualità per essere addestrate in modo efficace. Senza dati sufficienti, la rete potrebbe non essere in grado di apprendere i modelli e le caratteristiche necessarie per previsioni accurate.

3. Overfitting: le reti neurali di deep learning possono essere soggette a overfitting, che si verifica quando la rete diventa troppo specializzata per i dati di addestramento e si comporta male con dati nuovi e invisibili. Questo può essere mitigato attraverso tecniche come la regolarizzazione, ma rimane una sfida in alcune applicazioni.

4. Computazionalmente costoso: le reti neurali di deep learning possono essere computazionalmente costose da addestrare, specialmente per set di dati di grandi dimensioni e reti complesse. Questo può rappresentare una barriera all'ingresso per le organizzazioni più piccole o per gli individui che non hanno accesso a hardware specializzato o risorse di cloud computing.

5. Mancanza di ragionamento di buon senso: le reti neurali di deep learning sono brave a riconoscere schemi e fare previsioni basate sull'esperienza passata, ma non hanno la capacità di ragionare nel modo in cui lo fanno gli umani. Ciò significa che possono lottare con compiti che richiedono una conoscenza del buon senso o una comprensione contestuale.

Nel complesso, mentre le reti neurali di deep learning hanno mostrato grandi promesse in molte applicazioni, ci sono ancora sfide da affrontare per realizzare appieno il loro potenziale.
… (més)
 
Marcat
AntonioGallo | Hi ha 14 ressenyes més | Jun 10, 2023 |
This is a long and technically complex book. Much of the information is based on current research efforts and extrapolation of this work in an exponential growth model. Mr. Kurzweil is highly knowledgeable and well read. He has given much thought to his speculations. I as most people see his predictions as reasonable in some cases but as overly optimistic in most cases. It is hard to predict the future but his ideas on merging with technology to overcome death are highly questionable. He covers a lot of territory in his book and some of his anticipation of technological advances are likely in the fields of nanotechnology and robotics.… (més)
 
Marcat
GlennBell | Hi ha 33 ressenyes més | Sep 3, 2022 |

Llistes

Premis

Potser també t'agrada

Autors associats

Estadístiques

Obres
27
També de
10
Membres
6,191
Popularitat
#3,969
Valoració
3.8
Ressenyes
82
ISBN
101
Llengües
13
Preferit
19

Gràfics i taules