Странная карта цветов. 2 красных, слаборазличимых на моём мониторе, рыжий и оранжевый, при этом оргомная ступенька между жёлтым и зелёным, зелёным и сине-голубым. Как по мне — добавить жёлто-зелёный и бирюзовый надо. Градиент смотрелся бы более плавно. А красную гамму немного сузить.
1. Будут. Мощность пропорциональна скорости изменения напряжённости. Вот эта скорость всё равно будет невелика.
2. Почти строго круговая. Эксцентриситет = 0.0094.
Да, видимо, перепады будут выдавать наибольшую мощность, но уж очень это непредсказуемая характеристика.
Ну, в случае гидротурбины — да, закон всемирного тяготения. А тут где он? Вращение по инерции происходит. А обращение вокруг Юпитера вообще толку ноль — напряжённость почти не меняется. См. ниже.
Во-первых для этого надо двигать либо «к Юпитеру — от Юпитера», либо хотя бы вверх-вниз относительно плоскости. Наклонение к экватору Юпитера меньше градуса, эксцентриситет тоже мал. Надо рассматривать суточное вращение. Но расстояние от Юпитера велико, значительного изменения напряжённости МП не будет, мощность такого двигателя будет невысокой.
Чем двигать будем? Мы же энергию хотим получить, а не тратить. И да, постоянное поле не подходит. Нужен именно градиент. Движение постоянного магнита создаёт переменное магнитное поле, вот за счёт этого и электроэнергия. А работа производится тем, кто двигает.
А не надо использовать ограниченные ОСи ;) На самом деле, NTFS начиная с Windows 2000 поддерживает volume mount points, или по-русски — возможность монтировать диск в папку на другом диске, как в UNIX-like ОСях. Т.е. можно иметь 128 разделов, и «всего» один том «C:», а всё остальное будет доступно как папка, например, C:\Users уже может быть другим разделом.
Алгоритмы предсказания не заданы жёстко. Обычно используются различного вида регрессионные анализы, нейросети и т.п. Я к тому, что задача, поставленная для обучения может быть разной, и не все из них может осилить человек.
Я согласен, с Вашим тезисом, о том, что разрабатываемый ИИ обычно не имеет житейского опыта. Допустим, те же системы семантического анализа обычно не «понимают» чем оперируют. Это как ребёнок, которого с рождения запереть в комнате и давать только читать книги. Ответит ли он, на вопрос о крокодиле? Даже обычные дети ещё не сформировавшие модели физики в своей голове могут не ответить на такой вопрос. Для них крокодил Гена может бегать и прыгать.
Но мне кажется Вы переоцениваете когнитивные способности человека. Во-первых, они тоже ограничены. Не уверен, что безграничные возможности к обучению возможны в условиях ограниченной вычислительной мощности. Во-вторых, есть модели обучения «произвольным» вещам и в технических системах. Но да, такие модели всё ещё и пилят и пилят, да и для серьёзных задач просто упираемся в нехватку вычислительных ресурсов.
Не-не-не. Если серьёзно. Правильный интернет вещей должен исключить вмешательство человека в таких вопросах. Т.е. скачали на утюг, смотрим на холодильнике, а как это сделано — общий сервер, или трансляция во время просмотра — заботить пользователя не должно.
Да, сейчас ограничений ещё много. Но люди трудятся над преодолением этих трудностей. Обучаться произвольным вещам на самом деле и человек не может. Ну, или во всяком случае это чрезвычано сложно. Допустим, те же алгоритмы предсказаний (к примеру погода) учитывающие большое множество факторов уже опережают обычного человека.
Для введения новых знаний используются те или иные методы обучения. Естественно и модели представления знаний, и модели обучения на сегодня не дают «интеллекта», но своеобразное подобие опыта существует.
Не сводите память только к простым фактам. Допустим, база знаний представлена в памяти, но может описывать логику взаимодействия (условие→заключение в продукционных системах).
Вообще-то есть такое направление. Семантический анализ — основная пролема для реализации такого. А понимание естественного языка пока далеко от идеала.
2. Почти строго круговая. Эксцентриситет = 0.0094.
Да, видимо, перепады будут выдавать наибольшую мощность, но уж очень это непредсказуемая характеристика.
Я согласен, с Вашим тезисом, о том, что разрабатываемый ИИ обычно не имеет житейского опыта. Допустим, те же системы семантического анализа обычно не «понимают» чем оперируют. Это как ребёнок, которого с рождения запереть в комнате и давать только читать книги. Ответит ли он, на вопрос о крокодиле? Даже обычные дети ещё не сформировавшие модели физики в своей голове могут не ответить на такой вопрос. Для них крокодил Гена может бегать и прыгать.
Но мне кажется Вы переоцениваете когнитивные способности человека. Во-первых, они тоже ограничены. Не уверен, что безграничные возможности к обучению возможны в условиях ограниченной вычислительной мощности. Во-вторых, есть модели обучения «произвольным» вещам и в технических системах. Но да, такие модели всё ещё и пилят и пилят, да и для серьёзных задач просто упираемся в нехватку вычислительных ресурсов.