日韩偷拍一区二区,国产香蕉久久精品综合网,亚洲激情五月婷婷,欧美日韩国产不卡

在你的顱腔里，有個器官能夠閱讀。這個器官就是人的大腦，它具有其他動物大腦沒有的一些能力，而我們在地球上的主宰地位便歸功于這些獨特的能力。其他動物有更強壯的肌肉或更銳利的爪子，但是我們有更聰明的大腦。我們在一般智能方面的些許優勢使我們創造了語言，發展了科技，并建立了復雜的社會組織。這種優勢隨著時間的延續而不斷提高，因為每一代人的成就都建立在前人的成就之上。

如果有24小時我們發明了超越人類大腦一般智能的機器大腦，那么這種超級智能將會非常強大。并且，正如現在大猩猩的命運更多地取決于人類而不是它們自身一樣，人類的命運將取決于超級智能機器。

然而我們擁有一項優勢：我們清楚地知道如何制造超級智能機器。原則上，我們能夠制造一種保護人類價值的超級智能，當然，我們也有足夠的理由這么做。實際上，控制問題—也就是如何控制超級智能，似乎非常困難，而且我們似乎也只有一次機會。一旦不友好的超級智能出現，它就會阻止我們將其替換或者更改其偏好設置，而我們的命運就因此被鎖定了。

在本書中，我將努力詮釋可能出現的超級智能帶來的挑戰，以及我們如何更好地應對。這很可能是人類面對的最重要和最可怕的挑戰。而且，不管我們成功還是失敗，這大概都是我們將要面對的一個挑戰。

本書并不認為，我們即將在人工智能方面取得重大突破，或者能夠預測突破會在何時發生。突破有可能會在21世紀的某些時候實現，但是我們并不能確定。本書的前幾章討論了取得突破的可能途徑，并談論了何時能夠突破的問題。然而，本書的主要部分討論的是智能爆發以后會發生什么。我們會研究智能大爆發的動力學，超級智能的形式和能量，以及具有決定性優勢的超級智能體有哪些戰略選擇。然后，我們探討的重點轉向控制問題，并提出為了讓我們生存并且獲得有利的結果，我們如何選擇初始數據的問題。在本書的結尾，我們將畫面拉遠，思考我們的研究所呈現的更大的圖景。提出了一些建議，指出為了增加避免存在性災難的概率，我們現在可以做些什么。

我希望本書可以開辟出一條道路，以使其他研究者能夠更加快速和便捷地到達這個領域的前沿，從而以全新的視角加入這項研究，進一步擴展我們的認識。(如果我鋪的這條道路有點崎嶇不平，那么我希望評論家們在評判結果時，不要低估原來地勢的險惡情況！)

這本書寫起來并不容易。我努力使其讀起來容易，但是我覺得可能并沒有做到。寫作時，我把早前時間切片(time-slice)里的自己當作目標讀者，并盡量把書寫成自己喜歡閱讀的類型。雖然這可能會導致讀者群較窄，但我還是認為書中的內容對很多人來說都是能夠理解的，前提是他們對書中的內容進行一些思考，同時拒絕盲目地將任何一個新觀點誤解為他們文化中相似而陳舊的觀點。非科技專業的讀者不必因為書中偶爾出現的數學知識或專業術語感到氣餒，因為往往可以通過上下文的解釋看懂主要觀點。

本書提出的很多觀點可能是不恰當的，而有些非常重要的觀點我可能也沒有考慮到，從而削弱了我的某些或者所有結論的有效性。我已經盡可能地在全書中指明細微差別和不確定性—書中遍布著太多的“可能”、“或許”、“也許”、“也有可能”、“看起來”、“大概”、“非常可能”、“幾乎肯定”這樣的詞。每個限定詞的使用都是經過深思熟慮的。然而，這些字眼所體現出的認識方面的謙虛謹慎依然是不夠的，還必須要補充對不確定性和易錯性的整體說明。這不是虛偽的謙虛，因為雖然我相信我的書中可能有一些較嚴重的問題和誤導性，但是我認為目前書中提到的其他觀點更加糟糕，包括默認觀點或者所謂的“零假設”，這些觀點認為我們可以暫時安全地或合理地忽略超級智能出現的可能性。

及時章 人工智能：昨日成就與今日現狀

首先，我們回顧過去。在最長的時間范圍里，歷史似乎呈現出一系列不同的增長模式，每個新模式都比前一個模式增長更快。根據這個規律推測，可能會出現另一種(甚至更快速的)增長模式。然而，我們并不特別強調這個觀點，因為這并不是一本關于“科技加速”、“極速增長”，或者集合在“奇點”標題下的各種觀點的書。然后，我們要回顧人工智能的歷史，之后再探索目前人工智能的能力。，我們簡要地介紹一些專家近期的觀點和調查，并且思考一下我們對于未來發展之時間表的空白領域。

增長模式和宏大歷史

僅在幾百萬年前，我們的祖先還在非洲森林中穿梭。以地質或進化的時間尺度來看，從與類人猿共同擁有的一代祖先向智人的進化是非?？焖俚?。我們進化出直立的姿勢和對生拇指，而最重要的是，我們的大腦體積和神經組織發生了相對微小的變化，但正是這些變化引起了人類認知能力的巨大進步。因此，人類可以進行抽象思維，交流復雜的思想，可以比地球上任何其他物種更好地積累和傳承文化信息。

這些能力使人類創造出越來越高效的生產技術，從而使我們的祖先從熱帶雨林和草原向遠方的遷徙成為可能。尤其是進行農耕之后，人口總數和人口密度都在增加。更多的人口意味著更多的想法；更大的人口密度則意味著想法更容易傳播，并且更多的個體可以專注于發展專門的技能。這些發展提高了經濟生產力和技術實力的增長率。后來與工業革命相關的發展則帶來了第二次與此相當的增長率的劇增。

這些增長率的變化有著重要的影響。幾十萬年前，在早期人類(或原始人類)史前時代，增長非常緩慢，要使人類生產能力增長到能夠維持另外100萬人基本生存的水平，需要大約100萬年的時間。到了公元前5000年，經過了農業革命，增長率已經提高到只需要兩個世紀就能實現同樣的增長。今天，經過了工業革命，世界經濟平均每90分鐘就能夠增長相同的量。

即使是現在的增長率，如果持續一定時間，也會產生可觀的結果。如果世界經濟繼續以過去50年的速度增長，那么到2050年，全球財富將是現在的約5.8倍，到2100年則是約35倍。

然而，當前這種依指數增長實現穩定繁榮的方式仍舊是不夠的，如果世界再經歷一次農業革命或工業革命那樣的飛躍式增長，世界將會呈現出不同的面貌。經濟學家羅賓 漢森通過研究歷史上的經濟和人口數據，推測出過去社會中經濟呈倍數增長所要經歷的時間：在洪積世狩獵采集社會下，經濟增長翻倍需要224 000年，在農業社會需要909年，在工業社會則需要6.3年。(在漢森的模型中，當今時代是農業社會和工業社會發展模式的混合體，世界經濟實現倍數增長的速度還不能達到6.3年這個平均時長。)但如果出現另外一種不同的經濟增長模式，類似于農業革命和工業革命時期的飛躍式發展，那么世界經濟便會以每兩周的時間實現翻倍增長。

以當今形勢看，要實現這種增長速度無異于癡人說夢。觀察家們可能已經發

洪積世(Pleistocene)，又譯更新世，地質時代第4紀的早期。—譯者注現，對于以往的歷史時期而言，世界經濟很難在某一段時期中實現好幾次翻倍增長。然而，我們現在就要學著對這種不尋常的情況習以為常。

弗諾 文奇(Vernor Vinge)開創性的文章以及雷 庫茲韋爾(Ray Kurzweil)等人的著述所揭示的那種即將到來的技術性奇點已經受到了廣泛關注。然而，“奇點”這一術語在很多不同領域被混亂地使用，并催生出一種不合理的技術烏托邦氛圍，就好像我們會就此迎來太平盛世了?？紤]到“奇點”這個詞所指的大部分涵義與本文的論述不甚相關，我們可以去掉這個詞并代替以更的術語，以便闡述得更清晰。

我們更感興趣的一個與“奇點”相關的術語是智能爆發，尤其是機器超級智能的前景。肯定會有人意識到圖1–1所顯示的增長模式是比農業革命和工業革命還要激烈的另一種可能的飛躍式增長模式。這些人也會意識到，要想讓世界經濟實現在僅僅數周內翻倍的增長速度，就需要創造出一種比人類的生物性思維更快、更有效的思維方式。但是我們很難通過分析經濟增長曲線以及推斷過往經濟增長模式來認真嚴肅地了解機器智能變革的前景。我們將看到，更加強有力的理由會讓我們認真考慮這一問題。

大預期

自20世紀40年代計算機被發明出來之后，機器就一直被寄予厚望，人們希望機器能夠具備人的一般智能，更確切地說，就是機器要具備普通判斷力和有效的學習、推理能力，并且要能夠制訂計劃以應對復雜信息處理過程帶來的挑戰，這種挑戰可能來自自然和抽象領域的各個方面。在計算機剛面世時，人們就期望能夠在未來20年之內賦予計算機人工智能。但一年又一年過去了，實現讓機器具備人工智能的日期卻一拖再拖；以至于今天，關心人工智能的未來學家們依舊普遍認為智能機器的出現還需要20多年。

在談到徹底變革所需要的時間時，預言家們總喜歡用20年這個時間跨度：這個時間跨度既抓眼球，又足夠長，長到可以讓一個目前看起來還是模糊想象的突破成為現實。為什么不是更短的時間跨度呢？因為大多數在未來5~10年內可能對世界產生重大影響的技術目前已經在小范圍內被應用了，而全新的技術在不到15年之內就能讓世界煥然一新，當然這也只是一個理論假設。另外，之所以喜歡說20年，還有可能是因為一個預言家的職業生命大概就是這么長，這樣一來他在做出大膽假設時也不用承擔名聲受損的風險。

然而，即便一些人在過去對人工智能的預言不，這也并不意味著人工智能就是不可能或者永遠無法實現的。那么，為什么人工智能的發展總是落后于預期呢？這主要是因為創造人工智能機器所遭遇的技術困難遠遠超過了先驅者們認為的程度。但這也只是說明我們遇到了多大的技術難題以及我們離解決這些難題還有多遠。很多時候，一個最初看起來復雜得不可救藥的難題往往在后來都會意外地被非常簡單的手段所解決，當然，用復雜的手段解決難題更為常見。

在下一章，我們將會看到那些可能實現與人類相同智能的人工智能的具體路徑。但我們在一開始就需要注意一點，那就是如果我們將實現人工智能視為一輛火車所要到達的站臺，那么不管我們現在與將要到達的站臺之間有多少臨時停靠站，實現與人類智能相同的機器智能也并不是終點站。順著這條道路再往前走，下一個站臺就是機器智能超越人類智能。這列火車不會在達到人類智能水平這一站就停滯不前或者減速行駛，它很有可能會飛速而過。

第二次世界大戰時期，阿蘭 圖靈密碼破譯小組的首席統計師兼數學家I. J. 古德大概是清晰闡述人工智能未來圖景的及時人。在那段寫于1965年、后來被經常引用的名言中，他這樣寫道：

我們把超智能機器定義為具備超越所有聰慧人類智能活動的機器。考慮到設計機器是智能活動的一部分，那么超智能機器甚至能夠設計出更好的機器。毫無疑問，肯定會出現諸如“智能爆發”這樣的局面，人類智能會被遠遠地甩在后面。因此，及時臺超智能機器將是人類創造的一臺機器，當然前提條件是這臺機器足夠聽話并告訴我們要怎樣才能控制它。

目前存在的顯著風險便與這個智能爆發相關，我們必須以最嚴肅的態度審視這一風險，即使我們知道(實際上我們并不知道)出現這一風險的可能性非常小。但是盡管人工智能的先驅者們相信與人類智能水平相當的人工智能所存在的危害，大多數人也并不認為人工智能會有超越人類智能的可能。他們腦海里存在著這樣的固有觀念，即就算是機器能夠達到人類的智能水平，也不能因此就推斷出機器最終會發展成超越人類智能的超智能機器。

人工智能的先驅者們大多數時候都不認為他們的事業可能會存在風險。至于創造人工智能以及具備人工智能的計算機霸主是否會存在任何安全隱患或者倫理風險，先驅者們才不會在這些問題上面多費唇舌，更別說去嚴肅思考了。即便是在當今這個不怎么批判技術使用過程中所存風險的社會背景下，這種缺失也讓人備感詫異。我們當然希望這些先驅者們的事業最終能夠成功，但我們要的不僅僅是嫻熟的技術以引燃智能爆炸，我們還要能在更高水平上掌握控制權，以免我們在爆炸中身首異處。

而在瞻望未來之前，對于機器智能歷史的飛速一瞥對我們而言還是頗有助益的。

希望與絕望并存

1956年夏天，10名研究神經網絡、自動化理論以及智能的科學家們在達特茅斯學院組成了一個為期6周的工作組。這個達特茅斯夏季項目經常被認為是人工智能研究的及時縷曙光。大多數參與者后來都成了這一領域的開創性人物。項目組成員的樂觀預期在給項目資助方洛克菲勒基金會提交的一份報告書中展現得淋漓盡致：

現報告我們10人團隊經過兩個月針對人工智能的研究成果……這項研究建立在這樣一個設想的基礎上，即智能所能實現的學習或者任何其他方面的特征在理論上都能夠被機器地模擬出來。該研究嘗試去發現機器是如何使用語言、形成抽象思維與概念、解決人類所面臨的問題以及學會自我改良的。我們認為由這些精心遴選出來的科學家們組成的團隊在經過一個夏天的研究后，能夠在其中一個或者幾個問題上實現突破性進展。

距離這一大膽的開創性研究已經過去了60年，人工智能在這60年中跌宕起伏，既經歷過大肆宣傳、野心勃勃的高潮期，也遭遇過挫折滿滿、令人失望的低潮期。

達特茅斯會議激發了人工智能的及時次研究熱潮，該項目的主要組織者約翰 麥卡錫說這一時期是一個“看，我能辦到！”的時代。在這一人工智能發展的早期時代，研究者們建立起各種系統以批駁那些認為“機器不能做‘某事’”的懷疑論。這類懷疑論在當時非常流行。為了對抗這種懷疑論，人工智能研究者們在某些微觀領域創造了小型系統去實現具體的“某事”，以便證明機器是能夠做“某事”的。這些微觀領域往往被限制在某個非常具體的范圍內，使得演示簡單的機器性能成為可能。比是早期的邏輯思想家的這類系統便可以證明懷特海和羅素那本《數學原理》(Principia Mathematica)第二章中的大多數定理，而邏輯思想家的證明過程甚至比原來的證明更加簡潔，這駁斥了那種認為機器“只會數數”的想法并顯示出機器也能夠進行推理和邏輯證明。在這之后又出現了通用問題解算程序，這種程序在原理上能夠解決很大范圍內的專業問題：既有能夠解決大學一年級課本里微積分問題的程序，也有能應用于某些智商測驗中解決圖像類比問題的程序，還有能寫出簡單代數語言的程序。Shakey(意思為搖擺)機器人的出現顯示出邏輯推理能夠與知覺結合在一起，并可以應用于設置和控制肢體動作，其之所以被叫作shakey，是因為這種機器人在演示時總是不停抖動。ELIZA程序則展示了一臺計算機是如何模仿羅杰斯這類心理治療師的。在20世紀70年代中期，SHRDLU系統演示了一只模仿人類的機器人手臂是如何在擺放著幾何物體的世界中，遵循使用者用英文打出的指令行事并且回答其輸入的問題的。在之后的10年中，相繼出現了各式各樣的系統程序：能夠以多個古典音樂作曲家的風格創作曲子的系統，在特定的臨床診斷中表現得比初級醫師還要好的系統，能夠自動駕駛汽車的系統，以及能夠發明專利的系統。有的系統甚至還會說笑話。

但在早期的演示系統中取得成功的這種方式卻被證明很難向更廣泛的領域延伸，也很難解決更難的問題。原因之一在于常用的窮舉法很難解決可能的“組合爆炸”的問題。窮舉法可以解決簡單問題，但是只要問題變得稍微復雜一些，這種方法就沒有用了。例如要證明一個有5步推理、一個推理規則以及5條公理的定律，便可以簡單列舉出3 125種可能的組合方式，然后挨個試驗并尋找那個能夠推出預期結果的組合。窮舉法也可以運算6步或者7步的推理。但是隨著任務變得越來越復雜，這種窮舉法便很快遇到了瓶頸。要證明一個有50步推理的定律，工作量可并不是證明5步推理定律工作量的10倍，如果用窮舉法的話，就可能需要550≈8.9×1034種可能的組合，即使是對于最快速的超級計算機來說，這也是不可能實現的計算。

要克服“組合爆炸”帶來的問題，就需要有能夠開發目標領域結構的算法，并且要能通過啟發式搜索、計劃以及靈活的抽象信息處理方式有效利用已有知識，而這些都是早期人工智能系統所欠缺的地方。其早期系統性能還有一個缺陷，就是過多依賴脆弱且無根據的符號化的表達方式，再加上數據稀缺以及硬盤條件嚴重限制了計算機的存儲容量和加工速度，這些都使早期系統沒有很好的方法來控制不確定性。到了20世紀70年代中期，這些問題變得越發突出。在意識到多數人工智能項目無法成功實現我們最初的設想后，人工智能的研究迎來了及時個寒冬：項目被砍，資金縮水，懷疑論甚囂塵上，人工智能備受冷落。

20世紀80年代早期，人工智能迎來了春天。當時日本發起了第5代計算機系統工程，并專門為該工程建立起良好的公私合作伙伴關系，以確保充足的項目資金。該工程的主要目的在于超越當時的技術發展水平，通過發展大規模并行計算結構為人工智能的實現搭建平臺。該工程與日本的“戰后經濟奇跡”一起受到關注，這一時期，西方國家政府以及商業精英們焦急地尋找能夠揭示日本經濟成功的規律，以期在其國內復制日本的這種繁榮。當日本決定在人工智能領域大手筆投入時，其他國家都緊隨其后。

接下來的幾年見證了專家系統的繁榮。專家系統的設計理念是為決策者提供支持工具，該系統是一些基于從一系列由實際知識構建的知識庫中得到簡單推論的程序，而這些實際知識則是由某一領域的人類專家們提供并被精心編成以代碼表達的形式語言。當時有大約幾百個類似的專家系統被建立起來。然而專家系統也同樣存在著缺陷：小規模系統沒什么太大價值，大規模系統則需要在開發、確認和數據更新上耗費大量成本，在運用時往往也會非常麻煩。為了運行一個單一程序，就設置一臺獨立計算機，這不太現實。所以到了20世紀80年代末期，人工智能的這一繁榮時期也變得黯淡起來。

第5代計算機系統工程并沒能實現它的目標，而在美國和歐洲開展的類似項目也面臨著同樣的尷尬局面。第二次人工智能寒潮不期而至。這時，批評家的悲嘆甚囂塵上：“人工智能研究發展到今天，呈現出來的狀態往往是在特定領域取得了極其有限的成功之后，便立刻會在實現更宏大目標的過程中遭遇挫折，而這種挫折往往都是被早期的成功所揭示的。”私人投資者們開始回避任何與人工智能相關的風險。甚至對于學術界人士以及學術資助人來說，“人工智能”一詞都讓人感到厭煩。

但技術依舊飛快地向前發展，到了20世紀90年代，第二次人工智能寒冬的冰雪開始消融。樂觀主義者重燃激情，因為新技術似乎提供了一種有別于傳統邏輯范式(經常被稱為GOFAI，意為“出色的老式人工智能”)的替代路徑，它聚焦于高水平符號處理，并且被20世紀80年代的專家系統發揮到了。神經網絡和遺傳算法等新流行的技術有望在某種程度上克服GOFAI路徑的缺陷，尤其有可能會在傳統人工智能路徑的脆弱性上實現突破。這種脆弱性的主要體現是，只要系統存在一個微小的錯誤假設，整個結果便會變得毫無意義。讓新技術引以為傲的是，它具備了更多的生物有機體屬性。以神經網絡為例，它具備了“故障弱化”的特性：神經網絡的微小損壞通常只會導致整體性能的微小弱化而不會造成系統崩潰。更重要的是，神經網絡能夠從經驗中學習，也可以從樣本中找到最自然的概括路徑以及所輸入數據隱含的統計規律。這使得神經網絡能夠有效解決模式識別和歸類的問題。比如，經過聲吶信號訓練的神經網絡能夠學會分辨潛水艇、水雷、海洋生物等不同的聲音特征，比人類專家還要。而神經網絡在實現識別不同的聲音特征前，也不需要人類事先對聲音類別進行定義，或者事先總結出這些聲音的不同特點。

簡單的神經網絡模型自20世紀50年代后期開始被人們熟知，在引入能夠訓練多層神經網絡的反向傳播算法之后，人工智能領域又迎來了一陣復蘇。多層神經網絡在輸入層和輸出層之間有一個或多個神經元隱含層，能夠比之前的簡單系統具備更強大的功能。輔之以日益強大的計算機，工程師們便可以用改進的算法建立起能夠被很好地應用到許多領域中的神經系統網絡。

基于傳統算法規則的GOFAI系統雖然邏輯嚴密，但是性能很差，而神經網絡具備類似于人類大腦的特質，比之前的GOFAI系統要好出許多。神經網絡還催生出了新的“機制”論，即所謂的“連接機制”，這種連接機制聚焦于大規模平行的精粒度亞符號數據處理的重要性。自那時起，以人工神經系統為主題的學術文獻已超過150 000篇，并且人工神經系統目前依舊是機器學習的重要路徑。

以進化為基礎的算法，比如遺傳算法和遺傳編程，構建了另一條引領人們走出第二次人工智能寒冬的新路徑。這類方法在學術領域產生的影響或許并沒有神經網絡系統那么大，卻受到了廣泛的歡迎。進化模型能夠維系一個備選方案群(方案群本身可以通過數據結構和程序來實現)，并通過改變或重組現有方案群中的變量來生成新的備選群。通過應用選擇標準(適應度函數)可以讓備選群周期性地減少，并且只讓其中那些更好的方案群進入下一代。經過數千代重復之后，備選方案池中解決方案的平均素質就會慢慢提高。這種算法能夠在運行中生成有效的解決方案來解決范圍很廣的問題，而這類解決方案可能是讓人耳目一新且非直觀的，比任何一個人類工程師設計出來的東西都更像自然結構。從原理上講，這個過程可以在不太需要人工初始輸入具體而簡單的適應度函數的情況下發生。但在實際操作中，要讓進化方法得以順利運行，還是需要一定的技巧和獨特設計的，特別是要能設計出一個的表達形式。如果不能對可能的解決方案進行有效編碼(也就是將其轉換成一種基因語言以匹配目標領域的潛在結構)，關于進化的研究道路就會變得蜿蜒曲折且沒有盡頭，它會迷失在一個宏大的研究空間中或者卡在某個局部環節上停滯不前。不過即便是有了好的表達格式，進化算法也需要極大的計算量，并且常常會被“組合爆炸”擊垮。

20世紀90年代，神經網絡和遺傳算法等研究方法激起了人們廣泛的興趣，為GOFAI范式提供了可替代的路徑。但本文在此并不是要為這兩個方法唱贊歌，也不是要拔高這類方法在機器學習技術領域中的地位。實際上，過去20年間一個主要的理論進展便是人們更清醒地意識到，目前表面上不同的各類技術，是可以被理解為存在于一個共同數學框架中的特殊案例的。舉個例子，許多類型的人工神經網絡系統都可以被視為對特定類別統計計算的展示(是一種較大似然估計)。這其實是將神經系統視為從實例中學習分類的更大一類算法中的一種，比如：決策樹、邏輯回歸模型、支持向量機、樸素貝葉斯、KNN算法等。在一定程度上，遺傳算法可以被視為一種隨機爬山法的演示，是尋找化算法大類中的一種。每一類這種算法在建立分類和尋找解決空間上都有自己的優缺點，而這些優缺點都是能夠借助計算揭示出來的。不同的算法對處理時間和存儲空間的要求都有所不同，從而帶來了兩個問題：一個問題是算法的預先假設存在歸納偏置，不過這個問題可以通過納入外部內容來得到緩解；另一個問題就是，如何把算法的內在運行機制向人類分析家們解釋清楚。

在機器學習以及創造性的問題解決模式之喧囂炫目的背后，是一系列特定的計算權衡。理想的狀態是實現的貝葉斯程序(Bayesian agent)，即在可獲得的信息中尋找出概率。當然，這種理想狀態是無法實現的，因為沒有一臺物理計算機能支持它所需要的宏大計算量(延伸閱讀1)。但我們仍舊能夠將人工智能視為尋找捷徑的一種探索：借助人工智能手段，我們可以通過在將其引入特定現實領域并維持其性能的同時犧牲一些解或者普遍性，進而逐步靠近貝葉斯理想狀態