人工智能

有了人工智能的帮助,探索太空效率能提高10倍吗?

据SingularityHub报道,太空探索中的人工智能(AI)正在蓄势待发。在未来几年里,当我们前往彗星、卫星和行星,并探索在小行星上采矿的可能性时,新的任务看起来可能会得到AI的巨大帮助。

欧洲航天局(ESA)高级概念和研究办公室主任利奥波德·萨默斯(Leopold Summerer)在接受采访时说:“AI已经改变了游戏规则,使科学研究和探索更加高效。AI不仅让这种效率翻倍,而是提高了10倍。”

例证比比皆是

AI在太空探索中应用的历史比许多人想象的要久远得多。AI已经在研究我们的星球、太阳系和宇宙方面发挥了重要作用。随着计算机系统和软件的发展,AI的潜在用例也在不断增加。

地球观察者1号(EO-1)卫星就是个很好的例子。自本世纪初发射以来,其机载AI系统帮助优化了对自然灾害(如洪水和火山爆发)的分析和响应。在某些情况下,AI甚至能够让地球观察者1号卫星在地勤人员意识到事故发生之前就开始拍摄图像。

强人工智能基本问题:全局控制与自组织

大脑是非常复杂的,研究强人工智能需要参考大脑的结构和算法,来理解并创造智能。人脑算法、结构的秘密都隐藏在DNA和人存在的世界中。从现在的哲学和科学的认知来看,可认为人脑是自组织的,没有明确的全局目标函数。而自组织是大脑非常重要的一个特点。自组织最大的好处是人工介入少,这是对智力生产力的解放,代表了下一代生产力。

当前的人工神经网络算法以全局控制为主流。虽然有一部分自组织的算法,但是其应用范围非常小。所谓全局控制,即需要比人工神经网络更高级的观察者来控制神经网络,比如设定神经网络的目标,选择其算法,设定参数等。而自组织系统则最小化对系统的初始设定,把其余部分交给神经网络系统自己去调整。

在全局控制的神经网络系统中,全局控制的部分包括:

1)神经网络算法和数据结构。现在已经出现了很多神经网络算法,它们有各自的优势和其擅长解决的问题。在解决实际问题中需要根据经验,或各种方案都试验一下,来看看哪种算法给出的结果更好,并决定所使用的算法。一般在算法决定后,数据结构也随之决定了。

2)神经网络规模。在通常的机器学习算法中,都在设计模型的过程中决定每个模型的规模。规模太大运算复杂度太高,规模太小则无法得出足够精确的结果。

神经符号系统:让机器善解人意

深度学习和符号智能的结合将是下一代自然语言理解的新范式,也是解决自然语言理解这个困难任务的唯一路径。

1. 通往语言理解之路

什么是理解

自然语言理解是人工智能的核心课题之一,也被广泛认为是最困难和最具标志性的任务。最经典的两个人工智能思想实验——图灵测试和中文房间,都是围绕自然语言理解来构建的。自然语言理解在人工智能技术体系中的重要性不言而喻,它一方面承载着机器和人的交流,另一方面直达知识和逻辑。自然语言理解也是人工智能学者孜孜以求的圣杯,机器学习的巨擘 Michael I. Jordan 就曾经在 Reddit 上的 AMA(Ask Me Anything)栏目中畅想用十亿美元建立一个专门用于自然语言理解的实验室。

那么究竟什么是自然语言理解呢?我们可以认为,理解是从自然语言到语义的映射,但是这个定义只是把问题转移到了「语义」的定义上,而关于语义,一直缺乏在形式和功能上都普遍适用的定义。事实上,语义往往需要被放在特定领域和特定语境下去考量,比如一句「你开心就好」,可以在不同的场景下传达鄙视和祝愿等多种意思。关于理解或者语义,我们不得不采取了下面两种耍赖式的定义来刻画它们的不同侧面:

2018年物流机器人的七大趋势

经过前几年的火爆,工业界和资本都开始对机器人持比较理性的态度,不再“野蛮生长”。这样的氛围也许会更有利于企业潜心钻研,打造真正符合客户需求的产品和技术。

趋势一:物流机器人运作过程日趋柔性化

这里的“柔性”,是和生产制造过程相对而言的。在生产线上,因制造工艺不能轻易更改,所以工业机器人的动作比较固定、重复性较高。但是在物流领域,从A点到B点的移动则可能有许多种路径,不确定性较大。

并且,在走完A点到B点路径的过程中,还可能遇到障碍物:一方面可能有其它机器人在移动,另一方面可能有人员走动等意外情况。这种多变的“柔性”流程对机器人提出了更高的要求。

趋势二:机器人与周边环境的交互日益增加

新一代机器人不仅能够在平面上移动,并且还能识别环境中的更多元素并与之互动。一个很典型的例子就是机器人乘电梯,如图2所示:某酒店中的服务机器人可以通过发射无线信号与电梯互动,进入其内部并选择正确楼层,从而将物品送到指定的楼层房间。笔者观察到:“乘电梯”的功能已经成为越来越多机器人品牌的标配。

趋势三:激光导航技术日渐普及

强人工智能基本问题:自上而下,还是自下而上?

人类智能在宏观上有心理学,微观上有分子生物学等学科研究。但每个方向研究到一定阶段就停滞了,没有哪个学科能告诉我们:为什么能有智能,如何才能产生智能。即使已经了解了大脑的很多知识,人类智能仍然是个黑盒子。

对黑盒的研究,要么从外部观察其行为,然后来模拟其结构,可称为自上而下的研究;要么猜测其结构,然后从外部的输入输出来验证其行为,可称为自下而上的研究。题目所说的自上而下还是自下而上即是从哪个方向来研究强人工智能问题。

宏观上研究的成果中,最显而易见的就是类人机器人。这类机器人从行为、语言、表情等方面来模拟人。如果最终能让人觉得这些机器人是真人,那么这个方向就算是成功了。当然,从现在的成果来看还不成功。另一方面是深蓝、沃森这样的依靠在下棋、回答问题等方面来战胜人类智能,从而证明自己能力。从这些特定的领域上来看,它们是比较成功的。但就算是把上面提到的所有方面都合到一起,也很难认为他们达到了人类的能力。

微观上的研究,是从感知器的结构被提出来后开始的。从此产生了现在的人工神经网络、机器学习等大量的算法和研究成果,解决了很多实际问题。从微观上出发,证明了它们从微观结构上模拟的优势,但需要花费大量时间建立问题模型。

由此看来,当前自上而下和自下而上的方法都有了一定的成果。但通过现有方法来构建强人工智能,成本是非常巨大的,几乎不可实现。

七招教你处理非平衡数据——避免得到一个“假”模型

这篇博客主要介绍处理不平衡数据的技巧,那么什么是不平衡数据呢?比如说一位医生做了一个病例对照研究,数据集由病例10人和对照990人组成,建立好一个逻辑回归模型后,并对建立的模型进行内部验证,居然发现其正确率高达99%,然后把他兴奋坏了,觉得可以将该成果发表到顶级期刊上,从此走上人生巅峰。然而,我们可以发现,该模型不管怎么预测,都能得到正常的结果,所谓的99%的正确率,原来是建立在1000个人中10个病例都发现不了的基础上。从这个例子可以看出,当遇到不平衡数据时,以总体分类准确率为学习目标的传统分类算法会过多地关注多数类,从而使得少数类样本的分类性能下降。

介绍

不平衡数据广泛存在于各个领域,但在二分类问题中尤其常见,表现为其中的一个类别所占的比例远远高于另外的一个类。比如:银行欺诈检测、市场营销、网络入侵检测等领域。

这些领域中的数据集有哪些共同点呢?可以发现在这些领域中使用的数据通常不到1%,但一旦发生就是一件“有趣”的事件(例如使用信用卡的欺诈者的违规交易,用户点击广告或原本已损坏的服务器在扫描其网络)。然而,大多数机器学习算法对于不平衡数据集都不能很好地工作。

以下七种技术可以帮助我们训练分类器来检测异常类。

深度学习再现发展拐点,四大问题预示其已近终点?

深度学习的历史可以追溯到几十年前,但直到大约5年前才得到了较多的关注。其中2012年是关键的一年,几乎很多东西都发生了改变,包括大神大神Krizhevsky、Sutskever以及Hinton三人基于ImageNet做的识别图像的深度卷积神经网AlexNet的发布。而随着深度学习的发展,它曾一度占据了各大媒体的头版头条,还迅速成为了人工智能领域有名的技术术语。

如今,不管是在语音识别、图像识别,还是语言翻译等领域,深度学习的研究已经取得了很多最先进的结果,并在当前大量的人工智能应用程序中发挥作用。为了抓住这一发展机会,许多企业也开始投入大量资金,进行深度学习人才的培养。然而,遗憾的是,再好的发展也会进入瓶颈期,深度学习也是一样。在未来的发展中,深度学习不太可能会消失,也不应该消失,但在该技术复苏后的5年里,现在似乎到了对其进行批判性反思的好时机。

深度学习和相关的机器学习的进步,在人工智能最近所取得的成就中发挥了关键作用,二者使得计算机不再需要明确的编程,而是通过“吸收和分析”大量数据就能完成自我训练。在过去的两年里,谷歌以深度学习为基础的AlphaGo击败了世界顶级的围棋玩家,震惊了大多数人工智能专家,因为在他们的认知力,这一里程碑的实现至少还需要5到10年的时间。

2018 AIIA人工智能开发者大会将于2018年10月15日到16日在苏州国际博览中心举办。本次大会是由国家发展和改革委员会高技术司、工业和信息化部科技司、国家互联网信息办公室网络数据与技术局指导,中国人工智能产业发展联盟(AIIA)主办,中国人工智能媒体官网等协办,汇集多位学术界专家和企业界高管,精准面向人工智能开发者举办的专业峰会。

大会将邀请国内外人工智能产业中的知名专家、政府主管部门负责人、行业内顶尖企业管理者、知名学者、工程师、开源社区优秀贡献团队及个人,交流技术现状趋势、分享生态建设经验、探讨开源社区运营等,内容覆盖了人工智能开发者关心的各个方面,为各个阶段各种水平的开发者提供从技术讨论、实战训练到产业应用的全方位交流学习平台。

Imagination作为AIIA联盟理事会员单位之一,受邀在10月16日的计算架构和芯片组分论坛上做主题演讲,届时来自英国总部的技术专家Paul将为大家带来题为“视觉DNN IP应用与算法开发”的技术分享!

演讲题目:视觉DNN IP应用与算法开发

演讲人:Paul Brasnett

人工智能是一种好的网络安全工具,也是一把双刃剑

AI在安全方面的角色对白帽黑客和网络罪犯都很有吸引力,但目前似乎还没有找到双方的平衡。

人工智能已经成为网络安全开发者的新宝藏,这要归功于它的潜力,它不仅可以在很大的规模上实现功能自动化,还可以根据它在一段时间内学到的东西来做出相应的决策。这可能会对安全维护人员产生重大影响——通常情况下,公司根本没有足够的资源在众多恶意软件中“大海捞针”。

例如,如果一名工作人员通常在纽约工作,突然有一天早上从匹兹堡登录,这是一种反常现象——人工智能可以看出这是一种反常现象,因为它已经学会了期望用户从纽约登录。类似地,如果该用户在匹兹堡登录后,在几分钟后又在另一个地方登录,比如加州,那么这很可能是一个恶意的危险信号。

因此,在最简单的层面上,人工智能和“机器学习”围绕的是对行为规范的理解。系统需要一些时间来观察环境,以了解什么是正常的行为,并建立一个基准线——这样它就可以通过将算法知识应用到数据集来获取偏离规范的偏差。

针对网络安全的AI可以以多种方式帮助防御者。然而,人工智能的出现也有不利的方面。首先,网络犯罪分子也利用了这项技术,很明显,它可以被用于各种恶意的任务。比如对开放的、易受攻击的端口进行的扫描,或者是电子邮件的自动组合,这些邮件具有公司首席执行官的准确语气和声音,被24小时窃听。

从人工智能到机器学习

一、机器学习的背景

大家都说人工智能是综合的学科,而机器学习就是人工智能的大脑。它通过对数据的处理,不断地变得更好和更强,做出各种各样的判断和决策。

人工智能、机器学习、深度学习,这三者是什么关系?

我们可以参照下面这张图:

从人工智能到机器学习

机器学习是实现人工智能的一种方法,机器学习有很多的细分领域,其中有一个领域是人工神经网络,而深度学习是人工神经网络这个领域的一个分支。

二、什么是机器学习呢?

做机器学习,大部分工作其实是编程。通俗地讲:机器学习是一种计算机程序,可以从现有的经验中学习如何完成某项任务,并且随着经验的增加,性能也随之提升。

三、机器学习有哪些分类?

同步内容
--电子创新网--
粤ICP备12070055号