人工智能

进军人工智能行业,必读的九本书籍!

2017年7月国务院印发《新一代人工智能发展规划的通知》,如今人工智能已上升为“国家战略”。

2018年4月教育部印发《高等学校人工智能创新行动计划》,工智能毋庸置疑是新时代的热词之一,在普通高中课程方案和课程标准(2017年版)中也有看到:在信息技术、通用技术、数学等课标中,要求学生学习了解物联网、人工智能(AI)、大数据处理等内容,特别强调创新精神、逻辑思维能力、实践能力的培养。

如果你想进军人工智能行业,小编推荐几本必读书籍。

进军人工智能行业,必读的九本书籍!

《未来简史》+《人类简史》作者:尤瓦尔.赫拉利

人类简史内容简介

5种开发人工智能的最佳编程语言!

人工智能现在在全世界流行,如果你想进行AI开发,那就先来了解这5种开发AI的最佳语言吧!

1、Python

5种开发人工智能的最佳编程语言!

Python语法简单,功能多样,是开发人员最喜爱的AI开发编程语言之一,因为它允许开发人员创建交互式,可解释式性,模块化,动态,可移植和高级的代码,这使得它比Java语言更独特。Python非常便携,可以在Linux,Windows等多平台上使用。另外,Python是一种多范式编程语言,支持面向对象,面向过程和函数式编程风格。由于它拥有简单的函数库和理想的结构,Python很适合神经网络和自然语言处理(NLP)解决方案的开发。

但是,习惯于Python的开发人员在尝试使用其他语言时,难以调整状态使用不同的语法进行开发。与C ++和Java不同,Python在解释器的帮助下运行,在AI开发中这会使编译和执行变的更慢,不适合移动计算

人工智能会取代人工翻译吗?

虽然 AI 语音翻译已经应用到了不少生活、工作场景,但不得不说,AI 也许在国际象棋、自动驾驶、诊断癌症、射击罚球和预测农作物产量等方面优于人类,但是当涉及到翻译和口译时,它还是没法完全取代人类大脑。

其一,语言是主观的。

人工智能通常擅长做客观现实的任务。无论是识别数据集中难以捉摸的信号模式,还是导航复杂的路况,机器在面对决策制定的、明确的数学或物理规则时,都能发挥最佳作用。

相比之下,自然语言是由人类群体发明的,用于彼此交流的主观结构。它们有类似规则的行为(例如语法),但这些规则仅基于惯例,而不是客观现实,并且它们存在随机性、且在不断发展。

人类在识别肿瘤,或判断信用风险上也许没什么优势,但我们在自然语言上拥有“天然”的“最终权威”。此权限反映在评估机器翻译算法的选择度量标准中,机器翻译越接近专业的人工翻译,就越好。

人工翻译不只是设定标准,它必然也是标准。

其二,大数据没什么幽默感。

任何翻译都会告诉你笑话、双关语和狡猾的暗示(以及细致入微的文化参考),这也是克服语言障碍的最困难的部分。而且没有它们,我们的表达质量就会变得更平庸。

人工智能与区块链结合要面临哪些挑战?

区块链与人工智能这两大前沿技术,前者拥有数据透明公开、效率低下、去中心化、隐私性等特性,而后者传统上则被巨头所垄断,因此具有中心化的特性,同时其也容易发生出错的情况,那么这两种技术结合又会擦出什么样的火花呢,其中遇到的挑战又在于哪?来自1Kosmos BlockID的创始人兼CTO Rohan Pinto在本文中给出了他的看法。

我在密码学领域已工作了二十多年,并且自其诞生以来,我一直是密码学发展的积极参与者。尤其是,我认为人工智能(AI)和区块链的结合,会是一个令人兴奋,但具有挑战性的新发展。

Matt Turck最近讨论了为什么这个话题很重要,并强调了行业当中一些有趣的项目,他将人工智能(大数据、数据科学、机器学习)和区块链(去中心化基础设施)定义为下一个十年的核心技术。显然,这些新概念的时机已经成熟了,尽管它们仍然是新生的、仍不发达的。

有趣的是,人工智能和区块链在哲学上是不同的:

AI是由更中心化的基础设施驱动的,这与区块链去中心化、分布式的性质是相对的;

很多人工智能技术由中心化提供商所拥有和运营的,而市场上的大多数区块链企业都将其代码库开源公开,任何人都可以在任何时间点自由地查看这些代码。

就现在而言,AI更像是一个黑盒解决方案,而区块链在处理其交易时往往是很透明的。

AI基于概率公式,而区块链在本质上更具确定性;

强人工智能基本问题:神经网络分层还是不分层

现代的大部分机器学习的算法将神经元分出了清晰的层次。所谓分层,即将神经元分为几层(也可认为是几组)。每层内的神经元没有联系,相邻的层与层之间的神经元会有两两的联系,从而形成一个关系矩阵。非相邻层的神经元之间没有联系。这里的相邻指的是神经元层次之间的关系,每层神经元有一层或者前后两层相邻。

一般神经网络的算法的神经元层数是有限的,一般是两三层。在理论上,三层神经元(包括输入、输出和隐含层,除去输入输出,也可算做只有一层)就足以解决所有问题了,因为中间的隐含层能够表达所有函数。但这只是数学上的可能性,实际中如果只用一个隐含层来实现人类智能,需要的节点数量估计近似于无穷。

增加神经网络的层数,如同从加法到乘法、指数一样,抽象出类似的层次,进行归纳,从而减小问题的计算复杂性。人的大脑对信息的加工其实也是分层次的。比如对语言的听觉处理,先有有种频率,振幅的层次,然后是频率的变化,不同频率的组合的层次,再往后是音节层次,随后到了词汇层次。最后产生到我们能感觉到的信息层次和粒度,包括谁在说话,说的什么意思,心情如何等。底层的过滤甚至会让我们忽视对方用的是什么方言和语言。到了深度学习,神经网络的层次才到了真正的多层结构。其实大家一直就知道多层好,但苦于不知道怎么训练多层的模型,从而无法应用。深度学习给出了一个切实可行的多层训练方案,所以多层模型也开始广泛的应用了。

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。

同步内容
--电子创新网--
粤ICP备12070055号