人工智能

人工智能,你到底是天使or魔鬼?

人工智能的概念早在60多年前就被提出,但又一度沉寂。随着谷歌人工智能程序AlphaGo(阿尔法狗)战胜围棋世界冠军李世石,再次为世人瞩目。然而,与无限风光一起相伴而来的,还有关于人工智能的种种争议!

“在我的一生中,见证了社会深刻的变化。其中最深刻的,同时也是对人类影响与日俱增的变化,是人工智能的崛起。简单来说,我认为强大的人工智能的崛起,要么是人类历史上最好的事,要么是最糟的。”著名物理学家霍金生前反复告诫。

在互联网和大数据风起云涌的今天,人工智能究竟会成为造福人类的天使,还是控制人类的魔鬼?面对类似疑虑,请听中国科学院院士、中国人工智能学会副理事长谭铁牛怎么说。

崛起

经过60多年的不断发展,人工智能迎来发展的春天,成为推动新一轮科技和产业革命的重要驱动力

1956年,在达特茅斯学院暑期研讨班上,一位名叫约翰·麦卡锡的年轻人首次提出了人工智能的概念,那时研讨的主题是怎样用机器模拟人的智能。事实上,与人工智能相关的研究,在此之前早已开展。

“人工智能的主要目标是模拟、延伸和扩展人类智能,探寻智能本质,研发具有类人智能的智能机器。比如,让机器或者计算机会听、会看、会说、会想、会决策,与人类一样。”谭铁牛解释。

2019年:人工智能和机器学习的一些预测

作者 | Daniel Newman
译者 | Sambodhi
编辑 | Vincent

人工智能是企业和国家争夺控制权的前沿技术,2018 年我们已经看到了人工智能出现一些重大进步,那么 2019 年会怎么样呢?让我们看看 Daniel Newman 的预测!

在过去的几年里,机器学习和人工智能一直是人们茶余饭后的谈资,而且这些炒作看上去近期并没有放缓的迹象。但我相信,2019 年将是那些企业等待上船,并见证其行业发展“挖出金矿”的一年。那么,明年我们可能会看到什么呢?会是机器学习的革命性新用途吗?人机交互会不会进一步发展呢?还是人工智能助理全面崛起?让我们深入研究未来几个月的人工智能和机器学习的预测吧!

跨行业机器学习的新用途

在面对像机器学习这样的先进技术时,没有哪个行业不会从中受益。我的意思是说,企业要怎么才能利用能够使他们更成功的技术呢?在接下来的一年里,机器学习在所有这些行业中,将会涌现许多新的用途,我并不是仅仅指营销和销售方面。

人工智能与大数据会纠正我们的偏见,还是会更糟糕?

美国科学杂志nautil.us《鹦鹉螺》作者Aaron M. Bornstein近日发表了讨论人工智能与大数据能否纠正人类种族歧视的深度报道。尽管人工智能设计者和数据工程师可能没有类似种族歧视的偏见,但大数据从业者都明白,用于提供定制服务的大型数据集不可避免地包含丰富详细的信息,包括具有受保护属性的肤色、性别、性取向和政治取向等。算法在这些数据的基础上做出的决定可以隐蔽地打开这些属性,既令人难以察觉,又是不道德的。

“我们不知道顾客是什么样的,”亚马逊公司负责全球通讯公关的副总裁克雷格·伯曼在接受彭博新闻社采访时说道。伯曼是在回应有人对亚马逊的当日送达服务歧视有色人种的指控。从字面上看,伯曼的辩护是诚实的:亚马逊在选择当日送达的区域时是根据成本和收益因素,例如家庭收入和送达的可及性。但是,这些因素是通过邮政编码汇总起来的,因此会受到其他塑造了——并将继续塑造——文化地理学的因素的影响。查看当日送达的服务地图,很难让人不注意到其与肤色的对应关系。

未来人工智能发展的五大趋势,你能接住几个?

人工智能技术在科技企业不断地深度学习和技术创新等方面的推动之下,也在不断地取得突破。金融、交通、医疗、教育、农业、制造业等场景的应用需求和切合确定场景的商业模式出现推动人工智能技术的快速发展。随着人工智能在移动互联网、智能家居等领域的发展,我国的人工智能产业也将持续性、高速地成长。预计到2022年,我国人工智能行业的市场规模将达到680亿元。

未来国内人工智能行业发展的五大趋势:

一、机器学习与场景应用将迎来下一轮爆发

根据VentureScanner的统计,截至2018年6月,全球人工智能领域获得投资的公司中,按照平均融资额度排名的五大业务依次是:机器学习(应用类)、智能机器人、计算机视觉(研发类)、机器学习(研发类)和视频内容识别等。

目前中国地区人工智能领域获得投资最多的五大细分领域是计算机视觉(研发类)、自然语言处理、私人虚拟助理、智能机器人和语音识别。从投资领域和趋势来看,未来国内人工智能行业的资本将主要涌向机器学习与场景应用两大方向。

机器学习综述——机器学习理论基础与发展脉络

本文主要参考中科院自动化研究所复杂系统与智能科学实验室王珏研究员《关于机器学习的讨论》,讨论机器学习的描述,理论基础,发展历史以及研究现状。

20世纪90年代初,当时的美国副总统提出了一个重要的计划——国家信息基本设施计划(NationalInformation Infrastructure,NII)。这个计划的技术含义包含了四个方面的内容:

(1)不分时间与地域,可以方便地获得信息。
(2)不分时间与地域,可以有效地利用信息。
(3)不分时间与地域,可以有效地利用软硬件资源。
(4)保证信息安全。

本文主要讨论解决“信息有效利用”问题,其本质是:如何根据用户的特定需求从海量数据中建立模型或发现有用的知识。对计算机科学来说,这就是机器学习。

“全球电子成就奖”投票启动!请为Imagination投上一票!

全球电子成就奖 (World Electronics Achievement Awards) 旨在评选并表彰对推动全球电子产业创新做出杰出贡献的企业和管理者,由 ASPENCORE 全球资深编辑组成的评审委员会以及来自亚、美、欧洲的网站用户群共同评选出得奖者。

“全球电子成就奖”投票活动已正式在全球启动!Imagination参加了两个奖项的评选,快来为IMG投上一票!

投票指导

1. 公司类奖项

年度最具潜力人工智能技术企业 栏目上勾选 Imagination Technologies - PowerVR Series2NX

人工智能VS机器学习VS深度学习VS人工神经网络

在经历了蛮荒的PC互联网时代,混战的移动互联网时代,到现今最火的人工智能时代。大数据、云计算、机器学习的技术应用,已经使得IT从业者的门槛越来越高。套用一句樊登读书会的宣传口号“keep learning”,保持对新鲜技术的好奇心,保持对技术应用的责任心,持续关注、学习是每个IT从业者的必备技能。

一、什么是人工智能?

人工智能VS机器学习VS深度学习VS人工神经网络

人工智能(Artificial Intelligence),英文缩写为AI。

它是一个融合计算机科学、统计学、脑神经学和社会科学的前沿综合学科。

它使得计算机像人一样拥有智能能力,可以代替人类实现识别、认知,分析和决策等多种功能。

比如当你说一句话时,机器能够识别成文字,并理解你话的意思,进行分析和对话等。

二、人工智能发展简史

2018年全球AI突破性技术TOP10

人工智能是个高科技、宽领域、多维度、跨学科的集大成者,从立足大数据、围绕互联网的纯计算机应用,逐步衍生到人们日常生产生活的方方面面,在细微之处改善和改变着我们。目前,不少新技术、新模式已经逐步投入到现实运用,但是多数领域仍然处在推广、试验、研究阶段,如何把握推广人工智能技术的重大机遇,让人们像普及手机一样用上人工智能,这是我们这一代人必须面对的时代发展“必答题”。

2018年人工智能技术已在多方面实现突破性进展,国内外的科技公司都在不断尝试将人工智能应用于更多领域,不论科技巨头还是初创企业,都在致力于不断创新,推动技术进步,接下来我们就来看看十项中外人工智能领域富有突破性的技术。

一、基于神经网络的机器翻译

入选理由:翻译是“自然语言处理”的最重要分支,也是比较难的一支。早年间,机器翻译还被视作 “低级翻译”被嘲讽,如今神经网络的机器翻译准确性大大提高,堪比专业人工翻译。我们熟知的谷歌翻译、微软语音翻译以及搜狗语音识别等都是基于此项技术。

技术突破:机器翻译是科研人员攻坚了数十年的研究领域,其技术核心是一个拥有海量结点的深度神经网络,它可以自动的从语料库中学习翻译知识。由于神经网络能够比较好地模拟人脑神经元多层深度传递的过程,它在解决一些复杂问题的时候有着非常明显的突破性表现。

深度学习不是万能的,进化算法在游戏中表现更佳

编者按:深度学习的如日中天遮掩了进化算法的光芒,但进化算法也有望重归大众视野,毕竟在某些领域它可比深度学习领先得多。本文译自MIT Technology Review中原标题为"EVOLUTIONARY ALGORITHM OUTPERFORMS DEEP-LEARNING MACHINES AT VIDEO GAMES"的文章。

基于目前人类在神经网络算法和机器深度学习取得的成就,很容易让人产生计算机科学只包含这两部分的错觉。毕竟神经网络算法在人脸识别、棋类和各类街机游戏竞技中的表现已经开始超越人类了。

因为这些网络算法都是基于人类的思考模式进行的,好像没什么比这个更有潜力了。但事实果真如此吗?

答案是:不完全是。一种全新的算法甚至比深度学习和神经网络有更明显的优势:这种算法是基于创造人类大脑的方式——进化来进行的。

深度学习不是万能的,进化算法在游戏中表现更佳

换句话说,人类是在一系列迭代和择优中产生的,由此诞生了眼睛、耳朵、大脑等精密的工具,足以可见进化的力量。

人工智能之机器学习——模型评估与选择

机器学习方法在大型数据库中的应用称为数据挖掘(data mining)。在数据挖掘中,需要处理大量的数据以构建有使用价值的简单模型,例如具有高准确率的预测模型。数据挖掘的应用领域非常广泛:在金融业、银行分析历史数据,构建用于信用分析、诈骗检测、股票市场等方面的应用模型;在制造业,学习模型可以用于优化、控制以及故障检测等;在医学领域,学习程序可以用于医疗诊断等;在电信领域,通话模式的分析可用于网络优化和提高服务质量;在科学研究领域,比如物理学、天文学以及生物学的大量数据只有使用计算机才可能得到足够快的分析。万维网是巨大的,并且在不断增长,因此在万维网上检索相关信息不可能依靠人工完成。

机器学习还可以帮助我们解决视觉、语音识别以及机器人方面的许多问题。如人脸识别,通过分析一个人的脸部图像的多个样本,学习程序可以捕捉到那个人特有的模式,例如眼睛、鼻子和嘴巴的特定组合模式,然后再所给的图像中检测这种模式,从而进行辨认,这就是模式识别(pattern recognition)的一个例子。

一. 绪论

同步内容
--电子创新网--
粤ICP备12070055号