人工智能

扫地机器人、智能农药喷洒机、无人机、自动驾驶汽车……人工智能技术在不断突破我们想象力的同时,也越来越贴近我们的生活。4月11日,工业和信息化部、公安部和交通运输部联合发布“关于印发《智能网联汽车道路测试管理规范(试行)》的通知”,这意味着,真正的智能汽车甚至自动驾驶已经离我们不再遥远。

作为近两年行业内最热的话题,关于人工智能的讨论已经无处不在。4月25日,由中国信息通信研究院、国际电信联盟(ITU)、德国弗朗霍夫赫兹研究所共同主办的“人工智能对信息基础设施影响”研讨会在西安召开,会议邀请了来自全球人工智能企业、互联网企业、电信运营商、学术机构等各方的嘉宾和代表,共同探讨人工智能技术的发展趋势,分享成功案例,助力人工智能产业发展。

工业和信息化部科技司副司长王卫明,国际电信联盟标准局副局长 Reinhard Scholl 博士,中国信息通信研究院标准体制研究所总工续合元,德国弗朗霍夫赫兹研究所机器学习组负责人 Wojciech Samek 博士等多位国内外重量级嘉宾出席会议并发表演讲,热议人工智能对信息基础设施的影响。

人工智能与机器学习的不同之处

人工智能早已不是一个新名词,它的发展历史已经有几十年。从80年代早期开始,当时计算机科学家设计出可以学习和模仿人类行为的算法。在学习方面,最重要的算法是神经网络,但由于模型过于强大,没有足够的数据支持,导致不是很成功。然而,在一些更具体的任务中,使用数据来适应函数的想法获得了巨大的成功,这也构成了机器学习的基础。在模仿方面,人工智能在图像识别、语音识别和自然语言处理方面有着广泛的应用。专家们花费了大量时间去创建边缘计算,彩色型材,N-gram语言模型,语法树等,不料所获成绩平平。

传统的机器学习

机器学习(ML)技术在预测中发挥了重要作用,机器学习已经经历了多代,有一套完备的模型结构,如:

 • 线性回归
 • Logistic回归
 • 决策树
 • 支持向量机
 • 贝叶斯模型
 • 正则化模型
 • 集成模型
 • 神经网络

每一个预测模型都基于一定的算法结构,参数可进行调整。训练预测模型涉及以下步骤:

1.选择模型结构(例如,逻辑回归、随机森林等)。

2.用训练数据(输入和输出)对模型进行反馈。

3.学习算法将输出最优模型(即具有特定参数的模型,使训练误差最小化)。

人工智能结合物联网 AIoT到底有什么“威力”?

我相信你已经听说过物联网(IoT)和人工智能(AI)。但是,你知道这两个概念之间有什么区别吗?或者,人们是不是认为物联网和人工智能代表折同样的事情,这两个词实际上是可以被交互使用的?再或者,两者结合将有“特殊”的反应?

物联网与AI什么关系?

让我们先来谈谈人工智能。在英文中,人工智能简称AI,AI能根据大量的历史资料和实时观察找出对于未来预测性的洞察。由于同时分析过去的和实时的数据,AI能容易注意到有哪些资料属于例外,并做出合理、合适的推断,而数据对于人工智能的重要性也就不言而喻了。因此,若要使AI引擎变得更聪明、更强大,方法及过程其实就如同在种植物。唯一的区别在于:AI需要的是持续的数据流入,而不是水,肥料和食物。对于人工智能来说,它可以处理和从中学习的数据越多,其预测的准确率也会越高。

谈了以上的内容,乍看之下,我们好像只需要人工智能就可以了。然而,物联网其实肩负了一个至关重要的任务:资料收集。概念上,物联网可连接大量不同的设备及装置,包括:家用电器和穿戴式设备。嵌入在各个产品中的传感器便会不断地将新数据上传至云端。这些新的数据以后可以被人工智能处理和分析,以生成所需要的信息并继续积累知识。

刘国军:Imagination未来的最大市场和发展潜力在中国

2017 年由人工智能大潮引领的新一轮技术创新,迅速带动全球半导体创新加速。中国 IC 设计公司迎来了与海外 IC 设计公司同步起飞的时代机遇。凭借高科技资本、技术人才和全球最佳市场等优势,中国 IC 业者如何走向全球市场、占领 IC 时代巅峰?

3月29日,由Aspencore旗下《电子工程专辑》、《电子技术设计》、《国际电子商情》三大媒体联合举办的2018中国 IC 领袖峰会在上海召开。会议以“中国 IC 业之世界格局”为主题,邀请多位产业领袖和数百位资深设计工程师、管理精英及技术决策者齐聚一堂,共探产业成长和突破之道。

Imagination Technologies副总裁、中国区总经理刘国军先生代表公司出席本次会议,并与多位产业领袖在圆桌论坛环节交流、分享了诸多精彩观点。他表示:“Imagination于去年被Canyon Bridge全资收购, 公司未来最大的市场和发展潜力是在中国,今后会有更大的计划和策略来发展本地的Silicon IP 市场。”

简单读懂人工智能:机器学习与深度学习是什么关系

随着AlphaGo战胜李世石,人工智能和深度学习这些概念已经成为一个非常火的话题。人工智能、机器学习与深度学习这几个关键词时常出现在媒体新闻中,并错误地被认为是等同的概念。本文将介绍人工智能、机器学习以及深度学习的概念,并着重解析它们之间的关系。本文将从不同领域需要解决的问题入手,依次介绍这些领域的基本概念以及解决领域内问题的主要思路。

从计算机发明之初,人们就希望它能够帮助甚至代替人类完成重复性劳作。利用巨大的存储空间和超高的运算速度,计算机已经可以非常轻易地完成一些对于人类非常困难,但对计算机相对简单的问题。比如,统计一本书中不同单词出现的次数,存储一个图书馆中所有的藏书,或是计算非常复杂的数学公式,都可以轻松通过计算机解决。然而,一些人类通过直觉可以很快解决的问题,目前却很难通过计算机解决。这些问题包括自然语言理解、图像识别、语音识别,等等。而它们就是人工智能需要解决的问题。

人工智能热火朝天,Imagination助你迈上新征程

最近几年,科学竞技真人秀节目“最强大脑”在中国观众圈引起了很大反响,成为不少热衷科学和脑力的年轻人喜爱的节目。该节目从2014年开播以来一直都是人与人之间比拼,而当2017年节目舞台上出现一台人工智能机器人,并与人类在图像识别、语音识别甚至记忆领域开始比拼时,观众们惊讶地发现人工智能居然如此强大,机器人展现出的计算速度和精确度让观众充分感受到人工智能的魅力。人工智能,已从十几年前大学课本上的理论知识开始真正走入我们的生活,手机、汽车、医疗、教育、金融等众多领域纷纷开启人工智能应用的探索和实践。

如此广阔的应用市场,自然需要优质的技术、方案和产品来支撑。人工智能的研究和开发已经不只是高校、科研院所或者BAT这种行业巨头所关注的事,越来越多的人工智能芯片公司或解决方案提供商如雨后春笋般出现,产业发展呈现一片热火朝天的景象。Imagination Technologies作为GPU领域的领导者,在图形图像处理方面拥有深厚的技术优势,而公司也正在借助这些优势发力人工智能领域,从2017年下半年开始陆续推出神经网络加速器等相关产品,并积极参加人工智能领域的行业活动,与芯片公司展开交流互动。

为什么说机器学习是我们预防网络威胁的最佳武器

随着攻击面的不断扩大以及攻击技术的日趋复杂,安全行业目前正面临着严重的“安全技能短缺”。因此,我们过去所使用的安全保护策略可能已经不再像以前那么有效了,而现在唯一能帮我们对抗网络犯罪分子的盟友/武器,可能就是机器学习技术了。

尽管很多大学和在职培训机构已经尽了最大的努力,但到2022年市场上预计将出现180万左右的安全专业职位空缺。这场“危机”之所以会到来,其中一个原因就在于物联网设备数量的直线上升将导致攻击面呈指数增长。与此同时,很多传统的犯罪组织以及流氓国家也正在成为网络犯罪领域中的主要力量,他们所拥有的资源和技术可能比以往安全社区所面临的任何情况都要可怕得多。

但幸运的是,机器学习和其他形式的人工智能技术已经成熟到足以加入网络安全防御战线的最前线了。计算机分析趋势、处理大规模数据以及检测异常的能力都要远远高于人类能力。在机器学习算法的的帮助下,计算机可以根据一系列基本规则来将其应用到大规模数据集上。当它们不停地对这些规则进行迭代测试后,它们对数据的理解将会更加深刻和复杂。

利用机器学习增强安全防御、检测和响应能力

人工智能拥抱大数据

作者:刘超

1. 机器什么时候才能懂人心

虽说有了大数据,人的欲望总是这个不能够满足。虽说在大数据平台里面有搜索引擎这个东西,想要什么东西我一搜就出来了。但是也存在这样的情况,我想要的东西不会搜,表达不出来,搜索出来的又不是我想要的。例如音乐软件里面推荐一首歌,这首歌我没听过,当然不知道名字,也没法搜,但是软件推荐给我,我的确喜欢,这就是搜索做不到的事情。当人们使用这种应用的时候,会发现机器知道我想要什么,而不是说当我想要的时候,去机器里面搜索。这个机器真像我的朋友一样懂我,这就有点人工智能的意思了。

人们很早就在想这个事情了。最早的时候,人们想象,如果要是有一堵墙,墙后面是个机器,我给它说话,它就给我回应,我如果感觉不出它那边是人还是机器,那它就真的是一个人工智能的东西了。

2. 让机器学会推理

我们能相信AI吗?

作者:Russell James

人工智能(AI)是未来技术的核心。很少有一种技术能像人工智能那样惠及社会。人工智能系统从大量复杂的非结构化信息中学习,并将其转化为可实施的见解。可以想象,在未来的几十年内,由于可以收集和分析的数据量不断增加,人类可以在各个领域取得重大突破,比如医学创新、气候分析和复杂的全球经济管理等等。

就像对人产生信任需要时间一样,对AI系统建立信任也不可能短时间内完成。但这并不意味着单靠时间就能解决人工智能的信任问题。人们总是希望事情会像期望的那样发展,但正像人类一样,AI也会犯错。尽管AI发展如此迅猛,但目前还是处于起步阶段。现在人们接触到的大部分系统都使用深度学习,这只是AI的一种形式。对于发现模式并将其用于识别、分类和预测的应用来说,深度学习是非常理想的选择,比如给购物者提供针对性的建议等。

然而,由于对神经网络模型运行方式的理解不够,这些系统仍然会出现错误,这些错误可能是由于训练集的限制或算法中未知的偏差造成的。这些错误带来了“AI无赖”的可怕结果,比如在Twitter上发布种族主义和性别歧视信息的聊天机器人,或者展示种族和性别偏见的AI程序。 对AI系统建立信任需要做什么呢?

深思 | AI黑箱:我们要用AI解释AI?

AI算法对人类生活的影响越来越大,但它们内部的运作往往是不透明的,人们对这种技术的工作方式也愈加感到担忧。MIT科技评论曾经发表一篇题为“人工智能中的黑暗秘密”的文章,警告说:“没有人真正知道先进的机器学习算法是怎样工作的,而这恐将成为一大隐忧。”由于这种不确定性和缺乏问责制,纽约大学AI Now Institute的一份报告建议负责刑事司法、医疗保健、社会福利和教育的公共机构不应该使用AI技术。

输入的数据和答案之间的不可观察的空间通常被称为“黑箱”(black box)——名称来自飞机上强制使用的飞行记录仪“黑匣子”(实际上是橙色的,而非黑色),并且经常在空难事故后用于向调查人员提供有关飞机当时运作情况的数据。在人工智能领域,这个术语描述了AI技术如何在“暗处”运作的景象:我们提供数据、模型和架构,然后计算机给出答案,同时以一种看似不可能的方式继续学习——显然对于我们人类来说,这太难理解了。

黑箱没有什么可怕的

同步内容
--电子创新网--
粤ICP备12070055号