人工智能

对大数据和人工智能的冷思考

大数据和人工智能是今年最热门的话题,在司法领域更是如火如荼,司法在大数据时代的范式革命已经到来。但利之所在弊亦随之,如果对大数据和人工智能的风险缺乏充分认识,不能在热情之余做一番冷思考,则可能会产生许多难以预料的后果。

首先,是大数据和人工智能的安全性问题。该问题虽属老生常谈,但在互联网犯罪模式从攻击计算机和网络本身转向彻底的虚拟犯罪的时代背景下,可能历久弥新。当前,在互联网犯罪中,已经大量出现了犯罪人接受他人委托,侵入政府部门与企事业单位的计算机系统修改数据以及拦截修改计算机信息数据的案例。因此,笔者认为没有理由认为司法大数据能独善其身。毕竟,在互联网犯罪海洋中,没有哪个地方是绝对的安全岛。

其次,是大数据和人工智能的可靠性问题。围绕美国威斯康辛州法院采用的COMPAS量刑程序的争议和诉讼就是一例。有研究者认为,COMPAS倾向于高估某些特定人群的再犯可能性,而这很可能反映了设计者所固有的偏见。如果数据分析本身就受偏见的左右,那么以此为基础的人工智能所作出的决定还能可靠吗?更令人担忧的是,有相当一部分人工智能系统依靠的是机器学习算法。这种算法几乎就是“黑盒子”,因为算法的开发者也难以解释算法的真正运行机制和可能造成的后果。法律乃善良公正之术。当司法拥抱科技时,如果人类将公平正义的决定权交给算法,那么就会面临正义与科技谁会笑到最后的难题。

大话人工智能:机器学习的优与劣

从 20 世纪 60 年代开始,人们就在期待像哈尔(HAL)这样的科幻级别的 AI,然而直到最近,PC 和机器人还是非常愚笨。现在,科技巨头和创业公司宣告了 AI 革命的到来:无人驾驶汽车、机器人医生、机器投资者等等。普华永道认为,到 2030 年,AI 将会向世界经济贡献 15.7 万亿美元。“AI”是 2017 年的热词,就像“.com”是 1999 年的时髦用语那样,每一个人都宣称自己对 AI 感兴趣。不要被有关 AI 的炒作所迷惑,它是泡沫还是真实?和旧有的 AI 潮流相比,它现在有什么新颖之处?

AI 并不会轻易或迅速地被应用。最令人兴奋的 AI 实例往往来自大学或者科技巨头。任何许诺用最新的 AI 技术让公司发生革命性变革的自封的 AI 专家,都只是在传递错误的 AI 信息,其中某些人只是重塑旧有技术的形象,把它们包装成 AI。每个人都已经通过使用 Google、微软、亚马逊的服务,来体验了最新的 AI 技术。但是,“深度学习”不会迅速地被大企业所掌握,用来定制内部项目。大多数人都缺乏足够的相关数字数据,不足以可靠地用来训练 AI。结果就是,AI 并不会杀死所有的工作机会,尤其因为它在训练和测试每个 AI 的时候还是需要人类。

游戏开发中的人工智能(五):以势函数实现移动

接上文: 游戏开发中的人工智能(四):群聚

本文内容:靠势能移动在游戏 AI 程序中还算相当新颖。这个方法的最优越的地方在于可以同时处理追逐、闪躲、成群结队和避免碰撞等行为。我们专门研究的这个势函数叫做 Lenard-Jones 势函数。

势函数的优点:

1、只用一个函数处理追逐和闪躲,不再需要先前介绍过的算法所牵涉到的其他条件和控制逻辑,也可以替我们处理避开障碍物的问题

2、操作起来很简单。我们唯一要做的就是计算两个单位(此处即计算机控制的单位以及玩家)之间的驱动力,然后将该驱动力施加到计算机控制单位的前端,作为转向力。

势函数的缺点:

在游戏里的单位和对象数量增多时,一旦彼此互动起来,势函数算法将会耗用大量的CPU资源。

什么是势函数

势函数属于物理学原理,我们主要使用势函数控制游戏里单位的行为。例如,我们可以使用势函数,建立成群结队的单位,仿真群体移动,处理追逐和闪躲,以及避开障碍物问题。我们专门研究的势函数叫做Lenard-Jones势函数。

游戏开发中的人工智能(四):群聚

接上文 游戏开发中的人工智能(三):移动模式

本文内容:群聚方法是 A-life 算法的实例。 A-life 算法除了可以做出效果很好的群聚行为外,也是高级群体运动的基础。

通常在游戏中,有些非玩家角色必须群聚移动,而不是个别行动。举个例子,假设你在写角色扮演游戏,在主城镇外有一片绵羊的草地,如果你的绵羊是一整群的在吃草,而不是毫无目的的在闲逛,看起来会更真实些。

这种群体行为的核心就是基本的群聚算法,本章要详谈基本群聚算法,教你如何修改算法,用来处理诸如避开障碍物之类的情况。本章接下来将以“单位”代指组成群体的个别实体,例如:绵羊、鸟、等等。

基本群聚

基本的群聚算法来自于Craig Reynolds在1987年发表的论文《Flocks,Herds and Schools:A Distributed Behavioral Model》。在论文中,他提出基本群聚算法,用以仿真整群的鸟、鱼或其他生物。

算法的三个规则:

• 凝聚:每个单位都往其邻近单位的平均位置行动。

游戏开发中的人工智能(三):移动模式

接上文 游戏开发中的人工智能(二):追逐和闪躲

本文内容:许多游戏中经常出现固定模式的移动,比如守卫的巡逻行为,宇宙飞船的降落等。开发者可以将移动模式技术应用于特定行为的程序的编写中。

移动模式

本章主题是移动模式。移动模式是制造智能行为幻觉的简单方式。基本上,计算机控制的角色会根据一些预先定义好的模式移动,使其看起来好像是在执行复杂而绞尽脑汁的策略。

实现移动模式的标准做法是选取想要的模式,再将控制数据填入某个数组或多个数组。控制数据由特定的移动指令组成,比如向前移动再转弯,借此迫使计算机控制的物体或角色按所需模式移动。利用这些算法,你可以建立圆形、方形、蛇形、曲线以及任何类型的模式将之编制成一组精确的移动指令。

标准移动模式算法

标准移动模式算法使用控制指令(编码过的指令清单或数组),指示计算机控制的角色,在每一轮游戏循环中如何移动。每当循环运行一轮时,数组将编入索引值,以便处理下一组移动指令。

例3-1 给出了一组典型的控制指令。

游戏开发中的人工智能(二):追逐和闪躲

接上文 游戏开发中的人工智能(一):游戏人工智能简介

本文内容:讨论基本的追逐和闪躲技术,以及进级的拦截技术。我们也谈及这些技术在砖块环境和连续环境中的变化。

本章的焦点是追逐和闪躲,这是一个十分常见的问题。无论你开发的是太空战机射击游戏,策略模拟游戏,还是角色扮演游戏,游戏中的非玩家角色都会试着追逐或者逃离玩家角色。

追逐和闪躲由以下三部分组成:

• 追或逃的决策判断(后文谈论到状态机和神经网络时再来讨论)
• 开始追或逃(本章重点)
• 避开障碍物(第五章和第六章会再谈这个问题)

让追击者追逐猎物是最简单、最容易写而且也是最常用的方法就是在每次的游戏循环中,更新追击者的坐标,让追击者和猎物的坐标离得愈来愈近。这种算法不去管追击者和猎物各自行进的方向和速度。虽然这种做法有直接的效果,追击者会不断往猎物的位置移动,除非被障碍物挡住,但是,这种做法有其限制,稍后再加以讨论。

游戏开发中的人工智能(一):游戏人工智能简介

游戏 AI 的定义相当宽广而且灵活性很大。无论采取何种手段,只要能给人以某种智能程度的“错觉”,让游戏更能令人沉迷于其中,更具有挑战性,最重要的就是要更好玩,那才能看做是游戏 AI。

定性与非定性 AI

游戏 AI 通常分成两种,定性和非定性。

定性

定性即行为或表现是特定的,而且可以预测的,没有不确定性。具体实例可以是简单的追逐算法。比如说塑造一个怪物角色,沿着 XY 坐标轴前进,往某目标点移动,直到该角色的 XY 坐标和目标点的坐标重叠。

非定性

与定性行为相反,非定位行为有某种程度的不确定性,有点不可预测(不确定到什么程度与人们对所采用的的 AI 的方法的理解的难易程度有关)。具体实例是让非玩家角色学习到适应玩家的作战战术。这样的学习能力可以利用神经网络、贝叶斯技术或遗传算法得到。

5分钟了解你不知道的人工智能热门词汇

大数据和人工智能的浪潮正在席卷全球,众多热门词汇蜂拥而至:人工智能(Artificial Intelligence)、大数据(Big Data)、云计算(Cloud Computing)、机器学习(Machine Learning)、数据挖掘(Data Mining)、深度学习(Deep Learning)、强化学习(Reinforcement Learning)和数据库(Databases)。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。

为了帮助大家更好地理解人工智能,我们邀请到微软亚洲研究院资深研究员郑宇博士用最简单的语言来解释这些词汇的含义,理清它们之间的关系,希望对刚入门的同学们有所帮助。

人工智能、机器学习、深度学习和强化学习

首先来看一下人工智能、机器学习和深度学习之间的关系。如图一所示,我们可以大致认为深度学习是机器学习中的一种学习方法,而机器学习则可以被认为是人工智能的一个分支。

深度学习框架中的魔鬼 — 探究人工智能系统中的安全问题

作者: 肖奇学, 李康(来自360 Team Seri0us 团队)

深度学习引领着新一轮的人工智能浪潮,受到工业界以及全社会的广泛关注。 虽然大家对人工智能有很多美好的憧憬,但是现实是残酷的 — 随着一批深度学习应用逐渐开始变成现实,安全问题也渐渐显现出来。

人工智能应用面临来自多个方面的威胁:包括深度学习框架中的软件实现漏洞、对抗机器学习的恶意样本生成、训练数据的污染等等。 这些威胁可能导致人工智能所驱动的识别系统出现混乱,形成漏判或者误判,甚至导致系统崩溃或被劫持,并可以使智能设备变成僵尸攻击工具。

在推进人工智能应用的同时,我们迫切需要关注并解决这些安全问题。本文作为人工智能与安全的系列文章之一,首先介绍我们在深度学习框架中发现的安全问题。

1、人工智能讨论中的安全盲点

未来十年,智慧医院与人工智能领域7大技术预见

开展技术预见行动已经成为国家各行业遴选优先发展技术领域和技术课题的重要活动。作者根据在生命健康领域的研究经历,遴选出在未来十年左右七个重要技术领域的技术预见,并绘制出关键技术发展路线。

预见一:基于临床样本表型与生命组学融合技术的精准医学临床决策支持系统在院内得到实际应用

建立在分子诊断、基因检测为基础上的,面向重大疾病及罕见病风险预测、早期筛查、分子分型、靶向治疗以及个性化治疗策略的精准医学临床决策支持系统是精准医学技术取得实际应用的重要标志,也是未来医学进步速度的重要体现。

目前,美国已有eMERGE等临床表型与生命组学信息深度融合的协作网络技术平台,并产生了重要的科研成果。但是能够普遍用于临床的,并与精准医学相结合的决策支持产品国际、国内尚未出现。

精准医学临床决策支持系统其数据来源不仅包括院内临床信息,同时包括来自于基因组、转录组、代谢物组、糖组、人体微生物组等生命组学数据及生物样本信息,涉及中文自然语言处理、语义映射转化、临床与组学数据规范化、临床与组学关联分析、机器学习等众多关键技术。

同步内容
--电子创新网--
粤ICP备12070055号