人工智能

代码之外,我们能在多大程度上信任人工智能呢

关于人工智能(AI)这个相当过时的概念,最近引起了大量的讨论。人工智能充斥着我们的生活,涉及了无数的应用程序,从谷歌搜索,到Uber或Lyft打车软件,到机票价格,到智能助手Alexa。对一些人来说,人工智能是一种拯救,它会提高生活质量,同时在众多成熟的行业中注入创新元素。

然而,另一些人则发出了可怕的警告:我们很快就会完全被高超的机器智能所征服。人工智能是典型的软件主导,而软件是容易出现漏洞的。考虑到这一点,我们如何知道人工智能本身是足够可靠去完成工作的?或者更确切地说,我们对于人工智能的成果能够信任到什么程度?

盲目信任的风险

我们来讨论一下自动驾驶汽车。汽车自动驾驶系统的发展中,人工智能的元素发挥了很大的作用。现在制造出了大部分时间都遵守道路规则的车辆。这里有一个案例,一辆自动驾驶汽车在佛罗里达州侧面撞上一辆转弯的卡车,导致“司机”死亡。这起事故最终被归咎于“司机”的失误,因为自动控制装置被认为是在他们的设计范围内运行的。当时的躲避系统设计要求雷达和视觉系统的结果达成一致后做出闪避的动作。

人工智能和大数据的开发过程中需要注意这12点

人工智能是近年来科技发展的重要方向,在大数据时代,对数据采集、挖掘、应用的技术越来越受到瞩目。在人工智能和大数据的开发过程中,有哪些特别需要注意的要点?

人工智能领域的算法大师、华盛顿大学教授Pedro Domingos对此进行了深入思考。

在我们新近翻译的《智能Web算法》(第2版)中,对Pedro Domingos教授的观点进行了高度的概括,提炼出12个注意点,为行业开发实践提供了重要参考:

注意点1:你的数据未必可靠

在实际应用中,有很多各种各样的原因会导致你的数据是不可靠的。因此,当你将数据用于解决问题前,必须经常留心来检查数据是否值得信赖。如果基于糟糕的数据来挖掘,无论多么聪明的人也永远只会获得糟糕的结果。下面列举了一些常见的可导致数据可靠性问题的因素:

用于开发的数据,往往和实际情况下的数据分布不同。例如也许你想把用户按照身高划分为“高”、“中等”、“矮”三档,但如果系统开发时使用的数据集里最低用户的身高是6英尺(184cm),那么很有可能你开发出来的系统里会把一个“仅有6英尺”的用户称为“矮”用户

人工智能在医疗行业的9个落脚点,让你更懂AI

很多思想领袖认为我们正在经历第四次工业革命。这次工业革命融合了物理世界、数字世界和生物世界,将影响所有学科、经济体和产业,甚至挑战“人类”的定义。

医疗行业是这场革命的主要领域,而导致医疗行业变革的主要催化剂就是AI(人工智能)。

大数据和人工智能将革新我们的生活

随着数字容量的扩展,越来越多的数据被产生并存储在数字空间中。可用数据量正在以每两年翻一番的惊人速度增长。2013年,可用数据量为4.4千兆字节,但到2020年,每年创建和复制的数据将达到44千兆字节!

通常,我们通过建立系统的规则和流程来了解我们周围的世界。但大数据世界对我们而言过于巨大了,我们需要人工智能来帮我们了解它。

我们目前还没有实现真正的人工智能,但它已经蓄势待发,准备潜入我们的生活。在我们的车里,在谷歌搜索中,在亚马逊推荐里,以及许多其他设备上,狭义的AI早就出现了。苹果的Siri,微软的Cortana,Google的OKGoogle以及亚马逊的Echo,都是极好的AI,它们使用自然语言处理技术,从对话中提取出问题,然后执行一些事情,比如寻找餐厅,获得行车路线,找一个开放的会议室,或者进行简单的网页搜索。

人工智能、数据挖掘、机器学习和深度学习的关系

一、人工智能

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。

人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也有可能超过人的智能。

二、数据挖掘

数据挖掘(Data Mining),顾名思义就是从海量数据中“挖掘”隐藏信息,按照教科书的说法,这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”,信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。在商业环境中,企业希望让存放在数据库中的数据能“说话”,支持决策。所以,数据挖掘更偏向应用。

数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

三、机器学习

给人工智能降点温:深度学习不是万能良药

近几年,深度学习已经进入一定程度的狂热状态,人们正试图用这个技术解决每一个问题。然而,深度学习真是万能的吗?阅读此文后,你便能够从深层理解为什么深度学习并不是想象的那般“神话”了。

写在前面

近日,在深度学习领域出现了一场热烈的争论。这一切都要从 Jeff Leek 在 Simply Stats 上发表了一篇题为《数据量不够大,别玩深度学习》(Don’t use deep learning your data isn’t that big)的博文开始。作者 Jeff Leek 在这篇博文中指出,当样本数据集很小时(这种情况在生物信息领域很常见),即使有一些层和隐藏单元,具有较少参数的线性模型的表现是优于深度网络的。为了证明自己的论点,Leek 举了一个基于 MNIST 数据库进行图像识别的例子,分辨 0 或者 1。他还表示,当在一个使用仅仅 80 个样本的 MNIST 数据集中进行 0 和 1 的分类时,一个简单的线性预测器(逻辑回归)要比深度神经网络的预测准确度更高。

人工智能型网络攻击即将到来对未来网络安全意味着什么?

下一波重大网络攻击很可能涉及人工智能系统,而且攻击活动可能将很快发生:在最近召开的一次网络安全会议上,100位受访行业专家中的62位认为,首轮AI强化型网络攻击很可能在接下来12个月内出现。

这并不是说机器人将很快成为网络攻击活动中的主体。相反,人工智能将继续遵循现有网络攻击的套路(例如身份窃取、拒绝服务攻击以及密码破解),只是具备更为强大的能力与执行效率。但凭这一点,足以造成经济损失、情感伤害甚至人身威胁等危险后果。规模更大的攻击活动甚至有可能导致数十万人陷入无电可用的境地,关闭医院甚至影响到国家安全。

AI决策制定的研究者警告称,AI仍然很难解释人类行为,而人类也并不真正相信AI系统作出的重大决策。因此与电影桥段有所不同,AI能够为网络攻击以及网络防御带来的并非由计算机选定目标并自动施以攻击。人们仍然需要自行创建AI攻击系统,并设定特定目标再将其启动。但尽管如此,AI的介入仍然会进一步升级目前的网络犯罪与网络安全体系,进而成为攻击者与防御者之间军备竞赛的核心支柱之一。

AI的优势

除了不需要进食与休息之外,计算机相较于人类黑客团队还拥有另一大根本性优势,以自动化方式提升复杂攻击的速度与执行效率。

期待人工智能突破鲁棒性可解释性局限

近些年,人工智能受到了极大的关注,其主要还归功于深度学习的兴起,极大地推动了机器人控制、计算机视觉、语音识别、自然语言处理等领域的进展,使得很多传统的AI任务取得了一些突破性的进展。例如,在大规模图像数据分类上,1000个类别的分类任务等一些指定的任务,前五个结果的识别错误率深度学习的算法甚至低于人类的水平。当然,最具影响力人工智能系统还数DeepMind公司推出的Alpha Go围棋系统,数度打败了人类的九段棋手。另外,还有一些人工智能系统,在某些特定的任务上,如写诗、作画、音乐生成、写字上甚至通过了图灵测试(注:图灵测试中的测试用户组的专业水平会很大程度影响测试的最终结果和结论)。例如DeepMind的唇语识别系统,甚至也超过了人类唇语识别专家的水平。本文将对当前人工智能的现状做一些初步的思考和探讨。

强化学习带来AI新时代

你怎么存活于大数据和人工智能结合的时代?

【编者按】这篇文章最初以“Digitale Demokratie statt Datendiktatur”的名字出现在Spektrum der Wissenschaft(科学美国人的姊妹出版物)。作者是Dirk Helbing、Bruno S. Frey、Gerd Gigerenzer等9位著名教授(文后附作者介绍),主要论述了大数据与人工智能对未来社会经济、政治、安全、法律等相关问题的影响,讨论了数字革命和数字时代策略,并对成功实现数字社会给出具体的建议。

发展背景:大数据与人工智能

数字革命正如火如荼地进行着。每年我们产生的数据量都在翻倍,每分钟我们在Google搜索、在Facebook上发帖,不久我们周围的事物都将与互联网相连。据估计,在10年的时间内,将有1500亿个网络测量传感器,比人类总数多20倍,而且,数据量将每隔一段时间翻一番。许多公司已经在努力把“大数据”变成“大商机”。这将如何改变我们的世界?一切都将变得智能,我们将不仅拥有智能手机,还有智能家居,智能工厂和智能城市,甚至于出现智能国家和更智能的地球。

为什么说持续学习才是AI的关键

作者 | Ben Lorica.
编译 | 无阻我飞扬

随着越来越多的公司开始在不同的环境中进行试验和部署机器学习,展望一下未来的系统是极好的。今天,典型的序列是收集数据,学习一些底层的结构,通过部署一种算法,系统地捕捉到你学过的东西。收集,准备,和丰富正确的数据 — 特别是训练数据 —这是必不可少的,应该说收集反馈数据仍然是想要使用机器学习公司的一大瓶颈。

未来的人工智能系统将依赖于持续学习,而不是离线训练的算法。人类以这种方式学习,人工智能系统也将越来越有能力这样做。想象一下第一次前往一间办公室并且被障碍物绊倒。下一次你再去到那个地方 — 也许只是几分钟以后 — 你很可能就会知道要当心绊倒你的物体。

有许多应用和场景具有相似探索性质的学习。设想一个Agent与环境相互作用的同时,为了完成一些指定的任务,努力学习采取什么样的行动,以及要避免哪些行为。

我们已经看到了强化学习(RL)近期的一些应用。在RL中,目标是学习如何将观察和量度映射到一组动作上,同时试图最大化一些长期回馈。(RL这个术语经常用来描述一类问题和一组算法)虽然深度学习获得了更多的媒体关注,但在大家熟知的AI圈子里,有许多有趣的关于RL的新事态发展。研究人员最近将RL应用于游戏,机器人,无人驾驶,对话系统,文本摘要,教育和培训,以及能源利用。

AI哲学家:人工智能应该先研究细胞而不是大脑

从一开始,我们就被告知,智能与大脑是密不可分的。智力是智能的一个非正式的同义词,而且,对天赋和智慧的任何讨论都将大脑作为隐喻。自然地,当技术发展到人类决定在机器中复制人类智能的时候,我们的目标是在人工智能中模拟大脑。

但如果这是错误的呢?如果所有关于创造“神经网络”和机器人大脑的讨论都是一种误入歧途的做法呢?如果在推进人工智能方面,我们抛弃了大脑的比喻,转而支持更小的细胞呢?

这种反直觉的方法正是Ben Medlock的工作,他不是你的普通人工研究员。作为SwiftKey的创始人(一家使用机器学习参数来设计智能手机键盘应用的公司),他的日常工作是围绕人工智能系统如何能增强我们已经在我们的电子设备上使用的标准工具。

但是Medlock却像一个人工智能哲学家。他的想法不是思考如何在短时间内从短信中减少几秒钟的时间。他希望推动人工智能研究和开发领域的范式转变,以及我们如何定义智力。

“我过着这种双重生活,”Medlock说。“我与SwiftKey的合作一直围绕着你如何使用人工智能,让它变得实用。从某种意义上而言,这是我的日常工作。

“但是,我也花了相当多的时间思考人工智能发展的哲学意义,而智能是一种非常具有人类价值的东西。”这种想法让他想到了人类生活的基石——细胞。

同步内容
--电子创新网--
粤ICP备12070055号