人工智能

人工智能时代曙光乍现

我相信很多人都认为到目前为止21世纪最重要的技术趋势就是移动时代,然而现在我认为我们正经历着一个巨大的转变,迎接智能时代的到来。

移动时代给我们带来了巨大的社会效益——从实现人与人以及人与社区之间的广泛联接到可以随时随地了解更丰富的信息,但是同样会产生一些负面的影响——比如过度的刺激和过度的依赖等。下一次的设备更新将会产生什么样的影响呢?

相信大家都听说了关于智能汽车的预言就是它足够的智能完全可以实现自动驾驶,不再需要人类驾驶员。随之而来的连锁反应也是巨大的,保险行业、停车场运营者、汽车制造商以及租赁公司都将作出改变,众多的驾驶员将来能做什么?车内娱乐以及生活方式毫无疑问也都将面临着改变。

驾驶只是自动化系统带给我们影响的一个方面,著名的科幻小说作家lainM.Bank描述的未来是人们追求的是幸福而不是工作或者金钱,这将是我们智能时代的最终结果吗?在Bank勾勒的未来世界里甚至政府都将会被AI所取代。

人工智能时代曙光乍现

从工业4.0 看物联网与人工智能发展

近年来随着网络的快速发展,无所不在的终端设备与传感器进入我们的生活,加上云端运算虚拟化技术与服务型商业模式的兴起,让计算机运算资源改以服务形式,经由互联网直接取得,重新塑造信息产业供应链,在这个潮流下,物联网(Internet of Things,IoT)无疑是眼下最热门的话题之一,随着传感器的迅速普及,通过传感器收集的巨量资料(Big Data)经过云端服务存储及巨量数据的分析,以数据驱动服务价值,将是未来采用的技术创新,更是将引领下一个产业革命的典范转移,成为未来企业新的商业模式。

物联网与人工智能

物联网是一个基于互联网、传统电信网等信息承载体,让所有能够被独立寻址的普通物理对象实现互联互通的网络。物联网一般为无线网,而由于每个人周围的设备可以达到一千至五千个,所以物联网可能要包含500兆至一千兆个物体。在物联网上,每个人都可以应用电子卷标将真实的物体上网联结,所以从物联网的定义来看,智能电话、可穿戴设备、汽车、住房、消费类电子产品、医疗设备、工厂设备等城市基础设施,都可成为一个端点 (Thing),因此物联网会产生巨量的数据。

心得丨现阶段人们对人工智能的理解与误区

1、什么是人工智能?有何误区?

是对让计算机展现出智慧的方法的研究。计算机在获得正确方向后可以高效工作,在这里,正确的方向意味着最有可能实现目标的方向,用术语来说就是最大化效果预期。人工智能需要处理的任务包括学习、推理、规划、感知、语言识别和机器人控制等。

常见误解

「它是一个特定技术」。
例如在二十世纪八十年代到九十年代,人们经常会看到新闻报道中人工智能与基于规则的专家系统被混为一谈。现在,人工智能经常会与多层卷积神经网络混淆。这有点像把物理和蒸汽机的概念搞混了。人工智能探究如何在机器中创造智能意识,它不是在研究中产生的任何一个特定的技术。

「这是一个特定类别的技术方法」。
例如,经常有人用符号化或逻辑化的方法将人工智能与「其他方法」相互比较,如神经网络和遗传编程。人工智能不是一种方法,它是一个课题。所有这些方法都是在对人工智能进行研究的产物。

「这是一小群研究者的方向」。
这个误解与前几个错误有关。一些作者使用「计算智能」指代几个特定的研究者群体,如研究神经网络,模糊逻辑和遗传算法的研究者。这是非常片面的,因为这种分类让人工智能的研究陷入孤立的境地,让研究成果不能得到广泛的讨论。

「人工智能只是算法」。

DeepMind表示要给人工智能增加想象力?我们来仔细看看吧

因击败世界顶尖围棋选手而名声大噪的谷歌人工智能精品店——DeepMind以消灭人类在智力方面的优越感妄想而著称,发现为其软件代理注入想象力有助于它们更好地学习。

本周发表的两篇论文——《Imagination-Augmented Agents for Deep Reinforcement Learning》和《Learning model-based planning from scratch》(从头开始基于模型的规划)——总部在英国人工智能业务的研究人员描述了通过想象力规划提升深度强化学习的新奇技术。

强化学习是机器学习的一种形式。它包含了通过与特定环境进行交互而学习的软件代理程序,通常通过反复尝试和犯错。深度学习是一种机器的形式,涉及受到人类大脑启发的算法——被称为神经网络。而这两种技术可以一起使用。

可以使用包含软件代理运行规则的模型来完成深层强化学习。例如,为了教会软件如何玩视频游戏,研究人员可能希望提供一个包含游戏信息的模型,这样可以避免在学习过程中代价高昂的尝试和犯错。或者研究人员可能会选择无模型的强化学习,期望软件代理最终自己选择游戏。

Jason Yosinski坐在美国加州旧金山的一个小型玻璃办公室内,陷入了对人工智能的沉思。作为优步公司的研究科学家,Yosinski正为在笔记本电脑上运行的人工智能(AI)进行“脑外科手术”。

很多AI将改变人类现代生活,例如优步的无人驾驶汽车,Yosinski的程序是一个深度神经网络,其架构或多或少受到了大脑的启发。正如人类大脑一样,这个程序很难从外部理解:它是一个黑箱。

这一特殊的AI能通过大量的标注图像被训练,从而识别像斑马线、消防车、安全带等物体。但它能够识别Yosinski和摄像头前面的记者吗?Yosinski放大了其中一个AI的独立计算节点(神经元),从而查看是什么引发了其响应。

两个幽灵般的白色椭圆状物体浮动在屏幕上。这个神经元似乎已经学会了如何探测人脸轮廓。他说:“它会对你我的面部做出反应,也会对不同大小、不同颜色的人脸做出反应。”

不过,没有人训练这种网络识别人脸。在训练图像中,人类不被标注,但是网络确实在学习识别人脸,也许是与人脸一同出现的物体,比如领带、牛仔帽。该网络如此复杂,以至于人类无法理解其做出的决策。

而Yosinski的探索虽然指明了部分道路,但总体状况依然不清楚。他说:“我们有令人惊叹的模型,但实际上并不理解它们,而且这种情况在逐年恶化。”

深度学习

2017人工智能将带来四大变革,你都知道吗?

据美国媒体7月16日报道,2017年人工智能将带来四大变革:聊天机器人、医疗服务、生物特征识别软件和专属你的APP。

第一大变革聊天机器人。研究表明,现如今大部分人希望商业场所能够随时提供服务。某公司研发出的聊天机器人,可以满足不同客户的需求。不论你是要订飞机票还是订外卖,聊天机器人都可以为你提供服务,而且你很难察觉你是在和机器人说话。

人工智能所带来的第二大变革,是医疗服务方面。软件能够根据病人以往的病史进行分析诊断,从而为病人提供准确的治疗,减少医疗事故的发生。这种软件能够和医生的工作相辅相成,帮助医生更好地为病人提供治疗。

第三大变革生物特征识别软件。在人工智能的帮助下,生物特征识别软件能够轻松地推测出一个人的心情好坏。网络广告公司和电视节目供应商都希望采用这项技术来了解顾客对他们的满意度。

谷歌DeepMind拓展人工智能新方向:教AI行走

DeepMind技术公司已经开发出多种人工智能方案,其不仅击败了全球最顶尖的围棋选手,同时亦在数十种传统视频游戏当中创下新纪录。如今,这家由谷歌持有的技术厂商开始着眼于更为复杂的发展方向:指导AI如何行走。

DeepMind公司这一项目的建立思路并非创建一套步行AI,而是立足于动作模拟为机器学习技术开发新的测试工具。根据DeepMind研究团队发表的博文,项目的最终目标在于打造出"灵活自然的动作行为,确保其具有复用能力并适应任务解决过程中的各类需求。"

围棋等项目虽然本身相当复杂,但却具有明确的目标,因此对人工智能方案而言相对易于处理; 在另一方面,DeepMind团队解释称,教导AI如何完成跳跃或者反向翻转等身体动作则要困难得多。该团队指出,"在为人工系统进行运动技能传授时,对复杂行动的准确描述通常是其中最为困难的部分。"

DeepMind公司今天发布了三份研究论文,具体探讨了其用于教导AI处理运动任务的实际方法。其中第一篇论述了如何通过给予"前进"这样一项简单目标帮助AI学习如何超过障碍。其中一部分AI代理采用与人类相似的双足运动模式,但也有一部分模拟简单的四足动物运动模式。

人工智能爆炒中的冷思维,深度学习的地板和天花板在哪里?

作者: 王萌
无论在中国市场还是欧美市场,对人工智能,尤其是深度学习技术的炒作已经到达白热化的巅峰,各路AI创业公司、项目和技术如雨后春笋。一夜之间,工人、司机、医生、律师、法官、新闻记者、股票交易员甚至码农和黑客都被铺天盖地的人工智能审判日阴影所笼罩(人工智能,提前到来的职业杀手),而过于与人工智能毫不沾边的IT电子消费产品,例如路由器、扬声器、手环、手机APP甚至豆浆机等“智能产品”都纷纷贴上了人工智能的新标签。

在各路新老媒体和“专家”的鼓噪下,人工智能似乎成了一把万能的锤子,任何行业、任何职业、任何应用似乎都可以被人工智能取代甚至革新,但是关于人工智能真正的价值和局限性,参与这波炒作的国内媒体和专家们几乎没有人去关心。正如IT经理网专栏作者赵敏在《让AI发光发热莫发烧》一文中引用的北航计算机学院刘连忠教授的话:

“外行鼓噪情有可原,许多科学技术工作者有时也故意混淆视听。AI现在太热了,不过很快会降温,因为AI自己还只能循序渐进的发展着。”

25 个你需要知道的人工智能术语

作者:Sarah Davis
译者:牟云飞

人工智能不再是定义模糊的流行词汇,已经成为了更为精确的指代,在这样的背景下,理解人工智能领域的术语越来越成为一种挑战。本文就为大家总结一些人工智能领域最重要的术语。

A

算法(Algorithms):一组用于人工智能、神经网络或其他机器的规则或指令,以帮助它自己学习;分类、聚类、推荐和回归是四种最常见的类型。

人工智能(Artificial intelligence):机器模拟人类智力和行为做出决策、执行任务的能力。

人工神经网络(ANN):这种学习模型,模拟人脑运作,从而解决传统计算机系统难以解决的任务。

自主计算(Autonomic computing):系统自适应自我管理自身资源用于高级计算功能的能力,而无需用户输入。

C

人工神经网络之几何原理Ⅰ:单(隐藏)层神经网络

本文旨在通过几何方法来阐述为何人工神经网络能够有效地工作。

人工神经网络之几何原理
(Geometric principle of Artificial Neural Networks)

本文探讨的人工神经网络仅仅为最简单的ReLU神经元所构成的普通神经网络(非CNN和RNN),且只探讨了单(隐藏)层的分类这一个经典的场景。

基本约定

为了方便讨论和图像化, 全文使用的激活函数均为ReLU, 原始输入的X为二维向量。

实例1

下图为一个最简单的人工神经网络,其包含两个节点的输入层,两个节点的输出层,以及三个节点的隐藏层。该网络可以用于解决输入为二维向量的二元分类问题,其输出为两种分类的概率。

人工神经网络之几何原理Ⅰ:单(隐藏)层神经网络

○ 输入层 - 2维向量X

同步内容
--电子创新网--
粤ICP备12070055号