人工智能

霍金再发警告:人工智能可能通过核战争或生物战争摧毁人类

世界著名的物理学家霍金(Stephen Hawking)近些年来经常发表惊人言论警告世人。他近日在接受《泰晤士报》采访时,再度表达了对人工智能技术的担忧。霍金表示,人工智能进一步发展便可能会通过核战争或生物战争摧毁人类。他认为,人类需要利用逻辑和理性去控制未来可能出现的威胁。

为此,他建议人类可以组成某种形式的“世界政府”来防范人工智能可能带来的威胁。霍金对《泰晤士报》表示:“世界政府可能会成为暴政,所有这一切听上去好像人类劫数难逃,但我是一个乐观主义者。我认为,人类终将会崛起,解决这些挑战。”

这并不是霍金第一次提出人类必须团结起来携手共进的倡议。他过去曾预言,人类在地球上只能再生活1000年,因此必须寻找另一个宜居的星球。

另外,此前在英国《卫报》的一篇专栏中,霍金曾表示:“工厂的自动化已经让许多传统制造业工人失业了,而人工智能的崛起会将失业范围扩大到社会上的中产阶级。未来,留给人类的只有护理、创新和监督等少数岗位了。”

AI背后的数据科学

Bill Vorhies不久前写了一篇文章《AI背后的数据科学》,他分享的观点很新颖,经作者授权,InfoQ翻译并发布。

对于那些对AI感兴趣但还没有深入研究的传统数据科学家,下面是对数据科学技术的简要概述,这些数据科学技术在通俗报纸中被称为人工智能(AI)。

Data Science Central与其他人已经撰写了相当多的关于构成AI的各种类型的数据科学的文章。但是Bill Vorhies仍然听到很多人询问关于AI的问题,好像它就是单一的实体。他表示,不是这样的。AI是一个数据科学技术的集合,在这一点上,开发甚至都没有特别好地集成,或易于使用。然而,在这些领域中,他们仍然取得了很大的进步,并受到了大众媒体的关注。

这篇文章并不是一个深入的研究,而是进行粗略的介绍,以便你了解这领域的研究进展和发展趋势。如果你是一位传统数据科学家,读过一些文章,但仍然没有把这些拼图拼起来建立全面的认识,你可能会发现这是一种整合你当前的知识,甚至发现你想关注哪个目标并致力于此的方式。

以下是正文。

AI只是数据科学部件的总和

构成AI的数据科学“部件”分为以下几类。这里有所重叠,但都是详细的主题,你会在媒体上看到。

● 深度学习
● 自然语言处理
● 图像识别
● 强化学习
● 问答机
● 对抗性训练

人工智能芯片助阵 物联网将进化为AI+IoT

受过训练的人工智能系统,目前在特定领域的表现已可超越人类,而相关软件技术迅速发展的背后,与专用芯片的进步息息相关。在芯片对人工智能的支持更加完善后,物联网(IoT)将可望进化成AIoT(AI+IoT)。智慧机器人的遍地开花可能还只是个开端,人工智能终端芯片引领的边缘运算,其所将带来的商机更让人引颈期盼。

工研院IEK项目经理侯均元表示,人工智能将在各行各业带来变革,从而改变未来的走向。传统人工智能运算的硬件架构,主要包括中央处理器(CPU)、图型处理器(GPU)、现场可编程数组(FPGA)等。

过去人工智能的成本非常昂贵,因其执行的算法是仿真人脑运算,也就是庞大的平行运算,这与现有计算机的运算模式是完全不同的。目前市面上也已出现不少专用的人工智能芯片.

更加智能?从2017CES看行业发展趋势

今年的国际消费电子展(CES)已落下帷幕,让我们一起回顾CES上的精彩时刻,回顾人工智能(AI)、安全性能、连接汽车、虚拟现实(VR)、增强现实(AR)及无人机等大放异彩的领域,它们便是整体的发展趋势。

注意

今年的展会是否展示了未知因素?在我看来,“语音”项目可能便是这个未知因素。这里要谈到的是亚马逊的Alexa语音助手。它似乎已经从Echo中释放出来,从第三方的扬声器,到“智能”冰箱及自动清洁机器人,它正不断地应用在越来越多的设备中。

不过,尽管Alexa是人工智能当下的典型代表,但它要成为真正的智能产品还有很长的一段路要走。有这样一种情况:我一面听着手机里播客播放有关CES的最新趋势,一面通过蓝牙连接至Echo。然而播客中每每提到Alexa,Echo设备便会听取并回复命令:“对不起,我不知道这个问题的答案”——于是打断了正在播放的播客。

在很多的影视剧作品中,我们都曾看到过这样的场景:案件调查人员通过技术手段,将摄像头捕捉的模糊图像放大,形成更为精细、清晰的图像,帮助识别嫌疑人。然而遗憾的是,现实中的技术还远达不到能够将低分辨率图像“收放自如”形成人眼能够识别的高清图像。

但谷歌(微博)近日公布的一项研究成果,则可能让上述那些只存在于影视剧作品中的“神奇”真正成为现实。谷歌人工智能研究部门谷歌大脑近日发布了一篇研究文章,再度展示了人工智能技术的强大功能,通过对深度神经网络技术的应用,可以将低分辨率的图像放大成高清晰度、精细化的人眼可识别图像。

该项研究具体是通过两个同时运行的神经网络来实现,一个被称为“条件网络”,另一个被称为“优先网络”。“条件网络”通过对低分辨率的图像和相似的高分辨率的图像进行比照,并描绘出粗略的框架。“优先网络”则用于分析图像中的像素点,并在低分辨率图像的基础上进行细部像素的细化。简单来说,两者是通过在宏观和微观上的结合,来实现最终结果的最优化。

超级碗另一面:大逆转背后,你没看到的人工智能大PK

NRG球场的气温有点低,但身在现场只能感受到火热。

常规时间结束,亚特兰大猎鹰打了三节好球,新英格兰爱国者打了一节好球,双方比分定格在28-28。超级碗,这场美式橄榄球的顶级对决,第一次被拖入加时赛。

身着白衣的新英格兰爱国者,最终以34-28,逆转战胜身着红衣的亚特兰大猎鹰,获得第51届超级碗的冠军。猎鹰队97号防守截锋Grady Jarrett没能一战封神,爱国者12号明星四分卫Tom Brady脸上的神情从落寞转为狂喜。

如此跌宕的比赛结果,美国的虚拟助手们预测成功了……

此前,微软Bing的机器学习平台预测:爱国者获胜的概率是52.3%。要知道,Bing曾预测希拉里击败特朗普的概率是90%。苹果Siri预测爱国者会以3分击败猎鹰。

亚马逊和Google没有参与预测,但他们都在超级碗上给自家的虚拟助手产品打了广告。

1

深度增强学习【1】走向通用人工智能之路

作深度增强学习/深度强化学习的基本介绍以及对实现通用人工智能的探讨

现在但凡写人工智能的文章,必提Alpha Go。也正是因为Alpha Go在围棋人机大战中里程碑式的胜利,人工智能迎来了新的春天。 本文也不免俗套,从Alpha Go说起,但希望能指明一些被忽视的但对Alpha Go棋力有深远影响的技术。 围棋人工智能大致可以分为三个阶段
第一阶段以启发式算法为主,水平低于业余初段,代表软件即以静态势力函数为强项的手谈;
第二阶段以蒙特卡洛树搜索算法 为代表,水平最高达到业余5段,比如说 Zen ,Crazy Stone ;

2017年,你需要GET的9大技术领域

2016年过去了,然而我一点也不怀念它,因为2017年的技术趋势更加吸引人。回顾一年里业界的发展,2017年的技术趋势初现端倪。根据CSDN知识库这一年来大家关注的热门知识图谱,我们来给大家梳理一下2017年值得关注的技术方向。

人工智能与机器学习

元旦刚过,阿法狗就以60胜0负1平的成绩一骑绝尘,横扫了围棋界高手。一时间,“AI将取代人类”的惊呼声再次响起。其实,这种悲观想法真的多余。人工智能在未来更多的,还是帮助我们的生活更加便捷轻松。未来,可能一个AI就是一个超级App,可以帮我们专门解决一个类生活问题。

现在很多巨头都在布局AI领域。Google就不必说了,它在人工智能领域的尝试非常广泛,除了阿法狗,还有自动驾驶、语音助理、智能家居等。Facebook已经收购了8个机器人公司和1个机器学习公司,并在许多新的业务中使用了人工智能技术。IBM斥资10亿美元成立的Watson项目包括了语音、语言理解、图像识别和情绪分析等能力,已经与一些汽车企业和医疗机构开始展开合作。而在国内,小米CEO雷军在近期的年会上也宣布人工智能是2017年的重点发展领域。

“无中生有”计算机视觉探奇

作者:魏秀参,南京大学计算机系机器学习与数据挖掘所(LAMDA)博士生。曾在国际顶级期刊和会议发表学术论文,其Must Know Tipss in Deep Neural Networks受邀发布于国际知名数据挖掘论坛KDnuggets和Data Science Central。

计算机视觉(Computer Vision,CV)是一门研究如何使机器“会看”的科学。1963年来自MIT的Larry Roberts发表了该领域第一篇博士论文《Machine Perception of Three-Dimensional Solids》,标志着CV作为一门新兴人工智能方向研究的开始。在发展了50多年后的今天,我们就来聊聊最近让计算机视觉拥有“无中生有”能力的几个有趣尝试:

1、超分辨率重建;
2、图像着色;
3、看图说话;
4、人像复原;
5、图像自动生成。

可以看出,这五个尝试层层递进,难度和趣味程度也逐步提升。由于篇幅有限,本文在此只谈视觉问题,不提太过具体的技术细节,若大家对某部分感兴趣,以后再来单独写文章讨论。

超分辨率重建(Image Super-Resolution)

小心,智能机器的现实风险

摘要: 谈论机器人消灭人类,甚至谈到机器人的‘意识’仍然是遥不可及的事。然而,来自人工智能的一项更为严重的威胁正在逼近,并可能产生严重的影响。

当人们问我是干什么的,我常常对回答的深度感到困惑。说“人工智能”我很满意,但太宽泛,而说“图像处理”可能又太具体。然而,一听到接下的来的毫不相干的问题我总是气不打一处来。

“人工智能要主宰世界吗?”

做为一位研究机器智能的人来说,这个问题的确让我失望。我不能责怪这些怀疑者——人们大都认为人工智能是某种未知而神秘的东西,密谋着最终要杀光我们所有人,因为它能预测下一场我们想看的电影是香肠派对,此前我们看了一整夜的埃文·戈登伯格的片子。

许多人没想到的是,不管我们认为自己多么奇特,我们的选择和基本智能都遵循着普遍的模式,对于这种模式计算机只要看多了就很容易识别出来。

这就使得 预测你所喜欢的音乐, 或建议我们在方便时所用的正确手机应用 等方面对于机器来说是小菜一碟。我并不是说所有的 预测工作都具有同样的性质和难度,但指望该研究领域之外的人理解它是有难度。

理解我们目前的人工智能技术所擅长之处的关键是知道计算机在两种基本环境中学习得特别好——i)受控环境,和ii)监督之下。

同步内容
--电子创新网--
粤ICP备12070055号