AI

深度长文:关于AI,你最该了解可也许从没想过的四个问题

在过去的几年里,我们一直在讨论人工智能(AI)将如何拯救或摧毁世界:自驾车有利于保护我们的生命; 社交媒体泡沫将破坏民主;机器烤面包机会让人类连烤面包的能力都丧失。

你可能很清楚,这其中的一些是无稽之谈,一些是真实的。但是,如果你没有深入地沉浸在这个领域,可能很难分辨孰真孰假。虽然对于想要学习人工智能编程的人来说,互联网上有大把的启蒙教程,但对于不想成为软件工程师或者数据专家的人来说,却缺乏对于人工智能的概念的了解,以及它所面临的社会上和伦理学上的挑战。

如果全社会真的要讨论人工智能,我们就需要解决这个问题。所以今天我们要谈谈人工智能的现实:它能做什么,不可能做什么,未来可能可以做些什么,以及它带来的一些社会、文化和道德方面的挑战。我不会涵盖每一个可能的挑战; 其中的一些,譬如泡沫和虚假信息,大的需要一整篇文章来解释。但是,我会给你们足够的例子说明我们所面临的真正的问题,你们就能够独立提出自己的问题。

我先给大家剧透一下: 大多数最难的挑战不是来自于技术。人工智能最大的挑战往往始于,它迫使我们编程时不得不非常明确地表达我们的目标 ,几乎没有别的事情会这样——而有的时候,我们并不想对自己说实话。

1、人工智能和机器学习

AI实践者需要掌握的10大深度学习方法

过去10年,人们对机器学习的兴趣激增。几乎每天,你都可以在各种各样的计算机科学课程、行业会议、华尔街日报等等看到有关机器学习的讨论。在所有关于机器学习的讨论中,许多人把机器学习能做的事情和他们希望机器学习做的事情混为一谈。从根本上讲,机器学习是使用算法从原始数据中提取信息,并在某种类型的模型中表示这些信息。我们使用这个模型来推断还没有建模的其他数据。

神经网络是机器学习的一种模型,它们至少有50年历史了。神经网络的基本单元是节点(node),基本上是受哺乳动物大脑中的生物神经元启发。神经元之间的连接也以生物的大脑为模型,这些连接随着时间的推移而发展的方式是为“训练”。

在20世纪80年代中期和90年代初期,许多重要的架构进步都是在神经网络进行的。然而,为了得到好的结果需要大量时间和数据,这阻碍了神经网络的采用,因而人们的兴趣也减少了。在21世纪初,计算能力呈指数级增长,计算技术出现了“寒武纪大爆发”。在这个10年的爆炸式的计算增长中,深度学习成为这个领域的重要的竞争者,赢得了许多重要的机器学习竞赛。直到2017年,这种兴趣也还没有冷却下来;今天,我们看到一说机器学习,就不得不提深度学习。

AI医疗图谱——浅述AI在医疗界的新发展

提起AI医疗,人们不外乎想起这些问题:AI医生们可以帮助人们预防疾病吗?可以判断我们的病情吗?甚至,AI们会在手术台上对我们进行“切割”吗?

这听起来似幻想,想起来又觉得颇为真实,毕竟电影里面展现未来的时候从来都不吝啬使用这些画面。事实上是,实验室里头每天都发生着我们看不见也想不到的变化,成功了就是真的,失败了也暂时一笑而过吧。但那些已经上市或即将上市的“医疗AI”们已经足够震撼我们。

其实,除了我们熟知的那些早早进入AI领域的超级公司们,还有很多初创企业如雨后春笋般出现在AI医疗市场当中。CB Insights去年年末绘制了一张“AI医疗图谱”,我们除了能够看到这些公司的名称,还能看到他们所致力的领域——也就是AI“医生”们现在究竟能做些什么:

AI医疗图谱——浅述AI在医疗界的新发展

• 病人数据与风险分析
• 医学影像与诊断
• 生活方式管理与检测
• 营养学
• 急诊室与手术
• 住院护理和医院管理
• 心理健康
• 药物发现

AI世界:2018年八大趋势

本文展望了人工智能未来一年的发展趋势,希望能给相关从业者一点参考。以下是译文。

从计算上来讲,大数据分析这股潮流并不会像是流星那样转瞬即逝。随着数据量的不断增加,对大数据分析的改进也不会停止。 对于预测分析方面的应用,我们只看到了冰山一角。 一些机构正在使用数据挖掘、机器学习和人工智能技术来分析当前的数据以求更好地开展业务(例如预测销售情况、优化营销活动等)。 所有这些不同类型的人工智能技术已紧密地结合了在一起,改变了我们的日常生活,而且这种改变仍将持续。

以下是人工智能、大数据、预测分析和机器学习方面主要的统计数据:

• 到2018年,75%的开发人员将在一个或多个业务应用或服务中采用人工智能技术 - IDC
• 到2019年,人工智能技术可应用在100%的物联网上 - IDC
• 到2020年,30%的公司将引入人工智能以至少增加一个主要的销售过程 - Gartner
• 到2020年,算法将积极地改变全球数十亿工人的行为 - Gartner
• 到2020年,人工智能市场将超过400亿美元。 - 星座研究
• 到2025年,人工智能将驱动95%的客户交互 - Servion

不知道这些AI知识,千万别说你是AI圈的!

为什么人工智能,机器学习突然之间成了热门话题,变成IT领域,甚至其他领域的人们都在讨论的热点?也许文章的作者会给你一点这方面的思考。

最近,我有幸与人工智能领域相关企业的决策者进行交谈。 其中几名高管已经被投资者询问了他们的机器学习方向的战略,以及他们现有机器学习项目的情况。 那么为何机器学习会突然成为公司董事会讨论的话题呢?

大家都知道,从一开始计算机就被设计成帮助人类解决各种问题。 传统的软件工程就是针对某个问题进行编程。换句话说,就是我们告诉计算机一个能解决某个问题的算法,并让它来执行。现实世界中很多问题可以被描述成某个算法。 比如,小学算数中,我们用加法来解决计数问题。一旦现实问题被抽象成了算法,计算机能比人类更快速,更高效地执行它们。

不过,人们也渐渐的发现了这种过程的局限性。对于类似图像识别这类问题(例如,判断照片中是否是一只猫),在人类看来是如此的轻而易举,然而想把这类问题描述成一种高效的算法却并不容易。由于对象的特征有可能被隐藏起来,我们不能简单的用“有四条腿”或“有两只眼睛”来对判断是否是猫的照片。而且,照片中还可能只显示了猫的一部分,问题就演变为识别猫的某个部位,进而使得问题变得愈加复杂。

AI现在还仅仅是“物理学出现之前的工程学”

科技评论网站日前发表文章,介绍了深度学习的发展趋势及其局限。虽然深度学习已经是当前的一股热潮,也取得了不少成果,但业界人士指出,目前的深度学习就像是“物理学出现之前的工程学”。以下为原文摘要:

AI现在还仅仅是“物理学出现之前的工程学”

人工智能(AI)领域的每一个进步,都有赖于30年前的一个突破。要保持AI进步的节奏,就需要突破这个领域的一些重大局限。

AI领域的爱因斯坦

矢量研究所(Vector Institute)位于加拿大多伦多的市中心,将于今年秋天开业,它旨在成为全球AI中心舞台。美国和加拿大公司(比如谷歌(微博)、Uber和Nvidia)将在这个研究所赞助商业化AI技术的努力。

11个技术领袖告诉你的AI真相

人工智能是一个深邃世界,那些最优秀的人工智能实践像一个漫无边际的海洋那样浩瀚,如何让AI有助于你的生意?AI又是如何影响着消费者们?这样的疑问绵延不绝。事实就是,在现阶段,有些AI太复杂,企业没有必要考虑要不要将其引入到自己的品牌中来,尤其是对那些当下的和短期需求来说。然而,随着关于AI和自动化在媒体行业中不断被讨论,压力是越来越大的,但那些都是噪音罢了。为了终结这种切实存在的噪音,我们收集11位技术领导者的洞见,他们将对我们应该关注何处(以及为什么要关注)发表更深层的看法。

AI不总是正确的解决方案

关于AI是否是正确的解决方案,企业需要谨慎地、有条不紊地权衡他们的选择,如果它是正确的解决方案,那就需要有针对性地规划其路线图,以确保其产品和消费者都能长存。

Jason VandeBoom是ActiveCampaign的CEO和创始人,ActiveCampaign是一个为中小企业服务的营销自动化和CRM平台提供商。VandeBoom认为:

对于未来互联网:AI 创造了什么,毁灭了什么

近日,国外研究机构 Internet Society 发布了题为
《Paths to Our Digital Future(2017)》
(中文译为:通往数字未来之路)的报告,阐述了后互联网时代的变革驱动力,这里对变革驱动力之一人工智能部分做了翻译和整理,力图解释人工智能对未来数字时代的影响。

人工智能和机器学习的进步速度如此迅猛,我们的社会将迎来一些重要的伦理和经济问题,应对这些问题恐怕会费心费力。

总体而言,人工智能(AI)和物联网将同时改变互联网和全球经济。在未来 5 年内,我们可以预期人工智能和机器学习将会被整合到各种各样的技术中,这些技术包括数据交换和分析。这将带来巨大的机遇,如全新的服务和科学突破,人类智力的提升,以及它与数字世界的融合。

在人工智能领域存在相当大的不确定性,如决策转由机器执行,缺乏透明度,技术变革将超过治理和政策规范的发展。自动化可能会深刻地改变行业,影响就业和公共服务的交付。政府和社会需要为其影响做好准备:

AI历史上的10个里程碑:从神经网络到打败世界围棋冠军

在人工智能发展史上定义出10个里程碑并不是一件易事。我们根据数百个研究实验室和成千上万个计算机科学家的研究成果,整理出我们认为比较重要的10个里程碑事件。

神经网络的诞生

AI历史上的10个里程碑:从神经网络到打败世界围棋冠军

想必大家对神经网络这一词并不陌生,神经网络可谓是当今大多数尖端人工智能背后的脑启发AI工具。虽然像深度学习这样的概念是相对较新的,但它们的理论基础早就产生于1943年。

人工智能入门必读:4大关键AI概念

人工智能(AI)正在肆虐世界,并创新的应用于所有行业。正如电影中所看到的,我们用了几年的时间用AI机器人替代了医生的部分工作,同时,AI也在帮助所有行业的专家更快地诊断和解决问题。大多数人都关注于AI的结果,对于想了解AI开发的程序员来说,有四个关键概念一定要理解:分类,分析,机器学习和协同过滤,这四个支柱也是分析过程中的一个步骤。

分类涉及创建特定于问题领域的指标(例如财务,网络),分析涉及确定哪些数据与解决问题最相关。机器学习涉及异常检测,聚类,深度学习和线性回归。协同过滤涉及查找大型数据集中的模式。

分类

AI需要大量与要解决的问题相关的数据。构建AI解决方案的第一步是创建所谓的“设计意图度量”,用于对问题进行分类。无论用户正在尝试构建可以播放音乐的系统、帮助医生诊断癌症的系统,还是帮助IT管理员诊断无线问题,用户都需要定义允许将问题分解成较小部分的关键指标。例如,在无线网络中,关键指标是用户连接时间,吞吐量,覆盖率和漫游。在癌症诊断中,关键指标是白细胞计数,种族背景和X射线扫描。

分析

同步内容
--电子创新网--
粤ICP备12070055号