AI

AI离你很远吗?黑客已经开始用来做武器装备自己了

[ 导读 ] AI就好像家里的菜刀一样,既是你切菜的好工具,但也可能成为暴徒手中的趁手武器。虽然技术无罪,但也应当善用技术。这篇马斯克在推特上转发的文章,或许可以解释他到底在担忧AI什么,AI对你我的生活又会有哪些影响?

去年,来自安全公司ZeroFOX的两位数据科学家进行了一次实验,看看谁更好地让Twitter用户点击恶意链接,人类或人工智能。研究人员教导人工智能研究社交网络用户的行为,然后设计并实施自己的网络钓鱼诱饵。在测试中,AI比人类竞争对手强大得多,制造并分发了比人类更多的网络钓鱼微博,成功率也大大提高。

这个名为SNAP_R的AI以每分钟6.75微博的速度向800多名用户发送了模拟的钓鱼诈骗微博,吸引到275位受害者。相比之下,参加实验的实验者只能每分钟抽出1.075个推文,只只吸引了49位用户。

AI离你很远吗?黑客已经开始用来做武器装备自己了
(这样一条链接你很难区分是AI还是人发的,图:Gizmodo)

IBM预测未来5年对人类产生最大影响的5大创新

IBM认为,随着人工智能(AI)的迅速进步、超级天文望远镜、智能传感器和医疗设备的发展,从医疗卫生、环境到对地球、宇宙的了解等各个方面都将受益。当然这些预测都是基于目前出现的技术和研发水平,谁也不知道未来5年还会出现什么创新。

现在就看看IBM的科学家们对近期的愿景,到2022年我们可以再比照,就知道他们是否正确了:

1、得益于AI,说话将成为了解心理是否健康的窗口

5年内我们说的话和写的字都可以成为心理健康和身体健康的信号。最新的认知系统通过分析我们说话和书写,找到早期发育紊乱、心理疾病和神经退行性疾病的信号,帮助医生和患者更好预测、监控和跟踪这些健康问题。虽然看起来将语言线索与疾病信号联系起来还有段距离,但这种试验系统已经出现。去年南加州大学的团队建立一个项目,能检测到正常说话方式的变化并发现患上抑郁症的信号。

2、通过AI和强大的新设备,具备超级英雄视觉成为可能

「AI For Business」,是昔日蓝色巨人IBM 对其人工智能的定位,清晰而坚定,即便其营收连续21个月下滑、遭到投资人的质疑,也未曾改变。

对于这家最善于把脉未来趋势的公司,在人工智能席卷而来时当然也早有准备,比如他们的明星产品Watson。

认知商业,这是 IBM 人工智能的战略方向,而毫无疑问Watson 是实现一切战略的核心。

从最近的信息中,我们不断看到Watson在不同领域的大小动作,与某医院签约,入驻某家机构,和某公司战略合作,一副沃森很忙的样子。而忙的一切,也都成了为IBM努力赚钱的最终结果。

至于一家有国际影响力的巨头公司,当然提钱不免有些俗气,除此之外,它更想让人知道的是这家公司在人工智能的诗和远方:教AI来表现得更像人脑。

今天,我们希望通过这篇文章来试图描述这位重要玩家在其AI上的布局和观点,希望对你有帮助。

灵感来源:大脑

人类最伟大的思想家也逃脱不了从自然界寻求创作的灵感的路径,比如达芬奇设计的“ Ornithoper ”(翼型飞机)。

即便现在也没有改变。人工智能和机器学习方面的突破性进步也是以从自然语言中最先进的计算机构提取设计线索:那就是人的大脑。

AI惊艳世界的10个瞬间: 10个生成式对抗系统的最佳应用

说起“教授”计算机如何完成人类工作,生成式对抗系统(GAN)是现有最有效的手段之一。虽然人们一直被告知“竞争可以激发出更好的表现”,但是只有在有了生成式对抗系统之后这一“从竞争中学习”的逻辑才被发展到了造福产业生产的高度。

具体来说,生成式对抗系统是由不同的AI实体彼此竞争,以达到更好地解决自己任务的目的。想象一下,如果有一个恶意软件程序和一个安保机器人程序同时对抗,彼此都毫不放松的想要在对方的制约下更好的完成自己的职责。那么在这个过程中,他们双方都可以将自己的任务(入侵VS保护)完成的越来越好。

生成式对抗系统最初是由蒙特利尔大学的 Ian Goodfellow 首先创造出来。而最近,它已经向人们显示出了“无监督学习”的强大威力。

那么究竟生成式对抗系统是如何工作的呢?

每个生成式对抗系统都有两个相互竞争的神经网络。其中一个将噪音录入并且生成样本(生成器)。而另一网络则能够分辨正常的实验数据和从生成器获得的样本(分辨器)。这两个网络在进行一个持续的游戏,生成器会一直学习如何能够成功欺骗分辨器,而分辨器则能逐步增强自己分辨两种数据的能力。这两个系统同时接受长期的训练,终于在百万次的“对抗”之后,生成器生成的样本已经和真实的数据几乎没有差异。

微软和 Facebook 联手 允许 AI 开发者切换不同框架

本周四,微软与 Facebook 宣布,建立开放式神经网络交流(ONNX)格式。该格式目前支持 Facebook 的 Caffe2、微软的 Cognitive Toolkit 和 PyTorch 三种开源框架,允许 AI 开发者在此间自由切换。

AI 框架为开发人员提供了一个路线图,让他们知道自己的应用程序将如何从提供给这些模型的培训数据中进行学习。一旦应用方法正确无误,它们就会成为强大的工具,但这个领域太年轻了,很多开发人员不一定知道哪种方法适应他们的需要,直到项目进行了很长一段时间才有点眉目。

ONNX 将允许开发人员在其应用程序中更容易地切换到不同的框架,或同时使用多个框架,对应用程序的不同部分加以训练。在理想状态下,这将鼓励更多开发人员开始在其应用程序中开发人工智能模型,因为他们知道,在开始阶段选择了一个框架,如果遇到瓶颈,可以随时退出。

Facebook 在一篇博客文章中宣布了这一新举措,并表示,“在不同框架之间实现互操作性,简化从研究到生产的路径,将有助于提高人工智能社区的创新速度。”

来源: 动点科技

AI与神经科学是怎样互促互进的?

促进人工智能发展的另外一个因素往往被人们忽略,即经验以及神经科学为人工智能的发展提供了灵感的源泉。本文为你详解二者之间互促互进的关系。

最近,人工智能领域进展显著。在 Atari video games、ancient board game Go和 high-stakes matches of heads-up poker游戏中,人工智能系统已表现出非凡的能力,这种能力胜于人类高级玩家。人工智能产品可以模仿人类的手写体笔迹以及在语音识别方面提供语言翻译服务,还可以将普通的图片以不同的画风展现。例如,人工智能能将人类度假的快照美化成梵高式的画作风格。

以上所述的进步归功于诸多因素,其中包含了统计方法的运用和计算机性能的普遍提升。以神经科学顶级期刊《神经元》中的有关文章来看,促进人工智能发展的另外一个因素往往被人们忽略,即经验以及神经科学为人工智能的发展提供了灵感的源泉。

心理学和神经科学在人工智能的发展中起到举足轻重的作用。人工智能的奠基人Donald Hebb、Warren McCulloch、Marvin Minsky和Geoff Hinton最初的研究动力源自对他们大脑工作机理的浓厚兴趣。事实上,在上个世纪下半叶,与神经网络有关的关键性工作已经兴起,只不过这些工作主要在心理学和神经生理学院开展,并非在如今的数学或物理实验室进行。

入行AI最需要的五大技能

摘要: 作为一名软件工程师,我们应该活到老学到老,时刻与不断发展的框架、标准和范式保持同步。同时,还要能活学活用,在工作中使用最合适的工具,以提高工作效率。随着机器学习在越来越多的应用程序中寻得了一席之地,越来越多的程序员加入AI领域,那么,入行AI领域需要哪些技能呢?

把机器学习当做一种技能

作为一名软件工程师,我们应该活到老学到老,时刻与不断发展的框架、标准和范式保持同步。同时,还要能活学活用,在工作中使用最合适的工具,以提高工作效率。随着机器学习在越来越多的应用程序中寻得了一席之地,它成为了广大工程师迫切希望掌握的一门课题。

机器学习比一个新的框架更难掌握。要成为一名高效的实践者,你需要深入理解该领域相关的理论,广泛了解这个行业的现状,以及具备以非确定性的方式构建问题的能力。

你可以在网上找到很多教程来教你如何在一个精心挑选过的数据集上训练一个现成的模型,并使之达到不错的准确性。事实上,具备更多的相关技能是成为一个高效机器学习工程师的关键。

以下是我们与50多个顶尖机器学习团队的一些对话,他们来自海湾地区和纽约,这次来到Insight公司是为了探求人工智能从业者需要共同面对的问题​​,并希望能够加快自己融入应用人工智能领域的步伐 。

干货丨初学者 AI 入门指南:深度学习的五级分类

编者按:目前AI被笼统划分为“弱人工智能”、“强人工智能”、“超人工智能”三个类别。甚至在很多业内专家(比如洪小文)眼中,只有“强”、“弱”AI的区别,因为“超人工智能”离我们实在还很远,难以捉摸。这样的笼统分类显然不利于大众对于各项AI技术进行认识和理解。因此,一些专家开始提出基于技术难度和AI智能水平的分类、分级方法。其中,美国学者Arend Hintze提出了对AI的四级分类, 而Intuition Machine联合创始人Carlos Perez又提出了针对深度学习的五级分类。这些分类方法对各层次AI技术进行了简单的归类,有助于初学者更好地认识AI 。

密歇根州立大学副教授Arend Hintze发表了一篇很有价值的短文章《理解AI的四种类别:从响应式机器到有自我意识的存在》( “Understanding the four types of AI, from reactive robots to self-aware beings” )。文中,他提出了对AI的四级分类:

• 响应式

这是最基本的AI类型,无法产生记忆,不能利用过去的经验做决策。它们是“专才”而非“通才”,为完成特定任务所设计,不能胜任其他任务。

• 有限记忆

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。

大数据+AI促进机器学习

AI和大数据都是目前炙手可热的新兴技术,如果把它们结合在一起,又会怎么样呢?目前,研究人员正在为这一方向而努力,让大数据与AI结合而更好地发展。随着科技的发展,人们逐渐意识到大数据和AI结合将会产生更为强大的能力。

大数据和AI结合的期望如何

AI在大数据上的应用是当下最重要的技术突破。它不仅重新定义了企业利用数据创造价值的方法,还促成了机器学习的空前发展。

企业通过访问大量资料组来学习,并获得惊人的成果。这样看,企业从一个基于假设的研究方法快速转向一个更加集中的“数据优先”战略也不足为怪。

大数据如何让AI获得突破性进展

现在,得益于科技的发展,企业皆可处理海量的数据。而在以前,他们不得不为此配备功能强大而昂贵的硬件和软件。数据的广泛使用正是促成这一行业创新变化的范式转变。

大量数据组的可用性能与机器学习的突破性进展相符合,这主要是因为出现了更好、更精细的AI算法。

这些突破性进展的最佳代表是“虚拟代理(通常被称为聊天机器人)”。以前,聊天机器人在识别某些特定的短语、地方口音、方言时有一定的困难,但是通过一段时间的发展,它现在已经获得了极大的进步。

同步内容
--电子创新网--
粤ICP备12070055号