AI

智慧城市的成功依赖于智能家居的成功

作者:西蒙·福雷斯特(Simon Forrest),Imagination互联与家居互联部门主管

走向智能家居

智能家居是智慧城市取得成功的关键,如今科技创新的爆发式增长使得很多公司都能够设计和生产出智能家居所需要的产品(或元素)。随着消费者逐渐接受这些技术,他们将会看到并理解这些技术所带来的成本节约和环境改善。

“智能家居”是一个比较宽泛的定义,很多行业分析师只是简单的要求至少安装一款智能产品就可以定义为智能家居了,比如互联网控制的供暖系统或一个简单的智能灯泡,但是对我来说智能家居是非常不同的:大部分产品和服务都应该是互相连接的,底层技术应该能够管理和安排这些服务并作出明智的决策,从而给消费者带来最大化的好处。

除了看和听之外,AI能拥有触觉吗?

AI近几年的快速发展离不开深度学习方法的深入研究,而深度学习提升AI能力的最显著表现,目前来看主要集中在两个方面:图像识别和语音识别。

通过对图像的语义分割,图像识别技术已经应用得特别广泛。在手机摄影、拍照购物、刷脸支付等各种领域,图像识别给我们带来了极大的便利。同时,基于语音识别的各种语音助手比如智能音箱等,也在悄然描画智能家居的未来。可以说,单单是在视觉和听觉这两个方面的技术突破,AI就已经给世界带来了巨大改变。

但是,人有五感,除了视觉和听觉之外,还有非常重要的触觉。曾经有个人做实验,看看蒙上眼睛堵上耳朵再绑手脚这人会怎样,结果差点儿整出精神病。

那么具体到AI这件事上,仅仅发展其视觉和听觉技术已经逐步呈现了“瘸腿走路”的特征。如今,或许是时候讨论一下给它加上触觉这件事了。

视觉和听觉长板下的触觉短板

视觉和听觉技术发展的优点是显而易见的,其最重要的作用也集中在两个字上:识别。

为什么视觉的识别和听觉的识别技术这么重要,而且被首先开发出来呢?笔者认为主要有以下几个方面的原因。

第一,视觉和听觉是判断某一个物体特性的基本方法。

2018年AI的五大发展趋势和带来了哪些益处

人类一直对于与自己相仿的机器人、以及人工智能(AI)的概念饶有兴致。好莱坞电影和科幻小说也一直启发着科学家们向着此方向不断努力。虽然AI的泡沫曾经破灭了多次,但是近年来,一些重大的发展与突破又一次将该领域带回到了公众面前。在 2017年,Gartner将通用AI放在了“技术成熟度曲线”的早期采用阶段。同时,它将深度学习和机器学习技术置于该曲线的顶峰。

我们需要理解的是:AI是几个相互关联的技术的总称术语。它包括:自然语言处理(Natural Language Processing,NLP)、机器学习、认知计算、神经网络、计算机视觉、机器人科学及其相关技术。在本文中,我们将解释所有这些技术的五大发展趋势,并了解它们所带来的益处。

1. 机器学习模式的大众化

机器学习的目的是使得计算机能够从数据中学习、在不依赖程序命令的情况下进行改进。这种学习最终可以帮助计算机建立模型,例如被用于预测天气的模型。在这里,我们来介绍一些利用机器学习的常用应用程序:

财务应用

从算法上解读自动驾驶是如何实现的?

车辆自主驾驶系统从本质上讲是一个智能控制机器,其研究内容大致可分为信息感知、行为决策及操纵控制三个子系统。路径规划是智能车辆导航和控制的基础,是从轨迹决策的角度考虑的,可分为局部路径规划和全局路径规划。

全局路径规划的任务是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径。目前正在研究的有准结构化道路环境多种约束条件下的路径规划技术,自然 地形环境下的路径规划技术,以及重规划技术等。由于全局路径规划所生成的路径只能是从起始点到目标点的粗略路径,并没有考虑路径的方向、宽度、曲率、道路 交叉以及路障等细节信息,加之智能车辆在行驶过程中受局部环境和自身状态的不确定性的影响,会遇到各种不可测的情况。因此,在智能车辆的行驶过程中,必须 以局部环境信息和自身状态信息为基础,规划出一段无碰撞的理想局部路径,这就是局部路径规划。通常路径规划的方法有:空间搜索法、层次法、动作行为法、势场域法、栅格法、模糊逻辑法和神经网络法等。

汽车自动驾驶任务可以分为三层,如图所示,每层执行不同任务,包括上层路径规划、中层行驶行为规划和下层轨迹规划。

当人们不需要知道:片上AI如何有助于GDPR的合规性

作者:Simon Forrest

GDPR的影响

2018年5月25日,欧盟所有成员国都将采用新的通用数据保护条例(也称为GDPR),该条例对于个人信息的收集、管理和使用有了更严格的规定。新法规对于消费者数据的整理方式、必须采用哪种方式进行存储和保护以及如何使用等方面具有广泛的影响。

各种组织不能够再收集大量关于消费者的数据进行多方面的分析——现在要求数据控制者将个人数据的处理操作最小化,并且进行高效的限制,仅用于特定目的应用需求。此外,该应用必须能够明确传达给相关数据的个人,获取用户同意的要求也必须更加的明确。因此,那些我们已经熟悉的笨拙且易混淆的条款都将不适用:处理个人用户数据的公司必须能够透明的解释他们要收集哪些数据、清楚地说明为什么需要这些数据以及如何使用等。

另一个重要的考虑因素是:GDPR给予同意处理其数据的个人可以随时撤销授权的权利,值得注意的是,数据控制人员必须为此建议用户这项权利,他们还必须能够提供简单的方法让用户能够撤销授权,然后确保在合理的时间范围内删除数据,这仅仅是数据处理法规方面的根本性改变,但可能会产生巨大的影响。

扫地机器人、智能农药喷洒机、无人机、自动驾驶汽车……人工智能技术在不断突破我们想象力的同时,也越来越贴近我们的生活。4月11日,工业和信息化部、公安部和交通运输部联合发布“关于印发《智能网联汽车道路测试管理规范(试行)》的通知”,这意味着,真正的智能汽车甚至自动驾驶已经离我们不再遥远。

作为近两年行业内最热的话题,关于人工智能的讨论已经无处不在。4月25日,由中国信息通信研究院、国际电信联盟(ITU)、德国弗朗霍夫赫兹研究所共同主办的“人工智能对信息基础设施影响”研讨会在西安召开,会议邀请了来自全球人工智能企业、互联网企业、电信运营商、学术机构等各方的嘉宾和代表,共同探讨人工智能技术的发展趋势,分享成功案例,助力人工智能产业发展。

工业和信息化部科技司副司长王卫明,国际电信联盟标准局副局长 Reinhard Scholl 博士,中国信息通信研究院标准体制研究所总工续合元,德国弗朗霍夫赫兹研究所机器学习组负责人 Wojciech Samek 博士等多位国内外重量级嘉宾出席会议并发表演讲,热议人工智能对信息基础设施的影响。

视觉数据和AI的“致命应用”

考特尼·威尔逊跟随是CloudFactory营销总监。最近发表了篇关于人工智能的文章,翻译过来供大家学习交流,外语水平有限,如有语病,请海涵!

虽然许多人正在寻找“杀手级”的视觉,但更有可能视觉是AI和计算机的“杀手级应用”。

今天有AI模块的app,只需拍摄一个照片,便可在几秒钟内告诉你狗的种类,或植物的种类。当您将图像上传到Facebook时,系统将立即根据脸部识别技术进行识别,告诉你的朋友图像中有谁。

在某些情况下,机器的这种特定类型分析的能力远远超过了人类,而这些先进的人工智能技术的命脉便是视觉数据。

为什么视觉数据很重要?

人工智能的整个概念是可以构建机器来执行最人性化的任务。为了做到这一点,他们以人的智慧为模范。例如,最前沿的AI系统采用在人脑神经网络之后建模的深度学习或深层神经网络。(当然,他们没有任何地方接近人类相同的能力)。

作为人类,我们通过观察我们周围的世界并以语言,行动和对象的形式收集我们自己的数据来学习。另一方面,计算机必须由人类提供数据以便“学习”。机器学习的过程需要比人类更多的数据,时间和迭代。

作为人类,视觉对我们自然而然而形成,我们学习的第一个技能之一就是认识面孔。然后,我们识别我们周围的物体,并赋予他们意义。

我们能相信AI吗?

作者:Russell James

人工智能(AI)是未来技术的核心。很少有一种技术能像人工智能那样惠及社会。人工智能系统从大量复杂的非结构化信息中学习,并将其转化为可实施的见解。可以想象,在未来的几十年内,由于可以收集和分析的数据量不断增加,人类可以在各个领域取得重大突破,比如医学创新、气候分析和复杂的全球经济管理等等。

就像对人产生信任需要时间一样,对AI系统建立信任也不可能短时间内完成。但这并不意味着单靠时间就能解决人工智能的信任问题。人们总是希望事情会像期望的那样发展,但正像人类一样,AI也会犯错。尽管AI发展如此迅猛,但目前还是处于起步阶段。现在人们接触到的大部分系统都使用深度学习,这只是AI的一种形式。对于发现模式并将其用于识别、分类和预测的应用来说,深度学习是非常理想的选择,比如给购物者提供针对性的建议等。

然而,由于对神经网络模型运行方式的理解不够,这些系统仍然会出现错误,这些错误可能是由于训练集的限制或算法中未知的偏差造成的。这些错误带来了“AI无赖”的可怕结果,比如在Twitter上发布种族主义和性别歧视信息的聊天机器人,或者展示种族和性别偏见的AI程序。 对AI系统建立信任需要做什么呢?

AI、大数据与云计算之间的关系,我们应该怎样理解?

说到AI,总是不可避免的联想到大数据与云计算,这三者可谓相辅相成,唯有全部结合起来,才有可能成为真正的人工智能。当然,本文只是以一个普通人的视角来探寻这三者之间的联系。

一句话概括AI、大数据与云计算

简单来说,AI是基于计算机软硬件,通过模拟人类思考和智能行为的一种理论方法和技术。

而云计算则是将服务器、存储器、存储设备以及网络等资源打包成云端,为客户提供相关的按使用量付费的模式。

大数据则是将结构化数据和非结构化数据形成的所有数据整合起来,用以分析发现数据背后相关关系的信息资产。

从上面简单一句话的解释来看,就可以发现三者之间都有着一丝隐秘的关联。大数据便是AI智能化程度升级和进化的基础,拥有大数据,AI才能够不断的进行模拟演练,不断向着真正的人工智能靠拢。

三者存在紧密相关的联系

比如谷歌的AlphaGo就是这么一个典型的例子,通过大数据中的无数棋谱加以学习,才能够在后面进化到打败人类围棋高手的程度。

大数据与云计算则是原料与机器之间的关系,光有大数据,那么就只是一堆单纯的数据而已,而有了云计算,则可以对这些数据进行分析,变成有用的信息。

深思 | AI黑箱:我们要用AI解释AI?

AI算法对人类生活的影响越来越大,但它们内部的运作往往是不透明的,人们对这种技术的工作方式也愈加感到担忧。MIT科技评论曾经发表一篇题为“人工智能中的黑暗秘密”的文章,警告说:“没有人真正知道先进的机器学习算法是怎样工作的,而这恐将成为一大隐忧。”由于这种不确定性和缺乏问责制,纽约大学AI Now Institute的一份报告建议负责刑事司法、医疗保健、社会福利和教育的公共机构不应该使用AI技术。

输入的数据和答案之间的不可观察的空间通常被称为“黑箱”(black box)——名称来自飞机上强制使用的飞行记录仪“黑匣子”(实际上是橙色的,而非黑色),并且经常在空难事故后用于向调查人员提供有关飞机当时运作情况的数据。在人工智能领域,这个术语描述了AI技术如何在“暗处”运作的景象:我们提供数据、模型和架构,然后计算机给出答案,同时以一种看似不可能的方式继续学习——显然对于我们人类来说,这太难理解了。

黑箱没有什么可怕的

同步内容
--电子创新网--
粤ICP备12070055号