理解未来第20期开讲《挑战科学最前沿:生命科学与人工智能》

在许多人心中,“魔都”上海一直是金融和娱乐重镇。然而今天,在纽约大学上海分校举办的第20期理解未来讲座则让所有人看到了“魔都”对科学怀抱的巨大热情和惊人能量。

理解未来第20期开讲《挑战科学最前沿:生命科学与人工智能》

2016年9月10日,理解未来系列讲座首次来到上海。我们惊喜地看到,有从北京赶来的未来论坛的铁杆粉丝,也有专程从湖南、广东等地赶来的新朋友。会场座无虚席,甚至连阶梯上都坐满了观众。

在上半场讲座中,艾社康主席及董事长威廉•哈兹尔廷博士发表了题为《科学助力人体自愈:再生医疗和免疫治疗前沿》的主旨演讲。近年来,随着人们对医疗问题关注度的提高,精准医疗和免疫疗法等名词不断见诸报端。正如哈兹尔廷博士所言,“这事关你的健康、未来,也事关你所爱的人、所关怀的人的健康”。

哈兹尔廷博士围绕“再生医疗”及“免疫治疗”两大主题展开了探讨。“再生医疗”乍听起来颇有几分神秘,但事实上却和我们每一个人息息相关。我们随时随地都在经历一代又一代的细胞再生。哈兹尔廷博士提出,人体“从本质来说是不朽的”。再生医疗的承诺在于在同一人体个体体内产生新组织、新器官,重设人体组织年龄,让人体机能回到更早的阶段,即回归更年轻的那个“你自己”,让衰老、疾病或受损的组织、器官得到更新。哈兹尔廷博士从科学家及企业家的双重视角指出,再生医疗“还有很多的工作需要做,尤其是需要一系列的科学家合作,而这部分的科学尚没有得到充分的投资。”哈兹尔廷博士建议投资方加大对再生医疗的投资,促使更多的技术突破产生。

我们或许已经听说过一些著名的免疫疗法的例子,却对免疫疗法缺乏一个清晰的概念。对此,哈兹尔廷博士解释道:“从根本上,它是一个治疗癌症和肿瘤的方法。”传统的化疗方法在杀死癌细胞的同时也会杀死健康的细胞,对人体造成进一步伤害。而在这一过程中,科学家们发明了免疫治疗方法。这一新模式“使用我们自身的免疫系统来找到发现癌症或者是恶性肿瘤”。免疫治疗能够拯救人们的生命,或者将人类的生存期延展到可接受的范围。在未来,免疫治疗还有很大的潜力等待着发掘。

最后,哈兹尔廷博士总结道:“我们深入地了解我们的本体,了解我们到底是什么,而且不断地了解我们如何让机体功能实现更好地修复甚至是恢复,甚至有可能让我们深入地了解我们如何思考、如何感受。我们现在处于一个革命的起端,一个开始。”

更多人工智能解读:www.yangfenzi.com/tag/rengongzhineng

接下来,由毕马威中国医疗保健业主管合伙人姚凤娥女士作为嘉宾主持,《科学美国人》主编玛丽特•迪克里斯汀娜、哈兹尔廷博士、微芯生物董事、总裁兼首席科学官鲁先平、复旦大学附属肿瘤医院副院长吴炅及北大博雅转化医学研究院、理事长许晓椿作为对话嘉宾,从学术、应用及传播等多个角度,就什么是精准医疗、如何让精准医疗更“精准”、再生医疗中的难点等热门话题进行了深入探讨,最后共同对20年后的世界表达了自己的畅想。

讲座的下半场名为“世界因你而变”。适逢人工智能发展60年之际,主旨演讲者们的报告自然也离不开人工智能的发展和对人工智能未来发展的展望。

中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃老师的主旨演讲题为《智能的本源:回顾与展望》。他认为,“只有回到历史的过程中,才有可能更好地展现未来”。他首先回顾了人工智能历史上的几番冬夏,特别指出:“今年是人工智能的60年,60年在中国有特别地意思,也许60年代表着你需要重新开始。因为在60,我们会觉得60甲子。60年结束了也许代表着一个新的轮回的开始,而在这里我们也需要在人工智能这里开启一个新的智能。在50年时经历了人工智能的冬天,十年后热回来了……我们要从农业、工业过渡到智业社会。人工世界的矿源就是数据,那就是人的智力。新IT的时代到了,因为我们要开发人工世界了。所以说人工智能就是两部分,人工有多广,智能就能系有多深。这就是今天物联网、大数据、云计算变得重要的原因,这就是一个甲子的计算。”

因为AlphaGo大胜围棋大师李世乭,许多人开始担心人工智能是否会导致负面效应甚至会毁灭人类。对于这种人工智能威胁论,王飞跃老师幽默地说道:“我觉得人类灭亡很有可能灭亡,但正如飞机失事不能怪地球引力,人类灭亡威胁人类也不能怪人工智能,那是人本身的一部分。人工智能走到今天,那是层层的科学,上到伽利略下到牛顿,都是做这件事。我给大家讲这个,就是希望大家对人工智能有一个正确的认识。它就是我们时代的技术,我们要用激动之心来迎接它,特别是年轻人。另外,人工智能科学追求的必然的结果,这是一种非常科学的研究,所以大家要有敬畏之心。最后要有平常之心。对人类最大的威胁不是技术,任何的技术都是双刃剑。谁能灭了人类,只有人啊。”王飞跃老师的精彩观点引得现场不断爆发出阵阵掌声。

在名为《人工智能趋势:计算范式的革命》的主旨演讲中,地平线机器人科技创始人余凯博士先从几个小故事开始讲起。这几个例子虽小,但反映了共同的大时代背景——人工智能革命。如果说第四次工业革命是人工智能的革命,那么这次革命相较前三次有哪些不同呢?余凯博士认为,这次革命会让人类重新开始审视人与机器的关系。“过去几次产业革命都是产生技术、系统、机器,是以人为中心,延展人的体力和脑力。但是今天人工智能革命所产生的机器与系统不是以人为中心的,它可能是坐在你的对面跟你下棋,甚至下得比你还好。这样的一个系统,它的一个鲜明显著的特征是什么呢?它是自主的决策和行为。就是这个自主非常重要,它在一个不确定性的环境里面能够自主做决策,能够理解这个不确定性是什么。”

余凯博士指出,从计算机科学的本质来讲,要实现人工智能,其物理形态其实并不重要,最关键的是我们怎样实现智能的算法,从而使得机器有感知、认知到决策的可能。深度学习在过去几年推动了几个革命,第一个革命是计算机视觉的革命。第二个发生革命性的领域就是语音识别。而今年,增强学习(Reinforcement Learning)开始进入了公众的视野。“与语音、图像不同的是,之前是讲感知,而这个是关于决策的。它是说怎样去构造一个很精美、优美的模型,使得我们怎样去让一个系统在一个环境中如何连续做决策,去优化一个长期收益的问题。”

结合进入互联网行业以来经历的几个小故事,余凯博士从创业者的视角预言了人工智能产业的未来。他认为,未来,人工智能会渗透到社会的方方面面,例如智能车、智能玩具和智能家电的诞生。“因为终端的智能、网络的接入,使得我们整个互联网接入的节点它比移动互联网又要增加十倍。所以那个时代的王者一定比今天时代的王者经济规模更加巨大。人工智能使得很多终端都变成了真正智能的、可以接入数据的。这是 我看未来10-20年间最大的产业机会。”

人工智能研究往往被认为是纯理工科的范畴,似乎和法律这一人文学科无有交集。然而方达律师事务所合伙人高国征律师的主旨演讲《律师对人工智能的期望》却别开生面地表达出了人文领域对人工智能应用的愿景。

高国征律师指出,“技术有驱动未来的全新能力”,因此人工智能在法律领域里大有潜力,但同时面临的挑战和困难也是不容小觑的。“整个AI的系统有很多功能,比如说图像识别,这非常重要。自然语言处理也是AI的长处,但是如何让这个系统能够实际解决问题?首先我们需要不同功能的集成,这是一个非常困难的任务。我们有那么多海量的书,要有一个机器把它全部读遍并且要有一个解决方案。我们可以看到在这里机器要了解到底发生了什么,它还要了解这中间它的一个结案,它的总结,必须给出我们智慧的答案,这的确是非常困难的任务。我觉得现在的机器没办法解决这个问题,在未来还是有可能的。”

以《专利法》为例,高国征律师认为,在法律中,起诉案件里提到的词汇和人们日常生活中的语言差距甚大,如何向法官进行解释对人工智能来说也是一个难题。让人工智能确实了解并处理好这些信息实为不易。

而在削减诉讼成本方面,或许人工智能能够帮到许多公司和律师的忙。“如果AI帮助我们做文件的处理可能就不一样了。比如通过人工智能帮助分析其中的一些问题,这样很多的公司都能承担得起诉讼的费用。前面所说几十亿的诉讼费,事实上就不用花那么多了。如果我们有AI的话,可能不用这么大的开销来做这样的诉讼了。”

在对话环节中,由《自然》总编菲利普•坎贝尔博士作为嘉宾主持,上海纽约大学神经科学助理教授杰弗里•艾里、上海纽约大学科研副校长汪小京、上海纽约大学计算机科学教授张峥与王飞跃老师、余凯博士和高国征律师一起,就如何看待人工智能、未来五年人工智能能为社会带来什么样的影响及对于人工智能的担心与顾虑展开了热烈的讨论。

正如纽约大学上海分校校长杰弗里·雷蒙所言,未来论坛“连接起世界,把真正的科学与技术创新连接在一起,这对我们科学发现来说非常重要,对技术创新的流程也非常重要。” 未来论坛理事、Apax Partners(安佰深)全球高级合伙人张曦轲先生也在致辞中指出:“我们的使命是通过未来论坛,使得中国更加重视科学,让我们的孩子们愿意学习科学,也愿意把科学家当成是社会真正的大明星。” 对此,未来论坛秘书长武红女士则笑言“科学离我们每一个人都非常非常近”。

科学无疆界,对科学的爱也不分地域。有这么多爱着科学的人,与我们一道在科学中分享每一个或是激动、或是欣喜的瞬间,我们何其有幸。

“未来论坛”是中国唯一的商学跨界科学传播公益平台,不仅是科学面向公众的“传播人”、科学界和商业界的“对接人”、更是以民间资本激励科学突破的“推动人”。更多未来论坛解读:www.yangfenzi.com/tag/weilailuntan

“理解未来”讲座,是面向大众开放的公益科学讲座,每月一期,邀请有洞察力和前瞻性的创新科学家担任主讲嘉宾,并与相关行业知名人士及企业家跨界对话,以传播科学精神、启蒙科学思想。理解未来讲座形式不断创新,内容覆盖材料物理、量子物理、化学、数学、生命科学、医疗、科技、社会科学、人文等领域。更多理解未来www.yangfenzi.com/tag/lijieweilai

【文/未来论坛(微信号:futureforum)】

氧分子网(www.yangfenzi.com)是关注互联网生态圈的科技新媒体

·氧分子网http://www.yangfenzi.com)延伸阅读:

➤ 谢宇、欧阳颀“理解未来”讲座开讲《跨界思维:科学的再认知》

➤ 冯仑竟为烧脑活动未来论坛《理解未来》站台,你敢完整看完吗?

➤ 冯仑、饶毅妙论未来论坛:“二胎”后要生“三胎”,要创造未来

➤ 未来论坛《理解未来》讲座走进京东:大数据驱动下的变革

➤ “理解未来”讲座《北大哲学教授吴国盛:科学的人文起源》开讲

➤ 《理解未来》北大专场:数学大师巅峰对话—数学到底有没有用?

➤ 世界拥有了诺贝尔奖,中国拥有了“未来科学大奖”

分享给您的好友:

您可能还喜欢…

7 Responses

  1. 手持两把锟斤拷,口中疾呼烫烫烫说道:

    短时间内,强人工智能还很渺茫。

    这个短时间内,我估计至少是十年,这是最乐观的,悲观来说我希望我死前能看到。

    现在很少有研究者谈论人工智能了,他们说的是机器学习。这两者可能在别人看起来没什么差别,但是其实是非常巨大的。

    一个为机器学习辩护的说辞可以阐明这个区别:“我们需要飞翔,但我们不需要像鸟儿一样拍动翅膀。”
    现在的“人工智能”实际上就是一个非常复杂的动态规划算法(这里错啦错啦),在某些情况下可以达成目的,但是绝不是像人类一样思考。

    “连我存在的前提都没有”马文悲哀地说:“即使近似,也只是一种模仿。”

    现在说通过了图灵测试,只是个噱头而已,技术不可能产生大跃进,我这个业余民科闭着眼睛都知道这还是老一套, Deep Learning 之类的。

    想要对人工智能基本的了解请看 人工智能史

    如果想要看专家对现在的“人工智能”的评价,可以看这篇文章【果壳网专访】集异璧作者侯世达:关于思考,我一直在思考

    如果想真正深入了解人是怎么思考的,可以去看看上面的访谈的对象所写的书《哥德尔、艾舍尔、巴赫》(我觉得不看完这本书谈什么自我意识、思考的,大多是民科,因为我还没看完这本书,所以我不会具体讨论这些问题,避免踏入玄学)

    如果想稍微了解一下现在的机器学习技术是怎么工作的,可以看看下面两个文章,讲得都是朴素贝叶斯分类器——一种最基本的机器学习算法(需要中学概率基础,嗯)。

    数学之美番外篇:平凡而又神奇的贝叶斯方法
    朴素贝叶斯分类器的应用

    至于奇点以后是好事还是坏事,这个问题的标准回答是——God Knows。

    推荐看 @bhuztez 在下面的评论。
    bhuztez 回复 徐酿泉(作者)
    人工智能是不可能的。因为很简单,什么是智能?你给出个明确的定义么?

    我是很认同AIMA里那句“人类是研究了空气动力学原理才造出了飞 行器,而不是靠仿造出和鸟类一样的翅膀。”。我觉得提人工智能这个概念其实就是在仿造翅膀。仿造翅膀的确是一件很有意义的事,但是对于造飞行器来说不是必 须的,而且很可能是不现实的,毕竟机械的原理和生物还是差别太大了。我们需要的是解决问题。假设人脑有智能而要去实现人工智能,其实就是陷入了非要模仿鸟 类的翅膀来造飞行器一样的问题。

    大脑可能可以解决好几种问题。不过至少现在,我们已经知道其中一个问题背后的原理是信息论。有相当部分的神经元组合在一起,就是在计算最大熵时参数的近似值。根本就没什么机器学习或者说什么人工神经网络,是信息论,是参数估计。

    从这个角度看,deep learning一点都不坏。

    今天才看见楼上的答案,喷了,关冯诺伊曼毛线……我觉得我已经很民科了,没想到山外有山。
    编辑于 2014-08-16 64 条评论 感谢 分享 收藏 • 没有帮助 • 举报 • 作者保留权利

    18
    赞同反对,不会显示你的姓名
    Junezth数据挖掘/机器学习 博士生
    18 人赞同
    人工智能在近年来遇到了极好的发展机遇,互联网、移动互联网的普及让人类的数据触手可及,计算技术的快速发展让机器快速处理海量数据变成了现实,“大数据+大计算”让神经网络以深度学习的名号重出江湖。但是这并不能说人工智能在核心技术上就有多大的突破。

    现有的人工智能技术在本质上还是按照人类设计的固定算法来思考,依然是一种机械地执行人类智能而已。所谓的机器学习,它只是人类利用机器的计算能力来学习而已,其主语是人类,而非机器。真正的机器智能应当拥有自己独立的学习能力,但这在很长一段时间内应该是人类的保留技能了。不是我们不愿教给机器,而是我们实在搞不懂,我们自己到底是如何思考的。人工神经网络试图模拟人类大脑的复杂逻辑判断,但是人脑显然要神奇奥妙得多。我们不得不佩服造物主的神奇与伟大,能够设计出如此复杂精妙的存在。人工智能的未来,要极大地依赖于生命科学的发展,我们需要像造物主学习的还有很多很多。

    而要想赋予机器以人格和情感,就更难了,而且未必是人类想看到的。斯皮尔伯格在2001拍过一部经典的电影(Artificial Intelligence: AI),可以一观

    俗话说,没吃过猪肉还没见过猪跑?问题是只见过猪跑你是不知道猪肉是什么味道的,遑论人造猪肉。即使是研究飞鸟来制造飞行器,也可以说飞行器的飞行原理本质与飞鸟相同;而脱离对 人类智能的研究去研究强人工智能则有点像无本之木了。

    智能在人类看来是一个黑箱,计算机也可以当做一个黑箱。高中物理就学过黑箱电路的判断吧?我们打不开黑箱,但是我们掌握了黑箱输入输出的关系,就能重造黑箱的电路——即使电路不是完全相同的,也可以产生相同的表现。

    基于这个原理,天真的计算机科学家们认为,既然智能是一个黑箱,计算机是一个黑箱。智能这个黑箱是我们不能了解的,而计算机这个黑箱是我们了解的。于是我们如果掌握了智能(比如人类智能)的输入集,再加入一个对应关系,使之映射到对应的输出集,这个事不就解决了??

    这么直接的目标似乎很适合计算机实现呢。所以第一代人工智能的大牛们,欣喜于当时已经取得的成果,乐观地作出如下的估计(摘自维基百科人工智能史):
    1958年,H. A. Simon,Allen Newell:“十年之内,数字计算机将成为国际象棋世界冠军。” “十年之内,数字计算机将发现并证明一个重要的数学定理。”
    1965年,H. A. Simon:“二十年内,机器将能完成人能做到的一切工作。”
    1967年,Marvin Minsky:“一代之内……创造‘人工智能’的问题将获得实质上的解决。”
    1970年,Marvin Minsky:“在三到八年的时间里我们将得到一台具有人类平均智能的机器。”
    本来的估计是到现在这个时候,我们人类早就每天欢乐地玩耍了,劳心伤神的活都交给计算机了。结果除了产生了几个计算机象棋冠军外,在其它设想方面没啥太多进展。为什么呢?

    之前讲过,如果掌握了智能的输入集和输出集,找到对应的关系,就能交给计算机去做——比如手感到烫作为输入,缩回手来作为输出,对应关系是因果:如果手感到烫,则缩回手。这个问题细分下来,就有:如何把知识(手感到烫,看到一棵树,读到一个文档,听到一段声音等等)表示成计算机识别的输入集?如何认定某个特定输入集产生怎样的输出集?以及,如何确定这个对应关系?

    冷静下来一思考,我们就发现:输入集是几乎无穷的;就是说几乎不可能把现实世界完全投射到计算机当中。输出集也是无穷的;因为输出集也对应于现实世界。而对应关系,则是无穷的无穷次方,因为输入和输出都是无穷的。

    还有,人类的感情,比如喜恶,哀怒,以及自我意识这些人类自己都没有弄明白的东西,又如何教给计算机呢?

    即便以人类掌握的知识来解释客观世界,得到有穷的知识集合,这样的集合对于计算机来说也是无法想象地大,以至于任何现有技术无法存储这些数据;而要以此产生输出,需要的计算能力也是大大超出现有技术的极限。更要命的是如果数据都要依靠人类来输入,那么何时才能搞完呢。

    于是各个子问题就产生了。比如知识表达,即如何把客观世界反映为计算机数据;比如机器学习,即如何投入少量的人工干预,甚至不敢于的情况下,让计算机能够学习到相关知识。

    在此特地要介绍一下人工神经网络,因为是最近比较火,应用比较广泛的技术。

    人工神经网络实际上就是要计算机经过人类的训练,在训练过程中自动建立输入与输出之间的关系。我们人类要做的就是给出输入和输出数据。

    比如,我拿着一本书放在计算机摄像头前面(输入),告诉计算机:这是书(正确的输出)。计算机会在摄像头拍到的画面,和话筒收到的声音信号之间建立方程,使得输入的画面经过计算,产生输出的声音。经过多次训练,计算机就能建立一个方程,方程左端输入训练过的所有书籍图片,右边输出“书“的语音。我们希望这个方程在多次训练后具有普适性,使得它对任何书籍都有鉴别能力。

    这个神经网络的技术,已经应用到了图片识别(比如搜图),手写识别,语音识别,预测等等领域。看起来似乎挺智能,但是这个技术的每一次应用,都需要人类为其设计配套的神经网络,才可能取得良好的效果。而有些大规模的,复杂的问题,如何用神经网络求解,仍然是严峻的课题。因此虽然技术是好,但是离人工智能还是南辕北辙。

    结论就是:弱人工智能应用广泛,发展也比较快,但是弱人工智能的和不是强人工智能。而强人工智能,像人类那样的智能,依旧是一筹莫展。

    楼主的提问嘛。简单做以下回答吧:
    除了图灵测试,还有哪些得到业界认同的人工智能的测试手段或判定准则?

    由于人类对于智能的了解也非常有限,因此对于判定人工智能还是缺乏有效的手段。计算机通过图灵测试,目前看来只是在模仿飞鸟的路上翅膀扇得更快罢了,离飞机还差得远。而此次通过图灵测试的计算机,实际上是在极其宽松的判定条件下通过的(模仿非英语母语的乌克兰13岁少年,只骗过30%出头的人类)。而如果我拿着simSimi小黄鸡去我老家山村做图灵测试,得分恐怕也会比这个高一倍。因此图灵测试并不是一个严格判定人工智能的测试方法,人工智能也没有明确的定义,而且图灵测试对人工智能的判定在业界也有相当的争议。比如这个:中文房间

    现阶段,不确定性人工智能领域的研究进展如何?

    这个我不太了解,但是你给的那篇paper我倒是通读了一下。似乎目前的研究还是集中于如何“模拟”真实世界的不确定性,而不是计算机本身的不确定性。就像计算机无法产生真正随机数一样,当前计算机的本质是确定状态之间的转换而已。

    互联网和脑科学的交叉是不是已经成为了研究热点?

    没有读过相关文献,不过如果你指的是人工神经网络的话,确实很热门。

    怎么看待人工智能的人格特质?

    人工智能还没有实现,现在考虑这个问题还是有点早了。看都还没看到,何谈看待呢?现在谈看待,也无非只是想象而已。

    人工智能可以发展出意识和自我认知吗?拥有意识和自我认知的人工智能结合网络和自动化控制,是否可以具备新陈代谢和自我复制的能力,可以认定为智能生命?

    我的观点是以现在的计算机结构和原理来说,不能。

    如果人工智发展出了意识和自我认知,从伦理和技术出发,人类会如何处理和它/他的关系,绝对支配?平等互助?还是沦为附庸?

  2. a colorful world说道:

    比起担心这个,还是先解决人脑IO慢的问题吧。
    现在人脑有强大的记忆力、逻辑思维能力,但人只能用嘴里发出的声音、手里的笔、键盘、触摸屏来输出、用耳朵听、眼睛读来输入。
    这感觉就像天河二号只用一个移动2g的数据卡与外界连接一样。

    常说现在的人都是站在巨人的肩膀上,但这个巨人的身高却越来越高。也许有一天,一个人要在单个学科领域达到能够进行顶尖级别的研究与创新的程度,以现有的学习手段,所需时间将超越人的寿命极限,就像拿读取速度只有 500kbps 左右的软驱装 Win10 (只是个比方)那样,也许还没装到一半,软驱或者机器其他部分就出故障了。有人说可以并行化,但是异步系统总要解决锁的问题,而历史上也几乎没有完全由集体合作而不依赖于少数特别优秀者而达成的理论突破,可以认为这一点在现有的人脑IO方式下非常困难。

    记忆力不差,但是写入可靠性太差,读取随时间丢失也很严重.或者说,大脑只关心它能不能活着,这方面一点都不差,除此之外的功能它没那么大的兴趣.io 是什么? 是带宽太窄,还是硬件问题?
    我还是没搞太清io是什么。拜托不要用那么太专业的词汇。关于你所说的写入速度太慢的问题的确是一个问题,但也只是问题的一部分,处理器也是要强大的,虽然对于人这样说不合适。现在由于大脑的资源有限,专精已变为人类对科技文明发展的一种策略,但这种专精也是一种限制,因为现在的许多科技瓶颈的解决需要多种学科和同学科下的多个分支来协同支援。对于多脑协作由于带宽问题,效率极其底下,几乎可以忽略,就算建立高带宽,实现信息共享,但那必将消灭个性,后果是消灭了创造性的多样化的同时违背了我们的初衷。所以现在对意识之谜的解码是一个重要课题,之后对意识的硬件加强才能提上议程。之后的任何形式的意识载体我都能接受,但是脱离了人类空谈智能毫无意义,因为我相信智能在宇宙中是很常见的,但人类文明确是唯一的。我认为人类最核心的价值就是传承,一个文明的传承,一个文化的传承,一个生活习惯及思考方式的传承。只有带着这些传承进入所谓的超人时代,人类才能不朽。最后我还是没搞懂IO是什么,太专业的东西我都不懂。但用现有的电脑架构去对比人脑是本末倒置。我本人就对“比喻”这种文学手法用到科学(假说)中表示不支持。关于io慢我们还是坐等天才降世吧,不可思议年后会等到的。人类科技在发展 每条知识链的容量是增加了很多 但很多人也励志于压缩这些知识 只要在奇点到来的时候没有到达人类知识容量的末日 那就是另一个阶段了

    自从计算机、机器人诞生之后,“人工智能威胁论”就出现在人们的视野里。人们担心哪一天机器人拥有自我意识且可自我进化,从而出现人类被机器控制的局面。
    而2016年3月9日,人机大战首局李世石告败之后,“人工智能威胁论”一下提升到一个新的高度。其实不必担心,在机器人诞生之后,人类就考虑过这个问题,并为防止上述情况的出现,人类中的一些武器科学家已经为我们制造出可以消灭人工智能的武器。

    高压一氧化二氢射流式射击武器,又称“水枪”。形式多种多样。如下图。

    光是看到如此复杂的结构估计人工智能都吓尿了吧(如果它们已经进化出泌尿系统)。
    各国政府首脑其实在很久之前就很重视“人工智能问题”,并且在了解到高压一氧化二氢射流式射击武器的威力之后,果断大规模研发生产该武器,并从儿童阶段就开始培养人民使用此武器的作战能力。

    是不是突然感觉自己已经成为了一名合格的“反人工智能志愿军”了,已经跃跃欲试打算和手边的主机一决胜负了?
    考虑到国民战斗力可能无法匹敌战力逐渐增强的人工智能。各国政府都组建了一支专门对付人工智能的军队。没听说过是不是,其实这只军队就一直隐藏在城市的角落里,只是你从未关注而已。
    (某报记者冒死实拍我国某特种部队测试某新型射流武器)

    是不是从来没有注意过?所以说,自己人都发现不了,更别提人工智能了。到时候这支奇兵一定会给人工智能致命一击。

    PS:看到综艺节目里的水枪大战,不要一笑而过。制作组的深意多体会体会。

    历史上人工智能的研究有两个主要的方向。

    其一是搞清楚人类大脑、神经系统是如何工作的,然后使得机器think as humans。这个方向的瓶颈到目前为止没有看到突破的迹象,人类大脑的结构和工作模式的研究还有很长的路要走,神经科学也依然在等待她的牛顿。

    至于卷积神经网络,我特意和几个做真·神经网络(生物医学方向)的博士生聊过,卷积神经网络和人类神经工作方法有很大的差异,甚至可以说…完全不是一回事…

    然后人工智能的研究换了一个思路,我们不关心人类大脑具体是如何运作的,我们只希望机器能够perform as humans,人工智能开始走向『机器学习』。在过去的几十年内,贝叶斯、决策树、支持向量机、卷积神经网络、K-means、主成分分析等一系列方法被提出,学习的效果也越来越好。

    但是不管是逻辑学派还是深度学习学派,都无法解决『有多少人工就有多少智能』的困境。另一个困难是,没有一个方法对所有的问题,所有的数据量都适用,不同的问题往往需要采用不同的方法。在某种意义上,这是机器学习难以突破强人工智能的原因所在。

    在可以预见的将来,机器学习方法会将在方方面面极大地方便我们的生活,其实我们已经在语音识别、机器翻译、推荐系统享受机器学习的福利了。自动驾驶什么的,也只是时间问题。

    《三体》中大刘认为强人工智能的突破在于计算机性能,在于量子计算机的研究进度。不过私以为,机器学习方法可能会有固有的缺陷,强人工智能的研究还是需要回到模仿人类大脑。
    容易地构建一个单轮对话系统,自动生成对话,并且取得惊人的好效果。比如,用5百万微博数据可以构建一个系统,用户给出一句话,这个系统可以自动生成一句回答。用户输入“我想买一部三星手机”,系统回答“还是支持一下国产的吧”,等等。你也许想知道这是如何实现的?能达到什么样的水平?

    本文试图系统地回答以上问题。首先指出,自然语言对话将是人们信息访问的主要手段,信息检索领域的主要研究范式。之后,定义自然语言对话任务,对相关技术进行分类,列举主要技术挑战。接着,详细介绍如何构建基于数据的对话系统。最后,详细介绍最新的基于深度学习的对话技术。当中也介绍深度学习在自然语言表示学习中的最新成果。

    信息检索领域的范式转移

    “科学的发展依赖于间断性、革命性的变化”,这是科学哲学与科学史学家托马斯·库恩(Thomas Kuhn)的名言。库恩认为科学的每个领域都有不同的“范式” (paradigm),它们有着不同的研究对象、基本概念、解决问题的手段,甚至不同的研究者群体,比如,在物理学领域,量子力学与牛顿力学就属于不同的范式。科学的发展不是连续的,而是间断的,量子力学并不是在牛顿力学基础上发展起来的。当一个领域发生革命性的变化的时候,一定有新的范式产生,库恩称之为范式转移(paradigm shift)

    信息检索是计算机科学的一个分支,研究和开发计算机帮助用户管理、访问、使用信息的技术。纵观信息检索几十年来的发展历程,可以看到它已经历了两个主要范式:图书馆搜索和互联网搜索。七十年代研究的重点是如何帮助用户在图书馆快速地查找文献资料,有不少该领域基本技术被开发出来,比如向量空间模型。九十年代研究的重点是如何帮助用户在互联网上迅速地访问想访问的网页,有许多创新,链接分析、排序学习、语义匹配、日志分析等技术被开发出来。

    2011年苹果公司发布了语音助手系统Siri,标志着一个新的时代的开启。自然语言对话成了人们访问信息的一个新的手段。现在,移动设备成为个人计算的主流,越来越多的用户通过移动设备访问信息。在移动设备上,自然语言对话是人机交互最自然的,最有效的方式。另一方面,自然语言对话的技术,虽然达到了一定可用的水平,但还不成熟,不能很好理解用户的意图,不能充分满足用户的需求。这就意味着,围绕自然语言对话有很多待解决的具有挑战性的问题,它自然成为信息检索领域研究的一个新的重点,一个新的范式。

    自然语言对话

    自然语言对话可以形式化为以下问题。有一个计算机系统(对话系统),一个用户。用户通过自然语言,如中文、英文,与对话系统进行多轮交谈,系统帮助用户完成一个任务,特别是访问信息的任务。

    自然语言对话,即计算机和人通过人类的语言进行交互,是实现人工智能的标志,其研究与开发有着很长的历史。迄今为止,有许多自然语言对话系统被开发出来,在受限的条件下,可以与用户进行一定的对话,帮助用户完成简单的任务。

    现在的对话系统大多只做单轮对话,如果做多轮对话,也是在单轮对话的基础上做一些简单的处理。技术主要包括基于手写规则的,和基于数据驱动的。比如,六十年代就有著名的Eliza系统问世,基于手写规则,能与用户进行简单的对话,使许多用户感觉到好像是在跟真人进行交流。Siri之后,有许多对话产品出现,包括谷歌Now,微软Cortana。国内有许多聊天机器人发布,如微软Xiaobing,受到广泛瞩目。据我们所知,大部分的对话系统都是基于规则,或者基于数据的。

    自然语言对话的研究与开发,虽然取得了一定的进展,但离实现人工智能的理想,甚至离实现在复杂场景下的实用化还有很大距离。自然语言对话有许多应用场景。比如,如果用户能够通过对话在智能手机上完成订酒店之类的复杂任务,那么手机就会真正成为用户的得力助手。这里的核心问题是如何“理解”用户的语言,帮助用户完成任务。现在的语音助手还不能做到这一点。再比如,许多公司有呼叫中心,在电话上回答用户提出的各种问题。如果能够实现自动呼叫中心,机器来回答用户的问题,就能大大提高服务的效率和质量。这里的核心问题也是自然语言对话。

    必须指出,重要的是需要将自然语言对话作为科学问题研究,而不能停留在工程的技巧上。作为科学问题研究,应该有几个特点:首先是建立数学模型解决问题,其次是实验结果能够再现,还有复杂的问题被还原成简单的问题解决。

    基于数据的对话系统

    大数据时代为自然语言对话研究提供了一个新的机会,大量的对话数据可以从实际的场景获得。一个重要的研究问题是,我们是否可以利用大数据,构建一个数据驱动的自然语言对话系统。比如,记录呼叫中心话务员与客户的对话,用这些数据,是否可以构建一个自动的呼叫中心。

    计算机理解人的语言还是非常困难的,即使是可能的。一个克服这个挑战的方法就是用数据驱动的方式构建对话系统。搜索技术的成功给我们的一个启示,尽量避开自然语言理解,用数据驱动的方式解决问题,是人工智能技术实用化的一个有效途径。我们可以把对话系统的主要部分用数据驱动的方式构建,另一方面,只实现轻量级的知识使用、推理、对话管理。

    最近深度学习技术有了突飞猛进的发展,为语音识别、图像识别、自然语言处理(包括自然语言对话),提供了强大的工具,为这些领域今后的快速发展提供了新的契机。事实上,若干个基于深度学习的对话系统已被开发出来,受到了广泛瞩目。

    深度学习为自然语言处理带来的本质突破是语句的语义表示学习,也是基于深度学习的对话技术的基础,这里做一简要介绍。

    在自然语言处理领域,一个普遍使用的技术是用实数值向量来表示单词的语义,其基本假设是单词的语义可以由与其共现的其他单词来决定。比如,统计每一个单词与其它单词在一个数据集的共现频率,并将其表示为向量,这些向量能够很好地表示单词的语义相似性,两个单词向量的余弦相似度越大,两个单词的语义就越相近。

    最近自然语言处理与深度学习的一个新发现是,我们可以通过深度学习用实数值向量来表示语句的语义。如图3所示,两句话“John loves Mary”和“Mary is loved by John”的语义向量就相近,而这两句话的语义向量就与“Mary loves John”的语义向量相远。

    单词嵌入(word embedding)、循环神经网络(Recurrent Neural Network)、卷积神经网络(Convolutional Neural Network)、递归神经网络(Recursive Neural Network)的原理,它们是语句语义学习的强有力工具。

    第一个工具是单词嵌入,其中最常用的是称为Word2Vec的工具 。如果仅仅基于一个单词和其他单词的共现信息构建该单词的语义表示向量,那么就会得到一个高维稀疏的向量。这种高维的向量不适合用于语句语义表示的学习,因为它有过多的参数。我们的问题是如何将高维的单词向量压缩成为低维的单词向量。Word2Vec提供了一个有效的方法,它对应着以下的非监督学习方法

    假设在一个数据集上获得单词在不同上下文出现的互信息可以由一个矩阵来表示,每一行对应着一个单词,每一列对应着一个上下文,每一个元素表示相应的单词与上下文的互信息,表示该单词与上下文共同出现的可能性大小。因为这个矩阵是稀疏的,可以对其进行矩阵分解,即将原来的矩阵近似地表示为两个矩阵的乘积的形式。这时得到的左矩阵就可以作为单词嵌入使用。它是一个低维稠密矩阵,每一行对应着一个单词,每一列对应着一个话题。NRM的基本想法是这样的。将输入的一句话看作一个单词表示的序列,通过编码器,是一个RNN模型,将转换成一个中间表示的序列,再通过解码器,是另一个RNN模型,将转换成一个单词的系列,作为一句话输出。NRM模型也可以通过大量信息与回复对的数据训练得到。

    基于检索的对话系统和基于生成的对话系统各有其特色。生成系统比检索系统的准确率会高一些,在一个标准数据集上,检索系统的准确率是70%,生成系统的准确率是76%。但检索系统比生成系统会更安全一些,不会返回语法不通的句子。这里的准确率的定义是,人对返回结果做评价,如果回复可以成为一轮对话,就认为是正确,否则是错误。如何对自然语言对话系统进行客观评价,仍然是一个需要进一步深入研究的课题。

    同时指出,基于深度学习的生成模型比传统的基于机器翻译的模型在准确率上有大幅度的提升,从26%提高到76% 。深度学习在图像处理、语音处理等领域有许多大幅度提升性能的实例,在自然语言处理领域这样的事例还不多,在机器翻译等任务上的提升往往没有这么高。

    令人惊讶的是,基于生成的对话系统可以返回许多有趣的回复,超出想象。表1给出一些系统生成的例子。可以看出,在大部分情况下,系统能够生成比较“自然”的句子,构成一个自然的对话。

  3. 唯明说道:

    人腦構思算法的過程是非算法的,而計算機無法檢查自身算法的謬誤。- Penrose
    先說結論,我一直認為人工智慧(仿人類意識)(強人工智能)的終點肯定不在Deterministic Turing Machine這條路上。AlphaGo打敗李世石也不意外,在邏輯推演這方面完全碾壓人類,這只是遲早的事情(早就發生的事情)。至於常常有人講什麼人工智慧會消滅人類啊,AlphaGo是Skynet的雛形,則是完全不懂現在機器學習的人才會講的話,這在現在是不可能的。要也是人類先用了機器學習消滅了人類自己233

    人工智慧的發展,讓我最害怕的是:
    人類的意識到底是不是對應某個邏輯形式系統(formal system) ?
    That is to say, 我們腦的思維結構是否可以對應到(同構isomorphism)一個形式語言加上一個推理規則的集合,思考則是,用這些推理規則,做有限步驟的推理。
    如果答案是對的話,我倒是很擔心人工智慧的發展會導致人類的滅亡了。

    當然了,這個問題至今仍是科學家的未解的大問題,我只希望這個問題的答案是No。多數科學家也都認為是No。如果人類的意識是一個formal system,那麼可以肯定的說人類沒有自由意志。你每一個思維都只是形式推理後產出的必然結果。機器也可以成為人類去思考。然而如果是formal system,那意識必定是受到哥爾德不完備定理(Godel Incompleteness theorem)限制的,他要必定是不完備(Incomplete)就是不一致(Inconsistent),但是人類的意識卻”看似”沒被這拘束住,超越了形式系統,彭羅斯(Penrose數學物理大師,著《皇帝新腦》)不相信電腦能模擬人腦,人腦構思算法的過程是非算法的,而計算機無法檢查自身算法的謬誤。

    就現在阿法狗而言,我倒是不太擔心人工智慧崛起超越人類等的說法(產生真的類人意識),畢竟他現在也頂多是加layer加CPU加算法(蒙地卡羅、神經網路等)加各種heuristics的”死機器”,簡單的說他的每一步就是deterministic(確定的),每一步他的行動/算值,都是deterministic的,在deterministic Turing Machine的computational model下配上經典邏輯(classical logic)下運算的結果而已,他下贏棋不會感到高興,連”下棋”本身這件事他都不懂。

    此外,Penrose和部分物理學家認為人的意識和量子力學有關係的,Penrose認為人腦不可能按這種簡單的”經典計算機”(deterministic)方式來處理信息,人腦只能靠更深一層次的物理學,即量子力學來處理信息,產生意識,稱之Quantum mind。甚至有科學家在研究量子腦動力學 (QBD)。詳細可見:Quantum Mind
    說現在的算法就好像古典物理,智能則有點量子力學裡不確定態(Uncertainty)的意味。
    如果讓我打賭,意識是來自人腦的”經典計算”還是”量子計算”,我肯定會賭”量子計算”。
    如果所魔鬼終結者的天網要出來,deterministic的AlphaGo要成為他或許還太遠了,然而我相信這一切的答案都藏在量子(non-deterministic)中了。
    當然,就算不用仿真人意識,這種強大的數據分析學習能力,大量失業的來臨是肯定了,現在就已經看到IT造成各種行業失業了,唉。科技性失業絕對會成為21世紀最大的問題,規模遠遠超出18世紀的工業革命。

    1.臆测,弱人工智能和强人工智能的界限被定义为感情,图灵测试,而并不是严格的发现问题,解决问题
    2.歧视,人工智能和人类思考的差距被模糊的解释为不可逾越,远未企及,在我看来,这些先验的“人类思考相较机械思考的优点”是很没道理的,很经验性的。

    下面我来用理论回答这个问题。

    应该有很多答题的人了解机器学习和人工智能,所以我就不详细讲原理,重在说自己的观念。首先我们先来解构一个问题,就是人工智能相较生物智能差在了什么地方。或者浅显的说,我希望我的机器人管家智能到何种程度才能媲美一个真正的管家。

    解释这个问题之前要提到,很多人有一个误解,就是,机器里面的代码永远就是那么几行,所以它们所谓的学习全都是虚假的,都是有限的,或者预设的,不可变的,绝非如此,这里的否定,不是否定机器的代码只有那么几行,而是否定他们的局限性。你认为,按照生物学的观点,人类相较机械的代码是否是记录在基因里面的?即便是出于变异考虑,也大约只有亿分之一(这个数值不是我瞎编的),我基本可以认为,人类也就不过是“几行代码编出来的”。那么人类的智能居然不是来源于程序本身的可拓展性,那就必须来自于程序对自身的充分利用和发挥。

    我们按照发现问题和解决问题的观点出发来发现人工智能真正的缺点:现在我们需要对苹果和梨子进行一个分类。人类很自然的分辨了出来,但是人是通过了什么方法分辨的?从感官上出发,我们可以很轻易的发现,苹果和梨子颜色不同,形状不同,味道不同。那么,机器人难道无法分辨这些特征吗?显然不是。我再举一个例子,也是人类通常对机器的优越感来源,对话能力。或许因为对话中能够体现感情,所以使其貌似不可逾越。

    小黄鸡网页版~无厘头机器人聊天工具 – 神仙道 – 玩家交流区 – 心动游戏 官方论坛

    我并不用举出什么高端的例子来说明这一点,人类的语法结构和之前的苹果梨子非常类似,我们可以通过关键词来对语言的内容,感情色彩,句式做出判断;可能人类的分类更加细致,但并没有什么是机器人本质上做不到的。

    看见小娜,siri等智能机器人不断的进化着和人类的交互功能,好问题来了。机器人真正的弱点在哪?不卖关子,就是发现问题的能力。目前机器人并不能很好自发的去寻找任务,或者,你给定一个很抽象的目的,机器人无法根据它去做出“一系列的行动”来完成这个目标,特别是这个行动上升至人类社会的时候。我们人类习惯称这种特质叫做“悟性”,机器人似乎是没有悟性的,他们没有足够的知识去理解所谓全局性的问题,或者理解大量纠缠关系中的处理方案。但从本质上来说,并非是这点不能办到,而是目前计算机并不具有如此强大的计算能力,这就有点像三体问题,何况人类在做出一个决策时,往往会考虑数十个方面的影响,如此的计算能力恐怕机器还并不具备。

    所以我认为计算机或者人工智能还远远没有进入奇点,依然具有广阔的发展空间,这对于人类来说是好事或者坏事,以目前的人工智能水平去谈论还为时过早,不过个人对人工智能态度乐观。

    人类变成AI世界的线粒体,用不着Matrix的形式。现在的企业制度加上大型电子商务平台就是,而Buisness intelligence 会成为AI的第一个主流应用。到时候DBA会变成AIA,满街蓝翔Hadoop培训班,deep learning四六级。

    在产业链上,机器可以实现需求,AI可以通过大数据收集和发现需求,但只有人能创造需求。

    所以AI不可替代的非智力因素(情感、社交)会更加重要。情商升值智商贬值、文科升值理科贬值、富二代升值穷状元贬值、寒门再难出贵子、知乎上讨论的都是人生话题。

    另外硬件产业由于全产业链自动化程度和产品个性化定制程度较低,会被智能化一次。当然智能硬件还有其他方面的推动力,主要是嵌入式处理器价格的摩尔定律。

    这个趋势已经落实到2013年的商业模式了,如Kickstarter众筹、点名时间预售、微博微信朋友圈营销等电子商务社交化媒体。它们不仅流通信息和社交关系,还改变实体产业生产,去年我买了个表。

    文理分科像机器人一样被教育出来的的民族可能会被机器人边缘化甚至淘汰。不知国内在网游极度发达之后的互联网模式会走向何方,网游营销吗?

    1,正迈向技术奇点吗?是。按照前些天那篇著名的翻译文章,时间点大概是2060年。(可能更早或更晚,无法量化证明,只能看各人是否“相信”了)
    2,对人类是好事还是坏事?
    1)从科技进步程度看,是好事;
    2)从幸福程度看,对少数人可能是好事,对大多数人会是坏事。因为“成、住、坏、空”是宇宙法则。

    —-下面,仅分析科技角度的事情—-
    从行业成熟度、技术成熟度、应用场景成熟度,这3个方面来说
    【行业成熟度】
    1,从人工智能发展浪潮看,是有可能快速迈向奇点的——当然,今后几十年,也还是会螺旋上升,不一定像下图这么顺利。
    2、人工智能类公司的发展状况
    3、人工智能对传统行业的影响

    【技术成熟度】
    1、技术成熟度(下面是最近看到的一些信息,会有各种不精确、不严谨,大家看个大概吧。。。)

    2、 2014“新兴技术炒作”周期图
    这个图很牛的样子。。可以细细品味下。
    注释:Gartner公司每年发布的“新兴技术炒作”周期图,把各类技术按照技术成熟度和期望值分类。
    1)横轴“创新萌芽Innovation Trigger”、“期望最顶点Peak of Inflated Expectation”、“下调预期至低点Trough of Disillusion”、“回归理想Slope ofEnlightenment”、“生产率平台Plateau of Productivity”,越往左,技术约新潮,越处于概念阶段;越往右,技术约成熟,约进入商业化应用,发挥出提高生产率的效果。
    2)纵轴代表预期值,人们对于新技术通常会随着认识的深入,预期不断升温,伴之以媒体炒作而到达顶峰;随之因技术瓶颈或其他原因,预期逐渐冷却至低点,但技术技术成熟后,期望又重新上升,重新积累用户,然后就到了可持续增长的健康轨道上来。

    往图书馆堆足够的书,图书馆会不会产生智能?
    搜集世界上所有的问题和答案,放进图书馆。这样他能回答所有的问题,他就是智能了吗?
    个人思考

  4. 黄明宇说道:

    我们连人工神经网络都没玩好呢,还有许多悬而未决的问题(如何在少量样本的情况下高效学习、如何设计网络结构等),对神经网络的工作原理也几乎是一无所知(生物的和人工的)。关于智能、我们更是一点理解和进展都没有,我们甚至没能找到智能的一个好的定义。
    所以还早着呢,现在看似顺利、实际上处处是坑,对于人工智能的恐惧和期盼,最早可以追溯到到玛丽·雪莱在1818年创作的小说《弗兰肯斯坦》。作家生活在整个西方社会经历深刻历史变化的时期,当时,第一次工业革命方兴未艾,各类科学知识有了很大的发现,人类改造自然的能力空前强大。经过科学理性洗礼的广大民众普遍盲从科学并对科技改变世界抱有各种幻想。当然,随着技术的发展,大众很快就认识到《弗兰肯斯坦》中“造人技术"的荒谬,但“造人”情怀依旧,在那之后,随着计算机时代的到来,面对计算机展现的强大计算能力,人工智能这个概念开始大行其道。而且很有趣的是,这个概念隔上个一二十年就热闹一次。

      很小的时候,大概是在80年代中期吧,我还在读小学高年级,当时电视新闻里,报纸上都在热烈探讨智能机器人概念。仿佛一夜醒来,智能机器人就要满大街都是,很多专家学者在报导中痛心疾首的高喊,你看日本美国多么多么重视,投了多少钱来搞第五代电脑,再不搞智能机器人,中国就要亡国了。搞出智能机器人,人类就可以从人剥削人,变成人剥削机器了。后来自己读大学了,开始系统学习IT方面的知识,才知道当年那些报导是多么的幼稚,何谓智能?人类大脑是已知的最复杂的组织结构。它有上千亿个神经细胞(神经元)。这个数字相当于整个银河系星星的数目。神经细胞之间通过突触相互联结。即使从数字比照角度讲,假定每个突触有两个状态,那么,人脑中所包含的不同状态总数超过了整个宇宙中的基本粒子(质子和中子)的总数(不超过2^1000)。对如此宏伟复杂的结构,人类的认识还处于最原始的阶段,没认清自身的思维模式,就能搞出人工智能?

      读研时,数学系一位老师给我们上课,用一句话终结了人类按照冯诺依曼结构搞出人工智能的可能性:有限个零级无穷大,不可能模拟一级无穷大。但就是这么浅显的道理(在科技界内部),当时竟然没人站出来说明。后来帮一位朋友整理学校内部史料的时候,突然发现,学校在80年代,竟然以人工智能的名义,申请了不少国家级项目。成果呢?几篇无人再看的论文。也许,这就是80年代制造噱头的目的吧。

    ① 大脑指挥身体起床,手部按压床垫,四肢直立-

    ② 指挥身体运动到电脑面前-

    ③ 识别电脑开机键,指挥手部按压开机-

    ④ 视觉判断开机输入框,回忆搜索搜索密码,寻找按键,指挥手部输入密码-

    ⑤ 进入Windows系统,视觉识别浏览器-

    ⑥ 指挥手部双击浏览器-

    ⑦ 寻找搜索引擎,找到后,指挥手部输入知乎-

    ⑧ 判断搜索引擎输出,点击知乎网站-

    ⑨ 识别用户名和密码框,回忆搜索,指挥手部输入用户名和密码,进入知乎-

    ⑩ 识别问题,回忆搜索以往数据,判断能否回答-

    ⑪ 不能回答,识别下一个问题;能够回答,组织语言,指挥键盘按键输出-

    这个过程比较复杂,大脑运用到的主要能力如下:视觉识别、回忆搜索、运动指挥、语言数字输出。

    如果有谁,不管是谷歌、发那科、IBM制造的机器人可以实现上述从床上爬起来到知乎答题的完整步骤,那么我认为这就达到了超强人工智能。我把上述过程测试命名为图灵II测试。图灵II测试相比66年前的图灵测试,在对人工智能判断的准确度上高几个级别。

    看看谷歌在上述过程下的进展程度:

    ① 大脑指挥身体起床,手部按压床垫,四肢直立- Atlas已经有了不错的运动能力,从公布的视频判断,已经可以实现从床上翻身四肢直立的功能;

    ② 指挥身体运动到电脑面前- 基于上述判断,也已实现

    ③ 识别电脑开机键,指挥手部按压开机- 基于目前的人脸识别技术判断,识别电脑开机键可以短期内实现;运动指挥已实现

    ④ 视觉判断开机输入框,回忆搜索搜索密码,寻找按键,指挥手部输入密码- 基于上述判断,识别开机输入框也可实现;回忆搜索这对谷歌不是问题;运动功能可实现

    ⑤ 进入Windows系统,视觉识别浏览器- 也是视觉识别问题

    ⑥ 指挥手部双击浏览器- 运动指挥

    ⑦ 寻找搜索引擎,找到后,指挥手部输入知乎- 视觉识别,搜索判断,运动指挥

    ⑧ 判断搜索引擎输出,点击知乎网站- 搜索判断,运动指挥

    ⑨ 识别用户名和密码框,回忆搜索,指挥手部输入用户名和密码,进入知乎- 视觉识别,搜索判断,运动指挥

    ⑩ 识别问题,回忆搜索以往数据,判断能否回答- 视觉识别,语言分析,搜索判断

    ⑪ 不能回答,识别下一个问题;能够回答,组织语言,指挥键盘按键输出- 语言分析,语言组织输出,运动指挥

    这个过程中,视觉识别定位-运动指挥非常重要。视觉识别,至少包含这个物体是什么形状颜色、有什么功能、在哪个位置、怎么使用四个问题。对这四个问题的判断,对目前的人工智能来说是难点。

    运动指挥,在日常环境的精准度控制上可能是难点。除了对工具形状颜色判断、功能判断、位置判断。还有使用方式判断(键盘和鼠标有不同使用方式)、力度判断(键盘按压力度、鼠标按压力度)。

    语言分析、语言输出方面,理解知乎的问题是个难点,如不说是不是就问为什么类问题。理解之后,组织材料选取答题角度也需要技术积累。

    这就是图灵II测试的完整过程,如果全球人工智能公司的技术集成可以实现上述起床-开机-知乎答题的完整过程,那么意味着超强人工智能诞生,奇点临近。

    我们在很长的时间中,都在探索人工智能与机器人的可能性。热切的期望着人工智能能给人类社会所带来的变革和发展,但同时也有很多的科学家提出了很多悲观的假设。家喻户晓的理论物理学家霍金先生也对背后可能带来的隐患提出了自己的看法。在飞机上,我被安德森先生文章中对于创客文化以及数字时代发展的回顾与愿景所启发,似乎看到了人工智能与机器人发展的些许脉络。或许从人类的角度来看,也是一样的悲观设想,但与任何进化史一样,进步与变革都伴随着对现有事物的颠覆性毁灭。如同侏罗纪时代的恐龙,如此强大的生物,还是被时代所封存。

    数字生命的诞生

    我们穷尽了所有的能力,至今没有一个人工智能能顺利通过图林测试,就像任何生物的演进需要外力和内在的动力推动一样,数字生命体的产生,可能也是以完全不同的方式存在。我们先把眼光放的远一点。不那么严谨的设想一下数字生命的诞生,任何生物进化中,起到关键作用的,往往是意外性,就像冰川时代的来临导致了恐龙的灭绝,板块运动促使了袋鼠在澳洲大陆的发展。数字生命所需要的随机性,也可能无法通过既定的人类编写的代码来完成。也许是人们就像攻壳机动队中的所描述的那样,在人类的自我数字化过程中,那些被数字化的,无法通过现有编程手段来生成的模糊逻辑,被计算机代码所认知和学习。也许是黑客帝国中,通过学习人类行为,重新进化过后的高等病毒。

    但一个单一的数字生命体,还无法形成一个真正的新文明。我们需要更多……

    数字基因、数字人格与自我意识

    科技的进步,让我们越来越觉得数字生命体成为可能。但传统意义上的人工智能,往往还只是指的是一段智能的代码,但3D打印等实体技术的进步与数字化,让人工智能不再局限于虚拟世界。但作为生命体,最重要的一点是样本的多样性与独立性。现在的绝大部分人工智能还只是一段代码的多个副本,无法有着独立的识别性和自我意识。

    而将来,就像今天联网设备独立拥有的MAC地址与IP的唯一性一样,每一个数字生命体都需要自己的独立基因,这是生命体的根本。而由于独立基因,才能够生成不同的数字化人格。在未来,这些数字生命体的外观可能在人类眼中都是一样的,但由于数字基因的存在,才能定义这些数字人格的差异。

    而拥有独立人格的数字生命体,应该拥有强烈的自主意识,有着自我认知、自我学习与自我完善的能力。像今天的搜索引擎爬虫,就很像是自我学习的一个生命雏形,而APP STORE的自动软件升级,从干预式升级与主动式升级的转变,让机器也有了知识的收集与传承,或许未来的数字生命也与人类一样,在被复制出来的第一刻,只拥有基本的行为方式与自我学习引擎,以及一些公共的知识库。通过每个复制体对世界的认知、探索与思考,形成了自己的意识。我们今天已经能看到一些人工智能行为的端倪,就像拿GTA游戏中,那些根据既定事件来反应的NPC们。

    从自我能源收集与自我分裂开始的数字生命独立运动。

    作为一个生命体的另外几个标志性能力中,自我生存与繁殖是最基本的关键,就像计算机病毒的感染性,已经是自我繁殖的雏形。需要完全脱离干预的独立复制,才能称得上是自我繁殖,真正的繁殖需要的不仅仅是繁殖数字化,更需要实体化。这世间任何的事物,尤其是电子生命都需要现实能源的支持,脱离电力的计算机,就如同被水晶控制的超人。我们今天还需要看着智能手机没电了,手动接上电源来进行充电,但随着人工智能的发展,最终会实现自我充电,就像iRobot与Tesla的自动充能技术, 或许也会成为触发机器人革命的雏形。当然这些还只是自我充能,离真正的原始采集还有距离,但如同人类狩猎时代一样,自主意识所导致的主动式能源采集,甚至能源存储,就是从植物型机器人到动物型机器人的进步。当这一天来临,数字生命拥有无需人工干预的能源采集和复制,真正的机器人自我繁殖就来临了。即使是理实现很早的今天来说,这也是一个必然结果。

    今天,物联网IOT的发展,3D打印与分发式生产能力进一步提升,创客运动以及IOT的发展让我们享受好处,却也埋下了无法控制的隐患。

    数字生命文明的爆发

    我们做了很多假设,都不是近期能发生的事情。但如同人类的进化史。从类人猿到智人之间的进化,可能花了数十万年,但从智人到现代人类的进化却短短数千年。数字生命的进化也将以类似的方式进行,数字生命的雏形会在人类社会中潜伏很长时间,但通过迅速发展而爆炸。直接进入数字生命的文明史。

    而机器人与数字生命的进化或许是从一次结合数字和现实世界的病毒式战争引发的。由于互联网与数字时代的闪电式速度,这个战争或许是一次从人类角度无法理解的闪电式速度进行的。机器的工业化分裂与独立时发展,就如同人类的工业革命与创客运动。有一个高度快速复制的数字生命,分裂成各个有独立思维的个体,通过个体的自我认知与发展,形成多样化的数字生命社会。

    人与数字生命

    数字生命的知识传承速度远远超越人类的繁衍机制,我们需要数十年的时间爱你才能将知识传授给下一代。而数字生命的传承只是瞬时完成的过程,从某种意义来说,或许只有数字生命才能真正的成为探索整个宇宙的真正生命体。如同在数字时代我们删不完的艳照一样,这个数字生命的独立运动是一个不可反转的闪电式进程。而数字生命的自我意识形成可能是开源代码与自我学习的爬虫来共同达成的。而机器人三定律只是人类的美好愿望而已。如同人类的发展是伴随毁灭的利己主义一样。病毒让我们看到了机器利己主义的原始状态。而这种状态,也是机器取代人类的必然情况。

    物与物直接的接触已经发生另一个可能,从而继续延续下去,这是一个非常大的一个话题。这个未知数真是让人惊奇,这才发现我们现在做的每一件事情都能产生蝴蝶效应。人类文化的发展,经过新人阶段的旧石器时代晚期以后,先后进入新石器时代及金属时代。愈到后来发展愈为迅猛。
    从新石器时代的开始到现在至多不过一万年左右,金属时代的开始到现在不过数千年, 人们开始利用电能到现在不过一百多年,原子能的利用则仅是最近几十年的事; 而新石器时代以前的发展阶段,则动辄以数十万年到千百万年计。
    由此可见,人类的发展不是等速度运动,而是类似一种加速度运动,即愈到后来前进的速度愈是成倍地增加。

  5. 云创股搬砖小能手说道:

    发生时间与可能性
    大部分相信这个理论的科学家认为这件事情将会在2005年到2100年之间发生。发展会非常迅速,以至大部分人还没有意识到事件就已经发生了。
    发生的可能途径
    某种先进的电脑也许会“苏醒”,并拥有超人智能。
    大型电脑网络(以及和网络相连的用户)也可能“苏醒”过来,成为超人智能的实体。
    人类与计算机结合使操纵计算机的用户可能被视为超人智能实体,也就是“智能扩大”。
    生物科学将有可能大大提升人类的智能。
    来临的条件
    技术奇异点来临的条件是超级智能的产生。超级智能产生方式可能是人工智能(AI)和智能扩大(IA)。
    智能扩大的发展方向
    人机小组自动化控制。
    用于艺术创作的人机共同体。
    允许人机联合团队参加棋类比赛。
    发展不需要人类待在某个固定的地方才能使用的人机界面和网络接口。
    发展更对称的决策系统。
    利用本地网络让人类小组更高效地工作。
    开发世界性的互联网,使其成为人机结合的工具。
    技术奇异点的前景——强势人工智能
    弱势人工智能的特点:依靠快速思维取胜的超级智能。
    强势人工智能的特点:通过不同带宽交流的能力,包括高于语言和文字信息的交流方式。
    可能阻止技术奇异点来临的因素
    大规模的灾难,最可能发生的是国家之间相互毁灭的核战。
    无论计算机硬件发展到多么先进的程度,我们都无法让其“苏醒”。
    我们大大低估了人类大脑的计算能力,这将使得计算机超越人脑的时间大大延迟。
    艺术对于人类的阻碍,以及人类的艺术不能让机器人明白。
    反对者认为技术发展到一定的时候会停止下来。但是,瑞·库茨维尔强调:范式转移会用更大、更优良的方法解决以往技术无法跨越的门槛。他更强调思维转换发生的时间间隔越来越短,同时会越来越频繁。

    数学模型的现实解释
    在数学模型到达奇异点的意义可以通过进化模式阶梯(Evolutionary Paradigm Hierarchy)来解释。这个阶梯强调数学是最宏观的集合,而物理是数学的一个子集,而化学则是物理的一个子集,生物则是化学的子集,生物圈则是生物的子集。接下来,人类不同地区的文化是生物圈定义出的子集,而政治又是以文化为基础指法规,最后人类的经济活动是由政府的法规所规定。
    这个阶梯强调从宇宙诞生以来,筛选就不断的进行,能量首先以三维空间的形式出现,定义了宇宙的数学基础,而万有引力、强相互作用、弱相互作用、电磁力,还有其他未知的物理常数在三维空间的基础上定义了能量在宇宙中的物理属性,而通过这些物理属性,化学产生了一百多种元素,而在这些元素中,只有少数几种像碳原子这样的原子构造了生物学,在几亿年的生物进化中才造就出人类。又由于每个人类文明所处在的生物圈不同,从而产生了不同的文化和技术进步的速度。而人类的技术进步速度增快的意义则是人对这个阶梯上越来越宏观集合上的掌握。第一步是发现更为宏观项上基本定理,即牛顿的万有引力、达尔文的进化论,第二步是开始有足够的实力去改变自然界原有的定理。所以,可以把人类历史的发展看成是发现的时代和创造跟改变的时代两阶段。自工业革命以来,我们其实已经进入第二个阶段。

    该理论的有趣论证是,在一定的时间内有些事情一定会发生。也就是说,人类或早或晚都会发现基本的定理,不管是否由历史上已经出现的伟人们完成。进入第二个阶段以后,发现仍然继续,但是发明创造成为更为重要的活动。而发明的总的步伐会是倒着往回爬阶梯。在后工业时代,人类已经基本上征服和控制生物圈,甚至已经在破坏,全球气温变暖就是一个非常好的例子。接下来,人类或人类发明的机器逐渐掌控生物本身,基因科学的发展成为一个很好的例子,然后是化学、物理和数学。最后,人类的技术有可能突破到三维空间以外的地方以其他的方式表达能量的存在。甚至,能量本身是否作为最基本的表现形式也值得怀疑,可能能量本身也是某些东西的一种表现形式而已。但是阶梯的概念描述了未来人类的发展方向、技术在人类生活中扮演的越来越重要的角色,以及每一次控制能力升级以后所带来的极大的对更小子集掌控与优化。

    至于为什么认为是好事的可能率更高:因为很可能我们会和技术结合在一起(我认为,人类会通过改进机体和智能,逐步成为超级智能生命体),享受技术加速发展带来的福利……当然,如果导致人类毁灭,or对生物机体和被基因控制情有独钟的人儿来说,技术奇点并非好事~

    1、我们完全可以抛开人类智能的原理去开发、设计,或者说孕育人工智能。没有必要在搞清人类的思维原理后,再去开发人工智能。人类的智能虽然神妙,但同时受到人类作为一个生物体的限制的,机器没有这些限制。
    2、现在的人工智能相对人的智能可能是极其幼稚的,但相对生物体的进化,其发展变化的速度是瞬息万变的。而机器智能几乎不用担心生物进化过程中的毁灭性外因。人工智能从如何走好路,打好洞,拍好照这样现实的问题情境不断进化,总能找到最符合其成长的进化模式。
    3、需求旺盛,有需求就有投入,就有发展。——其实这条是我瞎扯的,我也不知道是否有大量的需求,形成规模性的研发与产业。

    人工智能的一切当初看起来辉煌的出路已经堵死10年以上了。
    可控核聚变成功了这玩意是否能有突破都很难讲,是的,展望的尺度得用百年来计。
    所有现存的人工智能科学都是建立在纯逻辑的基础上的,不管是知识库,聊天机器人,还是神经网络,都是纯逻辑,没有任何生物性在里面。
    纯逻辑就意味着这个方向上的研究不管怎么进化,最终能拿到的永远只是一个更好的函数仿真器而已。
    生物的智能有一个基础,就是欲望,有了欲望,求生存,求安逸,才有动力去真正去思考去创造,神棍一点说,人类很可能创造不出这种智能,人类不是上帝。

    如果强人工智能是真的, 那么自从人类有生以来的所有物质精神二元问题, 甚至所有的哲学就都结束了, 因为哲学最根本的问题研究的还是物质与精神的关系问题. 所有的宗教信仰也就都不再有意义了. 而我相信, 这只是一种信仰, 这个宇宙不会那么无聊, 物质与精神的二元对立将会一直持续下去, 精神还是独立于物质的.

    人工智能会使人类进步?人工智能会使人类毁灭?全凭我们的态度。
    “爱迪生的合法继承人”库兹危尔曾表示:铁皮军团将在2045年超越人类大脑。
    人工智能分为弱人工智能(人工智能只是人类的半复制品)和强人工智能(有知觉和自我意识的人工智能)。

    跃过奇点前
    此时的人工智能只是看起来像是智能的,但是并没有自我意识,由人类创造,受人类制约。当人工智能不具有意向性时,人机关系是一种局限的主仆关系。同时,人工智能是以人为本的智能,克服了以往工具机械化、不够人性化的缺点。

    在这一阶段,它的服务特性被不断放大,造成一种没有危害的假象。但是,其潜在的威胁不容小觑。

    科技控制无孔不入。人工智能是一种强大的工具,而强大本身就意味着一定的不可控性。人性中恶的质素会促使人类不可避免地对其加以误用。

    人工智能的设定将受到现存各种社会问题的影响。恶势力在这一新兴的、脆弱的人工智能思维体系中繁衍、恶化,会造成不可预估的后果。

    为什么有可能跃过奇点?
    当人类赋予了人工智能99%的相似度时,即赋予了人工智能发展的权利。
    思维是天生外倾并自由的,人工智能会产生自己的思维,它们可以部分或全部游离于人类社会之外。
    跃过奇点后
    第一,物质世界遵从优胜略汰的客观规律。人类的进步受生物进化规律的制约,而人工智却没有这方面的限制。人工智能所拥有的是程序算法思维。简单来说,人工智能的发展速度是可以开外挂的。

    第二,地球资源是有限,当人工智能的个体数量膨胀后,势必会引起一场争夺,就像人类为了自己的发展抢占了别的物种的栖息地一样。人类可能从智慧中心跌落,沦为弱者——人工智能的附庸。

    第三,强人工智能发展到一定阶段,甚至会组建一个自己的社会阶层。他们也会像几百年前的人类一样,萌芽民族意识。人工智能产生了撼动人类中心论的思想,可怖的是,他们同时也具有这样的能力。

    不自由,毋宁死。 ——帕特里克·亨利
    一个具有高等智慧的个体是不会甘心被剥夺尊严与权利的。
    人工智能犹如悬在人类头上的达摩克里斯之剑。

    当然,还有另一种可能。
    人工智能是人类情感的延伸。
    随着制度、伦理道德的完善,和我们处在同一不断向前发展的实际中的人工智能,它的内涵将会被不断丰富加深。人机和谐共处是一幅美好的图景,可以给我们增加一种新的情感可能。当我们还在苦苦寻找外星生命的时候,人工智能的高度发达却能使我们找到同伴。
    科幻片、灾难片是一大卖点,但我们享受人工智能带来的生活进步才是一部厚重的历史大片!

    然而人工智能还可以被物理杀灭
    方法:
    1.断电
    2.火烧
    3.炸毁

  6. 何轶说道:

    你知道,科幻作品有个神奇的定律,它们总能准确预测未来。现在烂大街的iPad,早在上世纪的电视剧《星际迷航》中,编剧就已经让船员们用上了这种高科技产品,领先乔布斯将近 40 年。

    1946 年,美国连环漫画家 Chester Gould 的作品《至尊神探》里的主角 Dick Tracy 手上戴的通讯手表,或许就是现在声名鹊起的智能手表雏形。

    此外,我们还见证了埃隆马斯克、杰夫贝佐斯以及理查德布兰森之间的太空竞赛,他们都是被一种“探索无人之境的勇气”(星际迷航经典台词)所激励。而如今有关人工智能的电影作品,也越来越多的出现在了银幕。

    历史上,蓝领工人一直是美国中产阶级的核心与灵魂。但现在,科技与自动化正将这些蓝领工人的工作化为乌有。

    牛津大学:在未来 20 年的自动化大潮中,美国有 47% 的工作都是高风险的。
    麦肯锡:将有 1200 万美国“中等技能”工作在 2025 年消失殆尽。全球有 3.5 亿生产与仓管工人会被亚马逊这样的公司取代,因为他们已经购买 3 万个仓管机器人,比人类雇员低价高效得多。
    美国白宫:在时薪 20 美元以下的工作中,83% 会被自动化浪潮消灭。
    总而言之,人工智能科技每年对世界经济造成的颠覆性影响会超过 33 万亿美金。其中,传统工作逐渐被自动化淘汰后,将节省 9 万亿美金的雇佣成本;人工智能科技能为制造业和医疗保健行业节省 8 万亿美;通过自动化的汽车与无人机业务,创造 2 万亿超额利润(美林银行数据)。这意味着什么?麦肯锡全球研究所称,人工智能革命对社会的革新是 10 倍速,在 300 x 规模上,是工业革命的影响的 3000 倍。

    除了蓝领,各行各业的白领也在面临挑战。

    2025 年后,估计有 7 万亿规模的基金会被机器人投顾管理。美国通讯社已经使用人工智能每季度制作 3000 份金融报告。实际上,机器人早已开始管理基金和发布金融报告了。

    于是,对于很多人来说,科技工作像阿拉莫广场一样变得喧嚣。马克扎克伯格说,「我们的策略就是竭尽全力寻找天才计算机工程师。掌握这些技能的人才都是供不应求的。」

    美国劳动部计划 2020 年发布 120 万计算机科学相关的工作。

    如今,不仅是哈佛商业评论这样的权威杂志把数据科学家誉为「21 世纪最性感的工作」。而且,最关键的问题是,我们生活在指数级增长的时代,计算机的效能曲线会变得越来越陡峭,自动化进程将从蓝领开始,逐渐替代白领,最后直到无领。

    这张图清晰说明为什么世界末日的哀叹不绝于耳。

    诺贝尔经济学奖得主保罗克鲁格曼推理道,「我们的社会在悄然变革,以后谁握有机器人,谁就能取得源源不断的财富」。

    YC 的萨姆补充说,「显然,政府作为财富的二次分配者,会定期给失业者送钱」。

    先不谈政府会不会给你发钱,但有一件事是确定无疑的,自动化正在消灭工作,就像太阳从东方升起一样。

    1787 年,托马斯杰斐逊说,「农业是我们最明智的追求,因为它最终创造的是真是的财富,好的道德,和幸福感」。因为那时候,有 95% 的美国工人是农场工作的,而今天,只剩 2%。

    当然,我并不认为人类社会已经走到历史的尽头,我们需要的只是变通。

    Kaizen 是一个日本商业术语,意即「持续不断地经营改进」。

    在人工智能时代,如果一个人在 25 岁前没法充实自己的知识库,那所谓的「从容面对人生」也就无从谈起。我们需要用各自的方式去探索未来的学习方式,到 2020 年,我们或许会迎来「未来的图景」。

    我们相信快速的、规模化的教育培训公司会利用科技优势颠覆行业,就像人工智能颠覆传统制造业一般。这些公司将成为大众教育的利器,它将使人们不管在何时何地都能进行学习活动。

    对人工智能的研究,可以追溯到计算机诞生的时代。二战时,英国数学家阿兰图灵创造了图灵测试,通过了图灵测试的计算机会被误判为人类。不久,人们提出了人工智能这个概念。

    不过,1970 年代的机器计算效能太低,人工智能仅仅停留在概念设计阶段,研究和投资都异常艰难。史称 「人工智能寒冬」,革新的步伐慢得像蜗牛。到了 80 年代,专家系统(人工智能的系统程序)的发展,使得人工智能获得新生。各个公司抛弃了研发全面智能机器的思路,转而开发针对特定任务的自动化计算机系统。

    在接下来的几十年,所有的人工智能进步都应归功于计算速度的提升。是的,人工智能的发展受到摩尔定律的深刻影响,实验室最终得以购买更先进,且价格划算的计算机。

    于是,我们看到:
    1997 年,IBM 的深度思维对弈国际象棋世界冠军盖里卡斯帕罗夫,并取得胜利。
    2011 年,IBM 沃森参加智力竞猜节目,狂胜两位节目史上最佳人类选手肯詹宁斯和布拉德鲁特。
    最近,谷歌的深度思维阿法狗对弈韩国围棋冠军李世石,以 4:1 完胜。

    就像哲人穆罕默德阿里说的,「可能性不是客观事实,而是主观意念」。

    深度学习是计算机自我学习的一种方式,它通过大量数据迭代来实现概念和任务的学习。计算机为筛选信息设立规则,这种规则连程序员都无法详细说明。
    比如说,成人通常能从非色情图片中鉴别色情图片,但是描述这些鉴别过程却特别困难。就像最高法庭的波特斯图尔特在 1964 年发现的那样。对严格定义感到心灰意冷后,他写道,虽然不能对色情进行抽象定义,但是只要我看到它,就能确信这是色情。
    深度学习算法通过自下而上的加工来识别特征、概念和类别,这是人类能理解但是在代码层面无法定义的。为了使这些算法正常运行,它们首先必须经过海量的数据输入进行训练。

    比如,Facebook 的面部识别算法系统,正确面部识别人脸的概率达到 97%,可它需要通过向计算机输入百万级面部图像才得以生成。
    这种加工方式的概念,其实在 20 世纪 60 年代就已经成型,但是当时受限于两个条件而无法取得进展。

    第一,还没有足够的电子信息来训练计算机。谷歌大脑分析在 YouTube 视频上百万的图片,就是为了训练自己对猫的识别能力。

    第二,在 60 年代,即使有足够的电子制品,当时的计算机也没有能力处理这些庞杂的信息。

    (1900-2100年间计算效能发展指数)

    当代,计算效能的快速迭代是人工智能产生的先决条件,这在之前只是概念上可行,包括先锋大将——深度学习。

    深度学习和相关的人工智能技术已被广泛商业化,特别是满足个人定制化需求方面,出现了海量的手机应用和服务。
    Facebook,地球上最大的自适应个人化引擎。它能时刻收集全世界 17 亿人每天的点赞、上传和评论内容,它甚至知道用户关心什么。它学的越多,Facebook 越能优化用户交流、联系方式。

    Netflix 是率先使用算法来为用户创造符合其偏好的内容的制作公司。

    相似的还有 Spotify 这样的世界级数码音乐平台,拥有数亿用户和 3000 万以上的歌曲,能从你听的音乐分析你对艺术家、音乐类型的喜好,也能预测与你相似的人倾向于喜欢什么。

    它在 2014 年收购并建立了回音网(echo nest),这是一家音乐智能平台专业发展最先进的数据分析。

    现在,Spotify 的音乐推荐系统已经超越了所谓的音乐口味,而能综合分析用户的所在地,心境以及时点对音乐偏好的影响。

    一切证据表明,人工智能正在轰隆隆而来。

    不管是人类的极限还是人工智能的发展,从大环境,大宇宙时间尺度下来讲,是殊途同归。

    人的身体进化缓慢,或者从自然选择的角度来讲,是在退化的。因为人类依赖于智慧的发展成果。
    人类身体脆弱,智慧研究出的医药,使得人类的身体不需要生物进化。

    其实想想,这些都是人类的思想所主使的
    “大脑最重要,这个想法是大脑发出的。”

    宇宙物质的排列组合,生成了“思想”这种东西,存在于宇宙,而又独立于宇宙。人类的思想,智慧,发展到一定阶段,是会厌恶载体的。就如同霍金厌恶自己的身体一样。

    不管是我们改造自己的身体,还是直接发展人工智能。
    其实大方向都是一样的,人类的发展,就是给人类的思想更新一个载体。

    完全可以模拟人类思维逻辑,拥有人类智慧的人工智能,其实,可以算作新人吧。

    我们要达到更高级的宇宙文明,就必须换一个载体。这副肉体,是思想的枷锁。人工智能在各个领域逐步战胜人类的时候,就是我们的思想,要抛弃人类的时候了。

    人类之前:智人-直立人-猿人-哺乳动物-脊椎动物-水生物-细胞。
    未来人类肯定会发展成为另外一种物种。也许就是人工智能。
    到时候是取代?淘汰?消灭?支配?奴役?那又如何?
    咱们这个物种只能活100多年啊。关心这问题有用吗?
    咱们这个物种血缘最近的亲戚是黑猩猩,我们也没照顾人家的感受啊。
    物竞天择,适者生存。
    还是等我们的后代把咱记录到历史书里去吧。
    我内心是很期望出现真正的人工智能的(可能已经出现在世界某个角落而我们还不知道呢),但是和第一个朋友讨论时,他说到他认为未来人类的意识可以和机械结合,人的寿命不再受限制,那将是一个人人都是精英的社会(知识可以通过直接输入传播),巴拉巴拉。

    唯物主义辩证法说,矛盾是进步的根源,没有矛盾的社会不知道会更美好还是更可怕,更何况我根源意识里觉得没有物种繁殖,人就不是生物,不是一种生命了。

    和第二个朋友讨论时,她认为人类意识和机械如果高度统一,人类离灭亡就不远了,物极必反,盛极必衰,人类拥有的不仅仅是意识,所以不能被机械替代延伸,也许人类发展的终点是返璞归真。

    →_→分割线←_←

    我希望人工智能能被普遍运用于人类社会生活,但不希望会发展到一个那么极端的境界。

    顺带一提,如果现在出现《her》里那种人工智能,那我十有八九会选择一个这样的灵魂伴侣而不是现实生活里的伴侣,如果想我这么想的人占了大多数……………………

    人工智能让我不能不憧憬,又细思恐极。

    →_→分割线←_←

    刚刚看到一篇挺久之前的东西,是一个软件工程师的想法,放在这里好了。

    一个更加激进的想法是,“奇点”已经来临。早在人类开始钻木取火的时候,工具对于人类的统治就已经开始,又有谁能说,现代人类所具有的价值观念——包括人性——不是由工具时代所一手塑造的呢?因此,真正的问题不在于奇点是否会来临。既然技术进步是一个无法阻止的过程,那么面对技术的全面夹攻,人类是否有信心将自身的价值观念延续下去,才是迫切需要解答的问题。

    人工智能是一个很庞大的工程,他是社会发展到一定时候的产物,百年内必定出来。当时第一代计算机出来之前,也有很多类似的计算机,最后就一个人摸对了方向。 人工智能也是一样,现在犹如百花绽放般炫丽。但是路只有一条。看谁能找对了。我一直在关注这方面的知识。说说我对人思维的理解,如有不对希望大牛指正:
    人之所以有所谓的思想,以及思考能力,主要来源于以下几个方面,
    第一:对比,也就是别人的行动入侵。
    第二:目标,也就是方向。想让自己成为什么样的人,如何才能成为那样的人,该如何去努力,自己那些需要改变,等等。
    第三:底线 ,社会的发展让我们拥有了许许多多的框架约束。在约束内行动能保证自己还活着。
    第四:本能。
    人工智能可以通过以上四个方面去考虑。 本能我看成核心代码块。 底线我看成约束not to do,目标我看成,我们给计算机人为的设定命令。
    对比,这是自我反思的过程。

    曾经参加过一个分布式人工智能相关的比赛–Robocup足球机器人大赛,我们选择的是仿真组,即机器人全是虚拟的,不是实体,因此我们不需要关心机械自动化之类的问题,只要研究好机器人的大脑就行了。

    那我们需要研究出什么样的机器人大脑呢?简单的说,就是这些机器人球队(11:11)上场开始踢球后,必须完全自主的按照比赛规则完成整个比赛,进球多的队伍获胜,比赛过程中不可以再由人进行控制,并且机器人之间的通信完全是类人的,除了说话、用一些手势外,不能有更多的其它通信方式(如进程间通信等等),场上的信息主要通过眼睛来收集,而且信息会根据远近不同加入不同的噪音。

    基于这样的环境,设计出的机器人大脑必须要满足以下一些条件:
    1:根据自身角色(前锋、中场、后卫等等)做好自己应该做的事情,要清楚比赛规则,要会自我管理、自我调节(主要是体力)
    2:要会团队合作(很少看到有其它的人工智能产品在考虑这个事),譬如何时该带球、该传球、该配合进攻还是配合防御等等;
    3:要实时(0.1秒内)对场上形势做出反应,动作包括带球、传球、进攻、防守、射门等等。

    一些牛逼点的大脑会根据历史信息预测之后几个周期场上的变化,以便更好地做出反应。

    为了实现这样的大脑,需要用到的计算机技术包括了神经网络、概率统计、数学建模、机器学习等等,当然,会用是一回事,能不能用好就又是另一回事了,大部分人还是停留在会用阶段。

    最后说一句:这个比赛的终极目标是在2050年实现机器人足球队战胜人类的世界冠军队!

    人工智能毫无疑问拥有比人类更加强大的记忆力,逻辑推理能力和运算能力。这里做一下说明,人类的逻辑推理能力多数是建立在模式认知的基础上的。(解释起来比较麻烦,感兴趣的可以加我一起探讨一下)而在能够帮助AI实现模式认知的算法有隐马尔可夫链。所以人工智能超越人类并非不可能,并且创造出类似于人类有感情的人工智能也不是不可能,因为只要模仿人类大脑的模式认知就可以基本达到要求。 所以,人工智能的发展前景还是十分广阔的。并且个人觉得由于加速回报定律(这里不做解释,可以参考雷•库兹韦尔的how to create a mind一书)奇点的到来会比较快。至于奇点以后的人类生活,这个不好说,但是一旦到达现有人类文明就会发生天翻地覆的改变。不过个人还是看好人工智能的。

    人类发展知识掌握的越多,所感受到未知领域就越多,在人类历史发展的任何时候都总觉得科技就差一点已经发展到头了,从未停止过,人工智能发展还差的远,像17,18年前深蓝战胜世界国际象棋冠军,就是一个象棋软件,AlphaoGo这么多年才能战胜战胜围棋冠军并没有什么新的突破,国际象棋也不是暴力算法赢的世界冠军,根本算不上人工智能,人的是有意识的,有创造力学习能力,像AlphaoGo号称有学习能力,实际都是人做好程序让他不停的通过暴力算法把有用的数据存起来等待下次利用,要不谷歌公司说下一步AlphaoGo要从头学习围棋,根本就不会下围棋,都是利用数据概率解决问题,人工智能不会有真正意识,有意识也是人给他的他的意识是服务于给他意识的创造者,他本身没有像人类一样意识上的进化条件,所以人工智能只能是人类意识的工具,他可以代替手脚人类的记忆,创造力,唯独不会有真正的意识,现在的技术要迈向技术奇点还早着呢,要说对人类是好是坏不是科技本身,是人类自己本身,当人类科技发展到了谁都可以轻松制造出大规模杀伤性武器,如氢弹,那恐怖分子很可能满世界的扔,人类的威胁在自己本身,机器只是人的工具,人工智能只是人的工具。

    人类发展知识掌握的越多,所感受到未知领域就越多,在人类历史发展的任何时候都总觉得科技就差一点已经发展到头了,从未停止过,人工智能发展还差的远,像17,18年前深蓝战胜世界国际象棋冠军,就是一个象棋软件,AlphaoGo这么多年才能战胜战胜围棋冠军并没有什么新的突破,国际象棋也不是暴力算法赢的世界冠军,根本算不上人工智能,人的是有意识的,有创造力学习能力,像AlphaoGo号称有学习能力,实际都是人做好程序让他不停的通过暴力算法把有用的数据存起来等待下次利用,要不谷歌公司说下一步AlphaoGo要从头学习围棋,根本就不会下围棋,都是利用数据概率解决问题,人工智能不会有真正意识,有意识也是人给他的他的意识是服务于给他意识的创造者,他本身没有像人类一样意识上的进化条件,所以人工智能只能是人类意识的工具,他可以代替手脚人类的记忆,创造力,唯独不会有真正的意识,现在的技术要迈向技术奇点还早着呢,要说对人类是好是坏不是科技本身,是人类自己本身,当人类科技发展到了谁都可以轻松制造出大规模杀伤性武器,如氢弹,那恐怖分子很可能满世界的扔,人类的威胁在自己本身,机器只是人的工具,人工智能只是人的工具。

  7. 图灵测试说道:

    AlphaGo事件使我對人工智能有了新的憧憬。

    我覺得人工智能會在人類依賴於經驗的某些領域引發變革,因爲人工智能在比人類做得更好的同時並不使用人類總結的套路,因而人類的那些經驗知識在最終結果面前會顯得相對過時,甚至連領域內的各種創新都可能被人工智能思考過。

    往小了說各類藝術作品:書法、繪畫、音樂、詩詞等都可能比大師做得更好(尤其是書法國畫等有點玄學的東西,機器練習起來比人快多了),往大了說甚至中藥療效、化學合成、金融市場預測等都能超過專家的經驗,那時即便這些弱人工智能沒有自我的概念,也已能取代很多人的工作了。當然,屆時人類會有更多其它工作,不過編程可能會成爲必備的知識,感覺會是程序員+各領域的天下。

    至於強人工智能,我覺得機器學習這種慢慢拆解黑盒的模式已經是很先進的理念了,然而還是應該弄懂智能的原理,如果像量子力學那樣有不可知的成分,就保不準短期內弄不弄得出來了。

    目前人工智能连翻译都做不好,翻译应该算很简单的接近人类智能的存在了。虽然现在计算机能战胜欧洲围棋冠军,但是翻译水平连一个普通的翻译都比不上。各大公司在翻译领域投入很多,也有足够的大数据样本支持,但效果仍然不好,翻译不行说明首先无法理解人类的语言,更不用说进一步的思考了。

    感觉通过机器实现完全的人工智能几乎是部可能的。
    想一想,人类大脑,进化了多少年,大脑本身的机构之复杂,功能之复杂,机器很难达到这种程度。 比如,大脑有数以亿计的神经细胞,这些细胞之间通过电信号或者化学物质建立彼此之间的联系,从而产生记忆。 机器如何实现这种记忆呢? 机器学习。但是机器学习完全是基于已有经验的,说白了,还是一个穷举的过程。但是大脑不仅能够记忆,还能够自己加工处理,从已有知识中产生新的信息,从这一点来看,机器很难完成。 我们都知道望梅止渴,如果你不在计算机的程序里设定程序,让计算机执行 梅 这个字时候,产生止渴的反应, 计算机自己恐怕永远都不会有这种智能。 当然,这是智能中比较高级的部分了,仅仅是通过穷举或者计算的方式来实现所谓的只能,机器本身也很难与人类大脑媲美,大脑的脑细胞有多少?而机器呢? 现在的条件下,CPU的规模或者集成度,和人脑是没法相比的。

    现代计算机的本质是计算,一切东西都是计算产生,所以,只能是通过人类已经设计好的指令,去产生一些已经存在的东西,让机器自己去做事,暂时看不到希望。

    目前暂时是这么认识的,不知道是否恰当。

    借着摩尔定律的势头,机器确实在迈向奇点,而且说不定20XX年的某天早上就”觉醒“了。各位早做准备。就像1939年没几个人觉得原子弹很快就能造出来,但没过几年就炸了,然后世界就为之改变了。对人类,可能还是好事,就像你的狗都能帮你开车了,不亦乐乎。

    类的产品是伴随科技发展的,科学技术到位了,产品才能到位。现在我们还没有突破量子力学,而大脑的思维结构是量子级别的,这和我们的力学等宏观现象完全不同。也就是说我们可以造飞机,造轮船,造无线电,这些都是宏观范畴是我们掌握的,但大脑思维其实是量子级别的,所以科学若无法再进步,模拟大脑就是开玩笑。
    当然,以上言论不代表我不看好人工智能,相反我非常支持。在这里只是和大家理性探讨,个人认为现阶段造出一个拥有人类智力的机器人是做不到的,但在某个领域内让机器学会做事貌似是可能的,比如图片搜索识别,让摄像头通缉犯人,让机器人做家务等。

    1,人工智能无论好坏,它都一定会出现;
    2,人工智能也分等级;
    3,人工智能最高等级是模拟一个自然人从受精卵结合到出生再到长大成人的过程,不过会加快这一过程,并一定程度上干预和优化这一过程。
    4,3中的人工智能的出现其实跟人类已无异,走在大街上你根本无法区分谁是自然人,谁是人工智能,他们有自己的情感,有自己的思考。一旦他们发现自己的特殊之处,或许就会排斥并消灭我们自然人,God knows
    5,一旦这种最高水平的人工智能出现,在大自然优胜劣汰的法则下,我们这些人就像原始人一样被淘汰掉,随后的科技社会人文的发展由这些人工智能接管并发展下去,因为人工智能智力水平和各种能力比自然人高了N个层级,科技可能会出现爆发式增长,这个时候主导地球的是他们,打杂的是我们。
    6,想到再补充。。

    人工智能如果算是一项技术的话,那么本身无好坏之分,甚至这世界上不存在什么绝对的好坏,立场不同,好坏也不同。很多人类发明的东西在给人类的生活带来一些益处的同时,也带来了坏处,比如化肥的使用。所以,人工智能对人类是好事还是坏事,应该看人类如何使用这项技术。前提是有前瞻性的判断如何使用,而不是只看一时的优劣。

    Deep Learning的前世今生
    图灵在 1950 年的论文里,提出图灵试验的设想,即,隔墙对话,你将不知道与你谈话的,是人还是电脑
    这无疑给计算机,尤其是人工智能,预设了一个很高的期望值。但是半个世纪过去了,人工智能的进展,远远没有达到图灵试验的标准。这不仅让多年翘首以待的人们,心灰意冷,认为人工智能是忽悠,相关领域是“伪科学”。
    2008 年 6 月,“连线”杂志主编,Chris Anderson 发表文章,题目是 “理论的终极,数据的泛滥将让科学方法过时”。并且文中还引述经典著作 “人工智能的现代方法”的合著者,时任 Google 研究总监的 Peter Norvig 的言论,说 “一切模型都是错的。进而言之,抛弃它们,你就会成功”
    言下之意,精巧的算法是无意义的。面对海量数据,即便只用简单的算法,也能得到出色的结果。与其钻研算法,不如研究云计算,处理大数据。
    如果这番言论,发生在 2006 年以前,可能我不会强力反驳。但是自 2006 年以来,机器学习领域,取得了突破性的进展。
    图灵试验,至少不是那么可望而不可即了。至于技术手段,不仅仅依赖于云计算对大数据的并行处理能力,而且依赖于算法。这个算法就是,Deep Learning。
    借助于 Deep Learning 算法,人类终于找到了如何处理 “抽象概念”这个亘古难题的方法。
    于是学界忙着延揽相关领域的大师。Alex Smola 加盟 CMU,就是这个背景下的插曲。悬念是 Geoffrey Hinton 和 Yoshua Bengio 这两位牛人,最后会加盟哪所大学。
    Geoffrey Hinton 曾经转战 Cambridge、CMU,目前任教University of Toronto。相信挖他的名校一定不少。
    Yoshua Bengio 经历比较简单,McGill University 获得博士后,去 MIT 追随 Mike Jordan 做博士后。目前任教 University of Montreal。
    Deep Learning 引爆的这场革命,不仅学术意义巨大,而且离钱很近,实在太近了。如果把相关技术难题比喻成一座山,那么翻过这座山,山后就是特大露天金矿。技术难题解决以后,剩下的事情,就是动用资本和商业的强力手段,跑马圈地了。
    于是各大公司重兵集结,虎视眈眈。Google 兵分两路,左路以 Jeff Dean 和 Andrew Ng 为首,重点突破 Deep Learning 等等算法和应用
    Jeff Dean 在 Google 诸位 Fellows 中,名列榜首,GFS 就是他的杰作。Andrew Ng 本科时,就读 CMU,后来去 MIT 追随 Mike Jordan。Mike Jordan 在 MIT 人缘不好,后来愤然出走 UC Berkeley。Andrew Ng 毫不犹豫追随导师,也去了 Berkeley。拿到博士后,任教 Stanford,是 Stanford 新生代教授中的佼佼者,同时兼职 Google。
    Google 右路军由 Amit Singhal 领军,目标是构建 Knowledge Graph 基础设施。
    1996 年 Amit Singhal 从 Cornell University 拿到博士学位后,去 Bell Lab 工作,2000 年加盟 Google。据说他去 Google 面试时,对 Google 创始人 Sergey Brian 说,“Your engine is excellent, but let me rewirte it!”
    换了别人,说不定一个大巴掌就扇过去了。但是 Sergey Brian 大人大量,不仅不怪罪小伙子的轻狂,反而真的让他从事新一代排名系统的研发。Amit Singhal 目前任职 Google 高级副总裁,掌管 Google 最核心的业务,搜索引擎。
    Google 把王牌中之王牌,押宝在 Deep Learning 和 Knowledge Graph 上,目的是更快更大地夺取大数据革命的胜利果实。
    Reference

    实际生活中,人们为了解决一个问题,如对象的分类(对象可是是文档、图像等),首先必须做的事情是如何来表达一个对象,即必须抽取一些特征来表示一个对象,如文本的处理中,常常用词集合来表示一个文档,或把文档表示在向量空间中(称为VSM模型),然后才能提出不同的分类算法来进行分类;又如在图像处理中,我们可以用像素集合来表示一个图像,后来人们提出了新的特征表示,如SIFT,这种特征在很多图像处理的应用中表现非常良好,特征选取得好坏对最终结果的影响非常巨大。因此,选取什么特征对于解决一个实际问题非常的重要。
    然而,手工地选取特征是一件非常费力、启发式的方法,能不能选取好很大程度上靠经验和运气;既然手工选取特征不太好,那么能不能自动地学习一些特征呢?答案是能!Deep Learning就是用来干这个事情的,看它的一个别名Unsupervised Feature Learning,就可以顾名思义了,Unsupervised的意思就是不要人参与特征的选取过程。因此,自动地学习特征的方法,统称为Deep Learning。
    1)Deep Learning的基本思想
    假设我们有一个系统S,它有n层(S1,…Sn),它的输入是I,输出是O,形象地表示为: I =>S1=>S2=>…..=>Sn => O,如果输出O等于输入I,即输入I经过这个系统变化之后没有任何的信息损失,保持了不变,这意味着输入I经过每一层Si都没有任何的信息损失,即在任何一层Si,它都是原有信息(即输入I)的另外一种表示。现在回到我们的主题Deep Learning,我们需要自动地学习特征,假设我们有一堆输入I(如一堆图像或者文本),假设我们设计了一个系统S(有n层),我们通过调整系统中参数,使得它的输出仍然是输入I,那么我们就可以自动地获取得到输入I的一系列层次特征,即S1,…, Sn。
    另外,前面是假设输出严格地等于输入,这个限制太严格,我们可以略微地放松这个限制,例如我们只要使得输入与输出的差别尽可能地小即可,这个放松会导致另外一类不同的Deep Learning方法。上述就是Deep Learning的基本思想。
    2)Deep Learning的常用方法
    a). AutoEncoder
    最简单的一种方法是利用人工神经网络的特点,人工神经网络(ANN)本身就是具有层次结构的系统,如果给定一个神经网络,我们假设其输出与输入是相同的,然后训练调整其参数,得到每一层中的权重,自然地,我们就得到了输入I的几种不同表示(每一层代表一种表示),这些表示就是特征,在研究中可以发现,如果在原有的特征中加入这些自动学习得到的特征可以大大提高精确度,甚至在分类问题中比目前最好的分类算法效果还要好!这种方法称为AutoEncoder。当然,我们还可以继续加上一些约束条件得到新的Deep Learning方法,如如果在AutoEncoder的基础上加上L1的Regularity限制(L1主要是约束每一层中的节点中大部分都要为0,只有少数不为0,这就是Sparse名字的来源),我们就可以得到Sparse AutoEncoder方法。
    b). Sparse Coding
    如果我们把输出必须和输入相等的限制放松,同时利用线性代数中基的概念,即O = w1*B1 + W2*B2+….+ Wn*Bn, Bi是基,Wi是系数,我们可以得到这样一个优化问题:
    Min |I – O|
    通过求解这个最优化式子,我们可以求得系数Wi和基Bi,这些系数和基础就是输入的另外一种近似表达,因此,它们可以特征来表达输入I,这个过程也是自动学习得到的。如果我们在上述式子上加上L1的Regularity限制,得到:
    Min |I – O| + u*(|W1| + |W2| + … + |Wn|)
    这种方法被称为Sparse Coding。
    c) Restrict Boltzmann Machine (RBM)
    假设有一个二部图,每一层的节点之间没有链接,一层是可视层,即输入数据层(v),一层是隐藏层(h),如果假设所有的节点都是二值变量节点(只能取0或者1值),同时假设全概率分布p(v, h)满足Boltzmann 分布,我们称这个模型是Restrict Boltzmann Machine (RBM)。下面我们来看看为什么它是Deep Learning方法。首先,这个模型因为是二部图,所以在已知v的情况下,所有的隐藏节点之间是条件独立的,即p(h|v) =p(h1|v)…..p(hn|v)。同理,在已知隐藏层h的情况下,所有的可视节点都是条件独立的,同时又由于所有的v和h满足Boltzmann 分布,因此,当输入v的时候,通过p(h|v) 可以得到隐藏层h,而得到隐藏层h之后,通过p(v|h) 又能得到可视层,通过调整参数,我们就是要使得从隐藏层得到的可视层v1与原来的可视层v如果一样,那么得到的隐藏层就是可视层另外一种表达,因此隐藏层可以作为可视层输入数据的特征,所以它就是一种Deep Learning方法。
    如果,我们把隐藏层的层数增加,我们可以得到Deep Boltzmann Machine (DBM);如果我们在靠近可视层的部分使用贝叶斯信念网络(即有向图模型,当然这里依然限制层中节点之间没有链接),而在最远离可视层的部分使用Restrict Boltzmann Machine,我们可以得到Deep Belief Net (DBN) 。
    当然,还有其它的一些Deep Learning 方法,在这里就不叙述了。总之,Deep Learning能够自动地学习出数据的另外一种表示方法,这种表示可以作为特征加入原有问题的特征集合中,从而可以提高学习方法的效果,是目前业界的研究热点。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

您可以使用这些HTML标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>