本月累计签到次数:

今天获取 积分

人工智能+

人工智能+

1598 浏览

招聘:智造领域行业合作大咖

需求类 浮云遮望远#18426 2018-06-11 18:00 发表了文章 来自相关话题

八斗问答平台关注机器人、人工智能、工业互联网,IOT等前沿技术领域和工程师的成长,通过线上提供有质量有干货的经验视频、讲堂、问答和资讯内容,线下微沙龙活动以及开放性实验室,助推智造领域整体发展,欢迎有志于智造领域人才加入团队!
有意者请加微信:badouwenda100 查看全部
八斗问答平台关注机器人、人工智能、工业互联网,IOT等前沿技术领域和工程师的成长,通过线上提供有质量有干货的经验视频、讲堂、问答和资讯内容,线下微沙龙活动以及开放性实验室,助推智造领域整体发展,欢迎有志于智造领域人才加入团队!
有意者请加微信:badouwenda100
浏览

其中之一 发表了文章 来自相关话题

浏览

其中之一 发表了文章 来自相关话题

浏览

其中之一 发表了文章 来自相关话题

402 浏览

人工智能的背后:无屏时代到来,语音交互成主流

智能科技类 浊酒尽余欢 2017-03-20 14:37 发表了文章 来自相关话题

互联网的寒冬中,有一把火炬叫“人工智能”。这把火炬不仅吸引着投资界的目光,也开始加速它探索的步伐。


从人类发明电脑起,“人工智能”概念一直被规律性地提起、回落。97 年的“深蓝”战胜人类世界冠军,及前段时间的 Alpha GO 战胜李世石,人工智能概念都被推到峰顶,似乎进入生活指日可待。遗憾的是 97 年后我们并 查看全部
互联网的寒冬中,有一把火炬叫“人工智能”。这把火炬不仅吸引着投资界的目光,也开始加速它探索的步伐。


从人类发明电脑起,“人工智能”概念一直被规律性地提起、回落。97 年的“深蓝”战胜人类世界冠军,及前段时间的 Alpha GO 战胜李世石,人工智能概念都被推到峰顶,似乎进入生活指日可待。遗憾的是 97 年后我们并
449 浏览

本届高交会让人略有所思

机械自动化类 料盘挡板 2016-11-22 10:50 发表了文章 来自相关话题

记得去年的高交会(中国国际高新技术成果交易会)主角是机器人,高交会上的展馆基本上被机器人霸占,但今年这一届,机器人有所冷却。

特别是主流的高科技展会,会折射出市场偏向,以及投资偏向,这届高交会机器人所占比重不高,这也反应市场以及资本对机器人已有冷却,反而是VR+娱乐逆势袭来。
 
去年是机器人,今年是VR,更确切的 查看全部
记得去年的高交会(中国国际高新技术成果交易会)主角是机器人,高交会上的展馆基本上被机器人霸占,但今年这一届,机器人有所冷却。

特别是主流的高科技展会,会折射出市场偏向,以及投资偏向,这届高交会机器人所占比重不高,这也反应市场以及资本对机器人已有冷却,反而是VR+娱乐逆势袭来。
 
去年是机器人,今年是VR,更确切的
489 浏览

全面了解人工智能

机械自动化类 星旭自动化 2016-11-17 18:31 发表了文章 来自相关话题

国内对于人工智能的讨论大多是不成体系的碎片式,很难从中深入了解人工智能的发展脉络和技术体系,也很难有实际借鉴意义。德勤DUP发布的一份报告中,对人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解,也有助于各行业的公司考量人工智能应用的实际价 查看全部
国内对于人工智能的讨论大多是不成体系的碎片式,很难从中深入了解人工智能的发展脉络和技术体系,也很难有实际借鉴意义。德勤DUP发布的一份报告中,对人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解,也有助于各行业的公司考量人工智能应用的实际价
716 浏览

“人工智能+”时代正在到来

IT软件类 陈园园 2016-10-28 17:07 发表了文章 来自相关话题

如今,人工智能已经进入了全球爆发的前夜。10月18日,“AI World 2016世界人工智能大会”现场,新智元公布了对100家人工智能创业企业进行的调研报告。报告显示,在98家企业填报的估值数中,总值为1014亿元,均值为10亿元左右。
“未来5~10年的人工智能蕴含巨大的潜力。”斯坦福大学人工智能实验室和计算机视 查看全部
如今,人工智能已经进入了全球爆发的前夜。10月18日,“AI World 2016世界人工智能大会”现场,新智元公布了对100家人工智能创业企业进行的调研报告。报告显示,在98家企业填报的估值数中,总值为1014亿元,均值为10亿元左右。
“未来5~10年的人工智能蕴含巨大的潜力。”斯坦福大学人工智能实验室和计算机视
330 浏览
528 浏览

【70页重磅】招商计算机 刘泽晶团队研究报告,“人工智能+”时代呼啸而来

机械自动化类 D工业人 2016-09-12 10:40 发表了文章 来自相关话题

 【摘要】:

我们看好人工智能开源平台百舸争流争夺AI生态圈会极大加速产业发展。我们看好人工智能芯片不断进化下的AI算法效率大幅提升。“人工智能+”时代呼啸而来,我们先期看好专用人工智能的普及,中长期看好通用人工智能的普及。

第三次浪潮:人工智能奇点临近。人工智能在两次高潮和低谷之后迎来第三次浪潮,各国纷纷把人工 查看全部
 【摘要】:

我们看好人工智能开源平台百舸争流争夺AI生态圈会极大加速产业发展。我们看好人工智能芯片不断进化下的AI算法效率大幅提升。“人工智能+”时代呼啸而来,我们先期看好专用人工智能的普及,中长期看好通用人工智能的普及。

第三次浪潮:人工智能奇点临近。人工智能在两次高潮和低谷之后迎来第三次浪潮,各国纷纷把人工
1598 浏览

招聘:智造领域行业合作大咖

需求类 浮云遮望远#18426 2018-06-11 18:00 发表了文章 来自相关话题

八斗问答平台关注机器人、人工智能、工业互联网,IOT等前沿技术领域和工程师的成长,通过线上提供有质量有干货的经验视频、讲堂、问答和资讯内容,线下微沙龙活动以及开放性实验室,助推智造领域整体发展,欢迎有志于智造领域人才加入团队!
有意者请加微信:badouwenda100 查看全部

八斗问答平台关注机器人、人工智能、工业互联网,IOT等前沿技术领域和工程师的成长,通过线上提供有质量有干货的经验视频、讲堂、问答和资讯内容,线下微沙龙活动以及开放性实验室,助推智造领域整体发展,欢迎有志于智造领域人才加入团队!
有意者请加微信:badouwenda100
402 浏览

人工智能的背后:无屏时代到来,语音交互成主流

智能科技类 浊酒尽余欢 2017-03-20 14:37 发表了文章 来自相关话题

互联网的寒冬中,有一把火炬叫“人工智能”。这把火炬不仅吸引着投资界的目光,也开始加速它探索的步伐。


从人类发明电脑起,“人工智能”概念一直被规律性地提起、回落。97 年的“深蓝”战胜人类世界冠军,及前段时间的 Alpha GO 战胜李世石,人工智能概念都被推到峰顶,似乎进入生活指日可待。遗憾的是 97 年后我们并没有进入人工智能时代。时间足足相隔 20 年,场景却那么相似。2017 年谁又说得准呢?


但是在最近,我对人工智能的定义已经发生了变化。这种变化让我坚信,是该来了。


在以前,我会把人工智能理解为电影里描述的那样“具有意识的超级大脑”(认知智能),而现在,我会把它定义成“超级大脑”(感知智能)。“有意识的超级大脑 ”可以说是一个终极难题,实现它依然需要很久的时间。所以在解决这个终极难题前,不如先解决一道相对简单点的难题。


当我们把超级大脑的“意识”去掉后,就如同把人工智能这扇门打开了一点缝隙,瞬间光芒四射。我们不再需要去执着“人工智能”思考方式的拟人化和意识存在。它本身应该被允许完全独特的“思考”方式,不仅跟以前不一样,跟人类也完全不一样。这种思考方式在突破一个节点后,说不定会远远优于人类的思考方式。


上文到这里就结束了,日后会写一篇大数据与人工智能的文章,来继续拓展这个内容。今天我想写的,是这个“超级大脑”带来的全新人机交互方式。




“超级大脑”的全新人机交互方式


10 年前的 iPhone 让人机交互发生了巨大的变化,随后不断改变我们的生活。下一个时代必然也会带来同样的产品革命。


想象一个场景,你是老板,你有一个秘书。你把很多事情都放手给它做:叫一辆快车、预定今晚的酒店、预定后天的机票等等。我们要做的唯一一件事情就是把需求跟秘书说一声,确定好后,接下来的事情就不用我们操心了。


我们再把场景具体话,想象着你跟你的秘书这么说:


帮我订一张2017年3月21日从北京到深圳的机票,起飞时间在中午1点到下午4点间,需要靠窗,就定商务舱吧。不要那种廉价航空。噢,对了,最好帮我看下航空公司的价格规律,在价格较低的时候预定。还有记得要打印行程单。


以上的需求,秘书会勤勤恳恳地帮你把事情做好。但如果换成自己做,即使是在智能手机 APP 上,一项一项细节的确定就足够浪费我们的时间和精力,出现问题了,还得一步步解决。我们不是老板,没有秘书,只能亲自操作。但如果未来的“超级大脑”可以是你的一个秘书呢?


这即是未来人工智能在日常生活中的部分应用。


这个“超级大脑”能够理解你的任何命令、并能迅速执行最准确的结果。你的大部分需求只需要 2 步即可达成:提出——完成。中间是一个黑箱。你看不到过程,却非常准确。


当“一切归于简”的时候,其实也是我们对手机大部分 APP 摆脱依赖的时候。我们需要的,仅仅是一个能理解我们需求的东西,这个东西,屏幕点击不再是它的主要交互。你只需要把你的需求输入给它,或者更简单的——告诉它,就可以得到最终结果了。


此时可能有聪明的读者意识到了,这不就是手机上更智能化的 siri等语音助手嘛。



我认为不是。有3个原因:


手机的操作系统平台是 iOS 或 Android 等, siri 可以理解为是系统里的一个 APP 应用,它不是一个系统平台,这就给 siri 限定了一个天花板。

在手机操作系统的生态中,每一个 APP 都是个体,它们自身具有非常鲜明的功能特性,并且难以融合。一个汇聚所有功能于一身的 APP 注定是一个失败的 APP 。这是商业上的壁垒,也是优秀的用户体验。基于这种特点下,手机系统没有“一”的基因。

屏幕的存在。屏幕交互和语音交互其实不是共生,而是互相竞争。当手机上所有语音交互都可以通过屏幕交互实现的时候,用户往往只会二选一,并且选择手机交互的核心方式触屏。这会导致“语音”只能成为可有可无的装饰品。



因此,我们需要一个无屏幕的东西,来实现“一切归一”的操作。它应该是语音助手,但载体不再是手机,可以是一个小音响,或者根本隐藏起来(比如嵌入在家里的天花板四周),你可以不接触它,但它会感知你。


最重要的一点是:这个语音助手本身不是一个 APP,它应该是一个操作系统平台,一个从 iOS 或 Android 衍生出来的平台。它自己包含了千万个 APP。你告诉它你的需求的时候,实现这些需求不是由语音助手本身去实现,而是由语音助手平台上的 APP 去实现。


这可能不好理解,详细地讲:


语音助手平台里的 APP 不再有界面,交互方式几乎只有语音。比如:


你跟语音助手说:“帮我联系下老王”,可能实现它的依然是微信;

你跟语音助手说:“帮我叫一辆快车”,实现它的依然是滴滴出行;

你跟语音助手说:“帮我订一张机票”,实现它的依然是携程。


但是你感知不到 APP 的存在,语音命令背后所有的逻辑操作你都是看不见的,因为你面对的,只是一个音响,甚至一个看不见的声音。


在这个平台下,各个 APP 的独特性被剥去,只剩最纯粹的功能。它们都融合在了语音助手里。这即是语音助手平台与 iOS 或 Android 的区别,因为各种 APP 的功能融合在一起,变成了语音助手平台的各种技能。但它与 iOS 或 Android 是无缝连接的,所有的信息只要需要,可以传递到屏幕上。屏幕更多的作用,就是显示结果,给予你安全感。


那么这个“超级大脑”未来在哪里呢?我认为有两种可能。


第一种是每个公司各拥有一个“超级大脑”,并负责公司产品自身的功能模块。我们可以称它们为“微信大脑”、“滴滴大脑”、“携程大脑”,各个大脑通过大量的数据继续自我训练,达到更优秀的效果。


第二种是语音助手平台自身就是一个“超级大脑”,并提供给其他公司技术支持,比如“讯飞超脑”、“百度大脑”,所有的应用数据都会交给这个大脑进行训练,实现更强大的“超级大脑”。我个人更倾向于这种可能。


这将是一个新的更强大的生态系统。语音助手可以嵌入非常多的应用场景,比如汽车、家居、教育等等。而掌握这个语音平台的公司,在数个竞争者中获得胜利后,将可能成为新的巨头。


随着时代的到来,这样的产品终究会实现。它不能替代手机,因为依然有很多内容的载体需要屏幕,很多应用场景也离不开屏幕。但它终究会融入我们的生活,成为我们一种新的生活方式。


比如现在,敲击一下你的耳机,告诉它你的需求吧。


更多内容请关注:www.imefuture.com





 
 
 
来源:微信公众号 人人都是产品经理  作者:来杯冷饮 查看全部

1.jpg

互联网的寒冬中,有一把火炬叫“人工智能”。这把火炬不仅吸引着投资界的目光,也开始加速它探索的步伐。


从人类发明电脑起,“人工智能”概念一直被规律性地提起、回落。97 年的“深蓝”战胜人类世界冠军,及前段时间的 Alpha GO 战胜李世石,人工智能概念都被推到峰顶,似乎进入生活指日可待。遗憾的是 97 年后我们并没有进入人工智能时代。时间足足相隔 20 年,场景却那么相似。2017 年谁又说得准呢?


但是在最近,我对人工智能的定义已经发生了变化。这种变化让我坚信,是该来了。


在以前,我会把人工智能理解为电影里描述的那样“具有意识的超级大脑”(认知智能),而现在,我会把它定义成“超级大脑”(感知智能)。“有意识的超级大脑 ”可以说是一个终极难题,实现它依然需要很久的时间。所以在解决这个终极难题前,不如先解决一道相对简单点的难题。


当我们把超级大脑的“意识”去掉后,就如同把人工智能这扇门打开了一点缝隙,瞬间光芒四射。我们不再需要去执着“人工智能”思考方式的拟人化和意识存在。它本身应该被允许完全独特的“思考”方式,不仅跟以前不一样,跟人类也完全不一样。这种思考方式在突破一个节点后,说不定会远远优于人类的思考方式。


上文到这里就结束了,日后会写一篇大数据与人工智能的文章,来继续拓展这个内容。今天我想写的,是这个“超级大脑”带来的全新人机交互方式。




“超级大脑”的全新人机交互方式


10 年前的 iPhone 让人机交互发生了巨大的变化,随后不断改变我们的生活。下一个时代必然也会带来同样的产品革命。


想象一个场景,你是老板,你有一个秘书。你把很多事情都放手给它做:叫一辆快车、预定今晚的酒店、预定后天的机票等等。我们要做的唯一一件事情就是把需求跟秘书说一声,确定好后,接下来的事情就不用我们操心了。


我们再把场景具体话,想象着你跟你的秘书这么说:


帮我订一张2017年3月21日从北京到深圳的机票,起飞时间在中午1点到下午4点间,需要靠窗,就定商务舱吧。不要那种廉价航空。噢,对了,最好帮我看下航空公司的价格规律,在价格较低的时候预定。还有记得要打印行程单。


以上的需求,秘书会勤勤恳恳地帮你把事情做好。但如果换成自己做,即使是在智能手机 APP 上,一项一项细节的确定就足够浪费我们的时间和精力,出现问题了,还得一步步解决。我们不是老板,没有秘书,只能亲自操作。但如果未来的“超级大脑”可以是你的一个秘书呢?


这即是未来人工智能在日常生活中的部分应用。


这个“超级大脑”能够理解你的任何命令、并能迅速执行最准确的结果。你的大部分需求只需要 2 步即可达成:提出——完成。中间是一个黑箱。你看不到过程,却非常准确。


当“一切归于简”的时候,其实也是我们对手机大部分 APP 摆脱依赖的时候。我们需要的,仅仅是一个能理解我们需求的东西,这个东西,屏幕点击不再是它的主要交互。你只需要把你的需求输入给它,或者更简单的——告诉它,就可以得到最终结果了。


此时可能有聪明的读者意识到了,这不就是手机上更智能化的 siri等语音助手嘛。



我认为不是。有3个原因:


手机的操作系统平台是 iOS 或 Android 等, siri 可以理解为是系统里的一个 APP 应用,它不是一个系统平台,这就给 siri 限定了一个天花板。

在手机操作系统的生态中,每一个 APP 都是个体,它们自身具有非常鲜明的功能特性,并且难以融合。一个汇聚所有功能于一身的 APP 注定是一个失败的 APP 。这是商业上的壁垒,也是优秀的用户体验。基于这种特点下,手机系统没有“一”的基因。

屏幕的存在。屏幕交互和语音交互其实不是共生,而是互相竞争。当手机上所有语音交互都可以通过屏幕交互实现的时候,用户往往只会二选一,并且选择手机交互的核心方式触屏。这会导致“语音”只能成为可有可无的装饰品。



因此,我们需要一个无屏幕的东西,来实现“一切归一”的操作。它应该是语音助手,但载体不再是手机,可以是一个小音响,或者根本隐藏起来(比如嵌入在家里的天花板四周),你可以不接触它,但它会感知你。


最重要的一点是:这个语音助手本身不是一个 APP,它应该是一个操作系统平台,一个从 iOS 或 Android 衍生出来的平台。它自己包含了千万个 APP。你告诉它你的需求的时候,实现这些需求不是由语音助手本身去实现,而是由语音助手平台上的 APP 去实现。


这可能不好理解,详细地讲:


语音助手平台里的 APP 不再有界面,交互方式几乎只有语音。比如:


你跟语音助手说:“帮我联系下老王”,可能实现它的依然是微信;

你跟语音助手说:“帮我叫一辆快车”,实现它的依然是滴滴出行;

你跟语音助手说:“帮我订一张机票”,实现它的依然是携程。


但是你感知不到 APP 的存在,语音命令背后所有的逻辑操作你都是看不见的,因为你面对的,只是一个音响,甚至一个看不见的声音。


在这个平台下,各个 APP 的独特性被剥去,只剩最纯粹的功能。它们都融合在了语音助手里。这即是语音助手平台与 iOS 或 Android 的区别,因为各种 APP 的功能融合在一起,变成了语音助手平台的各种技能。但它与 iOS 或 Android 是无缝连接的,所有的信息只要需要,可以传递到屏幕上。屏幕更多的作用,就是显示结果,给予你安全感。


那么这个“超级大脑”未来在哪里呢?我认为有两种可能。


第一种是每个公司各拥有一个“超级大脑”,并负责公司产品自身的功能模块。我们可以称它们为“微信大脑”、“滴滴大脑”、“携程大脑”,各个大脑通过大量的数据继续自我训练,达到更优秀的效果。


第二种是语音助手平台自身就是一个“超级大脑”,并提供给其他公司技术支持,比如“讯飞超脑”、“百度大脑”,所有的应用数据都会交给这个大脑进行训练,实现更强大的“超级大脑”。我个人更倾向于这种可能。


这将是一个新的更强大的生态系统。语音助手可以嵌入非常多的应用场景,比如汽车、家居、教育等等。而掌握这个语音平台的公司,在数个竞争者中获得胜利后,将可能成为新的巨头。


随着时代的到来,这样的产品终究会实现。它不能替代手机,因为依然有很多内容的载体需要屏幕,很多应用场景也离不开屏幕。但它终究会融入我们的生活,成为我们一种新的生活方式。


比如现在,敲击一下你的耳机,告诉它你的需求吧。


更多内容请关注:www.imefuture.com

智造家二维码.jpg

 
 
 
来源:微信公众号 人人都是产品经理  作者:来杯冷饮
449 浏览

本届高交会让人略有所思

机械自动化类 料盘挡板 2016-11-22 10:50 发表了文章 来自相关话题

记得去年的高交会(中国国际高新技术成果交易会)主角是机器人,高交会上的展馆基本上被机器人霸占,但今年这一届,机器人有所冷却。

特别是主流的高科技展会,会折射出市场偏向,以及投资偏向,这届高交会机器人所占比重不高,这也反应市场以及资本对机器人已有冷却,反而是VR+娱乐逆势袭来。
 
去年是机器人,今年是VR,更确切的说,是虚拟游戏的逆袭,很多大型的游戏,包括网络游戏正在走上,让用户身临其境的快感,VR+虚拟游戏,VR+各种娱乐,是这次高交会的亮点。它反应了一个行业发展的趋势。
 
我认为机器人是众多高科技集成的结晶,以目前市面上的技术,还无法让机器人达到能够协助人类的地步,所以离机器人步入成熟,这期间是有一个过渡产品,这过渡产品是什么?还需要我们去探索。
 

不管是现在热门的VR、AR、机器人、念力控制技术等等,这里面涉及到的技术,都是可以相互通用,我想说的是,在接下来的一年中,特别是机器人企业,大家为了让机器人能够有所作用,会加以植入各自各样的技术,包括VR、AR、或其他技术等等,会出来一个什么东西,都是不可预测的,也是令人期待的。

附:高交会部分展示作品
 




VR+游戏,让人身临其境游戏的快感






大圣机器人,应用于酒店大堂提供订酒店、投诉服务






武媚娘机器人, 身高1.80米,这身高在机器人中也很少见






咪咔手机机器人,国内第一款人型手机机器人






会绘画的人型机器人






导盲头盔, 盲人带上后, 机器视觉观看到的景象通过语音提示盲人行走
 
 
 
 
 
 
来源:1号机器人
智造家提供 查看全部
4.1_.jpg

记得去年的高交会(中国国际高新技术成果交易会)主角是机器人,高交会上的展馆基本上被机器人霸占,但今年这一届,机器人有所冷却。

特别是主流的高科技展会,会折射出市场偏向,以及投资偏向,这届高交会机器人所占比重不高,这也反应市场以及资本对机器人已有冷却,反而是VR+娱乐逆势袭来。
 
去年是机器人,今年是VR,更确切的说,是虚拟游戏的逆袭,很多大型的游戏,包括网络游戏正在走上,让用户身临其境的快感,VR+虚拟游戏,VR+各种娱乐,是这次高交会的亮点。它反应了一个行业发展的趋势。
 
我认为机器人是众多高科技集成的结晶,以目前市面上的技术,还无法让机器人达到能够协助人类的地步,所以离机器人步入成熟,这期间是有一个过渡产品,这过渡产品是什么?还需要我们去探索。
 

不管是现在热门的VR、AR、机器人、念力控制技术等等,这里面涉及到的技术,都是可以相互通用,我想说的是,在接下来的一年中,特别是机器人企业,大家为了让机器人能够有所作用,会加以植入各自各样的技术,包括VR、AR、或其他技术等等,会出来一个什么东西,都是不可预测的,也是令人期待的。

附:高交会部分展示作品
 
4.2_.jpg

VR+游戏,让人身临其境游戏的快感


4.3_.JPG

大圣机器人,应用于酒店大堂提供订酒店、投诉服务


4.4_.JPG

武媚娘机器人, 身高1.80米,这身高在机器人中也很少见


4.5_.jpg

咪咔手机机器人,国内第一款人型手机机器人


4.6_.JPG

会绘画的人型机器人


4.7_.jpg

导盲头盔, 盲人带上后, 机器视觉观看到的景象通过语音提示盲人行走
 
 
 
 
 
 
来源:1号机器人
智造家提供
489 浏览

全面了解人工智能

机械自动化类 星旭自动化 2016-11-17 18:31 发表了文章 来自相关话题

国内对于人工智能的讨论大多是不成体系的碎片式,很难从中深入了解人工智能的发展脉络和技术体系,也很难有实际借鉴意义。德勤DUP发布的一份报告中,对人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解,也有助于各行业的公司考量人工智能应用的实际价值。






一、概述

近几年各界对人工智能的兴趣激增,自2011年以来,开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资,而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地,而巨额投资、计算机导致失业等问题也开始浮现,计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。

IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。

谷歌在最近几年里的投资主要集中在人工智能领域,比如收购了8个机器人公司和1个机器学习公司。

Facebook聘用了人工智能学界泰斗Yann LeCun来创建自己的人工智能实验室,期望在该领域获得重大突破。

牛津大学的研究人员发表了一篇报告表明,美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。

纽约时报畅销书《The Second Machine Age》论断,数字科技和人工智能带来巨大积极改变的时代已经到来,但是随之而来的也有引发大量失业等负面效应。

硅谷创业家Elon Musk则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。

著名理论物理学家Stephen Hawking认为,如果成功创造出人工智能则意味着人类历史的终结,“除非我们知道如何规避风险。”

即便有如此多炒作,但人工智能领域却也不乏显著的商业行为,这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。

二、人工智能与认知科技

揭秘人工智能的首要步骤就是定义专业术语,勾勒历史,同时描述基础性的核心技术。

1、人工智能的定义

人工智能领域苦于存在多种概念和定义,有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到:“人工智能缺乏通用的定义。”一本如今已经修订三版的权威性人工智能教科书给出了八项定义,但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说,一种实用的定义即为——人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如,视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动,从人类能够完成的任务角度对人工智能进行定义,而非人类如何思考,在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是,随着计算机为解决新任务挑战而升级换代并推而广之,人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以,人工智能的定义随着时间而演变,这一现象称之为“人工智能效应”,概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”

2、人工智能的历史

人工智能并不是一个新名词。实际上,这个领域在20世纪50年代就已经开始启动,这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。

20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标,从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目,这些项目表明,计算机能够完成一系列所本只属于人类能力范畴之内的任务,例如证明定理、求解微积分、通过规划来响应命令、履行物理动作,甚至是模拟心理学家、谱曲这样的活动。

但是,过分简单的算法、匮乏的难以应对不确定环境(这种情形在生活中无处不在)的理论,以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望,人工智能于20世纪70年代中期逐渐淡出公众视野。

20世纪80年代早期,日本发起了一个项目,旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本,这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商,其中一些已经上市,例如Intellicorp、Symbolics、和Teknowledge。

20世纪80年代末,几乎一半的“财富500强”都在开发或使用“专家系统”,这是一项通过对人类专家的问题求解能力进行建模,来模拟人类专家解决该领域问题的人工智能技术。

对于专家系统潜力的过高希望彻底掩盖了它本身的局限性,包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本,当这一点被越来越多的人所认识到时,人工智能研究再一次脱离轨道。

20世纪90年代在人工智能领域的技术成果始终处于低潮,成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注,这一方面是因为这些技术避免了专家系统的若干限制,另一方面是因为新算法让它们运行起来更加高效。

神经网络的设计受到了大脑结构的启发。遗传算法的机制是,首先迭代生成备选解决方案,然后剔除最差方案,最后通过引入随机变量来产生新的解决方案,从而“进化”出解决问题的最佳方案。


3、人工智能进步的催化剂

截止到21世纪前10年的后期,出现了一系列复兴人工智能研究进程的要素,尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。

1)摩尔定律

在价格、体积不变的条件下,计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律,它以Intel共同创办人Gordon Moore命名。Gordon Moore从各种形式的计算中获利,包括人工智能研究人员使用的计算类型。数年以前,先进的系统设计只能在理论上成立但无法实现,因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天,我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子,现在最新一代微处理器的性能是1971年第一代单片机的400万倍。

2)大数据

得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识,用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂,这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,通过把这些模型暴露在数据的海洋中,使它们得到不断优化,或者称之为“训练”——现在这样的条件随处可得。

3)互联网和云计算

和大数据现象紧密相关,互联网和云计算可以被认为是人工智能基石有两个原因,第一,它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的,因此它可以促进人工智能的发展。第二,它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如,有些研究人员使用类似Mechanical Turk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。

4)新算法

算法是解决一个设计程序或完成任务的路径方法。最近几年,新算法的发展极大提高了机器学习的能力,这些算法本身很重要,同时也是其他技术的推动者,比如计算机视觉(这项科技将会在后文描述)。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工作。

4、认知技术

我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术(下图),认知技术是人工智能领域的产物,它们能完成以往只有人能够完成的任务。而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术,它们正被广泛采纳并进展迅速,也获得大量投资。






1)计算机视觉

是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

计算机视觉有着广泛应用。其中包括,医疗成像分析被用来提高疾病的预测、诊断和治疗;人脸识别被Facebook用来自动识别照片里的人物;在安防及监控领域被用来指认嫌疑人;在购物方面,消费者现在可以用智能手机拍摄下产品以获得更多购买选择。

机器视觉作为一个相关学科,泛指在工业自动化领域的视觉应用。在这些应用里,计算机在高度受限的工厂环境里识别诸如生产零件一类的物体,因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究,而机器视觉则是“已经解决的问题”,是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大,计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。

2)机器学习

指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于,机器学习是从数据中自动发现模式,模式一旦被发现便可用于做预测。比如,给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库,系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多,预测就会越好。

机器学习的应用范围非常广泛,针对那些产生庞大数据的活动,它几乎拥有改进一切性能的潜力。除了欺诈甄别之外,这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色,比如计算机视觉,它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。
 
现如今,机器学习已经成为认知技术中最炙手可热的研究领域之一,在2011-2014年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。

3)自然语言处理

是指计算机拥有的人类般文本处理的能力,比如,从文本中提取意义,甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式,但是它却可以用非常复杂与成熟的手段巧妙处理文本,例如自动识别一份文档中所有被提及的人与地点;识别文档的核心议题;或者在一堆仅人类可读的合同中,将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成,后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子,它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭(Time flies like an arrow)”中每一个单词的意义看起来都很清晰,直到系统遇到这样的句子“果蝇喜欢香蕉(Fruit flies like a banana)”,用“水果(fruit)”替代了“时间(time)”,并用“香蕉(banana)”替代“箭(arrow)”,就改变了“飞逝/飞着的(like)”与“像/喜欢(like)”这两个单词的意思。

自然语言处理,像计算机视觉技术一样,将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布,举例来说,就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字,通过识别这些元素可以把某类文字同其他文字区别开来,比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准,用来决定一封邮件是否属于垃圾邮件。

因为语境对于理解“time flies(时光飞逝)”和“fruit flies(果蝇)”的区别是如此重要,所以自然语言处理技术的实际应用领域相对较窄,这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。

4)机器人技术

将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中,这就催生了新一代的机器人,它有能力与人类一起工作,能在各种未知环境中灵活处理不同的任务。例如无人机,还有可以在车间为人类分担工作的“cobots”,还包括那些从玩具到家务助手的消费类产品。

5)语音识别技术

主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题,在不同口音的处理、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难,同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术,再辅以其他技术,比如描述声音和其出现在特定序列和语言中概率的声学模型等。
 
语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。

上面提到的认知技术进步飞快并吸引了大量投资,其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限的前提下做出最佳权衡;规划和调度——使设计一系列行动流程来满足目标和观察约束;规则导向系统——为专家系统提供基础的技术,使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。


三、认知技术的广泛使用

各种经济部门已经把认知技术运用到了多种商业职能中。

1)银行业

自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式;借助语音识别技术能够自动完成电话客服;声音识别可以核实来电者的身份

2)医疗健康领域

美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录,而且使用率还在迅速增长;机器视觉系统自动完成乳房X光检查和其他医学影响的分析;IBM的Watson借助自然语言处理技术来阅读和理解大量医学文献,通过假设自动生成来完成自动诊断,借助机器学习可以提高准确率。

3)生命科学领域

机器学习系统被用来预测生物数据和化合物活动的因果关系,从而帮助制药公司识别出最有前景的药物。

4)媒体与娱乐行业

许多公司正在使用数据分析和自然语言生成技术,自动起草基于数据的的公文材料,比如公司营收状况、体育赛事综述等。

5)石油与天然气

厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。

6)公共部门

出于监控、合规和欺诈检测等特定目的,公共部门也已经开始使用认知技术。比如,乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化,在这个过程中他们就采用了一套自动手写识别系统。

7)零售商

零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。

8)科技公司

它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品,比如Roomba机器人吸尘器,Nest智能恒温器。

上述例子表明,认识技术的潜在商业收益远大于自动化带来的成本节约,这主要体现在:

更快的行动与决策(比如,自动欺诈检测,计划和调度)

更好的结果(比如,医学诊断、石油探测、需求预测)

更高的效率(亦即,更好的利用高技能人才和昂贵设备),

更低的成本(比如,自动电话客服减少了劳动成本)

更大的规模(亦即,开展人力无法执行的大规模任务)

产品与服务创新(从增加新功能到创造新产品)






四、认知技术影响力与日俱增的原因

在未来五年,认知技术在商业领域的影响力将显著增长。原因有二,首先,近些年来,技术性能有了实质进步,并处于持续研发状态。其次,数亿美元已经投入到技术商业化中,许多公司正致力于为各商业部门的广泛需求提供定制化开发和打包方案,以使这些技术更易购买和配置。虽然并非所有的技术提供商都能幸存,但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围,这种情况在未来几年都将持续下去。

1、技术提升扩展了应用范围

认知技术大踏步前进的例子非常多。比如Google的语音识别系统,一份报告显示,Google用了不到两年时间就将语音识别的精准度从2012年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设置的技术标准来看,自2010年到2014年,图像分类识别的精准度提高了4倍。Facebook的DeepFace技术在同行评审报告(译者注:同行评审,是一种学术成果审查程序,即一位作者的学术著作或计划被同一领域的其他专家学者评审。)被高度肯定,其脸部识别率的准确度达到97%。2011年,IBM为了让Watson在智力节目《危险边缘》中获胜,曾对Watson进行优化,提升两倍的答案精确度。现在,IBM又宣称如今的Watson比当时“智能”了2400%。

随着技术的改进和提高,技术应用的范围也在不断扩大。比如,在语音识别方面,机器曾经需要大量训练才能在有限词库里勉强识别出来,由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在,每个月互联网上都会有数以百万次的语音搜索。另外,计算机视觉技术过去被狭隘的理解为部署在工业自动化方面,但现在,我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用,从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。

并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展,但幅度很小。一份调查发现,从2009年到2012年,将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美,但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度,并把一些常规翻译交给机器,自己专注在更具挑战性的任务上。

很多公司正努力将认知技术做进一步研发,并逐步将其融入到更多产品尤其是企业级产品里,以方便企业用户购买和部署。

2、对商业化进行的大规模投资

从2011年到2014年5月,超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时,超过100家的相关公司被兼并或收购,其中一些被互联网巨头如亚马逊、苹果、Google、IBM或Facebook收购。所有这些投资都在培育一个多样化的公司图谱,这些公司正在加速认知技术的商业化进程。

在这里,我们并不会提供关于某公司在认知技术商业化方面的细节,我们希望说明,认知技术产品拥有丰富的多样性。下面就是致力于认知技术商业化的公司名单,这个名单既不是完整无缺也非固定不变,而是一个动态的,用于推动和培育市场的指标。

数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思,或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括Context Relevant(译者注:美国的一家大数据挖掘和分析公司)、Palantir Technologies(译者注:这家公司称要将数据、技术、人类和环境连接起来)、以及Skytree(译者注:一家借助机器学习进行市场分析并提供决策依据的大数据公司)。

认知技术的各个部分可以被整合到各种应用和商业决策中,分别起到增加功能和提高效率的作用。例如,Wise.io公司提供一套模块来促进商业决策,比如客户支持、营销和销售,这里面会用到机器学习模型来预测哪些客户比较容易流失,以及哪些潜在客户更加容易转化。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。

单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效,并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。

技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能,包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。

3、新兴应用

如果这些技术的表现和商业化趋势继续发展,我们就能够大胆预测认知技术的应用将更加广泛,被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司,这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面,我们也看到了巨大空间。

五、认知技术在企业的应用路径

认知技术将在接下来几年里变得流行。在未来2-5年,技术层面的进步和商业化将扩大认知技术对企业的影响。越来越多的企业会找到一些创新性应用来显著改善他们自身的表现或者创造新功能,以增强他们的竞争地位。企业的IT部门现在可以行动起来,增加对这些技术的了解,评估出适用这些技术的机会,将这些技术可能带来的价值向领导进行汇报。高级商务和公共部门的领导应该思考认知技术将对他们的部门以及整个公司产生何种影响,这些技术将如何激发创新并提升经营表现。
 
 
 
来源:1号机器人

智造家提供 查看全部
国内对于人工智能的讨论大多是不成体系的碎片式,很难从中深入了解人工智能的发展脉络和技术体系,也很难有实际借鉴意义。德勤DUP发布的一份报告中,对人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解,也有助于各行业的公司考量人工智能应用的实际价值。

2.jpg


一、概述

近几年各界对人工智能的兴趣激增,自2011年以来,开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资,而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地,而巨额投资、计算机导致失业等问题也开始浮现,计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。

IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。

谷歌在最近几年里的投资主要集中在人工智能领域,比如收购了8个机器人公司和1个机器学习公司。

Facebook聘用了人工智能学界泰斗Yann LeCun来创建自己的人工智能实验室,期望在该领域获得重大突破。

牛津大学的研究人员发表了一篇报告表明,美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。

纽约时报畅销书《The Second Machine Age》论断,数字科技和人工智能带来巨大积极改变的时代已经到来,但是随之而来的也有引发大量失业等负面效应。

硅谷创业家Elon Musk则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。

著名理论物理学家Stephen Hawking认为,如果成功创造出人工智能则意味着人类历史的终结,“除非我们知道如何规避风险。”

即便有如此多炒作,但人工智能领域却也不乏显著的商业行为,这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。

二、人工智能与认知科技

揭秘人工智能的首要步骤就是定义专业术语,勾勒历史,同时描述基础性的核心技术。

1、人工智能的定义

人工智能领域苦于存在多种概念和定义,有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到:“人工智能缺乏通用的定义。”一本如今已经修订三版的权威性人工智能教科书给出了八项定义,但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说,一种实用的定义即为——人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如,视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动,从人类能够完成的任务角度对人工智能进行定义,而非人类如何思考,在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是,随着计算机为解决新任务挑战而升级换代并推而广之,人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以,人工智能的定义随着时间而演变,这一现象称之为“人工智能效应”,概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”

2、人工智能的历史

人工智能并不是一个新名词。实际上,这个领域在20世纪50年代就已经开始启动,这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。

20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标,从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目,这些项目表明,计算机能够完成一系列所本只属于人类能力范畴之内的任务,例如证明定理、求解微积分、通过规划来响应命令、履行物理动作,甚至是模拟心理学家、谱曲这样的活动。

但是,过分简单的算法、匮乏的难以应对不确定环境(这种情形在生活中无处不在)的理论,以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望,人工智能于20世纪70年代中期逐渐淡出公众视野。

20世纪80年代早期,日本发起了一个项目,旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本,这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商,其中一些已经上市,例如Intellicorp、Symbolics、和Teknowledge。

20世纪80年代末,几乎一半的“财富500强”都在开发或使用“专家系统”,这是一项通过对人类专家的问题求解能力进行建模,来模拟人类专家解决该领域问题的人工智能技术。

对于专家系统潜力的过高希望彻底掩盖了它本身的局限性,包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本,当这一点被越来越多的人所认识到时,人工智能研究再一次脱离轨道。

20世纪90年代在人工智能领域的技术成果始终处于低潮,成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注,这一方面是因为这些技术避免了专家系统的若干限制,另一方面是因为新算法让它们运行起来更加高效。

神经网络的设计受到了大脑结构的启发。遗传算法的机制是,首先迭代生成备选解决方案,然后剔除最差方案,最后通过引入随机变量来产生新的解决方案,从而“进化”出解决问题的最佳方案。


3、人工智能进步的催化剂

截止到21世纪前10年的后期,出现了一系列复兴人工智能研究进程的要素,尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。

1)摩尔定

在价格、体积不变的条件下,计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律,它以Intel共同创办人Gordon Moore命名。Gordon Moore从各种形式的计算中获利,包括人工智能研究人员使用的计算类型。数年以前,先进的系统设计只能在理论上成立但无法实现,因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天,我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子,现在最新一代微处理器的性能是1971年第一代单片机的400万倍。

2)大数据

得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识,用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂,这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,通过把这些模型暴露在数据的海洋中,使它们得到不断优化,或者称之为“训练”——现在这样的条件随处可得。

3)互联网和云计算

和大数据现象紧密相关,互联网和云计算可以被认为是人工智能基石有两个原因,第一,它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的,因此它可以促进人工智能的发展。第二,它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如,有些研究人员使用类似Mechanical Turk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。

4)新算法

算法是解决一个设计程序或完成任务的路径方法。最近几年,新算法的发展极大提高了机器学习的能力,这些算法本身很重要,同时也是其他技术的推动者,比如计算机视觉(这项科技将会在后文描述)。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工作。

4、认知技术

我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术(下图),认知技术是人工智能领域的产物,它们能完成以往只有人能够完成的任务。而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术,它们正被广泛采纳并进展迅速,也获得大量投资。

3.jpg


1)计算机视觉

是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

计算机视觉有着广泛应用。其中包括,医疗成像分析被用来提高疾病的预测、诊断和治疗;人脸识别被Facebook用来自动识别照片里的人物;在安防及监控领域被用来指认嫌疑人;在购物方面,消费者现在可以用智能手机拍摄下产品以获得更多购买选择。

机器视觉作为一个相关学科,泛指在工业自动化领域的视觉应用。在这些应用里,计算机在高度受限的工厂环境里识别诸如生产零件一类的物体,因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究,而机器视觉则是“已经解决的问题”,是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大,计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。

2)机器学习

指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于,机器学习是从数据中自动发现模式,模式一旦被发现便可用于做预测。比如,给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库,系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多,预测就会越好。

机器学习的应用范围非常广泛,针对那些产生庞大数据的活动,它几乎拥有改进一切性能的潜力。除了欺诈甄别之外,这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色,比如计算机视觉,它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。
 
现如今,机器学习已经成为认知技术中最炙手可热的研究领域之一,在2011-2014年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。

3)自然语言处理

是指计算机拥有的人类般文本处理的能力,比如,从文本中提取意义,甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式,但是它却可以用非常复杂与成熟的手段巧妙处理文本,例如自动识别一份文档中所有被提及的人与地点;识别文档的核心议题;或者在一堆仅人类可读的合同中,将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成,后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子,它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭(Time flies like an arrow)”中每一个单词的意义看起来都很清晰,直到系统遇到这样的句子“果蝇喜欢香蕉(Fruit flies like a banana)”,用“水果(fruit)”替代了“时间(time)”,并用“香蕉(banana)”替代“箭(arrow)”,就改变了“飞逝/飞着的(like)”与“像/喜欢(like)”这两个单词的意思。

自然语言处理,像计算机视觉技术一样,将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布,举例来说,就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字,通过识别这些元素可以把某类文字同其他文字区别开来,比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准,用来决定一封邮件是否属于垃圾邮件。

因为语境对于理解“time flies(时光飞逝)”和“fruit flies(果蝇)”的区别是如此重要,所以自然语言处理技术的实际应用领域相对较窄,这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。

4)机器人技术

将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中,这就催生了新一代的机器人,它有能力与人类一起工作,能在各种未知环境中灵活处理不同的任务。例如无人机,还有可以在车间为人类分担工作的“cobots”,还包括那些从玩具到家务助手的消费类产品。

5)语音识别技术

主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题,在不同口音的处理、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难,同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术,再辅以其他技术,比如描述声音和其出现在特定序列和语言中概率的声学模型等。
 
语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。

上面提到的认知技术进步飞快并吸引了大量投资,其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限的前提下做出最佳权衡;规划和调度——使设计一系列行动流程来满足目标和观察约束;规则导向系统——为专家系统提供基础的技术,使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。


三、认知技术的广泛使用

各种经济部门已经把认知技术运用到了多种商业职能中。

1)银行业

自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式;借助语音识别技术能够自动完成电话客服;声音识别可以核实来电者的身份

2)医疗健康领域

美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录,而且使用率还在迅速增长;机器视觉系统自动完成乳房X光检查和其他医学影响的分析;IBM的Watson借助自然语言处理技术来阅读和理解大量医学文献,通过假设自动生成来完成自动诊断,借助机器学习可以提高准确率。

3)生命科学领域

机器学习系统被用来预测生物数据和化合物活动的因果关系,从而帮助制药公司识别出最有前景的药物。

4)媒体与娱乐行业

许多公司正在使用数据分析和自然语言生成技术,自动起草基于数据的的公文材料,比如公司营收状况、体育赛事综述等。

5)石油与天然气

厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。

6)公共部门

出于监控、合规和欺诈检测等特定目的,公共部门也已经开始使用认知技术。比如,乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化,在这个过程中他们就采用了一套自动手写识别系统。

7)零售商

零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。

8)科技公司

它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品,比如Roomba机器人吸尘器,Nest智能恒温器。

上述例子表明,认识技术的潜在商业收益远大于自动化带来的成本节约,这主要体现在:

更快的行动与决策(比如,自动欺诈检测,计划和调度)

更好的结果(比如,医学诊断、石油探测、需求预测)

更高的效率(亦即,更好的利用高技能人才和昂贵设备),

更低的成本(比如,自动电话客服减少了劳动成本)

更大的规模(亦即,开展人力无法执行的大规模任务)

产品与服务创新(从增加新功能到创造新产品)

4.jpg


四、认知技术影响力与日俱增的原因

在未来五年,认知技术在商业领域的影响力将显著增长。原因有二,首先,近些年来,技术性能有了实质进步,并处于持续研发状态。其次,数亿美元已经投入到技术商业化中,许多公司正致力于为各商业部门的广泛需求提供定制化开发和打包方案,以使这些技术更易购买和配置。虽然并非所有的技术提供商都能幸存,但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围,这种情况在未来几年都将持续下去。

1、技术提升扩展了应用范围

认知技术大踏步前进的例子非常多。比如Google的语音识别系统,一份报告显示,Google用了不到两年时间就将语音识别的精准度从2012年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设置的技术标准来看,自2010年到2014年,图像分类识别的精准度提高了4倍。Facebook的DeepFace技术在同行评审报告(译者注:同行评审,是一种学术成果审查程序,即一位作者的学术著作或计划被同一领域的其他专家学者评审。)被高度肯定,其脸部识别率的准确度达到97%。2011年,IBM为了让Watson在智力节目《危险边缘》中获胜,曾对Watson进行优化,提升两倍的答案精确度。现在,IBM又宣称如今的Watson比当时“智能”了2400%。

随着技术的改进和提高,技术应用的范围也在不断扩大。比如,在语音识别方面,机器曾经需要大量训练才能在有限词库里勉强识别出来,由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在,每个月互联网上都会有数以百万次的语音搜索。另外,计算机视觉技术过去被狭隘的理解为部署在工业自动化方面,但现在,我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用,从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。

并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展,但幅度很小。一份调查发现,从2009年到2012年,将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美,但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度,并把一些常规翻译交给机器,自己专注在更具挑战性的任务上。

很多公司正努力将认知技术做进一步研发,并逐步将其融入到更多产品尤其是企业级产品里,以方便企业用户购买和部署。

2、对商业化进行的大规模投资

从2011年到2014年5月,超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时,超过100家的相关公司被兼并或收购,其中一些被互联网巨头如亚马逊、苹果、Google、IBM或Facebook收购。所有这些投资都在培育一个多样化的公司图谱,这些公司正在加速认知技术的商业化进程。

在这里,我们并不会提供关于某公司在认知技术商业化方面的细节,我们希望说明,认知技术产品拥有丰富的多样性。下面就是致力于认知技术商业化的公司名单,这个名单既不是完整无缺也非固定不变,而是一个动态的,用于推动和培育市场的指标。

数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思,或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括Context Relevant(译者注:美国的一家大数据挖掘和分析公司)、Palantir Technologies(译者注:这家公司称要将数据、技术、人类和环境连接起来)、以及Skytree(译者注:一家借助机器学习进行市场分析并提供决策依据的大数据公司)。

认知技术的各个部分可以被整合到各种应用和商业决策中,分别起到增加功能和提高效率的作用。例如,Wise.io公司提供一套模块来促进商业决策,比如客户支持、营销和销售,这里面会用到机器学习模型来预测哪些客户比较容易流失,以及哪些潜在客户更加容易转化。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。

单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效,并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。

技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能,包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。

3、新兴应用

如果这些技术的表现和商业化趋势继续发展,我们就能够大胆预测认知技术的应用将更加广泛,被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司,这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面,我们也看到了巨大空间。

五、认知技术在企业的应用路径

认知技术将在接下来几年里变得流行。在未来2-5年,技术层面的进步和商业化将扩大认知技术对企业的影响。越来越多的企业会找到一些创新性应用来显著改善他们自身的表现或者创造新功能,以增强他们的竞争地位。企业的IT部门现在可以行动起来,增加对这些技术的了解,评估出适用这些技术的机会,将这些技术可能带来的价值向领导进行汇报。高级商务和公共部门的领导应该思考认知技术将对他们的部门以及整个公司产生何种影响,这些技术将如何激发创新并提升经营表现。
 
 
 
来源:1号机器人

智造家提供
716 浏览

“人工智能+”时代正在到来

IT软件类 陈园园 2016-10-28 17:07 发表了文章 来自相关话题

如今,人工智能已经进入了全球爆发的前夜。10月18日,“AI World 2016世界人工智能大会”现场,新智元公布了对100家人工智能创业企业进行的调研报告。报告显示,在98家企业填报的估值数中,总值为1014亿元,均值为10亿元左右。
“未来5~10年的人工智能蕴含巨大的潜力。”斯坦福大学人工智能实验室和计算机视觉实验室负责人李飞飞表示,无人驾驶、工业机器人、增强现实(AR)、虚拟现实(VR)等与感知相关的应用都会得到大规模的提高。
不过,人工智能市场的蛋糕虽大,但目前依然处于初期阶段。华为诺亚方舟实验室主任李航认为,目前“弱人工智能”仍存在严重依赖训练数据,模型必须适合于要解决的问题,不适合执行不特定多重任务等多方面的局限。
也许人工智能理想国仍遥遥无期,但并不妨碍各大企业将核心机器学习算法加以应用,原因很简单:争夺下一个产业生态。
人工智能又掀浪潮
亚里士多德曾说过,如果机器能干很多活,岂不能让人类解放出来?《星球大战》《黑客帝国》《人工智能》等科幻电影,激发了一代又一代学者和实业家,前赴后继地投入到人工智能的研究中。
上世纪70年代,囿于数学模型的缺陷和计算复杂程度增加,不可能完成的计算任务导致了人工智能的第一次寒冬,而十多年后现代PC的出现,“促成”了第二次人工智能的寒冬。
如何在有限的资源下做有用的事情,这是人工智能一直以来的挑战。随着新的数学工具、新的理论和摩尔定律的出现,人工智能也在确定自己的方向,其中一个选择就是要做实用性、功能性的人工智能,这导致了一个新的人工智能路径。由于人工智能任务的明确和简化,带来了新的繁荣。
“今天作为一个全新的历史节点,在人工智能概念提出60周年之后,AI正从原来的理论框架体系的搭建、实验室关键技术的准备,开始进入到一个全新的阶段——正在进入到我们生活的方方面面。”科大讯飞总裁刘庆峰说。
“近年来,众多的全球科技领导企业将人工智能作为公司当前以及未来整体发展的核心战略。”中国工程院院士郑南宁说,人工智能等新技术将会给人们的生产、生活方式带来革命性的变化,新兴产业及技术创新也将为世界经济的复苏和发展注入“强心剂”。
刘庆峰也认为,技术进步之外,人工智能的兴起还有两个重要的原因——一是人类需要一个更加激动人心的未来;二是全球的产业和经济都需要一个新的增长点,需要走出当前的低迷。
“5年之后,任何一个行业或者今天的创业者,或者领导型公司,如果不用人工智能来改变它今天的生产和生活方式,那它一定会出局。”刘庆峰说,“‘互联网+’‘人工智能+’的时代正在到来。”
德勤提出未来80%的世界500强企业的标配是掌握认知技术。埃森哲认为到2035年,人工智能会让12个发达国家经济增长率翻一倍。刘庆峰提出,“希望中国在这个基础上,经济增长率比这些还要高,才能对得起我们今天所面临的时代机遇”。
无限趋近的智能
人工智能将不仅仅是替代简单重复的劳动,未来越来越多的复杂的高级脑力活动可以被人工智能替代,人工智能既创造一个又一个新的机会,也会带来又一个巨大的挑战。
目前,以语音为主导,以键盘和触摸为辅助的人机交互时代正在到来。刘庆峰介绍科大讯飞的使命,就是让机器能听会说,能理解会思考,“用人工智能来建设美好世界”。
为什么在上世纪80年代、90年代,深度神经网络没有能够产生如此大的影响?微软人工智能首席科学家邓力解释说,是因为当时数据不够,计算能力、算法都不完备。“差不多十年之前端到端的优化学习问题开始在算法上得到解决,深度神经网络才开始发力。”邓力说。
而人工智能美好世界的建立,正是基于廉价的云计算和大数据技术基础之上。“所有的人工智能系统有这样一个规律,叫人工智能闭环,由系统、用户、数据、算法组成。”李航说,“先有系统,建好以后有用户使用,产生大量使用数据。这些数据又能帮助我们提高算法的性能,提高系统性能,提高了性能的系统又能更好地帮助用户,最后使用户感受到系统越来越智能。观察所有的人工智能系统,基本上都遵循这样的规律。”
虽然强人工智能、弱人工智能在某种意义上都有很大的局限性。但遵循闭环规律,弱人工智能也有很大的威力。“虽然没有跟推理等结合起来,对现在的机器学习来说,给我们无穷多的数据,智能系统的智能水平就能够不断升级,与更多应用结合,显示出人工智能的威力。”李航说。
小荷才露尖尖角
中国有句古话叫作“六十年一轮回”,然而对于人工智能来说,往后的六十年并不仅是轮回,而是新生。
在人工智能的浪潮中,中国扮演着越来越重要的角色。新智元对100家人工智能创业企业的调研报告显示,100家人工智能创业企业报告在融资、收入、专利方面的表现都颇为亮眼,蕴含较大的成长潜力。
上述报告显示,37家填报2015年收入数据的企业中,其中32家人工智能企业在2015年的总营收达到了7.56亿元,均值为2000万元左右,中位数在20万元,其中经营收入最高的达到了2亿元。
新智元创始人杨静认为,中国的人工智能产业正在完成从0到1的崛起,在国际学术机构会议和专业竞赛中,中国人工智能的影响力越来越强,一些业界的公司也走在了行业发展的前列。
即使如此,在人工智能领域,专家们也认为其发展目前还处于“小荷才露尖尖角”的阶段。美国人工智能协会(AAAI)前主席ThomasDietterich直言AI在技术和工程上的三大难题:一是不知何时信任AI是安全的;二是什么才算是好的人机交互界面还有待考证;三是在人无法接近的高危地带或者以超高速度运行的自动化系统,人类能否安心地部署它们还不太确定。
李飞飞预测,未来十年人工智能将实现从科学到科技到产品的发展,就像是4×100米的接力赛,第一棒是实验室、第二棒是工业界、第三棒和第四棒是产业化。
“学术界已经交出了感知问题的第一棒,”李飞飞说,“尽管有了前人的积累,未来还是有许多值得思考的问题,尤其是如何把信息转换成知识系统,如何让人工智能做到抽象、有创造性、有预测的决策。要想解决这个问题,需要学界、实验室、工业界、投资界共同的努力。”
但要抓住时代机遇并不容易,“我们应该也看到原创性的工作、突破性的工作还是主要来自美国、英国等国家。”李航提醒说。
杨静同样认为,目前我国人工智能前沿性的研究依然乏力,国际上以谷歌DeepMind为代表的公司正在积极研发通用人工智能,DeepMind创始人Demis也曾表示要尽快实现这一目标,中国倘若没有相应研究,很可能会错过21世纪最重大的发明。“我们一定要想,探索人工智能的初心何在?我们要对真理、对科技有执着的追求,不能丧失对智能大发现的先机。”
为什么不担心人工智能
人工智能会导致人类灭亡?人工智能是人类生存最大的威胁?在还没有获得很多人工智能带来的便利的当下,人们看到以上问题,许会一笑了之,但是这些焦虑确实是人工智能领域的精英提出来的。他们是霍金、比尔·盖茨还有马斯克。
笔者认为,这帮科技精英们有对强人工智能的担忧是很合理的,作为能影响人类社会科技研发方向的人,他们有责任提醒大家“这个方向上有狼,往前走要小心”,有责任提醒大家人工生命的研究要在严格控制条件下进行。
强人工智能可能对人类产生威胁,这是多数专家认可的。但通过参加“AIWorld2016世界人工智能大会”,笔者发现,目前我们对人工智能的应用其实相当原始。语言识别、图像识别看上去好像很厉害,其实就是拿语料库、图像库训练出来的几个算法。这不是“智能”,而是对人类智能的模拟。
为什么目前人工智能只能做到这个程度?原因很简单,人工智能是人类对“智能”的模拟,目的是实现某个人类能完成的工作,所以受人们对智能的理解限制。即使配合上神经网络模型和遗传算法的训练,目前的程序也只能在“达到预期目标”方面让人吃惊而已,程序本身不会演化出崭新的能力即只会接受训练,不能创造新事物。
所以,目前的人工智能只是工具而已。
其实科幻小说里面描述的机器人拥有智能然后反过来统治人类等等设想,跟现有的人工智能的大部分领域不相关,而属于计算机科学领域的虚拟生命系统——强人工智能。
强人工智能的局限,专家解读已有很多,大体上是安慰我们对于人工智能反抗人类这种担忧离21世纪初的我们还很远……目前对虚拟生命的研究仍然很原始,原始到所有的研究发现出来的东西都不知道能拿来做什么。
强人工智能要求程序有自己的思维,能够理解外部事物并自发做出决策甚至行动,其表现就像一个“人”一样,甚至很可能比人的反应更杰出、更可靠。
反过来,这些能够自行思考的人工生命,也有背叛人类的可能……甚至于很可能会背叛人类。不过大部分的精英其实也没有很担忧强人工智能的前景,毕竟这在目前看来还是太科幻。
比尔·盖茨的发言已经能说明这一点:不明白为什么有那么多人并不担心这种技术对未来的影响。同时,我们也要看到,虽然比尔·盖茨担心的是强人工智能和人工生命,但他兴致勃勃从事的也是弱人工智能。
现实世界究竟会不会出现《三体》当中人类与人工智能的博弈,笔者认为,或许有一种可能,就是我们未来有一天发现,其实我们永远无法实现强人工智能。在没有任何理论能够支撑强人工智能实现的当下,任何可能都有可能存在。 查看全部
如今,人工智能已经进入了全球爆发的前夜。10月18日,“AI World 2016世界人工智能大会”现场,新智元公布了对100家人工智能创业企业进行的调研报告。报告显示,在98家企业填报的估值数中,总值为1014亿元,均值为10亿元左右。
“未来5~10年的人工智能蕴含巨大的潜力。”斯坦福大学人工智能实验室和计算机视觉实验室负责人李飞飞表示,无人驾驶、工业机器人、增强现实(AR)、虚拟现实(VR)等与感知相关的应用都会得到大规模的提高。
不过,人工智能市场的蛋糕虽大,但目前依然处于初期阶段。华为诺亚方舟实验室主任李航认为,目前“弱人工智能”仍存在严重依赖训练数据,模型必须适合于要解决的问题,不适合执行不特定多重任务等多方面的局限。
也许人工智能理想国仍遥遥无期,但并不妨碍各大企业将核心机器学习算法加以应用,原因很简单:争夺下一个产业生态。
人工智能又掀浪潮
亚里士多德曾说过,如果机器能干很多活,岂不能让人类解放出来?《星球大战》《黑客帝国》《人工智能》等科幻电影,激发了一代又一代学者和实业家,前赴后继地投入到人工智能的研究中。
上世纪70年代,囿于数学模型的缺陷和计算复杂程度增加,不可能完成的计算任务导致了人工智能的第一次寒冬,而十多年后现代PC的出现,“促成”了第二次人工智能的寒冬。
如何在有限的资源下做有用的事情,这是人工智能一直以来的挑战。随着新的数学工具、新的理论和摩尔定律的出现,人工智能也在确定自己的方向,其中一个选择就是要做实用性、功能性的人工智能,这导致了一个新的人工智能路径。由于人工智能任务的明确和简化,带来了新的繁荣。
“今天作为一个全新的历史节点,在人工智能概念提出60周年之后,AI正从原来的理论框架体系的搭建、实验室关键技术的准备,开始进入到一个全新的阶段——正在进入到我们生活的方方面面。”科大讯飞总裁刘庆峰说。
“近年来,众多的全球科技领导企业将人工智能作为公司当前以及未来整体发展的核心战略。”中国工程院院士郑南宁说,人工智能等新技术将会给人们的生产、生活方式带来革命性的变化,新兴产业及技术创新也将为世界经济的复苏和发展注入“强心剂”。
刘庆峰也认为,技术进步之外,人工智能的兴起还有两个重要的原因——一是人类需要一个更加激动人心的未来;二是全球的产业和经济都需要一个新的增长点,需要走出当前的低迷。
“5年之后,任何一个行业或者今天的创业者,或者领导型公司,如果不用人工智能来改变它今天的生产和生活方式,那它一定会出局。”刘庆峰说,“‘互联网+’‘人工智能+’的时代正在到来。”
德勤提出未来80%的世界500强企业的标配是掌握认知技术。埃森哲认为到2035年,人工智能会让12个发达国家经济增长率翻一倍。刘庆峰提出,“希望中国在这个基础上,经济增长率比这些还要高,才能对得起我们今天所面临的时代机遇”。
无限趋近的智能
人工智能将不仅仅是替代简单重复的劳动,未来越来越多的复杂的高级脑力活动可以被人工智能替代,人工智能既创造一个又一个新的机会,也会带来又一个巨大的挑战。
目前,以语音为主导,以键盘和触摸为辅助的人机交互时代正在到来。刘庆峰介绍科大讯飞的使命,就是让机器能听会说,能理解会思考,“用人工智能来建设美好世界”。
为什么在上世纪80年代、90年代,深度神经网络没有能够产生如此大的影响?微软人工智能首席科学家邓力解释说,是因为当时数据不够,计算能力、算法都不完备。“差不多十年之前端到端的优化学习问题开始在算法上得到解决,深度神经网络才开始发力。”邓力说。
而人工智能美好世界的建立,正是基于廉价的云计算和大数据技术基础之上。“所有的人工智能系统有这样一个规律,叫人工智能闭环,由系统、用户、数据、算法组成。”李航说,“先有系统,建好以后有用户使用,产生大量使用数据。这些数据又能帮助我们提高算法的性能,提高系统性能,提高了性能的系统又能更好地帮助用户,最后使用户感受到系统越来越智能。观察所有的人工智能系统,基本上都遵循这样的规律。”
虽然强人工智能、弱人工智能在某种意义上都有很大的局限性。但遵循闭环规律,弱人工智能也有很大的威力。“虽然没有跟推理等结合起来,对现在的机器学习来说,给我们无穷多的数据,智能系统的智能水平就能够不断升级,与更多应用结合,显示出人工智能的威力。”李航说。
小荷才露尖尖角
中国有句古话叫作“六十年一轮回”,然而对于人工智能来说,往后的六十年并不仅是轮回,而是新生。
在人工智能的浪潮中,中国扮演着越来越重要的角色。新智元对100家人工智能创业企业的调研报告显示,100家人工智能创业企业报告在融资、收入、专利方面的表现都颇为亮眼,蕴含较大的成长潜力。
上述报告显示,37家填报2015年收入数据的企业中,其中32家人工智能企业在2015年的总营收达到了7.56亿元,均值为2000万元左右,中位数在20万元,其中经营收入最高的达到了2亿元。
新智元创始人杨静认为,中国的人工智能产业正在完成从0到1的崛起,在国际学术机构会议和专业竞赛中,中国人工智能的影响力越来越强,一些业界的公司也走在了行业发展的前列。
即使如此,在人工智能领域,专家们也认为其发展目前还处于“小荷才露尖尖角”的阶段。美国人工智能协会(AAAI)前主席ThomasDietterich直言AI在技术和工程上的三大难题:一是不知何时信任AI是安全的;二是什么才算是好的人机交互界面还有待考证;三是在人无法接近的高危地带或者以超高速度运行的自动化系统,人类能否安心地部署它们还不太确定。
李飞飞预测,未来十年人工智能将实现从科学到科技到产品的发展,就像是4×100米的接力赛,第一棒是实验室、第二棒是工业界、第三棒和第四棒是产业化。
“学术界已经交出了感知问题的第一棒,”李飞飞说,“尽管有了前人的积累,未来还是有许多值得思考的问题,尤其是如何把信息转换成知识系统,如何让人工智能做到抽象、有创造性、有预测的决策。要想解决这个问题,需要学界、实验室、工业界、投资界共同的努力。”
但要抓住时代机遇并不容易,“我们应该也看到原创性的工作、突破性的工作还是主要来自美国、英国等国家。”李航提醒说。
杨静同样认为,目前我国人工智能前沿性的研究依然乏力,国际上以谷歌DeepMind为代表的公司正在积极研发通用人工智能,DeepMind创始人Demis也曾表示要尽快实现这一目标,中国倘若没有相应研究,很可能会错过21世纪最重大的发明。“我们一定要想,探索人工智能的初心何在?我们要对真理、对科技有执着的追求,不能丧失对智能大发现的先机。”
为什么不担心人工智能
人工智能会导致人类灭亡?人工智能是人类生存最大的威胁?在还没有获得很多人工智能带来的便利的当下,人们看到以上问题,许会一笑了之,但是这些焦虑确实是人工智能领域的精英提出来的。他们是霍金、比尔·盖茨还有马斯克。
笔者认为,这帮科技精英们有对强人工智能的担忧是很合理的,作为能影响人类社会科技研发方向的人,他们有责任提醒大家“这个方向上有狼,往前走要小心”,有责任提醒大家人工生命的研究要在严格控制条件下进行。
强人工智能可能对人类产生威胁,这是多数专家认可的。但通过参加“AIWorld2016世界人工智能大会”,笔者发现,目前我们对人工智能的应用其实相当原始。语言识别、图像识别看上去好像很厉害,其实就是拿语料库、图像库训练出来的几个算法。这不是“智能”,而是对人类智能的模拟。
为什么目前人工智能只能做到这个程度?原因很简单,人工智能是人类对“智能”的模拟,目的是实现某个人类能完成的工作,所以受人们对智能的理解限制。即使配合上神经网络模型和遗传算法的训练,目前的程序也只能在“达到预期目标”方面让人吃惊而已,程序本身不会演化出崭新的能力即只会接受训练,不能创造新事物。
所以,目前的人工智能只是工具而已。
其实科幻小说里面描述的机器人拥有智能然后反过来统治人类等等设想,跟现有的人工智能的大部分领域不相关,而属于计算机科学领域的虚拟生命系统——强人工智能。
强人工智能的局限,专家解读已有很多,大体上是安慰我们对于人工智能反抗人类这种担忧离21世纪初的我们还很远……目前对虚拟生命的研究仍然很原始,原始到所有的研究发现出来的东西都不知道能拿来做什么。
强人工智能要求程序有自己的思维,能够理解外部事物并自发做出决策甚至行动,其表现就像一个“人”一样,甚至很可能比人的反应更杰出、更可靠。
反过来,这些能够自行思考的人工生命,也有背叛人类的可能……甚至于很可能会背叛人类。不过大部分的精英其实也没有很担忧强人工智能的前景,毕竟这在目前看来还是太科幻。
比尔·盖茨的发言已经能说明这一点:不明白为什么有那么多人并不担心这种技术对未来的影响。同时,我们也要看到,虽然比尔·盖茨担心的是强人工智能和人工生命,但他兴致勃勃从事的也是弱人工智能。
现实世界究竟会不会出现《三体》当中人类与人工智能的博弈,笔者认为,或许有一种可能,就是我们未来有一天发现,其实我们永远无法实现强人工智能。在没有任何理论能够支撑强人工智能实现的当下,任何可能都有可能存在。
330 浏览
528 浏览

【70页重磅】招商计算机 刘泽晶团队研究报告,“人工智能+”时代呼啸而来

机械自动化类 D工业人 2016-09-12 10:40 发表了文章 来自相关话题

 【摘要】:

我们看好人工智能开源平台百舸争流争夺AI生态圈会极大加速产业发展。我们看好人工智能芯片不断进化下的AI算法效率大幅提升。“人工智能+”时代呼啸而来,我们先期看好专用人工智能的普及,中长期看好通用人工智能的普及。

第三次浪潮:人工智能奇点临近。人工智能在两次高潮和低谷之后迎来第三次浪潮,各国纷纷把人工智能上升到国家战略层面,美国白宫组织四场研讨会讨论人工智能,日本提出 “超智能社会”,中国发布《“互联网+”人工智能三年行动实施方案》。仿佛一夜间,各国对人工智能热情大增,我们看到人工智能领域巨头们的卡位战争已经上升到开源平台、芯片以及应用。相关一级创投金额5年增长了12倍,我们预计二级市场的机会随时来临。

开源平台:超越Android,AI生态圈之争极大加速产业发展。我们看到各大科技巨头和科研机构纷纷争夺开源人工智能技术,如Google的TensorFlow、微软的DMTK、Facebook的Torchnet、OpenAI、Baidu的Paddle等,百舸争流千帆竞,以此来获得大量的用户需求和开发人员,建立开放共享、互利共赢的人工智能生态圈,我们认为人工智能开源平台有望成为引爆产业的导火线,从而比Android更深远地影响世界。

人工智能芯片:从通用到专用,类脑计算不断进化,效率大幅提升。我们认为人工智能芯片效率的提升和突破将带领产业实现跳跃式发展。GPU王者Nvidia,与其合作的组织2年增长30多倍。FPGA兼顾性能与灵活性,与GPU强强对决。我们预计人工智能专用芯片在竞争中有望实现超越摩尔定律的发展速度,硬件的春天即将来临。

应用:“人工智能+”时代呼啸而来,改变IT的命运。我们先期看好专用人工智能的普及,中长期看好通用人工智能的普及。人工智能在未来几乎会给各行各业带来升级重构,包括安防、制造业、金融、交通、教育、法律、医疗等行业,AI的触角伸向每个行业和每个人,从而改变IT未来的走向。

投资建议:建议从两个角度选择A股相关标的:1、数据能力;2、应用能力。重点推荐:“人工智能+安防”:东方网力;“人工智能+金融”:同花顺;“人工智能+医疗”:思创医惠;“人工智能+底层操作系统”:中科创达;“人工智能+大数据”:神州泰岳。关注:科大讯飞、佳都科技、汉王科技。

风险提示:政策支持力度低于预期;核心技术发展遭遇瓶颈。






【正文】:

一、人工智能第三次浪潮:从开源平台、芯片到应用的竞争白热化,创投金额5 年间增长了12 倍

人工智能(Artificial Intelligence,AI)是对人的意识、思维的信息过程的模拟,它是一门研究、开发用于模拟、延伸和扩展人的智能的理论及应用系统的技术科学,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等,除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

人工智能本质上是为了研制出具有类人智能的机器,能够模拟、延伸和扩展人类智能的理论、方法、技术以及应用形式。

如果把人工智能与人对比,要实现以下功能:听说读写、行动思考学习等。

语音语义:语音识别、说话人识别、机器翻译;语音合成、人机对话等

计算机视觉:图像识别、人脸识别、虹膜识别、文字识别、车牌识别等

行动:智能机器人、无人驾驶汽车、无人机等

思考:人机对弈、定理证明、自动推理和搜索方法、医疗诊断等

学习:机器学习、知识获取、知识处理、知识表示等






1、人工智能发展历程:在两次高潮和低谷之后迎来第三次浪潮

人工智能作为一门学科诞生至今已有60年的历史,期间经历了2次高潮和低谷。而从2010年到现在又迎来人工智能发展的第三次浪潮。

人工智能60年的发展,道路虽然起伏曲折,但进展也可谓硕果累累。无论是基础理论创新,关键技术突破,还是规模产业应用,都是精彩纷呈,使我们每一天无不享受着这门学科带来的便利。人工智能因其十分广阔的应用前景和对一个国家的重大战略意义,近年来日益得到政府部门、学术界的高度关注。

(1)1956年达特茅斯会议:人工智能学诞生

1956年夏,达特茅斯学院助教约翰•麦卡锡(John McCarthy)、哈佛大学马文•闵斯基(Marvin Minsky)、贝尔电话实验室克劳德•香农(Claude Shannon)、IBM公司信息研究中心纳撒尼尔·罗切斯特(Nathaniel Rochester)、卡内基梅隆大学艾伦•纽厄尔(Allen Newell)和赫伯特•西蒙(Herbert Simon)等先驱在美国达特茅斯学院行了以此为其两个月的学术讨论会,从不同学科的角度探讨用机器模拟人类智能等问题,并首次提出了人工智能的概念,达特茅斯会议上AI的名称和任务得以确定,同时出现了最初的成就和最早的一批研究者,因此标志着人工智能学科的诞生。






(2)1956年至1974年:人工智能的第一次大发展

1956 年达特茅斯会议之后的十几年是人工智能的黄金年代。从50年代后期到60年代涌现了大批成功的AI程序和新的研究方向,其中最有影响力的包括搜索式推理、自然语言、微世界等。在这段时间内,计算机被用来解决代数应用题、证明几何定理、学习和使用英语。初期研究取得了显著的成果,这些成果在得到广泛赞赏的同时也让研究者们对开发出完全智能的机器信心倍增。

1963年6月,MIT从新建立的ARPA(即后来的DARPA,国防高等研究计划局)获得了220万美元经费,用于资助MAC工程,其中包括Minsky和McCarthy五年前建立的AI研究组。此后ARPA每年提供三百万美元,直到七十年代为止,在麻省理工、卡内基梅隆大学、斯坦福大学、爱丁堡大学建立的人工智能项目都获得了来自 ARPA等政府机构的大笔资金,在接下来的许多年间,这四个研究机构一直是AI学术界的研究(和经费)中心。不过,这些投入却并没有让当时的乐观预言得以实现。






(3)1974年至1980年:人工智能的第一次低谷

70年代初,人工智能遭遇了瓶颈。由于计算机性能的瓶颈、计算复杂性的指数级增长、数据量缺失等问题,AI研究者们遭遇了无法克服的基础性障碍。例如,在今天已经比较常见的机器视觉功能在当时找不到足够大的数据库来支撑程序学习,机器无法吸收足够的数据量,因此很难实现视觉方面的智能化。

由于缺乏进展,对人工智能提供资助的机构(如英国政府,DARPA和NRC)对无方向的AI研究逐渐停止了资助。到了1974年已经很难再找到对人工智能项目的资助,研究经费被转移到那些目标明确的特定项目上。人工智能遭遇了 6 年左右的低谷。

1969年Minsky和Papert出版了著作《感知器》,书中暗示感知器具有严重局限,而感知器是神经网络的一种形式,它最终将能够学习,做出决策和翻译语言。这本书的影响是破坏性的,联结主义的研究因此停滞了十年。

到1970年代后期,尽管遭遇了公众的误解,人工智能在逻辑编程、常识推理等一些领域还是有所进展。

(4)1980年至1987年:人工智能的第二次大发展

在80年代,一类名为“专家系统”的AI程序开始为全世界的公司所采纳,知识库系统和知识工程成为了80年代AI研究的主要方向。专家系统是一种程序,能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。专家系统仅限于一个很小的知识领域,从而避免了常识问题;其简单的设计又使它能够较为容易地编程实现或修改,实践证明了这类程序的实用性。

1980年卡内基·梅隆大学为DEC(Digital Equipment Corporation,数字设备公司)设计了一个名为XCON的专家系统,这套系统在 1986 年之前能为公司每年节省四千万美元。全世界的公司都开始研发和应用专家系统,到1985年它们已在AI上投入十亿美元以上,大部分用于公司内设的AI部门。为之提供支持的产业应运而生,其中包括Symbolics,Lisp Machines等硬件公司和IntelliCorp,Aion等软件公司。

1981年,日本经济产业省拨款8.5亿美元支持第五代计算机项目,目标是制造出能够与人对话、翻译语言、解释图像,并且能像人一样推理的机器。随后,英国、美国也纷纷响应,开始向 AI 和信息技术领域的研究提供大量资金。

1986年,人工智能领域著名的BP Algorithm(Error Back Propagation Algorithm,误差反向传播算法)被Rumelhart、McCelland等大师提出,这使1970年以来一直遭人遗弃的联结主义重获新生。

(5)1987年至1993年:人工智能的第二次低谷

1987年AI硬件市场需求突然下跌。Apple和IBM生产的台式机性能不断提升,到1987年时其性能已经超过了Symbolics和其他厂家生产的昂贵的Lisp机。老产品失去了存在的理由:一夜之间这个价值五亿美元的产业土崩瓦解。XCON等最初大获成功的专家系统维护费用居高不下,暴露出各种问题,专家系统的实用性仅仅局限于某些特定情景。

到 80 年代晚期,战略计算促进会大幅削减对AI的资助。1991 年,人们发现十年前日本人宏伟的“第五代工程”并没有实现。这些事实情况让人们从对“专家系统”的狂热追捧中逐步走向失望。人工智能研究再次遭遇寒冬。

尽管遇到各种批评,这一领域仍在不断前进。来自机器人学这一相关研究领域的Rodney Brooks和Hans Moravec提出了一种全新的人工智能方案,号召“自底向上”地创造智能,他们认为感知运动技能对于常识推理等高层次技能是至关重要的。

(6)1993年至2010年:人工智能复苏期

1993年到2010年这一阶段,人工智能处于稳步发展时期,互联网推动人工智能不断创新和实用。

人工智能已被成功地用在技术产业中,取得了一些里程碑式的成果:1997年5月,IBM研发的计算机“深蓝”(Deep Blue)战胜了国际象棋冠军卡斯帕罗夫;2005年,Stanford开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里,赢得了DARPA挑战大赛头奖;2009 年,洛桑联邦理工学院发起的蓝脑计划声称已经成功地模拟了部分鼠脑。

2008年11月IBM提出“智慧地球”概念,数字化、网络化和智能化,被公认为是未来社会发展的大趋势,而与“智慧地球”密切相关的物联网、云计算等,更成为科技发达国家制定本国发展战略的重点。自2009年以来,美国、欧盟、日本和韩国等纷纷推出本国的物联网、云计算相关发展战略。






(7)2010年到现在:人工智能进入爆发式增长期

大数据、云计算支撑人工智能产业爆发,人工智能将成为下一轮技术变革的核心。

人工智能新一轮的爆发包括大数据、云计算和算法三个核心要素。

第一,数据的急剧增长。得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量指数型增长。大数据是人工智能发展的助推剂,这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,有了大量的数据才能为模型的训练提供原材料。

第二,计算能力的进步。云计算和大规模GPU并行计算的发展为深度学习的应用提供了计算基础。当人们把原本用于游戏中处理高质量画面的GPU拿来运行深度学习算法后,计算机可以几百倍地加快模型的训练速度。目前,AlphaGo的计算能力是IBM深蓝的近3万倍。未来随着速度更快的芯片乃至量子计算的发展,运算速度会进一步提高,成本也会大幅降低。

第三,算法的发展,特别是深度学习的应用。算法是解决一个设计程序或完成任务的路径方法。与大部分传统算法相比,深度学习的效果随着数据量的增大有显著的提升,因而更大量的数据可以提高算法的表现。深度学习增加了神经网络的层数,因此网络才有了更强大的特征挖掘能力。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工作。

2、人工智能全球热潮上升到国家战略层面

人工智能已经成为国家服务业、工业和军事的核心竞争力,因此世界各国制定了国家级发展战略:






2016年5月美国白宫计划组织四场研讨会讨论人工智能。白宫还成立了人工智能委员会,用于协调全美各界在人工智能领域的行动。美国交通部宣布历时10年投资40亿美元的提案,旨在实现无人驾驶汽车上路。

日本从2016年开始执行的“第五期科学技术基本计划”中,日本政府列入总额约26万亿日元的研发经费,重点研发物联网及人工智能系统,提出要实现领先于世界的“超智能社会”(即Society5.0)。

2016年5月25日我国四部委发布《“互联网+”人工智能三年行动实施方案》,到2018年形成千亿级的人工智能市场应用规模。2016年8月8日发布的《“十三五”国家科技创新规划》多次讲到人工智能。
 
文章来源于 人工智能学家 查看全部

3.jpg

 【摘要】:

我们看好人工智能开源平台百舸争流争夺AI生态圈会极大加速产业发展。我们看好人工智能芯片不断进化下的AI算法效率大幅提升。“人工智能+”时代呼啸而来,我们先期看好专用人工智能的普及,中长期看好通用人工智能的普及。

第三次浪潮:人工智能奇点临近。人工智能在两次高潮和低谷之后迎来第三次浪潮,各国纷纷把人工智能上升到国家战略层面,美国白宫组织四场研讨会讨论人工智能,日本提出 “超智能社会”,中国发布《“互联网+”人工智能三年行动实施方案》。仿佛一夜间,各国对人工智能热情大增,我们看到人工智能领域巨头们的卡位战争已经上升到开源平台、芯片以及应用。相关一级创投金额5年增长了12倍,我们预计二级市场的机会随时来临。

开源平台:超越Android,AI生态圈之争极大加速产业发展。我们看到各大科技巨头和科研机构纷纷争夺开源人工智能技术,如Google的TensorFlow、微软的DMTK、Facebook的Torchnet、OpenAI、Baidu的Paddle等,百舸争流千帆竞,以此来获得大量的用户需求和开发人员,建立开放共享、互利共赢的人工智能生态圈,我们认为人工智能开源平台有望成为引爆产业的导火线,从而比Android更深远地影响世界。

人工智能芯片:从通用到专用,类脑计算不断进化,效率大幅提升。我们认为人工智能芯片效率的提升和突破将带领产业实现跳跃式发展。GPU王者Nvidia,与其合作的组织2年增长30多倍。FPGA兼顾性能与灵活性,与GPU强强对决。我们预计人工智能专用芯片在竞争中有望实现超越摩尔定律的发展速度,硬件的春天即将来临。

应用:“人工智能+”时代呼啸而来,改变IT的命运。我们先期看好专用人工智能的普及,中长期看好通用人工智能的普及。人工智能在未来几乎会给各行各业带来升级重构,包括安防、制造业、金融、交通、教育、法律、医疗等行业,AI的触角伸向每个行业和每个人,从而改变IT未来的走向。

投资建议:建议从两个角度选择A股相关标的:1、数据能力;2、应用能力。重点推荐:“人工智能+安防”:东方网力;“人工智能+金融”:同花顺;“人工智能+医疗”:思创医惠;“人工智能+底层操作系统”:中科创达;“人工智能+大数据”:神州泰岳。关注:科大讯飞、佳都科技、汉王科技。

风险提示:政策支持力度低于预期;核心技术发展遭遇瓶颈。

3.1_.jpg


【正文】:

一、人工智能第三次浪潮:从开源平台、芯片到应用的竞争白热化,创投金额5 年间增长了12 倍

人工智能(Artificial Intelligence,AI)是对人的意识、思维的信息过程的模拟,它是一门研究、开发用于模拟、延伸和扩展人的智能的理论及应用系统的技术科学,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等,除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

人工智能本质上是为了研制出具有类人智能的机器,能够模拟、延伸和扩展人类智能的理论、方法、技术以及应用形式。

如果把人工智能与人对比,要实现以下功能:听说读写、行动思考学习等。

语音语义:语音识别、说话人识别、机器翻译;语音合成、人机对话等

计算机视觉:图像识别、人脸识别、虹膜识别、文字识别、车牌识别等

行动:智能机器人、无人驾驶汽车、无人机等

思考:人机对弈、定理证明、自动推理和搜索方法、医疗诊断等

学习:机器学习、知识获取、知识处理、知识表示等

3.2_.jpg


1、人工智能发展历程:在两次高潮和低谷之后迎来第三次浪潮

人工智能作为一门学科诞生至今已有60年的历史,期间经历了2次高潮和低谷。而从2010年到现在又迎来人工智能发展的第三次浪潮。

人工智能60年的发展,道路虽然起伏曲折,但进展也可谓硕果累累。无论是基础理论创新,关键技术突破,还是规模产业应用,都是精彩纷呈,使我们每一天无不享受着这门学科带来的便利。人工智能因其十分广阔的应用前景和对一个国家的重大战略意义,近年来日益得到政府部门、学术界的高度关注。

(1)1956年达特茅斯会议:人工智能学诞生

1956年夏,达特茅斯学院助教约翰•麦卡锡(John McCarthy)、哈佛大学马文•闵斯基(Marvin Minsky)、贝尔电话实验室克劳德•香农(Claude Shannon)、IBM公司信息研究中心纳撒尼尔·罗切斯特(Nathaniel Rochester)、卡内基梅隆大学艾伦•纽厄尔(Allen Newell)和赫伯特•西蒙(Herbert Simon)等先驱在美国达特茅斯学院行了以此为其两个月的学术讨论会,从不同学科的角度探讨用机器模拟人类智能等问题,并首次提出了人工智能的概念,达特茅斯会议上AI的名称和任务得以确定,同时出现了最初的成就和最早的一批研究者,因此标志着人工智能学科的诞生。

3.3_.jpg


(2)1956年至1974年:人工智能的第一次大发展

1956 年达特茅斯会议之后的十几年是人工智能的黄金年代。从50年代后期到60年代涌现了大批成功的AI程序和新的研究方向,其中最有影响力的包括搜索式推理、自然语言、微世界等。在这段时间内,计算机被用来解决代数应用题、证明几何定理、学习和使用英语。初期研究取得了显著的成果,这些成果在得到广泛赞赏的同时也让研究者们对开发出完全智能的机器信心倍增。

1963年6月,MIT从新建立的ARPA(即后来的DARPA,国防高等研究计划局)获得了220万美元经费,用于资助MAC工程,其中包括Minsky和McCarthy五年前建立的AI研究组。此后ARPA每年提供三百万美元,直到七十年代为止,在麻省理工、卡内基梅隆大学、斯坦福大学、爱丁堡大学建立的人工智能项目都获得了来自 ARPA等政府机构的大笔资金,在接下来的许多年间,这四个研究机构一直是AI学术界的研究(和经费)中心。不过,这些投入却并没有让当时的乐观预言得以实现。

3.4_.jpg


(3)1974年至1980年:人工智能的第一次低谷

70年代初,人工智能遭遇了瓶颈。由于计算机性能的瓶颈、计算复杂性的指数级增长、数据量缺失等问题,AI研究者们遭遇了无法克服的基础性障碍。例如,在今天已经比较常见的机器视觉功能在当时找不到足够大的数据库来支撑程序学习,机器无法吸收足够的数据量,因此很难实现视觉方面的智能化。

由于缺乏进展,对人工智能提供资助的机构(如英国政府,DARPA和NRC)对无方向的AI研究逐渐停止了资助。到了1974年已经很难再找到对人工智能项目的资助,研究经费被转移到那些目标明确的特定项目上。人工智能遭遇了 6 年左右的低谷。

1969年Minsky和Papert出版了著作《感知器》,书中暗示感知器具有严重局限,而感知器是神经网络的一种形式,它最终将能够学习,做出决策和翻译语言。这本书的影响是破坏性的,联结主义的研究因此停滞了十年。

到1970年代后期,尽管遭遇了公众的误解,人工智能在逻辑编程、常识推理等一些领域还是有所进展。

(4)1980年至1987年:人工智能的第二次大发展

在80年代,一类名为“专家系统”的AI程序开始为全世界的公司所采纳,知识库系统和知识工程成为了80年代AI研究的主要方向。专家系统是一种程序,能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。专家系统仅限于一个很小的知识领域,从而避免了常识问题;其简单的设计又使它能够较为容易地编程实现或修改,实践证明了这类程序的实用性。

1980年卡内基·梅隆大学为DEC(Digital Equipment Corporation,数字设备公司)设计了一个名为XCON的专家系统,这套系统在 1986 年之前能为公司每年节省四千万美元。全世界的公司都开始研发和应用专家系统,到1985年它们已在AI上投入十亿美元以上,大部分用于公司内设的AI部门。为之提供支持的产业应运而生,其中包括Symbolics,Lisp Machines等硬件公司和IntelliCorp,Aion等软件公司。

1981年,日本经济产业省拨款8.5亿美元支持第五代计算机项目,目标是制造出能够与人对话、翻译语言、解释图像,并且能像人一样推理的机器。随后,英国、美国也纷纷响应,开始向 AI 和信息技术领域的研究提供大量资金。

1986年,人工智能领域著名的BP Algorithm(Error Back Propagation Algorithm,误差反向传播算法)被Rumelhart、McCelland等大师提出,这使1970年以来一直遭人遗弃的联结主义重获新生。

(5)1987年至1993年:人工智能的第二次低谷

1987年AI硬件市场需求突然下跌。Apple和IBM生产的台式机性能不断提升,到1987年时其性能已经超过了Symbolics和其他厂家生产的昂贵的Lisp机。老产品失去了存在的理由:一夜之间这个价值五亿美元的产业土崩瓦解。XCON等最初大获成功的专家系统维护费用居高不下,暴露出各种问题,专家系统的实用性仅仅局限于某些特定情景。

到 80 年代晚期,战略计算促进会大幅削减对AI的资助。1991 年,人们发现十年前日本人宏伟的“第五代工程”并没有实现。这些事实情况让人们从对“专家系统”的狂热追捧中逐步走向失望。人工智能研究再次遭遇寒冬。

尽管遇到各种批评,这一领域仍在不断前进。来自机器人学这一相关研究领域的Rodney Brooks和Hans Moravec提出了一种全新的人工智能方案,号召“自底向上”地创造智能,他们认为感知运动技能对于常识推理等高层次技能是至关重要的。

(6)1993年至2010年:人工智能复苏期

1993年到2010年这一阶段,人工智能处于稳步发展时期,互联网推动人工智能不断创新和实用。

人工智能已被成功地用在技术产业中,取得了一些里程碑式的成果:1997年5月,IBM研发的计算机“深蓝”(Deep Blue)战胜了国际象棋冠军卡斯帕罗夫;2005年,Stanford开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里,赢得了DARPA挑战大赛头奖;2009 年,洛桑联邦理工学院发起的蓝脑计划声称已经成功地模拟了部分鼠脑。

2008年11月IBM提出“智慧地球”概念,数字化、网络化和智能化,被公认为是未来社会发展的大趋势,而与“智慧地球”密切相关的物联网、云计算等,更成为科技发达国家制定本国发展战略的重点。自2009年以来,美国、欧盟、日本和韩国等纷纷推出本国的物联网、云计算相关发展战略。

3.5_.jpg


(7)2010年到现在:人工智能进入爆发式增长期

大数据、云计算支撑人工智能产业爆发,人工智能将成为下一轮技术变革的核心。

人工智能新一轮的爆发包括大数据、云计算和算法三个核心要素。

第一,数据的急剧增长。得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量指数型增长。大数据是人工智能发展的助推剂,这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,有了大量的数据才能为模型的训练提供原材料。

第二,计算能力的进步。云计算和大规模GPU并行计算的发展为深度学习的应用提供了计算基础。当人们把原本用于游戏中处理高质量画面的GPU拿来运行深度学习算法后,计算机可以几百倍地加快模型的训练速度。目前,AlphaGo的计算能力是IBM深蓝的近3万倍。未来随着速度更快的芯片乃至量子计算的发展,运算速度会进一步提高,成本也会大幅降低。

第三,算法的发展,特别是深度学习的应用。算法是解决一个设计程序或完成任务的路径方法。与大部分传统算法相比,深度学习的效果随着数据量的增大有显著的提升,因而更大量的数据可以提高算法的表现。深度学习增加了神经网络的层数,因此网络才有了更强大的特征挖掘能力。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工作。

2、人工智能全球热潮上升到国家战略层面

人工智能已经成为国家服务业、工业和军事的核心竞争力,因此世界各国制定了国家级发展战略:

3.6_.jpg


2016年5月美国白宫计划组织四场研讨会讨论人工智能。白宫还成立了人工智能委员会,用于协调全美各界在人工智能领域的行动。美国交通部宣布历时10年投资40亿美元的提案,旨在实现无人驾驶汽车上路。

日本从2016年开始执行的“第五期科学技术基本计划”中,日本政府列入总额约26万亿日元的研发经费,重点研发物联网及人工智能系统,提出要实现领先于世界的“超智能社会”(即Society5.0)。

2016年5月25日我国四部委发布《“互联网+”人工智能三年行动实施方案》,到2018年形成千亿级的人工智能市场应用规模。2016年8月8日发布的《“十三五”国家科技创新规划》多次讲到人工智能。
 
文章来源于 人工智能学家