内容字号：
段落设置：
字体设置：
精准搜索请尝试：
人工智能怎样才能真的智能？
来源：作者：沐阳浸月责编：缘字
原标题《人工智能怎么理解问题？比如，它知道可以用iPad压住一碗泡面》，IT之家编辑酌情修改。“假设在你面前站着一个黑衣人，他浑身都裹着一层布，所以你并不知道他是真正的人还是什么东西。就在这时你问了他一个问题：什么事情iPad能做，但是iPhone却不能做？他思考片刻回答道：焖住方便面桶。说完，默默地拿起iPad就把你刚刚泡上的方便面用iPad盖上了。”11月23日，，规模可谓盛况空前。习主席发来贺电，李克强总理进行批示，李源潮副主席亲自到会并发表重要讲话等，各个国家顶级的机器人专家悉数进行了精彩绝伦的演讲。这里就不赘述了，我也到场看了，有所感悟，主要的目的是想借此机会给读者们来科普一些关于人工智能的基础理解。什么是智能？通过此次盛会，机器人以及人工智能的概念又一次被推上了风口浪尖。因为机器人能看到实体，所以大家并不陌生。但是人工智能对于大众来讲却一直是一个很玄幻的概念，而且针对人工智能，很多谬误也遍地开花。所以，我就从一个基础的角度讲讲人工智能到底是什么，把它从一个看似遥不可及的概念拉回到一个我们人人都能理解的层次。“智人”，生物学分类中人属的一个“种”，地球上现今全体人类的一个共有名称，说的也就是我们自己。我们用“智能”作为和其他生物划清界限的一个重要指标。那到底什么是智能？智能是我们所具有的基于神经器官一种高级的综合能力，它包含有感知、知识、记忆、理解、联想、情感、逻辑、分析、判断、决定等多种能力，它是一种可以使我们做出导致成功的决策的能力。所以从字面上理解，人工智能自然就是由人工制造出来的系统所表现出来的一种智能。但是，真实的人工智能并不像我们字面上看到的这么简单。因为我们在研究人工智能的过程中，并不只是单单想制造出来一种机器或者一段程序，他的表现“看起来”像人一样，因为我们自身也并非一种完美的存在，我们也有自己的不足和缺陷，所以我们要追求的人工智能需要从以下四个维度去定义。先把图放上：在上图的四种定义中，顶部的定义关注思维过程与推理，底部定义强调行为；左侧的定义根据与人类表现的逼真度来权衡，右侧的定义依靠合理性的理想的表现量来衡量。而合理的定义就是如果一个系统可以基于已知条件做正确的事情那么它就是合理的。下面我们对这四种定义进行详细叙述。1、&像人一样思考如果我们说某个程序能像人一样思考，那么我们必须找一个办法来确定人是如何思考的，但是十分遗憾地说，目前并没有一个十分有效的办法来找出我们人类的思维方式。所以我们到底是如何思考的至今仍然是一个待解的谜题。虽然是个难题，但是我们也在试图通过我们可以想到的办法来解决它，一个是通过对人类思维行为的观察和实验，一个是对我们的大脑进行观察与试验，而对大脑解密也是闻名世界的人类大脑计划（Human Brain Project, HBP）想要解决的一个子问题。在第一种办法中，我们可以通过两项任务来完成：一个是通过内省，也就是我们通过对自己思维过程的捕捉、回顾和思考来获得我们自身的思维过程；另一个便是通过心理实验，也就是观察工作和进行思维活动的人，我们通过对被观察人的行为以及行为所表现出的特征，通过心理学等学科的方法，来逆向推测人类的思维活动。但是我们很容易发现，这种方法中的两项任务都具有很大的主观性。我们的自省，不同人有不同的生活阅历以及三观，这就导致不同的人对自己的认知以及对自己思维的反省都不可能客观，而且人类的思维过程也有十分大的缺陷，即使是一个具有高度自省能力的人也很容易落入窠臼。这个缺陷中的一种就是我们总是相信我们愿意相信的东西，即我们无法意识到的认知偏向性，将导致我们对于预期中和预期外的后果有着不均等的注意，所以我们的内省自然也经常会带有或多或少的认知偏向性。而通过观察被观察人来逆向得出思维过程则更充满主观，这个主观既来自被观察人，也来自观察人，被观察人的真实思维不一定会有外在表现，而外在表现也并不一定是真实思维活动，这也正如成语“口是心非”所描绘的场景。而观察人对行为-思维的判断则在本身的主观性上又加了一层。由于观察人的经验、学识以及认知的不同，自然对同一个行为也会产生不一样的判断，所以这种办法虽然可行，但是结果的客观性的衡量仍然有待考证。所以这种方法遇到困难后人们就自然想绕过“心理”这个层面，直接对我们的大脑进行研究，所以我们的目标又投向了神经生理学以及神经信息学。只有具备了人脑足够精确的理论，我们才能把这样的理论表示成计算机程序。人类大脑计划的目标是利用现代化信息工具，将大量、不同层次的有关脑的研究数据分析、处理、整合与建模，建立神经信息学数据库和有关神经系统所有数据的全球知识管理系统，以便从分子水平到整体系统水平研究、认识、保护、开发大脑。大脑如何思维一直是困扰人类的一个问题。人类的“智能”正是来自人类极其复杂的大脑。在过去的六亿年中，生物体通过进化产生出由大量神经元相互联结而形成的神经网络，解决了在不断变化的复杂环境中人脑如何处理各种复杂信息的问题。尤其是人的高级认知功能的高度发展，使得人类成为万物之首，具备了主宰世界的能力。由于人脑的结构和功能极其复杂，所以我们需要从分子、细胞、系统、全脑和行为等不同层次进行研究和整合，才有可能揭示其奥秘。这里补充一句，人类大脑计划虽然是个十分伟大的计划，但是遗憾的是，它现在也正在陷入一场危机，有兴趣的朋友可以移步《人类大脑计划陷入困境》，这里不再赘述。2、像人一样行动如果说像人一样思考说的是把模仿人的内部智能思维过程定义为人工智能，那么像人一样行动则说的是把模仿人类智能外在表现称为了人工智能。值得注意的是，这种模仿并不是一种物理模拟，例如我造了一个人形机器人，如果他除了外表长得像人一样，而其他什么也不会做的话，我们并不能将其称之为有智能。但是我们想一想，如果他可以交流，你问他问题他也不会答非所问，他能看见你并且和你拥抱，他感受到冷了会自己加衣，那么情况就完全不一样了，这时候我们就可以说这样的机器人他“可能”拥有了智能。通过上面这个例子，我们似乎对什么是“像人一样行动”有了一个初步概念。如果严格地说，要想让一个机器能在“像人一样行动”这个维度具有智能，他需要的能力包括：自然语言处理，知识表示，自动推理，机器学习，计算机视觉以及机器人学。自然语言处理说的是对语言处理的能力，基本能力便是能成功的用英语进行交流；知识表示是指存储它知道的或者听到的信息的能力；自动推理说的是运用存储的信息来回答问题并作出推出新结论的能力；机器学习则指的是获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的能力；计算机视觉和机器人学是指感知物体和操作移动对象的能力。说了这么多理论的东西，我们来举一个具体的例子。我们先设定一种情况：假设在你面前站着一个黑衣人，他浑身都裹着一层布，所以你并不知道他是真正的人还是什么东西。就在这时你问了他一个问题：什么事情iPad能做，但是iPhone却不能做？他思考片刻回答道：焖住方便面桶。说完，默默地拿起iPad就把你刚刚泡上的方便面用iPad盖上了。这个时候再问你，你觉得他是一个真实的人类还是一种机器？于是你陷入了沉思，这货不论是从问题回答的正确性以及行为动作而言根本看不出有什么漏洞，而且竟然还会机智地说段子，然后你承认你无法判断。例子讲完了，其实刚才那个过程就是所谓的图灵测试的生动版。▲（阿兰·图灵像）由图灵提出的图灵测试正是旨在为智能提供一个令人满意的可操作的定义，而且在这个概念提出的60多年后这个设计仍然适合对智能的判断，这一点十分令人称赞。图灵测试的测试内容，即是一个人（代号C）使用测试对象皆理解的语言去询问两个他不能看见的对象任意一串问题，对象为：一个是正常思维的人（代号B）、一个是机器（代号A），如果经过若干询问以后，C不能得出实质的区别来分辨A与B的不同，则此机器A通过图灵测试。但是图灵测试也并不是最佳的测试方法，因为这种测试方法只关注外在表现，并没有把真正的关注点放在产生这种思维的原理上，所以即使是通过了图灵测试的机器也许并不是真正的具有了智能，蒙混过关的情况也很有可能发生。你一定还有印象，2014年俄罗斯团队宣称开发出了一台首次通过图灵测试人工智能的机器人，这台名为Eugene Goostman的计算机被描述为“把自己伪装成十三岁的男孩，骗过了超过30%的测试人员”。其实想让计算机蒙混过关并不复杂，这里还有10个伎俩，有兴趣的话可以看看。后来英国皇家学会将图灵的标准具体化：在一系列时长为5分钟的键盘对话中，只要计算机被误认为是人类的比例超过30%，那么这台计算机就被认为通过了图灵测试。一年一度的Loebner Prize比赛便以此标准，这个大赛也早就出现了“通过测试”的机器人，比如2011年的Cleverbot程序达到59%的通过率。但是，这个名为Eugene Goostman机器人就是单纯地为了通过这个5分钟测试而设计的，编写者还颇有心机地把它设定成一个13岁的非英语母语的小孩，以便在很多问题无法回答或者出现错误的时候，让裁判误以为这是因为他年龄小而产生的语无伦次。也就是说，Goostman既不是“第一个通过测试”的程序，也不是一台人工智能机器人。另一个经常出现的谬误是我们经常听“这个机器人的智力已经接近多少岁的儿童”这样的报道。瑞典的科学家在2012年开发了一个据称智商达到150的人工智能程序。但是遗憾的是，这些话大多数只是这些科技公司为了营销而说的一些话。人类的大脑能学习几乎所有东西，比如两三岁的孩子已经能够掌握至少一门的语言、能从极其复杂的环境中一眼认出父母，不管他们的站姿和表情。但这与人工智能相距甚远，更不用说搞清楚“智力”这种玄乎的东西了。3、合理地思考虽然我们人类的智能是伟大的，但是尽管如此，我们仍然需要面对一个十分严酷的结论，我们人类并不是完美的。而在追求完美的路上，我们遇到了人工智能，所以我们是将人工智能向人的方向发展还是向更加完美、在一定程度上已经脱离了人这个本体的方向来发展，这也是我们如何定义人工智能的一个重要议题。所以在讨论了“像人一样”的话题后，我们要开始谈论“合理地”这个话题了。上面已经对什么是合理进行了说明，即如果一个系统可以基于已知条件做正确的事情那么它就是合理的。希腊的哲学家亚里士多德是首先识图严格定义“正确思考”的人之一，他将其定义为不可反驳的推理过程。他提出的三段论为在给定正确前提时总产生正确结论的论证结构提出了模式，这就是三段论推理模式。三段论推理说的是这样一种简单判断推理，它包含两个直言命题构成的前提，和一个直言命题构成的结论。一个正确的三段论有且仅有三个词项，其中联系大小前提的词项叫中项，在前提中出现两次；出现在大前提中，又在结论中做谓项的词项叫大项；出现在小前提中，又在结论中做主项的词项叫小项。概念有点复杂，我们举一个例子：牛有四条腿，奶牛是牛，所以奶牛有四条腿，这便是三段论。这些先贤认为这些思维法则正是支配头脑运行的基本法则，并且开创了被称为逻辑学的领域，而且19世纪的逻辑学家门为了世上各种对象以及对象之间关系的陈述制订了一种精确的表示法。从表面上看这种表示法似乎距离我们所说的人工智能又近了一步，但是遗憾的是，这种方法却存在着很大的两处缺陷：一个就是由于这种表示法为了精确表达各种对象之间的关系所以必须做到事无巨细，但是这就导致了，有些稍微复杂的问题，他们之间的逻辑表示可能要几百上千条，但是电脑的运行资源是有限的，可能在求解一个只有几百条事实的问题就已经耗尽任何计算机的资源。其实人工智能自1947年图灵在伦敦数学学会真正提出来之后的将近70年的时间里，人工智能经历了很长一段的瓶颈期，直到现在才又重新蓬勃发展起来，逻辑学的这种思路正是一个重要原因。也就是，人们总是希望创造或者用规则复现出一种合理推理的“规则”，然后让计算机照着这种规则来运行，但是问题就在这里，一方面这种规则的制定并不是一件容易的事情，他需要的人力以及智力都远远超乎想象，况且世界上那么多需要“列举”的规则，能列举的完吗。另一方面即使列举出了这些规则，但是要想将这些规则描述为计算机程序，庞大的计算量也并不是计算机所能承载的，更况且是几十年前的计算机，所以这也是一大缺陷。另一个大的缺陷就是，在我们这个世界上，并不是所有的关系都是确定的，而且真正的事实是，大部分的关系都不能真正用逻辑来表示。抛一枚硬币，结果是正面朝上还是反面朝上；收到一封邮件是不是垃圾邮件；今天会下雪吗。凡此种种，我们都不能用一个“百分之百”的知识来表示，这也是人工智能瓶颈期的重要制约因素，这也是为什么随着机器学习等优秀的处理概率事件的方法面市后人工智能得到飞速发展的一个重要原因。4、合理地行动为了说明行动这个具有行为要素的概念，我们需要引入一个叫Agent的概念，它是一种能够行动的东西。我们平时所说的机器人只是Agent的一种表现形式，会写新闻稿的那段程序也是Agent的一种表现形式。所以合理Agent是一个为了实现最佳结果，或者当存在不确定性时，为了实现最佳期望结果而行动的Agent。所以总体来看，“合理的行动”相对于“像人一样”避免了人类思维和行动上的缺陷，也避免了“合理地思考”的局限性，故合理Agent可以看做是对人工智能最好的一种逼近。在实现人工智能“思维法则”的途径中，一个很重要的部分就是正确地推理，而且做出正确的推理也是合理Agent的重要组成部分——因为合理行动的一种方法就是逻辑地推理出给定行动将实现其目标的结论，然后遵照这个结论进行行动。但是在这里需要注意的一点是，正确的推理只能是合理性的一部分，因为有些事情是合理的，但是它并不需要推理，正确推理是合理性的充分不必要条件。例如手被火苗烫了一下，缩手就是一种反射行为，并且这也是一种合理行动，但是我们不能说这里面涉及了推理，而且这种行为比仔细考虑后采取的较慢的行为更成功。那我们再用这种思路看一下图灵测试，我们可以发现，图灵测试中那个“黑衣人”所需要的所有技能也同样属于一个Agent合理地行动范畴，所以这个维度与图灵测试并不矛盾。合理Agent这个维度的定义与以上三种维度定义主要有两大优点：第一点是合理地行动比合理地思考具有更加普遍的适用性。因为它允许“可能性”这种机制的存在，当我们遇到一个没有“百分之百”的决策的时候，我们可以通过先验概率和后验概率，得出一个实现最佳期望结果的决策。这样，我们世界中基本上所有的事情就都可以通过这种方法而使Agent有所行动了。第二点就是这种途径比“像人一样”，即基于人类行为或者人类思维的途径更经得起科学发展的检验。合理性的标准在数学上定义十分明确而且完全通用，所以这种情况就完全避免了人的主观性，这种合理性是可以通过科学方法验证能够实现的，“能被客观证明”这种特质也是“合理地行动”这个维度定义的一大优点。5、小结虽然第四种维度的定义普遍被认为是对人工智能的一种很好的逼近，但是如果把一个合理Agent放到一个十分复杂的环境中，由于环境参数巨大，决策难度和复杂度都超过了计算的限度。这个时候，如果我们还想要实现完美的合理化，即总做正确的事情，恐怕这并不可行。不过我相信，随着算法的简化以及计算能力的提升，我们距离真正实现合理Agent人工智能的目标也一定会越来越近的。
大家都在买
软媒旗下软件：
IT之家，软媒旗下科技门户网站 - 爱科技，爱这里。
Copyright (C) , All Rights Reserved.
版权所有 鲁ICP备号一节有效课堂教学的特点之一就是有学生参与，这也是学习至关重要的一点。传...
从昨天开始，小米开启了一周的预热宣传，而这一切的铺垫都是为小米6准备，...
作者：豆腐店店长丶在被「左手右手一个慢动作」洗脑之前，更早的「甩葱歌」...人工智能模型_人工智能吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：55,072贴子：
人工智能模型收藏
改进当前的神经网络模型.建立动态的层次的神经网络.使神经元间的联系数量大大减少. 解决智能算法都不支持的层次化压缩和还原。2.
模仿人的认知过程,设计专门的记忆处理系统.将注意和记忆模型设计成一种不断生成的，时间相关的结构（类似时间序列）并通过体会/遗忘来控制。3.
改变原来程序设计的目标主导方法,通过设置本能结构使程序系统有自主能力,同时实现不确定目标的活动和目标的环境激活4.
建立新型神经元模型.使之具有双向双通路的信息交换能力,可以完成类似人类潜意识控制方式的多工作任务5.
通过一系列的技术手段,解决多种如类比思维，形象思维，逻辑思维在电脑中的实现6.
通过基因模型使一些关键的生命参数得到记忆，同时可以用遗传和变异程序进行杂交和变异，实现智能多样化 。7.
为解决思维的动力问题，参照人的行为方式，设定复杂的本能动力模型8.
设计一套独立的注意结构以完成注意，想象，计划的任务。注意结构是有选择的，部分感知那些有需要的信息活动，并能够根据信息类型决定是想象还是计划，是回忆还是现实。
百度众包可为您采集文字,图片,视频等多种类型数据.高效高质,获取训练数据好选择!作为人工智能或其他算法训练数据,为您构建有效数据模型提供有力数据支持!
具体技术细节不便透露欢迎一切的 批评，指导，讨论，投资和项目合作
呵呵，哥哥，以你现在的目光看来，11年的这些想法是不是太幼稚了。革命尚未成功，同志仍须努力啊
本着学习的目标来，结果只有墓碑……
坟贴，还不错
登录百度帐号推荐应用
为兴趣而生，贴吧更懂你。或人工智能的3大机遇，或者说是挑战还差不多-基础器件-与非网
因为真正懂的人不多，一直被有些人夸大或神化其影响力和破坏力。不巧，参加了人工智能与大数据主题论坛，遇到卡耐基梅隆大学计算机科学系教授邢波为我们做了一个系统性演讲 ，把人工智能变成了一个集数据、任务、模型、算法，实现系统、设备的东西，让我们茅塞顿开。
忆人工智能的过去
在60年代前有一个图灵测试的概念，人跟通过一个界面来交流，或者通话方式的状态来交流，当人不能分清幕布后面是人还是机器，这就说机器达到了人的智能，这是非常美妙的人工智能愿景。
紧接着有几个科学家发明了一台叫做逻辑理论家的机器，在自我环境去证明数学定理，把罗素很有名的证明定理中的前52道证明出了38道，这使人们产生了期望&&也许通过符号运算或者逻辑推理的方法，能够找到物质的心灵本质，使这个设备获得一种思想或者一种感情能力，以至于达到所谓的人和机器人达到不可区分的地步。
这个方法被很多科学家推广，在50-60年代有很多早期的结果令人兴奋。有人还发明可以做数学应用题的机器，包括小i机器人的鼻祖对话机器人也在那个时候产生了，能形成很有意思的人机对话。另外，理论上产生了一些突破，比如现在可以在AlphaGo里面看到的增强学习的原型。包括现在提到深度学习一些基本原理也是在那个时候出现的，叫感知器。这一系列结果，使人们对人工智能产生狂热的乐观，我们会觉得在十年之内可以预计机器在棋牌或者更广泛的范围内打破人类，有这么一个期许。
但是很快的，很不幸地人们发现这条路径不顺利，这些当时所谓的国际理论家，这些对话机只不过是玩具范畴内的东西，它们实现的功能只能在很小的领域应用 , 布置新的任务或者设置新的功能，有很多障碍是不可逾越的，其中就包含了本身的方法论，有时候他们设立的模型有障碍，本身必须的方程不能表达；还有计算的障碍，实现功能所需要的计算是一个技术性问题，当任务量增加了十倍，工作量计算量增加一百倍，这样设备跟不上。最后没有达到人类的预期，最后结果很严重，公众和政府投资或者经费的方面都产生了一些相当巨大的滑坡，这是人工智能的第一个冬天。
虽然是冬天，还是有很多坚守者在接着往前走，他们突破了一些阻力，做了一些进一步的工作。在80年代的时候有人做了一个专家系统，能帮一个公司节省每年几千万的经费，这是一个很巨大的成功。
其次，日本也有人提出做一个专门的专家系统计算机，能帮助这个公司或者政府做各种各样的决策。在更广泛跟人的功能近似的领域，比如数字，或者跟人下棋诸如此类的。
但是，这个短暂繁荣没也有很长久，很快人们发现实现这些功能的手段是一个相当耗费功能和资源的手段，比如在同一个时段，我们看到苹果机，PC机以很低的价格进入每个家庭，同样每个专家系统在公司里面需要很高的维护价格，并没有小型机低很多，然后很快地，军方，政府，用户又很快对人工智能失去兴趣，人工智能又入冬了。
没突破是因为没目标
所以我想，也许人工智能的路径或者目标有一些问题，也许我们重新冷静一下做人工智能是为了什么？我经常跟朋友聊天，他问我会不是哪一天造出一个打扫院子的机器人，然后陪你聊天，他们感觉人工智能是无所不能的产品或者设备，能够很灵活训练做各种各样的事情。或者能不能做一个像人的机器？
这里面有一个技术上的模糊点。人和动物的功能和作用非常多方面，在目标不明确的时候，很难对产品做设计。比如做一个鸟，本身里面就包含不确定性，做这个东西是为了像鸟，还是飞，还是给你唱歌诸如此类的。这使人工智能的学者和技术人员重新思考，做人工智能的目标是比较宽泛的定义还是基于实际功能的定义？
如果做一台机器要能飞，这跟做鸟是完全不一样的目标，要是只要可以跟鸟一样的飞，可以采用机械式用空气中的力学和燃料技术实行另外的飞行方法。产生两个不同的路径左边是仿生学或者生物科学的进步，了解生物动物的结构和原理，然后复制重现他们的功能。这里面有很多的困难，对它们的功能不了解？其实了解很清楚之后，复制方面也有困难，包括材料学等等。
而右边的方法不一样，它是把这个功能做了一个直接非常简单的数学描述，可以通过这个数学描述，对形成功能的手段和达到功能的目标之间形成一个很明显的因果关系，这样可以形成一个明显试错过程，过程中可以提供很多手段。由于这是一个工程上的方法，使得你可以利用很多不对称的资源，比如你可以去使用很大的计算能力或者很大的电力，或者其它方面的东西，这是生物本身不具备的东西。但是你可以导入到你的设备，产生非对称的优势，来实现你所需要的目标。
Copy人类不是唯一出路
这一点是我们想到，也许人工智能并不见得就是重复人的功能或者神态，而是定义成对功能的一个追求，这里面就产生了看到一系列的突破，就是导向对功能尽可能快速和优化的实现。
由于这样一种思维方式，展示出人工智能研发过程中，大家可以非常简单地去遵循比较完整的研发体系，我们通常会把人工智能从数据开始定义，跟今天的大数据很有关系，在不同的区块取得不同的数据，然后对功能做一个准确的定义。比如做推荐，做图象识别，要下棋，要做赛车或者机器人。由于有了对功能追求的定义，我们可以引入一些数据方法，做一个非常直接具体的描述。
然后再往下出现很好的算法，是一个引擎，把很好的题解出来。
然后再往下出现一套计算设备，对软件的实现。
然后再往下要写一套程序，就需要程序和硬件设备一个对接，中间要有一个操作系统。
这其中形成了一个小方块，使得大工程被分成小模块做产业化或者工业化很广泛的实现。这就是我们看到现代人工智能的愿景，这里面会展现很多研发的机会和挑战。
由于有这么一种框架，也催生很多技术产生，新的理论，新的算法和新的设备，我们都能够很快地把它们引入研发过程中，来产生很好的功效。
最近惊人的突破VS产业
最近人工智能有很多惊人的成果，有AlphaGo的胜利，还有机器的狗的设备，自动驾驶车也不断起来，各种各样还有人工智能的展现。
也就是说，暂时功能性的人工智能给我们带来了一个高度，使我们重新燃起对人工智能的热情，到底走多久？以及类人智能的愿景。
很多人关注产业和人工智能经济带来的机会。如果仔细来看，进来人工智能的一些显性突破的话，它并没有直接带来商业方面明显的价值。因为，现有人工智能大部分的方案比较笨重、单一、昂贵。比如谷歌所推崇的有一个图片识别系统，叫谷歌大脑，是一个很巨大的设备，在一千台计算机实现，有几十个研发人员，功能上讲投入和产出不成比例，还有话题模型，还有下围棋的设备，都是非常昂贵的设备。在真正商业化的思维里面，有效率上的不匹配，比如你想把设备的规模扩大十倍，比如把机器从一台变成一千台，所收获的能力和功能并不是得到一百倍，那90%都是在某种缺陷部分丧失了。其实有很多的机会，有很多商业的前景，没有被很好的利用起来。
另一个方面，大部分人追逐很快的结果，使得在人工智能的人员培养出现了极大的断档，很多人没法掌握这些技术，现在这些需要人有很高的技术去训练，才能做价值的开发，其实这个矛盾很大。
我们看到人工智能的商业前景，其实在现在还没有被充分的发挥出来。由此产生了一些不太乐观的后果，比如垂直行业，像网络安全，像金融医疗，像用户画像对天文学数据学的处理等，目前的状态都是处在一个比较薄弱的数据状态，数据量很大，但技术手段和分析手段没有达到科学家和用户所需要的功能。
这对人工智能提出了一些比较具体的要求，不是要造的多好玩，而是你到底如何把相应的功能和数据做提高。
到这里时，我得谈谈人工智能面临的挑战和机会。其实并不是没人关注，有很多学者关注，现在已经有很多大公司 ，有很多学校积极研发通用软件或者通用平台，都希望向公众提供低门槛，好用低价的方案。
这些各个层面的解决方法，都有一个清晰的解决脉络，把个问题解决的步骤，分成了数据，任务，模型，算法，硬件等等各个纬度，这样来分，就可以使着力点和工作重心有所集中，使产业和研发的机会能够具体的被定义出来。
就这个谈几点我个人对目前产业的机遇或者未来的一些理解看法。
有两方面的路径可以去追逐，我刚刚已经听到了，包括总理和很多政府里面的高级官员都意识到数据是一座矿山，有很多财富可以挖掘。尤其是产业的老总和企业家都看到了这样的前景，我们有很多金矿，应该想怎么使用挖掘出来？怎么使用这些金子做有用的事情？
着重讨论的一个东西，在金矿，一方面金子很有价值挖，另外造挖金子的铁锹，这也是一个产业，我目前还没有看到很大的机遇获得了关注，把这些机会展现出来，看大家有没有兴趣做进一步的探讨。
关于工具打造，其实有一个很强的结果，首先在方法上展现了很多机会，方法论解决人工智能需要什么正规途径？比如数学模型、算法、形式化等，这几步有很多机遇，目前并没有被掌握。
比如计算机视觉的一个例子，从这个任务里面来，大概十年前的时候，有一帮学界的前瞻性很强的人物创造了一个Image Net竞赛，鼓励研发人员去设计机器学习软件，去自动识别图象，很多很多的图片。
由于这个比赛，路径表现在不同的研发人员来设计不同的模型，一开始有很多很粗浅的模型，精度在2010年很低，比如在一千类的时候，可以达到75%的精度，但到了一万类的时候，精度只达到了10%几。
这个起点使人们开始思索，首先在方法论上有一个突破？这样人工智能的工具库或者手段更丰富一点。这里面包含了很多方面的突破，包括设计更强的模型，导入更深的结构，更快的算法，你可以看到现在整个增长是逐年递增的，很多研发人员在里面投了很多精力，可以在一万类的图片达到95%以上的精度，比人做得好。
在整个流程里面，方法论占据了非常大的作用，是不是有很完美的方法论提供给所有的人工智能？不是的。实际上存在一个很大的鸿沟，提几个稍微的高光点：
比如数据模型中，目前使用的模型有很多的特点，包括表达性，在自然图片上设计的模型，虚拟后还能不能继续识别图片？包括模型本身的可调性都有很多未知。
下一步我们设计算法的时候，这里面的需求和供给鸿沟就更大，其实现在大量算法的速度，精度，稳定度都非常低。
而在纯理论工作上也面临很多困难，我们对现在一些工作良好的工具，并不了解其实质理论和数学背景的实质。
由于大数据的产生，我们对于软件系统的需要和部署能力有更高的要求，譬如希望在不同平台上，能在不同的移动设备，云的设备上不同平台上跑同样的软件，目前这些问题都没有解决。
我想说的是，固然目前学习的手段已经有很多的成果，与其去摘低的果子，还不如把精力放在突破这些挑战上，这本身就有很多的机遇。
最后就是如何来实现这个方案的部署？
这个比较工程，实际上也有很多很多研发的问题在里面。通常在大公司里面，尤其在中国大公司里面看到的一个常态，很多公司非常喜欢一个自有完整的体系，把所有的部件，所有的模块都是自己来做，基本上是封闭，没有外延和接口。
它们可以雇佣很多技术师和工程师，通过内部打造来完成，成本非常高昂。谷歌是一个例子，大部分的公司有互相互补和外包的机制，使他们不用关注所有的问题。里面有内在逻辑，因为在解决部署人工智能软件或者算法的过程中，实际上有很多的规律能够使你用来充分利用，来降低你的运算成本和提高效率。比如在研究部署范式的时候，我们可以问很多方面的选择：包括用什么平台来做实现？包括问题有多大规模？包括用什么操作系统和语言？不同的处理，会找到不同的解决方案。而且能够给你展现出来，一些当时很难想象的优势，能使你在金钱或者质量上获得巨大的优势。
举个例子说一下这样的事情，讲到了分布式计算，很多公司，包括云公司，需要对大规模的客户或者企业进行对接的时候都面临一个计算任务扩增的需求。当时在FB的时候，我们要做一个社交媒体圈的定位，通常做一个研发的时候，写一个软件在一百万个用户展示这么一个功能，实际上部署的时候，是一亿用户规模，怎么迁移？
有很多很多问题，有一个幼稚的想法，这个软件在一台机器上完成的，就多买点，尽可能把机房的规模扩大。比如一百万个用户，在一台计算机6分钟算出来，买一千台是不是0.06分钟算出来。不太可能，即使几个星期也算不出来。
人工智能VS传统计算
因为在技术上要实现定型机群的同步，里面有一个很大的瓶颈就是&&&&怎么来实现多机器的协调？单就运转速度不一样，总有一台机器比一台机器慢一点，比如这个机器人被其它的占用了，或者温度不均衡慢了。机器的学习算法是迭代算法，跟传统的数据库不一样，这样就造成了资源的最大浪费。最后就看到了这样的一个瓶颈。
如何将AI程序并行？但这些并行机，并没有帮人工智能进行很好的服务，要么让你长期处在待机状态，或者放弃通信，使两个机器多台机器随便跑就产生了一个发散，这就使我们产生了一个质疑，也许这个平台本身，并不太适合我们机器学习的需要。
也许操作系统面临新的时刻，底层系统需要设计。
这是最近在机器学习领域的一个新的质疑，也许操作系统面临新的时刻，底层系统需要设计。因为人工智能计算，大数据计算和传统数据库的数字是不一样，传统计算里面强调的是一定要算对，如果错了，就算搭积木一样，后面再怎么努力搭，设备会垮掉没有办法维持。
但人工智能的计算方式是一个爬山的方式。
人工智能的计算方式是一个爬山的方式，到底怎么爬？用哪种路径爬？并不是那么关键。
由于某种原因，走错了，如果不是很严重，并不一定回原点，在继续往下修正。当你做这么一种认识，在支持人工智能算法的技术要求支持跟传统不一样。
传统的技术设备对于同步的要求，就像一个飞行表演队要做一个展示，每个飞机的间距都得严格控制，否则会撞击或者不美感。
人工智能是为了完成一个任务，当一对飞机去扑火的时候，是为了达到手段，而不是目的，它只要是一个知道哪里扑火，提供一个协调，让一个指挥官指挥多台机器人。
它也引用了所谓的动态调度方面，在负载情况下能够使用利用机器学习内部的结构分散开但是又不影响数学结果正确性，还有复杂均衡的方法，有些任务完成早，可以把机器让出来，让其它任务占据。机器学习和人工智能所特有的，当你意识到机会的时候，会有一个水平的提高。
解决方法是更加模块化的过程，而不是从头到尾的封闭方法，最后整合起来，一个完整的解决路径，这个包含了产业间的配合和研发之间的配合。
其实现在在人工智能的产业前景里面，看到了使用的范围已经远远的超出了数据中心的机房，可以在移动平台上部署，也可以在家用设备部署，也可以在云端部署，这些不同的硬件环境，都提出了对系统设计不同的要求。
看看这里面所需要的解决方法和现在已有的方案，看看差距在哪里？这样可以提供一个很大的产业。生产铁锹和工具本身有很大的价值需要去利用？
它真的需要FPGA，TPU吗？
如何看待对于FPGA，TPU或者人工智能热潮的观点，这就是人工智能发力点在哪里？
是不是需要专业的硬件？这个问题不太容易回答。目前所看到的人工智能解决路径或者方案，大量使用的硬件，不仅包括网络，还有处理CPU，储存。
现有设备，从技术角度来看，还远远没有被充分使用，所以只要你掌握了一个算法的核心，应用到硬件上的时候，反而会有很快的结果。而且现在人工智能有很多的硬件标配，包括CPU，GPU等等。
那人到底要不要一个专业的设备呢？其实硬件的提升空间很大，比如需要设计更低功耗的CPU和GPU；核的数目在某一个设备里的话，是不是可以进一步提高；存储的功能是不是可以提高，这些都有很多的地方可以提升，但我们是不是要把这种提升的算法做成某一种专用的功能或者算法呢？
我自己持保留态度，因为我看到人工智能或者机器学习整个研发和产品的形态呈现倒三角的趋势，在这个倒三角的顶端，我们看到是数据任务或者数据模型和软件，但因为有无穷多任务和数据量，越往下走，越是希望能共享已有的解决方案。到了底端空间会越来越小，这就像在其他工业园看到的例子。飞机飞什么东西？显然不胜为举。多少种飞机，多少种引擎，可能十几个标准模型，多少种油，基本1-2种就可以了。
所以人工智能基础的价值在于通用性，这样才有最大市场占有率，然后成本才能降下来。
然后我个人认为，硬件是处在这个形态里面，至于它到底往哪个方向走？是往专业上走，还是往效率上走？如果产学能够产生充分的对话，得把这问题解决清楚。
人工智能VS自然智能
最后多讲几句关于未来的憧憬，人工智能让人重新点燃比较浪漫的想法和愿景，但也有人担心，会不会给我们产生威胁？或者会不会影响到我们的工作机遇？
我从一个研发者的角度，分享这么一个观点，我觉得人工智能和人类（自然）智能，是较平行的两条轨道，它们功能和目的是完全不一样的，人工智能如图所示是很明确，可定量评测的功能；自然智能是比较散泛，非常宽广功能的这么一个空间，然后它的数学模型和硬件是不清晰不明朗的，不清楚的，软件算法也不清楚，所以它整个是一套比较模糊的体例。
但在人工智能都有比较清晰的定义，比如是一个单一的功能来实现，设备是电子设备，软件是靠算法来执行。这两个产生一种比较值后，有时候大家会产生一种错觉。
比如看到谷歌AlphaGo赢了人，到底应该采取什么样的态度？在我个人看从开发人工智能的软件和功能的角度，当我们开发的目的就是去实现一开始设计的目标，比如下棋，在有限的条件下，机器超过了人，就像马车超过了马，很有可能会做到这一点。
只不过机器超越本身是不是被过度解释了，以至于形成对人类自身能力的挑战，应该比较理性的来看待这个问题。因为机器的功能跟人思维，感情，自主性不是一回事，目前不必从技术上担心会受到人工智能的威胁。我觉得人工智能以后一个大的方向，在长期实践会和人产生共存关系，帮助人实现很多有用的功能，提升人的生活质量和降低人的生活风险的功能。
其实是一座金矿
最后，总结一下这个方向的市场潜能。
我觉得人工智能的市场潜能相当巨大，以我很限的视野已经看到在社会政府，或者在科学、商业有诸多的应用，这里面相当主要的一个基本点，就是我们拥有大数据。
数据就是一旦增加到很大程度，机器和人的优势就会产生很大的倾斜，人赶不上机器的消化程度。所以使得数据的价格产生了不一样价值，提供更多的帮助。包括在医疗、法律、健康等很多方面，得益于人工智能对数据的挖掘。人工智能在社会的运转，或者是科学的研究，或者是商业的拓展里面进一步赢得空间，给我们带来就业或者产品功能方面的机遇。而且不必得等到像人一样聪明才能获得这样的功能，人工智能的目标本身不应该过多关注生物性或者哲学性的对比，更多应该关注功能实现和低价快速的提供。
关注与非网微信 ( ee-focus )
限量版产业观察、行业动态、技术大餐每日推荐
享受快时代的精品慢阅读
日 — 今天，NVIDIA公司(纳斯达克代码：NVDA)宣布同全球领先的原始设计制造商（ODM）- 富士康（Foxconn）、英业达（Inventec）、广达电脑（Quanta）与纬创（Wistron）开展合作，以期更加快速地满足市场对人工智能云计算的需求。
发表于： 15:05:00
人工智能“小冰”所写的诗，归根结底只是一种拼贴——别忘了小冰的139首诗是从一万多首诗里挑选出来的，而再往前，小冰在第五千次学习时写的诗和她第五百次学习时写的诗是不一样的。也就是说，我们所看到的小冰的诗，至少经过了程序员和编辑两次筛选，很难称得上是创造，至多只是一种随机组合加人工筛选。
发表于： 10:56:00
在日前举办的2017年港洽周上，新松机器人小镇项目签约落户湘潭高新区，这一项目的背后有怎样的战略考量？新松机器人将如何助力高新智造？我们专访了新松机器人自动化股份公司总裁、新松投资公司董事长曲道奎。
发表于： 10:46:07
现在人工智能越来越发达，人类的很多方面都会被人工智能替代。那么人的哪些能力是永远无法被人工智能取代的呢？
发表于： 09:03:43
5月25日，2017异构计算标准暨国际人工智能大会在厦门隆重开幕。本次大会以“面向未来智能纪元，共建共享异构计算”为主题，是我国首次召开促进人工智能算法及应用与国际主流芯片平台标准融合发展的大会。
发表于： 20:30:00
近年来，液晶面板制造商都采用了将触控元件向屏幕底部转移的方式来缩小屏幕的边框（上、左、右），而JDI则换了一种思路，把元件进一步缩小，从而让底部边框厚度与其他三边的边框厚度基本相同。
发表于： 16:31:45
此轮存储产品线的涨价风波到底缘何而起？此轮涨价风波到底何时方能风平浪静？我们能否从Computex2017看出一些端倪？
发表于： 16:30:49
日前，Vishay Intertechnology, Inc.（NYSE 股市代号：VSH）宣布，发布适用于高湿度环境的新系列金属膜聚丙烯交流滤波薄膜电容器---MKP1847H。
发表于： 15:05:00
全球领先的信息技术研究和顾问公司Gartner的研究显示，2016年全球半导体收入总计3,435亿美元，较2015年的3,349亿美元提升2.6%。在企业并购潮的影响下，前二十五大半导体厂商总收入增加10.5%，表现远优于整体产业增长率。
发表于： 14:51:27
广东省检察院5月30日通报，深圳某公司法人“反向”研发芯片谋取暴利，因侵犯产权获刑三年，该案入选最高人民检察院近日发布的2016年度“检察机关打击侵犯知识产权犯罪十大典型案例”。
发表于： 14:48:00
你是如何看待余承东反思的？ ……
21:30:00以前，嵌入式MCU功能简单、种类较少，软件开发起来相对容易，而今天，MCU功能强大、种类繁多，软件中实现的功能也要比以前更多更复杂。该系列课程，针对基于ARM的STM32 MCU，将利用STM32cu
电赛准备阶段重要一环——数据手册。想要了解一个芯片最核心有效的工作方式，唯有熟读其官方给出的数据手册。很多小伙伴在阅读英文版数据手册时常常遇到一些无法理解的语言或词汇，怎么办？百度、有道？但有时翻
PCB设计称得上电赛中最重要的一环。不少同学设计之初没有精益求精导致项目进展缓慢，延误了比赛进度。相信众多网友在PCB设计中都遇到过各种坑，今天具有电赛丰富经验的大神考诉你PCB、原理图设计时必须
21:00:00今晚，杜洋老师将为大家分享单片机电路稳定性设计经验，为大家解惑电路稳定性设计中棘手问题。本期课程，杜洋老师，将以实际操作讲解为主，为大家详细讲解电路设计中需要注意的方方面面。用实践检验技术问题，用实践
PCB设计称得上电赛中最重要的一环。不少同学设计之初没有精益求精导致项目进展缓慢，延误了比赛进度。相信众多网友在PCB设计中都遇到过各种坑，今天具有电赛丰富经验的大神考诉你PCB、原理图设计时必须
旗下网站：
与非门科技(北京)有限公司 All Rights Reserved.
京ICP证:070212号
北京市公安局备案编号： 京ICP备：号