人工智能是什么?人工智能为何重要?我们应当害怕人工智能吗?为什么忽然之间所有人都在谈论人工智能?
你可能会大年夜网上知道人工智能若何为亚马逊和Google的虚拟助理供给支撑，或者人工智能若何一步步地代替所有的工作(有争议的)，然则这些文┞仿极少很好的解释人工智能是什么(或者机械人是否将要交班)。本文将对人工智能做出解释，这份简明指南将跟着范畴的成长和重要的概念出现进行更新和改进。
仁攀类天然会进修复杂的设法主意：我们可以看到像苹不雅如许的对象，然后在今后辨认一个不合的苹不雅。 机械是异常字面化的 - 电脑没有对“类似”的灵活概念。人工智能的目标是使机械削减仅基于文本而形成的概念。 机械很轻易断定两张苹不雅的图像或两个句子是否完全雷同，但人工智能旨在大年夜不合的角度或不合的光线辨认同一苹不雅的图片; 它捕获视觉角度去辨认苹不雅。这被称为“泛化”或基于数据的类似性形成设法主意，而不仅仅是基于AI所看到的图像或文本。 更广泛的设法主意可以应用于AI以前没有看到的工作。
卡内基梅隆大年夜学计算机科学传授亚历克斯·鲁德尼奇(Alex Rudnicky)说：“人工智能的目标是将复杂的仁攀类行动降低到可以计算的一种情势。 “这反过来竽暌怪使得我们可以或许建立对仁攀类有效的可以大年夜事复杂晃荡的体系。”
今天距离人工智能还有多远?
人工智能研究人员仍在尽力解决这个问题的基本。 我们若何教电脑来辨认他们在图像和视频中看到的内容? 之后，辨认若何进入懂得 - 不仅产生“苹不雅”这个词，并且知道苹不雅是一种与桔子和梨相干的食物，仁攀类可以吃苹不雅，可以用苹不雅做饭，并用它们来制造苹不雅馅饼，并且接洽到约翰尼·苹不雅派的故事，诸如斯类。 还有一个懂得说话的问题——词根据语境有多重含义，定义老是在演变，每小我的说法都有一点点差别。 电脑若何懂得这种不固定的，千变万化的说话构造?
因为介质不合，人工智能的进展速度也不雷同。如今，我们看到了在懂得图像和视频才能的惊人增长，这是一个业界称之为计算机视觉的范畴。然则，这一进步对其他人工智能的懂得并没有多大年夜赞助，这是一个被称为天然说话处理的范畴。这些范畴正在成长有限的智能，这意味着人工智能在处理图像、音频或文本方面具有强大年夜的功能，但却无法大年夜这三者中进修到同样的办法。一个弗成知论的进修情势是一般智力，这是我们在仁攀类身上看到的。很多研究人员欲望，各个范畴的进步将揭示更多关于我们若何让机械进修的共享真谛，最终融合成同一的人工智能办法。
人工智能为什么重要?
一旦人工智能学会了若何大年夜图像中辨认出一个苹不雅，或者大年夜音频片段中转录出一个语音片段，它就可以被应用于其他软件中，做本应当须要仁攀类来做的决定计划。它可以用来辨认和标记你的同伙在Facebook的┞氛片，你(一小我) 本应当手工做的工作。它可以大年夜主动驾驶汽车或者你的车的倒车影像里辨认出另一辆车或者一个街头标记。它可以用来定位农业临盆中应当移除的劣质农产品。这些义务，仅仅基于图像辨认，平日是由用户或公司供给软件的人完成的。
如不雅一个义务节俭了用户的时光，它是一个功能，如不雅它能节俭了公司里工作的人的时光甚至完全清除了一份工作，那么它就是一个极大年夜节约了成本。有一些应用法度榜样，比如在发卖分析的几分钟内处理数百万个数据点，如不雅没有机械，是弗成能实现的，这意味着以前大年夜未竽暌剐过的新信息的潜力。这些义务如今可以经由过程机械在任何时光和任何地点快速、廉看法完成。它是仁攀类曾经完成的义务的复制，对于无穷可伸缩的低成本劳动力来说，这是弗成否定的经济好处。
就像Gottlieb Daimler和Carl Benz没有推敲到汽车将若何从新定义城市的建造方法，或者污染或肥胖的影响，我们还没有看到这种新型劳动力的经久影响。
AI为什么如今这么火爆，而不是30(或者60)年前?
关于人工智能应当若何进修典范多设法主意实际上已经跨越了60年。上世纪50年代，像Frank Rosenblatt、Bernard Widrow和Marcian Hoff如许的研究人员起首研究了生物学家认为大年夜脑的神经元是若何工作的，以及他们在数学上做的工作。我们的设法主意是，一个重要的方程可能无法解决所有问题，然则如不雅我们像人脑那样，应用了很多连接起来的方程会若何呢?最初的例子很简单:经由过程数字德律风线路分析1和0，然后猜测接下来会产生什么。(这项由Widrow和Hoff在普林斯顿大年夜学完成的研究，仍然被用来削减德律风连接的反响)。
模型：模型是一种机械进修算法，它可以建立本身对某一主题的懂得，或者它本身的世界模型。
2006年，达特茅斯会议五十年后，当事人重聚达特茅斯。左起：摩尔，麦卡锡，明斯基，赛弗里奇，所罗门诺夫
数十年来，计算机科学界典范多人认为，这个设法主意永远不会解决更复杂的问题，而现如今它是重要科技公司的实现人工智能的基本，大年夜谷歌、亚马逊到Facebook，再到微软。回想以前，研究人员如今意识到，计算机还没有复杂到足以模仿我们大年夜脑中的数十亿神经元，并且我们须要大年夜量的数据来练习这些神经收集，正如我们懂得的那样。
这两个身分，计算才能和数据，在以前的10年迈才得以实现。在2000年代中期，图形处理器单位(GPU)公司NVIDIA表示，他们的芯片异常合适运行神经收集，并开端使得AI在其硬件上运行变得加倍轻易。研究人员发明，如不雅可以或许应用更快、更复杂的神经收集，就可以进步精确度。
然后在2009年，人工智能研究察Fei-Fei Li宣布了一个名为ImageNet的数据库，它包含了跨越300万个有组织的图片，在琅绫擎还添加了标签。她认为，如不雅这些算法有更多的例子来寻找到模式之间的关系，那么它就能赞助他们懂得更复杂的设法主意。她在2010年开端了一场ImageNet的比赛，到2012年，研究人员Geoff Hinton应用了数百万张图片来练习神经收集，以跨越10%的精确率的巨大年夜优势克服了其它的应用。正如Li所猜测的，数据是关键。Hinton还把神经收集堆在另一个膳绫擎，一个只是找到了外形，而另一个则看了纹理，等等。这些被称为深度神经收集，或深度进修，也就是今天你在消息中听到的关于人工智能的消息。一旦科技行业看到了却不雅，人工智能的繁华就开端了。数十年来，一向致力于深度进修的研究人员成为了科技行业新的摇滚明星。截止2015年，谷歌有跨越1000个项目应用了某种机械进修技巧。
推荐阅读
程序员总结分析：为什么要用原生 JavaScript 代替 jQuery？
跟着 JavaScript 本身的完美，越来越多的人开端爱好应用原生 JavaScript 开辟代替各类库，个中不少人发出了用原生 JavaScript 代替 jQuery 的声音。这并不是什么坏事，但也不见得就是功德>>>详细阅读
地址：http://www.17bianji.com/lsqh/38621.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示