设为首页 设为首页 加入收藏 加入收藏 网站地图
              [请登陆][免费注册]
              搜 索

              港科大张潼教授最新发言:对人工智能发展的一些思考
              出自:雷锋网

              近日,「新消费新动力——2019 年?#20013;?#21512;作伙伴大会」在深圳举行,国际著名机器学习专家、香港科技大学教授张潼出席会议并发表主旨演讲,在演讲中他提到 AI 发展的关键要素,以及现在难以解决的问题,我们将来需要研究的方向,雷锋网 AI 科技评论将他的发言内容整理如下,有删减。

              大家好!非常高兴能够在这个场合与大家分享 AI 的相关技术。我们现在站在了 AI 时代,AI 在很多场景中改变了行业。?#28909;?#20135;生新的人机交互方式,这种产生从新的终端开始——由之前的电脑到手机、再到现在的智能音响设备等,这些设备对于智能交互的要求越来越高,AI 在其中产生了非常大的作用。还有像无人车、机器人等一系列物理设备能够进入到人们的生活中,这也指日可待。再就是跟今天的主题更加相符合的,即 AI 渗透进各行各业,能够帮助各行各业赋能产生更大的价值。

              AI 相关技术以及发展

              人工智能从技术上分为多个层次,最基础的层次就是硬件、芯片、服务器等,再往上是机器学习等各种 AI 技术,继续向上是各个应用方向,如计算机视觉、语音处理、自然语言处理和大数据统?#21697;?#26512;等,特别是大数据统?#21697;?#26512;,在金融行业有非常多的应用,再往上有很多技术点,之后就可以制定行业解决方案,最终赋能各个行业。

              为什么说 AI 最近有了广阔的发展?主要基于两个因素:一是大数据在近年来急剧升温,包括传感器、云计算的发展、数据收集能力和存储能力的加强等,这导致数据越来越多;二是计算能力的增强,从 80 年代的个人电脑到 90 年代互联网、再从 CPU 到多核 CPU、GPU、异构计算等,在计算能力上也有了很好的基础。在此之上,近些年,特别是近十年左右,机器学习有了非常好的发展,在工业界取得非常多的应用,在原来的层次上使效果有了很好的提升。

              早期的机器学习,它的方法是人工对具体的问题抽取出一些特征,在特征上做统?#21697;?#26512;,这种方法目前在很多产业还是有应用,但从上一个十年开始,在一些场景上大家可以用深度学习技术把这些方法取代掉。深度学习的技术是端到端的学习,把人手工提取特征这一部分用机器取代了。

              怎么做到这一点?有两个要求,一是数据量更大,基于大数据才能学习这种特征;二是计算的要求更多,如果 80 年代做,算力不够,要算十年或一百年,现在一天就算出来了。强大的计算能力和大数据取代了一些人工,造就了深度学习的巨大成功。这一成功也带来了它的倡导者,包括三位主要的深度学习研究人员 Yoshua Bengio, Yann LeCun, Geoffrey Hinton 获得 2018 年图灵奖,这也说明计算机界对人工智能、机器学习给予了非常大的肯定。

              在一些单一的场景下,针对具体的问题,AI 的确产生了非常好的能力,甚至能超过人。有些人看到现在的 AI,会有一些不切?#23548;?#30340;预期,觉得 AI 无所不能。?#23548;?#19978;并不是这样。

              早期,2010 年开始的 ImageNet 竞赛直接导致了深度学习的发展,2012 年,通过采用 GPU 运算,迅速把传统的方法取代了。这是一个单一的场景,ImageNet 比之前的数据集大很多,通过大的算力,逐渐取得成果。近些年,比较著名的案例就是 AlphaGo,AlphaGo 下围棋能够赢得人类,这是同一套思路在同一个问题上,用了非常多的模拟数据、自对?#27169;?#36890;过学习更多的棋局,通过更大的计算能力,?#28909;?#35895;歌 TPU 等新型硬件,然后又用了一些比较好的算法,三个方向同时发展,导致在单一场景上取得了非常强的能力,也让人觉得 AI 能够取代人类。

              于是人们会经常问一个问题,如果 AI 能够下围棋,是不是所有事情都能做了?#31185;?#23454;并不是,是有缺陷的。下围棋是一个单一的任务,差不多的任务如玩游戏,目前玩的是《星?#25910;?#38712;》,从下围棋到跟人类打《星?#25910;?#38712;》,AI 进行了漫长的迁移,而这个迁移需要非常特别的定制化的算法和方式。从现在 AI 的情况来讲,可迁移性并不强。

              未来的挑战和应用

              将来会怎么样?一方面还是沿着大数据在工业界的很多应用场景。?#28909;?#25105;研究机器学习,我更关注的是在数据较小的复杂场景下怎么学习得更好,能够实现现在不能做的任务。

              举一个例子,无人汽车用的场景非常复杂,如果我给一个机器学习模型看了很多白天的图像,让它进行图像分类与识别,在真实的应用场景上给的是夜晚的图像,在夜晚图像上,机器学习算法的效果就会非常差。

              另外?#28909;?#35828;语音识别,在安静的情况下我训练了一个系?#24120;?#23427;的能力可以超过人类,但是如果在复杂噪音的情况下,它的性能就会?#38470;擔?#24182;不比人类更强。

              此外,模型的可迁移性并不强,包括在一些小的数据集上会产生一些问题,解决这些问题非常重要,这些问题一旦解决了,很多的应用场景就能够得以实现,包括无人驾驶,还有机器人在物理世界做一些具体的任务,因为物理世界极具多样性,如果我们有更好的学习能力,就能够使这些成为可能。

              再往后就更复杂了,我们能够理解世界,表达世界,甚至模拟世界将会发生什?#35789;?#24773;,我们具有语言表示、逻辑思考等能力,但是机器目前并不行,而且并没有好的实现手段。我觉得人工智能还有很长的路要走,将来还有很多值得研究的地方需要我们去攻关。 

               

              0
              文章收入时间: 2019-04-23
               
              SEMI简介 | About SEMI | 联系我们 | Privacy Policy | semi.org
              Copyright © 2018 SEMI®. All rights reserved.
              沪ICP备06022522号
              沪公网安备31011502000679号
              全民彩彩票是真的吗

                                      2013年排列五走势图 安徽快3一定牛彩票 新疆11选5手机助手 58娱乐平台 大陆真人百家乐 时时彩什么的组三 pk10冠军冷热号分析 河南22选5投注技巧 左岸春风微信码 p3试机号近30期 重庆时时彩百位2玛计划 内蒙古十一选五一定 江苏11选5走势图遗漏 黑龙赌王双胆历史记录 四川时时彩11选5开奖结果