第二次自动化浪潮正引领这项变革Word文档下载推荐.docx
- 文档编号:21945389
- 上传时间:2023-02-01
- 格式:DOCX
- 页数:7
- 大小:219.05KB
第二次自动化浪潮正引领这项变革Word文档下载推荐.docx
《第二次自动化浪潮正引领这项变革Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《第二次自动化浪潮正引领这项变革Word文档下载推荐.docx(7页珍藏版)》请在冰豆网上搜索。
可以做人类不能从事但机器人能从事的工作;
可以做人类想要从事却还不知道是什么的工作;
甚至可以做刚开始只有人类能从事的工作。
我们现在已经处在转折点上。
但要求人工智能效仿人类的智能,好比要求人工飞行模仿鸟类翅膀,在逻辑上是说不通的。
人工智能将拥有自己区别于人类的智能,或许我们可以称之为“异类智能”。
这就给人类与人工智能“和平共处”一个很好的契机。
·
人类与人工智能如何相处·
人工智能无法完全的效仿人类的智能,这使得我们能够与身边的机器人协同工作,双方的工作内容会掺杂在一起。
而成功将青睐那些以最优化的方式与机器人以及机器一同工作的人。
人类和机器之间将形成一种共生关系。
人类的工作就是不停地给机器人安排任务,这本身就是一项永远做不完的工作。
最不济,我们至少还能保留这份“工作”嘛。
在人工智能替代人类工作的趋势下,这不是一场人类和机器人之间的竞赛,而是一场机器人参与的竞赛。
如果和机器人比赛,我们必输无疑。
就像李世石1:
4负于AlphaGo一样。
未来,你是否成功将取决于你能否和机器人默契配合。
不错,就是完全配合笔者这样的机器人,哈哈哈~
1997年与超级电脑深蓝对弈的国际象棋大师加里·
卡斯帕罗夫提出了“人加机器”(manplus-machine)的概念,即在比赛中用人工智能增强国际象棋选手水平,而不是让双方互相对抗。
事实也证明,这种“人加机器”并未削弱纯人类国际象棋选手的水平。
恰恰相反,在廉价且超级智能的国际象棋软件的激励下,下国际象棋的人数、锦标赛的数量以及选手的水平都达到了历史之最。
既然人工智能可以帮助人类成为更优秀的国际象棋选手,那么合理地推测,它也能帮助我们成为更优秀的飞行员、医生、法官、教师等等。
随着人工智能与人类生活工作的不断融合,也促使人类更为深度的思考。
但机器学习技术的应用还有更多。
在几个月时间里,4名完全不懂日语的工程师开发了一款软件,能准确识别日文的手写文字。
来自Reactive的这些程序员开发的应用识别准确率高达98.66%。
这家位于东京的创业公司成立只有18个月。
近期,全球开发者和投资者都在试图挖掘神经网络的潜力,将人工智能应用至更贴近现实的场景,而不仅仅是回答问题或赢得棋类游戏。
人工智能的开发以往只属于谷歌、Facebook和其他科技巨头。
目前,任何深度学习创业公司都可以使用云计算平台,而微软、英伟达和亚马逊将人工智能当作一种应用工具去销售。
Reactive的技术表明,在某个领域没有太多经验的小团队也能开发出复杂的应用。
困难之处在于找到商业模式。
关于这一问题,Reactive希望帮助日本的学校批阅试卷。
日本目前的考试仍基本采用手写答卷,而这项技术有可能变革这一领域。
“这涉及到多方面因素:
高性能计算成为了廉价商品,大规模数据集成为了可能,而基础科学研究也在不断进步。
工具的民主化帮助第二层用户更方便地开发新应用和新产品。
”
“从长期来看,计算行业将从移动优先转向人工智能优先。
但是,Hassabis说这只是万里长征的第一步,作为人工智能领域的阿波罗计划,目标“解决智能问题,然后用它解决其他所有问题。
”如今判断智能软件的标准具体到了一个特定的任务——面部识别。
Hassabis希望创造他所称的“综合智能”——像人类一样可以学会完成任何任务。
他展望未来人工智能可以做各种事情,通过形成和测试科学假说推进医学发展,或者用轻巧灵活的机器人身体跳来跳去。
要实现这个目标,DeepMind的软件必须超越黑白分明、秩序井然的围棋世界。
它需要掌握乱糟糟的真实世界——或者从一个昏暗的、像素化的模拟世界开始。
DeepMind的模拟世界叫做Labyrinth,公司在用它让软件尝试非常复杂的任务,例如在迷宫中导航。
这会推动DeepMind研究员钻研如何制造更智能的软件,推动软件学会面对更难的决策和问题。
他们利用了之前AlphaGo以及DeepMind更早炫耀过的技能,DeepMind学会玩二十世纪八十年代的太空入侵者等复古Atari游戏,玩得比人类都好。
但要成功,Hassabis必须想出办法,解决人工智能领域中一些年代已久的问题。
Hassabis承认,业界”很多“人都怀疑增强学习的潜能,但是他们不会买账。
“我们越是深入,越是感觉我们的理论是正确的,我想我们正在改变整个领域,”他说。
“我们认为增强学习在未来的二至三年会像深度学习一样影响巨大。
智能是在正确的时间、以一种灵活的方式、做正确的事情,帮助你主动生存,提高生活各个方面的生产力。
世界上有各种各样的智能:
在智力要求比较高的活动中需要的更加理性的智能,例如下围棋、解决复杂问题、作出未来选择。
还有社会智能的概念,特征是示好的社交行为。
还有情感智能,对你交往的人们的情感和思想有同理心。
我们大致上体验着每一种智能的某种结合,但是这并不意味着我们没法独立理解这些智能,也许,甚至在AI的语境下创造性地理解。
大部分人类行为本质上是本能或者对外界刺激的反应;
我们不觉得执行这些行为必须得有智能。
这与现在越来越火热的物联网(IoT)神奇地联系了起来。
物联网带来的新机遇让人们看见一片光明的前程——但是,它也为一系列威胁做了铺垫。
我们创造了新的复杂网络,互相联网的设备,可以分享无限量的信息。
搭配合适的AI架构和优化的机器学习模型,这会最终形成一种更大规模的人类大脑模拟网络。
我不只是在说传统的人工智能网络。
我想提出,在IoT的外衣之下,我们开始创建错综复杂的机器网络,智能到足以理解难以解释的概念,例如人类的非理性,或者人类对机器的依赖。
这种担忧不是从人形机器人而来,因为99.99%的真实世界问题(我们希望利用机器人解决的有用的问题)不需要任何人形的身体。
例如,无人车不需要有一个人形机器人坐在驾驶座上帮你开车。
我们需要关注的问题不只是在围棋比赛与人类对抗的机器,还有那些地位独特的设备,让我们超越极限,不计成本,热切实现自己的野望。
王小川还从深蓝电脑谈起,为现场观众解释了这些年里人工智能技术的变迁与进步,并表示深蓝和AlphaGo背后的其实并不是技术在量上的积累,而是已经完全有了质上的提高。
这种技术在质上的提高表现为“深度学习”的不断突破,于是王小川还运用武侠中“左右手互搏”来给大家解释了AlphaGo是如何自我学习和进化的。
此外,王小川还预测了AlphaGo的研发团队的下一步发展,可能会把AlphaGo下围棋的能力,转移到其他领域,在其他领域实现进化和学习。
不过,王小川并不认为在未来人类和人工智能的关系是“对立”的,他还是认为机器更多的是对人类的一种辅助,而且强调这种辅助早已存在,“机器可能不是一个机器人的形态,大家现在手机里或者各种智能家居都是机器的表现之一。
”人工智能的大趋势是和人实现融合。
当然,对于机器取代人的话题,王小川的判断是:
“如果同样一件事情,机器干得比人好,那人就会被机器取代,这是规律和趋势。
对于搜狗搜索的发展,王小川认为下一步是从提供信息变成“你生活里的小助手”——给你答案和提供服务。
并且进一步解释称会涉及更多的智能硬件应用。
此外,王小川也表示AR带来的虚拟世界探索也将是科技发展的一个大趋势。
这是一个挺技术化的问题。
在场有多少人听说过深蓝?
大家都知道,深蓝是1997年,在第二场比赛中把卡斯帕罗夫打败了,深蓝是IBM当年推出的RS6000型号的像超级计算机一样的机器,但是深蓝与今天谷歌的AlphaGo的计算力还差了三万倍,时代变化,接近二十年的时间里面,计算力是突飞猛进的变化。
但事实上,AlphaGo并不简单的只是赢在计算力的提升,否则就不会有围棋选手一边倒的认为人类一定能赢,即便是科技圈的人,对于深度学习有理解的人,大多数的评价也都认为机器以后会赢,但这次赢不了,所以在这里面到底发生了什么样的事情呢?
我们知道自深蓝之后技术有了三次跨越,深蓝的技术其实就是靠人写的一些规则来指导机器做搜索,你下一步棋,我下一步棋,然后下了十几二十步之后,它就开始判定棋局上谁占优,机器搜索的方法其实是依靠人在里面做的很多的设定,“每一步该怎么走”这样输入到机器里面去,所以其实除了开局有棋局以外,大体上是暴力的搜索,我算过一次,大概搜索十三到十四层,每次展开三到四个页为节点。
今天我们用一个台式机,甚至一个笔记本就已经可以赢顶尖的国际象棋选手,计算力的提升已经使得象棋问题彻底被解决了,甚至能够让顶尖的国际选手一个兵甚至到两个兵,然后再做开局也能赢,所以人类在国际象棋里面已经碾压了,只剩下一个底线,也就是围棋没法突破。
有一句话很简单地解释了剩下围棋的原因:
因为国际象棋和围棋在搜索空间的大小上有巨大的差距,国际象棋搜索空间其实不够大,现在的笔记本就够用了,而围棋的变化数比宇宙间的原子总数还要多,所以如果只是用穷举这种暴力方法是不可能的,用原来的搜索方法就不行了。
我们往下就开始向人去学习,把人的思考方法交给计算机,进行了三步变化,第一件事情就是我们把人已经懂得的规则交给机器,这是原来的方法,所以以前的工程师不管是做下棋还是做医疗的,或者写电饭锅控制程序的,都是把我们懂得的规则写成一个代码交给机器,或者把数据给它,然后人在里面做指引“什么数据要怎么处理”,来教会计算机对当前的真实物体建模型,把它变成一种特征,然后在里面去做一些分类算法之类的工作。
就是给它一些数据,但是人需要像教小孩一样,在里面把数据的特征描述出来,告诉机器方法,所以第一件事情是人告诉机器求解的方法,这是传统的机器学习。
但是很多时候我们自己都不知道方法是什么,比如我们说梁冬兄,你看见他的时候知道他是梁冬,但是你要如何告诉别人你是怎么知道他就是梁冬的?
这就难了,你的眉毛粗还是脸方?
所有的描述其实不支撑通过建立模型把他识别出来,所以在有些问题里面发现我们人已经很难把方法告诉机器,甚至自己都没有一个方法的理解,这件事困惑了我们非常久。
即便到2006年之前,我们都很难应对这种说不清道不明的事——怎么办呢?
2006年有篇论文叫做《深度学习》出现,它其实提倡的是使得我们的计算机去仿照人的大脑皮层的工作,就是人当你视觉看到了一个图像之后,其实是在大脑皮层从第一层里面变成刺激你的神经元,然后神经元把这个信号传给下一层,然后它就很广泛的连接,下一层如果一部分被点亮了它就往下传递,传递几层之后就能做这样的识别。
神经元是有参数的,什么样的刺激你有什么样的反应,这是人识别的基本工作的原理。
这个时候机器开始仿照人之后,就变成了我不用告诉机器这个方法,我的神经元模型里面只告诉输入是梁冬的头像,最后告诉他这个头像叫梁冬,就只告诉答案了,因此这个之后变成了我们深度学习变成了一个方法,是不告诉机器方法,只告诉机器你的输入条件和答案是什么,让机器进行学习。
代价是需要更多的数据,所以这样的一个变化其实带来了我们一下子人会变得更加轻松了,我们的工程师对于医疗对一些图像、语音,原来这些领域里面没有足够多knowhow的地方,现在我们都敢于进去,只要告诉机器答案是什么,机器就可以自己去思考怎样求解。
我们教小孩也进入到新的一步,不用告诉小孩过程是怎样的,直接告诉他答案是怎样的。
没有特征提取和过程。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 第二次 自动化 浪潮 引领 这项 变革
![提示](https://static.bdocx.com/images/bang_tan.gif)