人工智能未来的发展方向
来源: | 作者:18509988440 | 发布时间: 2017-11-01 | 664 次浏览 | 分享到:
  近几十年,随着科技的不断发展,人类在系统的计算能力和数据传输能力上实现了非常大的突破,从而为人类探寻智能化技术的应用扫清了障碍。2016年3月,AlphaGo击败世界围棋冠军李世石,证明未来智能机器人完全能在某些领域挑战人类。但这还只是人工智能的开始,未来人类对人工智能的探索将更加重视智能机器的自主学习能力以及对外界环境、情感的感知及反应能力。本文将通过总结当前全球人工智能的发展趋势来分析未来人工智能发展的几个主要方向。

 

  1.机器学习/深度学习

 

 

 

  机器学习和深度学习是当前人工智能研究的一个最为关注的热点。在很多人看来,机器学习和深度学习之间的区别不太好理解。这里我们以一个简单的STOP停车标志牌来对比分析两者之间的区别。

 

机器学习

 

 

 

  如果在一辆行驶中的汽车前面不远处放一个STOP停车标志牌,汽车的智能化系统能否准确的识别并停下来?

 

 

 

  为了解决这个问题,机器学习需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器,以便让程序能识别物体从哪里开始,到哪里结束;写形状检测程序来判断检测对象是不是有八条边;写分类器来识别字母STOP”。使用以上这些手工编写的分类器,人们总算可以开发算法来感知图像,判断图像是不是一个停止标志牌。但是需要特别提醒一点,如果遇到云雾天,标志牌变得不是那么清晰可见,又或者被树遮挡一部分,这种依靠人工完成的算法就难以成功了。这就是为什么前一段时间,计算机视觉的性能一直无法接近到人的能力。它太僵化,太容易受环境条件的干扰。

 

 

 

  同样,为了解决这个问题,深度学习却更加自主性。它会将一个停止标志牌图像的所有元素都打碎,然后用神经元进行“检查”:八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论,它到底是不是一个停止标志牌。神经网络会根据所有权重,给出一个经过深思熟虑的猜测——“概率向量”。这个例子里,系统可能会给出这样的结果:86%可能是一个停止标志牌;7%的可能是一个限速标志牌;5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络,它的结论是否正确。因此,深度学习是类似人工的神经网络,它最需要的,就是训练。需要成百上千甚至几百万张图像来训练,直到神经元的输入的权值都被调制得十分精确,无论是否有雾,晴天还是雨天,每次都能得到正确的结果。

 

 

 

  机器学习是深度学习发展行程的早期阶段,机器学习包括了深度学习。我们可以把目前应用较多的图像识别、机器可视化等应用划归到机器学习的范畴,但随着科技公司对深度学习研究的逐渐深入,深度学习也正在某些领域得到了实践,比如无人驾驶汽车,要求汽车不仅仅要能快速识别和分辨周围的环境和物体,而且还要能外界的条件做出自主反应。在这一领域,包括谷歌和百度为代表的科技公司,以及特斯拉为代表的汽车生产企业都在投入大笔资金进行深度学习系统的研发,代表了人工智能未来发展的一大趋势。