>

巴黎人baliren登陆-巴黎人官网

至今没有任何机器可以在视觉方面达到驴的水平

- 编辑:巴黎人baliren登陆 -

至今没有任何机器可以在视觉方面达到驴的水平

好的,谢谢大家!返回搜狐,查看更多

巴黎人官网 1

我只想在这里给这些人提个醒:还是别做科幻梦了,回到现实吧。

第四,她会运用简单推理。汽车有四个轮子,这是特征也是常识。但是图上只露出了一个轮子,通过简单推理可以知道还有三个轮子,不然车子会倒,也开不走;即便把猫的胡子拔掉,她还是会认识那是一只猫,并且可以推断这是一只掉了胡子的猫。

石宇介绍,从人工智能人才培养来说,在大学本科的学习都是基础培养,需要学习计算机编程等知识,往往是到研究生之后再进行细分领域的研究,数学、计算机、生物医学、自动化等专业的学生都可能从事人工智能的研究,而要从事这方面的工作至少要掌握高等数学,因此对于大多数青少年来说在中小学阶段是从事不了人工智能研究的。

就是我们屋子里面我是一个理发师,我说我只给咱们屋子里面不给自己理发的人理发,或者说我是一个化妆师,我只给屋子里面不给自己化妆的人化妆,可不可以?

    北京邮电大学人机交互与认知工程实验室主任刘伟认为,人机融合的智能是强人工智能,而它在未来必然会实现。

机器学习是什么

有些人喜欢拿“机器学习”或者“深度学习”来吓唬人,以为出现了“学习”两个字,就可以化腐朽为神奇。而其实所谓机器学习,跟人类的学习,完全是两回事。机器的“学习能力”,并没有比石头高出很多,因为机器学习说白了,只不过是通过大量的数据,统计拟合出某些函数的参数。

巴黎人官网 2

比如,你采集到一些二维数据点。你猜测它们符合一个简单的函数 y = ax3 + bx2 + cx + d,但不知道a, b, c和d该是多少。于是你就利用所谓“机器学习”(也就是数学统计),推断出参数a, b, c和d的值,使得采集到的数据尽可能的靠近这函数的曲线。可是这函数是怎么来的呢?终究还是人想出来的。机器无论如何也跳不出y = ax3 + bx2 + cx + d这个框子。如果数据不符合这个范式,还是只有靠人,才能找到更加符合数据特性的函数。

所谓神经网络,其实也是一个函数,它在本质上跟y = ax3 + bx2 + cx + d并没有不同,只不过输入的参数多一些,逻辑复杂一些。“神经网络”跟神经,其实完全没有关系,却偏喜欢说是受到了神经元的启发而来的。神经网络是一个非常聪明的广告词,它不知道迷惑了多少人。因为有“神经”两个字在里面,很多人以为它会让机器具有智能,而其实这些就是统计学家们斯通见惯的事情:拟合一个函数。你可以拟合出很好的函数,然而这跟智能没什么关系。

首先,一个东西是什么东西,前提是她要见过,不管是现实中的实物、书上的图片、电视机里的视频......总之要见过才行,不然识别的结果是“爸爸,那是什么东西?”;

“人工智能不是要求每个人都具备的基本能力,对于孩子的教育不用盲目跟风。”中科院重庆研究院智能安全技术研究中心主任石宇表示,人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。就研究来说它是一个宽泛的方向,细分的话包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

这种加法也可以通过二进制来做,3加2也可以变成010的加法的时候,你会发现我们是不是可以把01这种东西,通过其它的物理形式所表述,而不见得是算盘,不见得是一个机械结构,这个时候就出现了电压。

    “说不要研究强人工智能,这就有些一厢情愿了。因为强人工智能是科学发展的必然趋势。”刘伟认为,强人工智能出现后,至于是被教好还是教坏,那要看人类自己的本事。“与其说不研究,不如呼吁相关部门着手思考未来可能面对的伦理问题,出台相应准则,将可能的危害减少到最小。”

本来玩个游戏而已,恁要吹成是“历史性的人机大战”,说得好像是机器挑战了人类的智能,伤了人类的自尊似的。这整个项目打着一个相当高大上的招牌,叫做“Deep Mind”。当然,其中的技术也有一些吓人的名字,什么“神经网络”啊,“深度学习”啊……

机器学习(以Deep-Learning为例)不是这个套路。机器的训练过程大致这样子:首先,它把图像拆成多维的像素集也就是张量作为输入(最有效的方式是采用卷积层),然后为每个输入像素赋予权重,弄进神经元里去,通过特定的激活函数计算,输出到下一层神经网络中的神经元,再结合权重,通过特定的激活函数再计算输出到下一层......如此向前,将最终的输出结果与目标对比,用损失函数衡量模型质量,然后再反向传播,计算一堆偏导,用梯度算法更新权重和偏置的赋值,再做下一轮训练...直到用某一组参数(复杂的网络通常有成千上万个参数)和超参数的取值计算出的结果与目标最吻合(损失函数值小到我们可以接受的程度),就认为这个模型训练得可以了,准确率达到多少多少。然后就用它来识别新的图片,看它认不认识猫和汽车。

人工智能学习不要跟风

我们刚才那样的机器、逻辑运算办法,和我们现在的智能是怎么嫁接到一起去的?为什么会能做到本身是一个特别机械的、特别普通的运算的结果,会做到人看起来特别具有智能的事情?

    而且,从实现难度上来讲,也没法考虑。

听到这些,总有一知半解的人,根据科幻电影的情节开始展望,这样厉害的技术,应该可以用来做更加“智能”的事情,然后就开始对“人类的未来”作出一些猜想,比如自动车就要实现,人的工作很快都要被机器取代,甚至Skynet)就要控制人类,云云。

毫不意外地,她对图中的三只猫做出了精准的识别。我问她为什么能认出来,她说从耳朵、胡子、眼睛鼻子可以猜出都是猫,因为猫就是这个样子。

人工智能学习是否真的有必要从娃娃抓起,孩子们能学到什么呢?科技日报记者采访了人工智能领域的相关专家。

到后来,计算的机械化就变成今天的计算机,从A.Turing到V.Neumann的真正做出来第一个计算机,到后来维纳发明了控制论,包括C.E.Shannon做了信息论,也就是今天的我们现在所谓的通信的始祖。

    研究强人工智能,不妨提前制定规范

棋类是相对容易的AI问题

一个常见的外行想法,是以为AlphaGo真的具有“人类智能”,所以Google利用同样的技术,应该可以实现自动车。这些人不但大大的高估了所谓“AI”的能力,而且他们不明白,不同的“AI问题”的难度,其实有着天壤之别。

围棋是简单的,世界是复杂的。机器视觉和自动车,难度比围棋要大许多倍,根本不在一个量级。要达到准确的视觉判断能力,机器必须拥有真正的认知能力和常识,这并不是AlphaGo所用的树搜索和神经网络,就可以解决的。由于需要以极高的速度处理“模拟信号”,这根本就不是人们常用的“数字计算机”可以解决的问题。也就是说,不是写代码就可以搞定的。

很早以前,人工智能专家们就发现一个很有趣的现象,是这样:

  • 对于人来说很难,很烦的事情(复杂的计算,下棋,推理……),对于计算机来说,其实算是相对容易的事情。
  • 对于人来说很容易的事情(认人,走路,开车,打球……),对于计算机来说,却非常困难。
  • 计算机不能应付复杂的环境,只能在相对完美的环境下工作,需要精确的,离散的输入。
  • 人对环境的适应能力很高,擅长于处理模糊的,连续的,不完美的数据。

从以上几点你可以看出,棋类活动正好符合了计算机的特点,因为它总是处于一种隔离的,完美的环境,具有离散的,精确的,有限的输入。棋盘上就那么几十,几百个点,不是随便放在哪里都可以的。一人走一步,轮流着走,不能乱来。整个棋盘的信息是完全可见的,没有隐藏和缺损的信息。棋局的“解空间”虽然很大,却非常规整,有规律可循。如果完全不靠经验和技巧的话,围棋的第一步可以有361种情况,第二步有360种情况,……

这对机器是非常有利的情况,因为计算机可以有计划有步骤,兢兢业业的把各种可能出现的情况算出来,一直到许多步以后,然后从中选择最有优势的走法。所以下棋归根结底,就是一个“树搜索”问题,只不过因为规模太大,需要加入一些优化。围棋的解空间虽然大,却是一个已知数,它最多有250150种情况。AlphaGo使用所谓“神经网络”,就是为了在搜索的时候进行优化,尽早的排除不大可能取胜的情况,免得浪费计算的时间。

这种精确而死板的活动,就跟计算一个比较大的乘法算式(比如2463757 x 65389)的性质类似,只不过规模大很多。显然,人做这类事情很繁,很累,容易出错,计算机对此却任劳任怨,因为它本来就是个机器。当年“深蓝”战胜国际象棋世界冠军的时候,我就已经预测到,计算机成为围棋世界冠军是迟早的事,所以没必要玩这些虐待自己脑子的游戏了。可惜的是,挺多人仍然把精通棋艺作为一种荣耀(因为“琴棋书画剑”嘛)。很多中国人认为,中国人下围棋总是输给韩国人,是一种耻辱。现在看来这是多么可笑的事情,这就像心算乘法不如韩国人快,就觉得是耻辱一样 :)

然后,我又用汽车的图片进行了一轮测试:

除了上述教材,日前,全国首套涵盖了从小学到高中的人工智能教材也在上海亮相,共有数百所中小学校将引入这套教材作为课程教材。而另一套在网上曝光的人工智能教材更让网友大为惊叹,其中已有为幼儿园小朋友设计的课程。据了解,该教材覆盖从幼儿到青少年全年龄段,这套教材号称“首套K12全学段全系列”的教材,涵盖幼儿园到高中共计33门课程。

还有32%的人,是以温达为首,认为也许我们这件事想的特别乐观,我们还没到那个地步,所以我们对AI技术还是主要以造福人类为主,对它带来的负面效果,我们可能不必夸大其词。

    前路确实难,但它是否真的不可实现?

认知是真正困难的AI问题

现在来对比一下人们生活中的琐事,就说倒水端茶吧。

巴黎人官网 3

让一个机器来给你倒水,有多难呢?意想不到的难!看看这个场景,如果你的电脑配备有摄像头,那么它怎么知道茶壶在哪里呢?要知道,茶壶的材料,颜色,形状,和角度,可以有几乎无穷多的变化。甚至有些茶壶跟哈哈镜一样,会把旁边的物体的形状都扭曲反射出来。桌上的物品附近都有各种反光和阴影,不同材料的反光特性还不一样,这些都会大幅度的影响机器对物品的识别。

为了识别物体,机器需要常识,它的头脑里必须有概念,必须知道什么样的东西才能叫做“茶壶”和“茶杯”。不要小看这一步的难度,这意味着机器必须理解基本的“拓扑结构”,什么叫做“连续的平面”,什么叫做“洞”,什么是“凹”和“凸”,什么是“里”和“外”…… 另外,这机器必须能够分辨物体和阴影。它必须知道水是什么,水有什么样的运动特性,什么叫做“流动”。它必须知道“水往低处流”,然后它又必须知道什么叫“低”和“高”…… 它必须知道茶杯为什么可以盛水,茶壶的嘴在哪里,把手在哪里,怎样才能拿起茶壶。如果一眼没有看见茶壶的把手,那它在哪里?茶壶的哪一面是“上面”,要怎样才可以把水从茶壶的嘴里倒出来,而不是从盖子上面泼出来?什么是裂掉的茶杯,它为什么会漏水,什么是缺口的茶杯,它为什么仍然可以盛水而不漏?干净的茶杯是什么样子的,什么是脏的茶杯,什么是茶垢,为什么茶垢不算是脏东西?如何控制水的流速和落点,什么叫做“水溅出来了”,要怎么倒水才不会溅出来?……

你也许没有想到,倒茶这么简单的事情,需要用到如此多的常识。所有这些变数加在一起,其实远远的大于围棋棋局的数量,人却可以不费力的完成。这能力,真是应该让人自己都吓一跳,然而人却对此不以为然,称之为“琐事”!因为其他人都可以做这样的事情,甚至猴子都可以,怎么能显得出我很了不起呢?人的自尊和虚荣,再一次的蒙蔽了他自己。他没有意识到,这其实是非常宝贵,让机器难以匹敌的能力。他说:“机器经过大量的学习,总有一天会做到的。看我们有神经网络呢,还有深度学习!”

第三,识别的时候,不需要全部信息,只需要提供部分信息即可,剩余的被“遮挡”的部分,她会用想象来补充,就是脑补,看见侧面就能想象出整个汽车来;

Keep首席科学家秦曾昌,不仅是人工智能领域的专家,也是青少年的科学教育专家,对于儿童和青少年该如何学习人工智能,他直言人工智能的学习不用从娃娃抓起。

首先我的角度跟大家不一样的是,我觉得人工智能是数学的智慧。

    周志华指出,所谓强人工智能,就是达到甚至超越人类智慧水平的人造物,它有心智和意识,能根据自己的意图开展行动,也可看作“人造智能”。

在之前的一篇文章中我指出,自动驾驶所需要的“视觉识别能力”和“常识判断能力”,对于机器来说是非常困难的问题。至今没有任何机器可以在视觉方面达到驴的水平,更不要说和人比。可是最近Google的AlphaGo战胜了围棋世界冠军,挺闹腾的,以至于对AI的误解又加深了。

这个观点与微软亚洲研究院洪小文院长的说法基本是一致的。John Hopcroft是1986年图灵奖的获得者,所以我们暂不用质疑他的学术能力,换言之,这就是目前AI的现状,不管吃瓜群众和媒体如何渲染,不论风投和鸡汤(此处仅指李开复同志)如何鼓吹,作为计算机行业的从业者,对AI要有个清晰的认识。

秦曾昌说,人工智能教育,要看是学使用人工智能的产品还是学人工智能技术。如果要搞懂人工智能到底是什么,该如何进行产生,那么至少要会微积分,而这是小学生不会学的,更不用说幼儿园的孩子。从大学的学科设置来说,即使是人工智能专业也是在本科三、四年级才涉及人工智能课程,以前是研究生才会进行人工智能的学习和研究。掌握人工智能需要知识的积累,而这不是中小学的知识能解决的,因此对于人工智能学习,家长不用操之过急。

所以你会发现这离我们的生活之间越来越近,越来越紧密的时候,我们对于AI或者它的物品会有一些情感上的附加

    人机融合,是让人的智能和机器的智能协同发挥作用。人有知识,机器长于采集数据;人有经验和常识,机器则长于进行公理推理;人有直觉,而机器长于逻辑。当人和机器有了足够默契,人能理解机器如何看待世界,而机器也能熟悉人的所思所想,未来的机器也可以有一些特殊特定的意向性(弥补人类认知的不足),而当两者成为搭档甚至知己时,强人工智能也就到来。

巴黎人官网 4

在图像识别领域,“图像遮挡”是个非常困难的问题,识别准确率非常低。也就是说,机器还很难根据显露出来的特征去推断被遮挡的部分是什么样子,从而无法判断图像中的对象是什么。但是这对于人类来讲,就是小意思了:商场里的推销人员穿上道具服扮成米奇,我们知道那是个人不是只老鼠;只看见一个轮子就能推断出那是一辆汽车或者自行车;看见一片黄叶就觉得秋天要来了。这不需要复杂的计算,常识之外,几乎是直觉和想象。

巴黎人官网 5

大家好,我是一刻talks讲者秦曾昌。我应该是一刻talks的(第)930多名讲者,所以我也不免其俗,跟大家讲一下我对人工智能的一些理解。

    中山大学人际互联实验室主任翟振明更是认为,意识不是你想有,想有就能有。

AlphaGo并不是人工智能历史性的突破

这次AlphaGo战胜了围棋冠军,跟之前IBM的“深蓝”电脑战胜国际象棋世界冠军,意义其实差不多。能够写出程序,在这些事情上打败世界冠军,的确是一个进步,它肯定会对某些特定的应用带来改善。然而,这并不说明AI取得了革命性的进步,更不能表明电脑具有了真正的,通用的智能。恰恰相反,电脑能够在棋类游戏中战胜人类,正好说明下棋这种活动,其实并不需要很多的智能。从事棋类活动的能力,并不足以衡量人的智力。

著名的认知科学家Douglas Hofstadter(《GEB》的作者),早就指出AI领域的那些热门话题,比如电脑下棋,跟真正意义上的人类智能,几乎完全不搭边。绝大部分人其实不明白思考和智能到底是什么。大部分所谓AI专家,对人脑的工作原理所知甚少,甚至完全不关心。

AlphaGo所用的技术,也许能够用于其它同类的游戏,然而它并不能作为解决现实问题的通用方法。特别是,这种技术不可能对自动车的发展带来突破。自动车如果只比开车技术很差的人强一点,是不可接受的。它必须要近乎完美的工作,才有可能被人接受,然而这就要求它必须具有人类级别的视觉认知能力。比如,它必须能够察觉到前面车上绑了个家具,没绑稳,快要掉下来了,赶快换车道,超过它。可惜的是,自动车的“眼睛”里看到的,只是一个个的立方块,它几乎完全不理解身边到底发生着什么,它只是在跟随和避让一些线条和方块…… 我们多希望马路都是游戏一样简单,清晰,完美,没有意外的,可惜它不是那样的。每一个细节都可能关系到人的生死,这就是现实世界。

<a href=" src=";

为AlphaGo热血沸腾的人们,别再沉迷于自动车和Skynet之类的幻想了。看清AI和“神经网络”的实质,用它们来做点有用的东西就可以,没必要对实现“人类智能”抱太大的希望。

他人为,目前的人工智能虽然进步很大,但还只是高维空间的模式识别,还谈不上智能。

同时,石宇也希望家长们不要被人工智能热误导,认为现在人工智能人才稀缺,学习相关的专业就能找到高薪工作。如果在人工智能领域有很多不同的工种,相关领域的博士等高层人才工资高,但还有很多低层工作,如数据采集和标注月薪也仅三四千元而已。特别是不要在高考时替孩子做主选择专业,他在工作中已经遇到有学生对人工智能不感兴趣,却因为家长要求进行学习,而这对于孩子和工作都没有好处。

但是下面的这个问题,比如我们看到特别漂亮的小猫咪和小狗狗的时候,可以定义说,什么是小猫,什么是小狗,它在什么样的位置,你会觉得这样的事情也许是很有智能的。

    周志华认为,强人工智能的造物具有独立意识,它未必会甘心为人类服务,若强人工智能出现,人类将会面临巨大生存危机。刘伟则指出,如果强人工智能是人机融合的智能,那么做决策的永远是人,这就能巧妙解决悖论,也避免可能的“替代危机”。

也没任何悬念,她能抓住汽车的特征,从局部推断出全景,识别的准确率100%。

原标题:AI学习有必要从娃娃抓起吗

责任编辑:

    “任何不以已经具有意识功能的材料为基质的人工系统,除非能有充足理由断定在其人工生成过程中引入并随之留驻了意识的机制或内容,否则我们必须认为该系统像原先的基质材料那样不具备意识,不管其行为看起来多么接近意识主体的行为。”这是翟振明提出的“人工智能逆反图灵判据”。他认为,没进入量子力学之前,所有人造机器都不会有真正的意识。

我家孩子还小,她只会简单的算术以及认识有限数量的汉字。为了验证这个问题,我做了个实验,让她来识别图像。我先准备了三只猫的图片:

人工智能发展已经成为全球瞩目的焦点,也引发了家长们的关注。近日,一套《人工智能实验教材》图片在网上流传开来,迅速引发网友们的热议。

你会发现调查结果分成两个大类,最左边有68%的人,以比尔盖茨为首,觉得是同意的,说未来50年有特别大的风险。

    要继续讨论这一问题,又要回到强人工智能的定义。实际上,学界对何为强人工智能并没有统一看法。

左边图片上的猫被正确识别了,而右边图片的猫被识别为一辆汽车,因为右边图片有几个像素被修改过了。由此我们可以知道,机器识别的方式还是“计算”,不管是推导方程还是数值逼近,都是计算;而人来识别这两幅图片,是不需要什么复杂计算的,这就是目前的机器智能和人类智能的差别所在。

家长不用操之过急

罗素悖论是指在一个村庄里面有一个理发师宣布说,我只给村里面不给自己理发的人理发,大家觉得这个有没有问题?

    “要实现强人工智能,得先弄清楚人的智能是怎么回事。但研究人类智能的本质并不是人工智能学科的主要任务。”北京航空航天大学自动化学院副教授秦曾昌告诉科技日报记者,了解人的意识、情感是一个终极科学问题,确实很吸引人,但目前人工智能学界可能担不起解决这一问题的重任。

一见短袖子,立刻想到白胳膊,立刻想到全裸体,立刻想到生殖器,立刻想到性交, 立刻想到杂交,立刻想到私生子。中国人的想象惟在这一层能够如此跃进。

对于最近火热的少儿编程学习,秦曾昌说:“不建议小学低年级学生去学,在小学的后半段,可以学简单的。”他说,编程只是一个技术,是一种思维方式。编程把大的任务拆解成小的任务,可以培养孩子解决问题的能力和逻辑思维方式,这对于培养孩子的编程思维能力会有帮助,不过需要小朋友具备一定的积累才能更好的学习编程,所以更适合在孩子四五年级之后再进行学习。

本文由巴黎人-科技资讯发布,转载请注明来源:至今没有任何机器可以在视觉方面达到驴的水平