1.人工智能超越人脑之路可能会是漫长的，当下虽然人工智能及其相关研究领域十分火热，也并非意味着人工智能超越人脑很快会成为可能。但我从事计算机专业，更愿意认为在未来人工智能的技术实现水平可以超越人脑的。
我们也许应该换个角度看待问题，我们为什么要去研究人工智能？不同于黑客喜欢挑战自己而去做一些高难度的网络攻击、渗透。我们研究人工智能并非为了挑战人类的发明能力，而是希望发现和了解更多关于自然生命的规律并加以模仿利用，让机器实体拥有自己的思维能力，最终成为我们人类的可以高效且可以安全利用的实用工具，帮助我们可以解决很多仅靠人脑很难实现的问题。
前面一位朋友的说法：“但是人工智能的行为从本质上是一种模仿，模仿执行人类所设定的代码和指令，而它本身是无法产生一点点的自我意识的。”人工智能并非是仅仅执行程序人员编写的程序，人工智能要处理的实体在现实中的状态是十分复杂的，很多的情况下，我们并不能通过程序直接的指示它要怎么做，该怎么做。当下更多的是通过学习算法帮助人工智能实体去更好的认识它所处在的状态或是它要面对和解决的问题。基础的「AI」已经存在了几十年，在特定环境下通过基于一定规则的程序呈现基本的智能行为。但是取得的成绩是有限的，因为用于处理很多现实世界问题的算法是很难人工进行编程的。
很多状况下，我们根本无法编程指示它如何去实现某些任务、甚至即使可以编程实现解决问题，但是编程实现如何解决问题太过复杂、又或是效率十分的低下，这种条件下编程实现某些人工智能的某些特殊能力是不可取的。（注意：不要误解这句话的说法，不是不编程，而是我们该编写什么，哪些不要编写，哪些程序的编写无意义）
1959年 Arthur Samuel，给机器学习的定义就是：在不直接针对问题进行编程的情况下赋予计算机学习能力的一个研究领域。Samuel就曾编写了一个西洋棋程序，电脑自己和自己下棋，程序在下棋的过程中认识什么局势可以导致胜利，什么局势可以导致失败，最终这个西洋棋的下棋水平远远超越了Samuel本人的下棋水平，而Samuel本人并没有教给这个西洋棋程序下棋策略。
在进行医疗诊断、预测机器故障或是测定特定资产的市场价值等复杂活动时，会涉及到上千个数据组和变量之间的非线性关系。在这些情况下，我们很难用现有的数据得到「最佳」预测结果。而在其他领域，包括在图像中识别目标和语言翻译等，我们甚至无法创建规则来描述我们寻求的特征。我们怎么可能编写一组适用于所有情形的程序，来描述一只小狗的外貌呢？进行数据优化和功能特征等复杂的预测时会遇到一些困难，假使我们将这种困难由程序员那里转移到程序呢？这就是现代人工智能的责任。
2. 人工智能要处理的是非常有深度的难题，对我们人类而言将会是非常重要的工具，这些问题的解决方案可以应用于那些对人类非常重要的部门，从健康、教育和商业到交通、公共事业和娱乐。
人工智能研究主要关注的领域是推理、知识、目标计划、交流和感知。结合研究的领域，人工智能近期可能实现或者开始应用的方面包括：AI游戏，与电脑游戏对战可能会很难击败电脑。金融风险预测，预测股市行情等。医疗诊断，deepmind有应用到医疗领域的意愿，而IBM的沃森已经在医疗领域有所应用。更加智能的物流或者个人行程安排，智能导航等。人机交互上，更加智能的声控、个人数字助理。还有自动驾驶技术在不久的未来将更加的成熟和普及。
3. 人工智能未来可能会给我们人类带来巨大的利益。我们希望未来能够真正认识人工智能。近些年也开始有人提出人工智能可能引发第四次工业革命这样的说法，也许人工智能带给我们人类的真的不亚于一次技术革命，在未来它也许真的会彻底的颠覆我们的生活。相应的我们人类的科学家需要在人工智能的研究上付出更多的心血和更大的努力。
从研究角度看，当下有前景的研究方向如迁移学习和多任务学习。我们希望一套人工智能的学习系统可以从事不同的任务，就像deepmind不应该只是一个非常厉害的围棋高手，应该把自己的学习能力应用到其他的领域。当今机器学习技术的多数经济价值都是应用学习，学习许多标签化的数据，以此完成你希望解决的具体任务。与之相关的理论和最佳实践仍然处于早期研究阶段，之所以看好迁移学习，是因为现代深度学习技术已经可以为具备海量数据的问题提供不可思议的价值，这可以为很多应用模式的发展提供巨大的动力。
当前位置：
论坛首页 »
自由讨论区 »
AI.人工智能讨论区
»
发起投票
技术讨论
加好友
发消息
2017-1-20 15:09:42 |
赞(
操作
