是人工智能元年,根据多年前电影《西部世界》改编的同名电视剧大火

来源:未知作者:新葡金棋牌 日期:2020/01/28 05:43 浏览:

摘要:在很多方面,人工智能的表现已经超越了人类,这并不代表人工智能很聪明。相反,其实人工智能是很傻很天真的,你认认真真与它交流,会被吓到,但如果稍微使点诈,它就会原形毕露。   在很多方面,人工智能的表现已经超越了人类,这并不代表人工智能很聪明。相反,其实人工智能是很傻很天真的,你认认真真与它交流,会被吓到,但如果稍微使点诈,它就会原形毕露。那么人工智能是如何看起来很聪明的呢,下面笔者以讲故事的形式,让大家了解监督学习下的人工智能是如何运作的。  非人工智能阶段  故事的主角叫小A(AI),我们让小A学习化妆。在没有任何的帮助下,小A化妆只有一个步骤,那就是上色,所以刚开始小A化妆会全部涂成纯色。这是因为初始化的小A相当于计算器,你给她一个指令,她就输出一个结果。你让她化妆,她就涂上纯色。结果客户非常不满意,怎么办?你得先教小A认脸。  人工智能起步阶段  小A眼中的世界与我们是不一样的,我们能够看到色彩、形状,而小A的眼里只有0和1两个数字(二进制),你可以理解为小A高度近视,但不愿意戴眼镜。所以小A想要认脸,先要把人脸抽象化,比如人的嘴巴就是一条曲线。小A将这条曲线对应的0、1排列顺序认作是人的嘴巴。  问题又来了,曲线代表嘴巴的话,小A有时候会把眉毛也看成嘴巴,为了避免笑话,你让小A判断是不是嘴巴的时候,不要单纯的以“是”或“不是”为结果。这时候你给小A的一些算法,让她把疑似嘴巴的曲线对应的0、1排列顺序输入算法中,最终结果会出现一个百分数,当百分数大于90%的时候,小A就知道这条曲线就是嘴巴,然后就能化妆了。以上就是比较初级的人工智能,比刚开始聪明一些,但还是不够聪明。  人工智能发展阶段  小A又遇到了问题。小A给一个人化妆的时候没有问题,但给多个人化妆就有问题了,因为人之间差别太大。比如之前都是给樱桃小口的客户化妆,现在突然来了一位大嘴客户,小A不知道该怎么化了。  那该怎么办?为了让小A能够快速掌握技能,你准备了一沓照片,上面几乎拥有人类的全部嘴型(大数据),然后又掺进去了一沓动物嘴型和其他乱七八糟的照片(负样本),一张张的让小A认。小A认对了,你就鼓励她,认错了,就打一巴掌。认对就夸、认错就打,这就是监督学习。  这个过程中小A如何成长呢?还记得之前你给小A的算法吗,现在这个算法里面有几项数值非常重要,这几项数值就是权重。在小A判断照片是不是人的嘴巴时,小A会根据正确或错误的结果调整权重,直到能够不会出现错误。  小A要看多少照片呢?越多越好,而且要重复的让她看。除了看嘴巴的照片,还要看眼睛的、鼻子的,还要给她看拥有全部五官的……这样小A就能将识别的正确率提升到很高的水平。再给客户化妆的时候,客户就会夸小A真智能。  以上就是人工智能发展时要经历的几个阶段,当然其中涉及到很多复杂的知识和技术,而且后续还会有更为复杂的理论和概念,笔者在此就不做深入探究了。  对人工智能的一些认识  相信很多朋友在学生时代对数学中的回归计算有着比较深刻的印象吧,xy轴上的很多个点,你需要找一条线,让所有点到曲线的距离是最近的,然后用一串字符模拟出这条曲线。人工智能机器学习的过程就相当于回归方程计算的过程。只不过人工智能的“回归计算”包含很多节点,过程更加庞大、复杂罢了。  回归计算与人工智能是相似的,以往人工智能没有得到重视的原因是大数据和硬件运算能力达不到神经网络运行的要求,而如今已经达到了,所以人工智能才得以迅速发展。  曾经有组织对某人工智能大赛冠军GoogLeNet网络进行过测试,测试方法与普通识图稍有不同。他们在一张大熊猫的照片中加入了肉眼无法辨别的影响因素后,GoogLeNet网络竟然将大熊猫认成了长臂猿。从这个例子我们能够看出,目前人工智能是很傻很天真的,只是在某些领域发挥除了机器计算的优势而已。  小A要看多少照片呢?越多越好,而且要重复的让她看。除了看嘴巴的照片,还要看眼睛的、鼻子的,还要给她看拥有全部五官的……这样小A就能将识别的正确率提升到很高的水平。再给客户化妆的时候,客户就会夸小A真智能。以上就是人工智能发展时要经历的几个阶段,当然其中涉及到很多复杂的知识和技术,而且后续还会有更为复杂的理论和概念,笔者在此就不做深入探究了。  相信很多朋友在学生时代对数学中的回归计算有着比较深刻的印象吧,xy轴上的很多个点,你需要找一条线,让所有点到曲线的距离是最近的,然后用一串字符模拟出这条曲线。人工智能机器学习的过程就相当于回归方程计算的过程。只不过人工智能的“回归计算”包含很多节点,过程更加庞大、复杂罢了。  以往人工智能没有得到重视的原因是大数据和硬件运算能力达不到神经网络运行的要求,而如今已经达到了,所以人工智能才得以迅速发展。  曾经有组织对某人工智能大赛冠军GoogLeNet网络进行过测试,测试方法与普通识图稍有不同。他们在一张大熊猫的照片中加入了肉眼无法辨别的影响因素后,GoogLeNet网络竟然将大熊猫认成了长臂猿。从这个例子我们能够看出,目前人工智能是很傻很天真的,只是在某些领域发挥除了机器计算的优势而已。 (来自:中关村在线)

2 机器学习

一、一个别人家的孩子

人工智能不是复制人类,他是一种完全不同的存在。人工智能如同那个传说中别人家的孩纸,一个勤奋的,听话的,难以想象的完美的小孩。你在学习的时候别人在学习,休息的时候别人在学习,玩的时候别人在学习,如同一年前李世石大战阿尔法狗,其实李世石还赢过一局,但是当天结束比赛时,李世石是吃饭,休息,而阿尔法狗却当天自身给自己下了100,0000盘,面对这样的对手,用中国人最悲情的话说,就是比你聪明的人,比你还要努力。这就是那个别人家的孩纸,一个我们已经无法想象的存在,一个没有情绪,不知疲倦的存在。

如何用一句话概括人工智能?要我说就是人工智能追寻更复杂,人类追寻更简单。与人类以往进化史和知识体系完全不同,我们因为自身有机物C基元素限制,大脑带宽有限,我们往往将信息进行简化宏观抽象加工,我们的字词句篇章,还是公式原理,无论是简单的牛顿定律,还是复杂的量子力学。都是按照人类知识学上的奥卡姆剃刀原则:如无必要,勿增实体(怎么简单怎么来),即对知识进行宏观化简单化总结。而人工智能通过这个把世界不断细分的方式,不断向着微观探寻,而机器思维习惯却是怎么复杂怎么来。

一【发展历史】

图片 1

人工智能发展成熟度曲线

这幅有关“人工智能发展成熟度曲线”的漫画,形象地展示出人们在此前两次人工智能热潮中,从被人工智能在某些领域的惊艳表现震撼,到逐渐认识到当时的人工智能还有各种局限,以至于产生巨大心理落差的有趣过程。
人工智能基本可以分为三个阶段:符号阶段,统计学习阶段,神经网络。

1 . 符号阶段

这个阶段技术原理:人为指定逻辑 =》 机器执行逻辑并产生结果

图片 2

图灵机

这个是图灵机的原型,图灵的基本思想是用机器来模拟人们用纸笔进行数学运算的过程。

在这个阶段,是人制定规则,然后由机器去执行这些规则,进行推理和预测。

但是,这个阶段是有问题,什么问题?
比如:一个医疗专家系统(用于判断病情)
问题1:世界是复杂的,混沌的,老专家的经验能转为计算机的规则和逻辑的部分也是有限的,是没有办法穷举的。

问题2:而且不同病情有相同的症状,导致无法准确的判断病情,所以这个阶段自身存在的知识获取难、知识领域窄、推理能力弱、实用性差等问题逐步暴露。

因此从 1976 年开始,人工智能的研究进入长达 6 年的萧瑟期。

2 . 统计学习阶段

这个阶段技术原理:数据 + 算法 =》机器学习逻辑 =》 根据学习的逻辑产生结果

图片 3

机器学习算法

这个阶段是通过数据加算法改变自身的学习,所以又可以称为机器学习,有了简单模拟人的思维,这个阶段的思维是学习来的,规则也是学习来的,而 “ 符号阶段 “ 是人给机器制定规则,机器帮人决策,和前一个阶段有着本质的区别。

举几个例子:

  • 房价预测(线性回归算法)

图片 4

通过面积预测房价

这里只关心面积和房价的二维关系,其实现实中是多维关系,比如:房价和区域,房价和房间数,房价和楼层等等。

  • 图片处理(聚类算法)

图片 5

彩色照片转换成素描

这个例子是把彩色照片转换成素描产品,其实原理就是通过机器的学习的聚类算法(属于无监督学习)

但是统计学习阶段很难准确模仿人的直觉,比如:声音识别,人脸识别,情绪识别等。

3 . 神经网络

这个阶段技术原理:数据 + 模拟人的大脑结构 =》机器学习逻辑 =》 根据学习的逻辑产生结果

这个阶段就是把上一个阶段的 算法 换成了 模拟人的大脑结构(神经元),每个神经元代表不同的维度,把这些维度结合综合分析,然后得出结果,这就非常接近人的思维逻辑了,比如看一张照片,确认照片里的人是谁,我们能快速的认出来,但是却无法解释我们是如何分辨的,其实就是一种直觉,说不清,道不明,神经网络也是如此,就像一个黑盒子,你不知道里面是如何运作的。
正因为如此,所以结构复杂,结果非常难以预测,在有些情况下(比如数据量或算力不够大),神经网络还不如普通的机器学习算法,比如SVM(支持向量机)。

3.1神经网络模仿人的大脑结构:

图片 6

模拟人的大脑结构

3.2.实现原理:

图片 7

神经网络

图中的小圆圈其实是一个个的神经元,每个神经元负责某一个特征,神经元之间相互联系,然后把所有的特征组合为更高级的复杂特征。神经元越多,神经网络越复杂,就和人的神经元一样,大脑不断的学习,树突不断在增加。

神经网络也是有问题,甚至不能简单的异或逻辑运算,需要大量的数据学习,大量的数据学习需要大量的算力。

直到大数据和GPU的出现,有了充足的数据和强的算力,让训练复杂的神经网络变为现实,以往打游戏的显卡NVIDIA ,成为了专业人工智能驯兽师。

还有大家都在看的今日头条,截至目前已经有超过7亿用户,为什么这么火爆?原因就在于其采用了人工智能技术,它可以“聪明”地归纳每个人看新闻时的不同习惯、爱好,从而给不同用户推荐不同的新闻内容。

2.3 效果评估

混淆矩阵:基于模型,样本的分类分布情况。
准确率:分类正确的样本数占总样本数的比例 。
召回率对样本的正例而言,正例分类正确的,TP/(TP+FN) 正确分类/(正确分类+正确归类到错误的) 召回率越大,模型越好;
精确率对预测的正例而言,正例分类正确的,TP/(TP+FP) 正确分类/(正确分类+错误归类到正确的) 精准率越大,模型越好;
F1-score: 兼顾召回率和精确率,看做是这两个的加权平均,=精确率 * 召回率 * 2 / (精确率 + 召回率) 整体上进行效果评估。
ROC曲线:接收者操作特征(receiveroperating characteristic),曲线上每个点反映着对同一信号刺激的感受性。当测试集中的正负样本的分布变化的时候,ROC曲线能够保持不变。

图片 8

混淆矩阵.png

图片 9

ROC曲线.png

横轴:负正类率(false postive rate FPR)特异度,对样本负例而言,正确分类到负例占样本负例的比;FP/(FP+TN);
纵轴:真正类率(true postive rate TPR)灵敏度,对样本正例而言,正确分类到正例占样本正例的比;TP/(TP+FN);

截断点:ROC曲线还涉及到另一概念,针对上文中计算出的 P,如 P > 0.3为正例,则0.3为截断点;如果P>0.5为正例,则0.5为截断点。
ROC曲线就是基于 截断点、FPR、TPR的不同取值画出的。
曲线性质:
1)A点,TPR=0,FPR=0,认为样本都是负例;
2)B点,TPR=0,FPR=1,最差的情况,所有样本的正例都分类错误了;
3)C点,TPR=1,FPR=1,认为样本都是正例;
4)D点,TPR=1,FPR=0,最好的情况,都分类正确;
5)TPR=FPR,随机;

可以看出,越往D点靠近,效果越好。

AUC(Area under curve):ROC曲线下的面积。表示样本分配正确的概率,暂时还没有找到好的例子来简单表示。
1)AUC = 1,是完美分类器,一般不存在这种情况。
2)0.5 < AUC < 1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。
3)AUC = 0.5,跟随机猜测一样(例:丢铜板),模型没有预测价值。
4)AUC < 0.5,比随机猜测还差。

二、就是概率结果(深度学习)

人工智能之所以在这个阶段突飞猛进,其实是因为深度学习的算法演进。什么是深度学习?假设要让人工智能认出什么是狗,原来方法是,我们刻画描述狗的特征,眼睛,舌头,花纹什么样,试图教会机器认狗,用条件引出结果。但是深度学习确是直接给机器结果,给机器上百万,上千万狗的图片,用结果逼近真相,数据输的越多,认狗的准确性就越强。其实在人工智能眼中,没有狗,只有算法,只有数据,只有逐渐逼近真相。同样,阿尔法狗其实不会下围棋,他不知道什么是布局,什么是定势,它只知道一张一张的图形,从这一张到下一张演化的胜率罢了。所以其实在这个项目上,人与人工智能是一样的,我们平常怎么说这个人有阅历,有经验,不过和机器一样,见得多了,概率高了而已。这就是人工智能的运行方法。

五【总结】

图片 10

人工智能范畴

人工智能包含机器学习
机器学习包含表征学习
表征学习包含深度学习

  • 不管是哪一种学习,都不是相互排斥的,在实际应用中,往往是结合各自的优点组合使用的。
  • 目前人工智能的整体水平大概和一只猫的水平差不多,虽然能完成比较复杂的逻辑运算,但还是一个傻瓜,只是在某些方面很擅长,比如下围棋。所以人工智能会颠覆很多行业,但是要达到人类一样智能水平还有很长的一段距离。

本书作者在2016 WISE独角兽大会上就提出了以下观点:

这段时间听关于机器学习的分享,因此总结以下几点。

四、聪明的笨小孩

人工智能看似聪明,其实他也是一个笨小孩,人工智能没有自我意识,有的只是计算,阿尔法狗不知道自己是在下棋,同时也不会去做下棋以外的计算。没有指令人工智能便不会工作,人工智能就如同古代的农耕文明,而我们人类,优势就在于如同游牧民族一般的主动性和自由度,也就是跨界能力。这也就是我们与之共舞的先天优势。

三 【机器学习分类】

1.根据学习模式分类

  • 监督学习
![](https://upload-images.jianshu.io/upload_images/7551212-62c7e4cb4c06cacc.png)

监督学习

通过告诉计算机哪些是猫,哪些是狗,让计算机不断的学习猫和狗,通过这种指引的方式,计算机就掌握辨别猫和狗的能力,其实就是给图片打上猫和狗的标签,这个过程是有人参与的,所以叫监督学习。

  • 非监督学习

图片 11

非监督学习

通过给计算机大量猫和狗的图片,让计算机发现其中猫和狗特征的规律,然后把猫和狗分类,这里学习到是猫和狗的特征规律,计算机并不知道猫是猫,狗是狗。

  • 强化学习
![](https://upload-images.jianshu.io/upload_images/7551212-05c85d019a240c4c.png)

强化学习



例如一家日本公司
Fanuc,工厂机器人在拿起一个物体时,会捕捉这个过程的视频,记住它每次操作的行动,操作成功还是失败了,积累经验,下一次可以更快更准地采取行动。

3. 人工智能会导致人类大量失业吗?

2.1 概念

图片 12

三者关系.png

三者关系:人工智能>机器学习>深度学习

人工智能(Artificial Intelligence):让机器拥有人一样的智慧。
机器学习(Machine Learning):一种实现人工智能的方法。基于数据和算法,模拟人作出决策。
深度学习(Deep Learning):一种实现机器学习的技术。利用神经网络(复杂)来实现机器 “学习”的过程。

在机器学习中,常用“模型”来表示一系列规则和权重,如:算法、参数、权重等;不断的训练模型,即为就是不断地调整模型参数的过程,如y=wx+b,就是找到最优的w和b的值。最简单、入门的机器学习算法 逻辑回归(LR),深度学习中的神经网络,复杂神经网络等都是基于LR算法。LR算法是一个二分类的问题,取值范围[0,1],样本通过 逻辑函数 计算后的值 P 在[0,1]范围内。

三、大数据

因为深度学习算法原理,其核心就是数据,庞大的数据,医疗人工智能需要大量的医疗数据,自动驾驶人工智能就需要大量的驾驶数据,阿尔法狗就需要大量的围棋数据,在这其中,数据如同养料,谁的数据越多,越精准,所喂养的人工智能就越变态,随着大数据的发现,人工智能的底层算法被打通,人工智能变得不是什么高不可攀的门槛,不需要你有多强的数学算法功底,只要你有数据,就可以加入人工智能。

二 【关于大数据和人工智能】

某些复杂系统面前, 数据在增长,大数据的洞见确没有增长。
因为大数据预测遇到了噪声失效。
例如:
美国大选,数据上看是希拉里占优势,但是还是出现了黑天鹅事件,特朗普赢了。
所以多维度,多因素的复杂系统面前,大数据预测往往就失效了,这个时候大数据

  • 人工智能也许是更好的解决方案。

前不久,《纽约客》杂志一张封面图刷爆朋友圈:

1 机器学习和专家系统

专家系统是基于经验,人为的归纳总结规则,再基于此类规则进行逐一归类;其优点:人参与规则的制定,可理解性强,易用性;但也因为人的参与导致制定的规则是有限的,很难满足当前环境的需要。

机器学习是利于历史数据和不断的自学习,能够不断的改进模型,适应新的变化和需求,覆盖面较广;学习要求较高, 计算耗费较多的资源等。

最近,根据多年前电影《西部世界》改编的同名电视剧大火,掀起了一波关于人工智能的讨论和关注,下面我浅谈一下本人关于此剧对人工智能的认识。

四 【人工智能的应用】

1.文本分类

图片 13

今日头条

2.智能交通

图片 14

滴滴出行

借助海量的出行数据、 实现智能交通

3.照片物体识别

图片 15

物体识别

4.可以识别人的情绪:

图片 16

情绪识别

5.声音识别

图片 17

image.png

智能家居,智能汽车

6.翻译

图片 18

谷歌翻译

百度翻译,有道翻译,谷歌翻译

7.AI设计师

图片 19

image.png

8.艺术

  • 人工智能作画
![](https://upload-images.jianshu.io/upload_images/7551212-e9d2b454101cd829.png)

人工智能作画
  • 人工智能作曲
    https://weibo.com/tv/v/FAnoH06yM?fid=1034:7699ef2713fe6646ed0c56d34619de21
    这是一首人工智能作曲+演奏,由人类填词演唱的歌曲。作曲软件名叫Amper,背后的技术是alpha go公司旗下的一款专门用来合成声音的生成式神经网络 - DeepMind WaveNet。整首歌的谱写和演奏能够通过Amper一键完成,不需要人类的参与

9.金融
比如:机器代替人去筛选研报,阅读研报,给出分析数据
比如:预测股价

图片 20

10.农业

图片 21

自动化农业

11.医疗,目前主要还是在图像识别阶段,比如看片。。。

图片 22

机器看片并分析诊断结果

12.围棋:

图片 23

alphago战胜人类

13.无人驾驶

图片 24

无人驾驶

事实上,工作被取代与人类失业是两个概念,虽然我们大部分工作会被AI取代,但将会有其他更多类型的工作岗位被创造出来。

2.2 数据集

数据集的选择对模型的影响是最大的,选择原则:
1)尽量使用真实数据
2)代表性的特征
3)数据维度不是越多越好
训练集:训练模型,历史数据
验证集:调整模型参数
测试集:测试模型的泛化能力

五、其实都一样

在该剧的最终集,福特为德洛丽丝介绍米开朗基罗的《上帝创造亚当》,会让一部分崇尚科学,对宗教存在的必要性持怀疑甚至批判态度的观众感到大快人心。但其实人们拥抱科学和理性的过程往往不是一蹴而就的。在漫长的进化史中,人类的世界观也许就在不经意间经历了如同剧中机器人们一样曲折的变化过程。剧中作为阿诺德引导和启发机器人产生自我意识的理论基础“二分心智”,虽然在应用到人类意识研究领域时由于太过玄幻而饱受争议。但如果我们把考察对象从大规模人类族群和大段历史收缩到个体的人生经历,似乎也能看到人类心智发展历程与机器人获得自我意识的过程之间的异曲同工之妙。机器人有阿诺德声音指引,最后历劫无数,二元心智坍塌,终于把脑中造物主的声音化为了自己的声音,学会了自主选择,与之类似,人类思想成熟的过程也往往是从没有信仰目空一切,到发现信仰接收指引,再到用知识把特定的信仰对象消解并融入自己人格中,然后用只属于自己的独一无二的智慧,去重新面对这个世界。

人类的工作真的会被人工智能取代吗?这很难说。或许目前我们暂时还看不到大范围的工作被取代,但技术浪潮的趋势不可逆转。

HBO《西部世界》海报

这个定义说明什么呢?说明AI并不是与我们大多数人所认为的那样,与人类思考方式相似、与人类行为相似或者外形上与人类相似的机器人,AI的本质,是计算机程序。

图片 25

封面上,人类坐地行乞,机器人则扮演施予者的角色,意指明显——在未来社会,人类的工作机会被不断进化的机器人剥夺,从而沦为了流落街头的弱者。

移动互联网时代已结束,未来是人工智能的——李彦宏 我们花了几千年走出农业时代,花了几百年迈过工业时代,正在用几十年跨越信息互联网时代,现在,未来的冰山已经显露一角,我们卧榻之旁不是有人酣睡,而是有人醒来,这,就是智能革命。

今天的人工智能是“有用”的人工智能。和前两次AI热潮相比,这一次人工智能复兴的最大特点,就是AI在多个相关领域表现出可以被普通人认可的性能或效率,开始在产业界发挥出真正的价值。

移动互联网时代已结束,未来是人工智能的——李彦宏

我们花了几千年走出农业时代,花了几百年迈过工业时代,正在用几十年跨越信息互联网时代,现在,未来的冰山已经显露一角,我们卧榻之旁不是有人酣睡,而是有人醒来,这,就是智能革命。

当我们谈论技术进步是否会让人类系统性失业时,最经典的例子就是马车。19世纪末的伦敦是当时世界上最大最繁华,人口最密集的城市,出租马车是城市的主要公共交通工具,出门打“马的”是城市一景。

六、在未来与人工智能共舞

人工智能不是人类的衍生,而是人类的替代,人工智能不同与以往,所谓人的延伸,是我们过去几万年人类史的常态,弓箭是手的延伸,车是腿的延伸,互联网是大脑的延伸,但是人工智能这一轮好像不太一样,如同工业时代来临,大量工人失业一般,人工智能带来的是人与人传统意义上协作的解体,我们要从人际关系到人机关系。每一个人可能都可以踏着这个浪潮潇洒地舞蹈,也有可能随着脚下土壤的崩坏而被淹没。如何舞蹈,我也不能预计。但是我知道人工智能也同样与人类一样遵守着自然的法则,就是不适应,就淘汰。

﹍﹍﹍﹍﹍﹍﹍分割线


编者语:本文是由我的一位挚友道隐根据《西部世界》写的一篇他对人工智能的认识,希望各位小伙伴喜欢。我是孤狼,喜欢本文的小伙伴可以关注我的微信公众号:“孤狼有话说”,我会在公众号不定期更新我个人的原创或转发文章,扫描下方二维码或微信公众号搜索栏内直接输入“孤狼有话说”即可关注,感谢支持!

图片 26

微信公众号“孤狼有话说”

© 本文版权归作者  孤狼Logan  所有,任何形式转载请联系作者。

第二次,当国际象棋程序战胜人类,公众又反应:卧槽!666!人类要灭亡了!可没过几年,公众又习惯了,他们说:下个象棋算什么智能?有本事去下奥妙无穷的围棋试试?

2017年,是人工智能爆发元年。