人工智能
李開復(fù) 王詠剛
>> 第一章 人工智能來了
◆ 第8章
>> 用高德納技術(shù)成熟度曲線看AI發(fā)展史和前面那張搞笑的“人工智能發(fā)展成熟度曲線”不同，學(xué)術(shù)界、產(chǎn)業(yè)界和投資界在談到技術(shù)高潮與低谷時，經(jīng)常會引用高德納咨詢公司（Gartner）推薦的技術(shù)成熟度曲線。這條曲線顯示出，幾乎每一項新興且成功的技術(shù)，在真正成熟之前，都要經(jīng)歷先揚后抑的過程，并在波折起伏中通過積累和迭代，最終走向真正的繁榮、穩(wěn)定和有序發(fā)展。
>> 一種新科技的研發(fā)過程通常是這樣的：初創(chuàng)公司接受第一輪風(fēng)投，開發(fā)出第一代產(chǎn)品，雖然不成熟，但足以吸引一批早期接受者——粉絲。在早期階段，產(chǎn)品的優(yōu)點被粉絲放大，大眾媒體跟風(fēng)炒作，將該技術(shù)推向一個充滿泡沫的膨脹期。隨著盲目的追捧者激增，跟風(fēng)研發(fā)、生產(chǎn)的初創(chuàng)公司越來越多，產(chǎn)品的不足被無限放大，負面報道開始出現(xiàn)，供過于求的市場競爭中，大批跟風(fēng)入局的初創(chuàng)公司不是被兼并，就是走向倒閉，只有少數(shù)擁有核心競爭力的堅持了過來。跌入低谷后，第二輪、第三輪風(fēng)投資金注入大浪淘沙后僅存的中堅企業(yè)，新一代技術(shù)和產(chǎn)品也隨之問世，整個技術(shù)曲線步入穩(wěn)步攀升的平臺期和成熟期，潛在用戶的接受程度也從5%以下逐漸提升到20%到30%，初創(chuàng)企業(yè)和風(fēng)投資本開始迎來高額回報。[插圖]
>> 高德納咨詢公司（Gartner）技術(shù)成熟度曲線
>> 這條曲線概括了絕大多數(shù)高新技術(shù)的發(fā)展歷程。
>> 技術(shù)人員、投資者經(jīng)常根據(jù)高德納曲線來判斷時代潮流，選擇投資方向。
>> 能引起人們感知反應(yīng)的最小刺激量，心理學(xué)上叫絕對值
>> 人工智能之所以有今天的成就，深度學(xué)習(xí)技術(shù)居功至偉。
>> 谷歌最杰出的工程師杰夫·迪恩說：“我認為在過去5年，最重大的突破應(yīng)該是對于深度學(xué)習(xí)的使用。這項技術(shù)目前已經(jīng)成功地被應(yīng)用到許許多多的場景中，從語音識別到圖像識別，再到語言理解。而且有意思的是，目前我們還沒有看到有什么是深度學(xué)習(xí)做不了的。希望在未來我們能看到更多更有影響力的技術(shù)。
◆ 第9章 null
>> 1966年，美國計算機協(xié)會（ACM）以開創(chuàng)計算機科學(xué)和人工智能基本理論的科學(xué)巨匠——艾倫·圖靈的名字設(shè)立了這項“計算機界的諾貝爾獎”。
>> 有關(guān)圖靈的傳奇故事，2014年的電影《模仿游戲》很值得推薦，該片曾于2015年7月在中國大陸公映。
>> 艾倫·圖靈是人工智能的開拓者，他所提出的圖靈測試，直到今天仍然是我們判定一部機器是否具有人類智慧的重要手段。
>> 圖靈測試
>> 1950年10月，圖靈發(fā)表了一篇名為《計算機械和智能》（Computing Machinery and Inteligence）的論文，試圖探討到底什么是人工智能。在文章中，圖靈提出了一個有趣的實驗：
>> 如果計算機能在測試中表現(xiàn)出與人等價，或至少無法區(qū)分的智能，那么，我們就說這臺計算機通過了測試并具備人工智能。
>> 在機器試圖模仿人類與評判者對話的“模仿游戲”中，有思考能力的電子計算機可以做得和人一樣好嗎？圖靈所說的“模仿游戲”，后來也被人們稱為“圖靈測試”。
>> 論文中，圖靈還對人工智能的發(fā)展給出了非常有益的建議。他認為，與其去研制模擬成人思維的計算機，不如去試著制造更簡單的，也許只相當(dāng)于一個小孩智慧的人工智能系統(tǒng)，然后再讓這個系統(tǒng)去不斷學(xué)習(xí)——這種思路正是我們今天用機器學(xué)習(xí)來解決人工智能問題的核心指導(dǎo)思想。
>> 針對圖靈測試，人工智能領(lǐng)域還專門設(shè)立了一個每年一度的羅布納獎（Loebner Prize），專門頒發(fā)給在圖靈測試中表現(xiàn)最優(yōu)秀的計算機程序。
>> 羅布納獎成立至今，尚未有任何程序超過30%的關(guān)口。
>> 非常有趣的是，2014年，為了紀念圖靈去世60周年，雷丁大學(xué)在倫敦皇家學(xué)會舉辦了另一場圖靈測試。測試中，一個名叫尤金·古斯曼（Eugene Goostman）的聊天機器人程序取得了33%的成功率。
>> 尤金·古斯曼第一次通過了圖靈測試！
>> 用5分鐘的聊天記錄來判定一個程序是否具有智能，這太簡單和草率了
>> 尤金·古斯曼還沒有得到學(xué)界的一致認可。
◆ 第10章 null
>> 深度學(xué)習(xí)來重新打造語音識別的整個算法架構(gòu)，
>> 今天，語音識別和更廣泛意義上的自然語言處理已經(jīng)走進了統(tǒng)計方法與深度學(xué)習(xí)方法相結(jié)合，甚至是深度學(xué)習(xí)方法獨立起主導(dǎo)作用的新時代。與我們那個時代相比，今天的語音識別真正滿足了用戶的應(yīng)用需求。這也意味著，像我這樣“上一代”的研究者就必須抓緊一切時間，轉(zhuǎn)換思維和知識儲備，擁抱以深度學(xué)習(xí)為代表的嶄新時代，否則，就有被時代淘汰的風(fēng)險。
>> 在近年來的第三次人工智能熱潮中，語音識別領(lǐng)域發(fā)生了天翻地覆的變化。深度學(xué)習(xí)就像一個秘密武器，蟄伏多年，重出江湖，首先在計算機視覺領(lǐng)域，幫助計算機認識人臉、認識圖片和視頻中的物體，然后，拔劍四顧，沖入語音識別、機器翻譯、數(shù)據(jù)挖掘、自動駕駛等幾乎所有人工智能的技術(shù)領(lǐng)域大展身手。
>> 技術(shù)上，科大訊飛的語音輸入法可以達到每分鐘錄入400個漢字的輸入效率，甚至還支持十幾種方言輸入。
◆ 第11章 null
>> 毋庸諱言，深度學(xué)習(xí)絕對不是人工智能領(lǐng)域的唯一解決方案，二者之間也無法畫上等號。
>> 但說深度學(xué)習(xí)是當(dāng)今乃至未來很長一段時間內(nèi)引領(lǐng)人工智能發(fā)展的核心技術(shù)，則一點兒也不為過。
>> 人工智能大師、深度學(xué)習(xí)泰斗約書亞·本吉奧（Yoshua Bengio）說：“沒有可與深度學(xué)習(xí)競爭的人工智能技術(shù)。人工智能是循序漸進的耐心工作的成果，而且它總是站在巨人的肩膀上，并且這些進步在某種程度上促成了轉(zhuǎn)折點——我們可以在新服務(wù)中利用這些成果來生產(chǎn)新東西，進行經(jīng)濟轉(zhuǎn)型以及改變社會。正如人們所寫的那樣，我們正在經(jīng)歷另一場工業(yè)革命，它并不是簡單地增加人類的機械力；計算機將增加人類的認知能力和智力。我談到了深度學(xué)習(xí)，因為這些變化和突破在很大程度上正是由于深度學(xué)習(xí)的進步。”[插圖]
>> 深度學(xué)習(xí)
>> 歷史幾乎和人工智能的歷史一樣長。
>> 大計算能力和大數(shù)據(jù)，正是深度學(xué)習(xí)這件深藏不露的千古神兵所等待的兩大時機。
>> 早在通用計算機問世前的1943年，神經(jīng)科學(xué)家沃倫·麥卡洛克（Warren McCulloch）和沃爾特·彼茨（Walter Pitts）就提出了一種大膽假說，描述了人類神經(jīng)節(jié)沿著網(wǎng)狀結(jié)構(gòu)傳遞和處理信息的模型。這一假說一方面被神經(jīng)科學(xué)家用于研究人類的感知原理；另一方面則被計算機科學(xué)家們借鑒，用于人工智能的相關(guān)研究。后者也被學(xué)術(shù)界稱為人工神經(jīng)網(wǎng)絡(luò)。
>> 20世紀40年代，唐納德·赫布（Donald Hebb）嘗試將人工神經(jīng)網(wǎng)絡(luò)用于機器學(xué)習(xí)，創(chuàng)建出早期的“赫布型學(xué)習(xí)”（Hebbian Learning）理論。
>> 1965年，A. G．伊瓦赫年科（Alexey Grigorevich Ivakhnenko）提出建立多層人工神經(jīng)網(wǎng)絡(luò)的設(shè)想，這種基于多層神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)模型后來被人們稱為“深度學(xué)習(xí)”，伊瓦赫年科有時也被稱為“深度學(xué)習(xí)之父”。
>> 2006年是深度學(xué)習(xí)發(fā)展史上的分水嶺。
>> 深度學(xué)習(xí)能夠大展身手的兩個前提條件——強大的計算能力和高質(zhì)量的大數(shù)據(jù)，都是在2010年前后逐漸步入成熟的。深度學(xué)習(xí)、大規(guī)模計算、大數(shù)據(jù)三位一體，神兵出世，一下子就可以摧城拔寨、無堅不摧
>> 今天，有深度學(xué)習(xí)助力，有基于互聯(lián)網(wǎng)的海量數(shù)據(jù)支撐，有數(shù)以萬計的強大計算機集群，谷歌大腦正在幫助谷歌公司解決橫跨多個領(lǐng)域的幾乎所有人工智能的相關(guān)問題：谷歌的搜索引擎正在使用谷歌大腦優(yōu)化搜索結(jié)果的排序，或直接回答用戶感興趣的知識性問題；谷歌的街景服務(wù)使用谷歌大腦智能識別街道上的門牌號，以進行精準定位；使用了谷歌大腦的谷歌翻譯平臺在2016年連續(xù)取得翻譯質(zhì)量的革命性突破，將全世界一百多種語言的相互翻譯質(zhì)量提升了一個層次；谷歌自動駕駛汽車正基于谷歌大腦對數(shù)百萬英里的行駛記錄進行訓(xùn)練，以改進駕駛策略，保證絕對安全……
>> 什么是深度學(xué)習(xí)？
>> 第三撥人工智能熱潮源于深度學(xué)習(xí)的復(fù)興。那么，到底什么是深度學(xué)習(xí)？
>> 從根本上來說，深度學(xué)習(xí)和所有機器學(xué)習(xí)方法一樣，是一種用數(shù)學(xué)模型對真實世界中的特定問題進行建模，以解決該領(lǐng)域內(nèi)相似問題的過程。
>> 深度學(xué)習(xí)就是這樣一種在表達能力上靈活多變，同時又允許計算機不斷嘗試，直到最終逼近目標(biāo)的機器學(xué)習(xí)方法。
>> 簡單地說，深度學(xué)習(xí)就是把計算機要學(xué)習(xí)的東西看成一大堆數(shù)據(jù)，把這些數(shù)據(jù)丟進一個復(fù)雜的、包含多個層級的數(shù)據(jù)處理網(wǎng)絡(luò)（深度神經(jīng)網(wǎng)絡(luò)），然后檢查經(jīng)過這個網(wǎng)絡(luò)處理得到的結(jié)果數(shù)據(jù)是不是符合要求——如果符合，就保留這個網(wǎng)絡(luò)作為目標(biāo)模型，如果不符合，就一次次地、鍥而不舍地調(diào)整網(wǎng)絡(luò)的參數(shù)設(shè)置，直到輸出滿足要求為止。
>> 深度學(xué)習(xí)大致就是這么一個用人類的數(shù)學(xué)知識與計算機算法構(gòu)建起整體架構(gòu)，再結(jié)合盡可能多的訓(xùn)練數(shù)據(jù)以及計算機的大規(guī)模運算能力去調(diào)節(jié)內(nèi)部參數(shù)，盡可能逼近問題目標(biāo)的半理論、半經(jīng)驗的建模方式。
>> 指導(dǎo)深度學(xué)習(xí)的基本是一種實用主義的思想。
>> 目前的深度學(xué)習(xí)主要是建立在大數(shù)據(jù)的基礎(chǔ)上，即對大數(shù)據(jù)進行訓(xùn)練，并從中歸納出可以被計算機運用在類似數(shù)據(jù)上的知識或規(guī)律。
>> 數(shù)據(jù)量大，并不代表著數(shù)據(jù)一定有可以被深度學(xué)習(xí)算法利用的價值。
>> 大數(shù)據(jù)的價值在于數(shù)據(jù)分析以及分析基礎(chǔ)上的數(shù)據(jù)挖掘
>> 和智能決策。大數(shù)據(jù)的擁有者只有基于大數(shù)據(jù)建立有效的模型和工具，才能充分發(fā)揮大數(shù)據(jù)的價值。
>> 人工智能時代，深度學(xué)習(xí)和大數(shù)據(jù)成了密不可分的一對兒。
>> 深度學(xué)習(xí)可以從大數(shù)據(jù)中挖掘出以往難以想象的有價值的數(shù)據(jù)、知識或規(guī)律。簡單來說，有足夠的數(shù)據(jù)作為深度學(xué)習(xí)的輸入，計算機就可以學(xué)會以往只有人類才能理解的概念或知識，然后再將這些概念或知識應(yīng)用到之前從來沒有看見過的新數(shù)據(jù)上。
>> 《智能時代》的作者吳軍博士說：“在方法論的層面，大數(shù)據(jù)是一種全新的思維方式。按照大數(shù)據(jù)的思維方式，我們做事情的方式與方法需要從根本上改變。”
>> 杰弗里·辛頓與約書亞·本吉奧、揚·勒丘恩有時也被稱為深度學(xué)習(xí)領(lǐng)域的“三巨頭”。
>> 。2015年5月，三人聯(lián)名在《自然》雜志發(fā)表的名為《深度學(xué)習(xí)》的綜述文章[插圖]，成為人工智能領(lǐng)域近年來最重要的文獻之一。在這篇著名的文章里，“三巨頭”是這樣展望深度學(xué)習(xí)的：“在不久的將來，我們認為深度學(xué)習(xí)將取得更多成就，因為它只需要極少的人工參與，所以它能輕而易舉地從計算能力提升和數(shù)據(jù)量增長中獲得裨益。目前正在開發(fā)的用于深層神經(jīng)網(wǎng)絡(luò)的新型學(xué)習(xí)算法和體系結(jié)構(gòu)必將加速這一進程。”[插圖]
◆ 第13章 null
>> 在計算機科學(xué)界，懂得蒙特卡洛搜索算法原理的人都知道，這種算法主要是利用抽樣統(tǒng)計來提高搜索效率，單用此算法確實難有提高空間。
>> 基于AlphaGo的思路，其他圍棋軟件的水平也突飛猛進。僅2017年年初就有日本研發(fā)的DeepZenGo和騰訊人工智能實驗室開發(fā)的“絕藝”達到了人類九段或以上的水平。騰訊“絕藝”不僅面對人類高手保持了絕對優(yōu)勢，還戰(zhàn)勝了AlphaGo以外的各路圍棋軟件，取得了2017年UEC杯計算機圍棋大賽的冠軍。
>> 從人工智能技術(shù)的角度說，AlphaGo用的是AI領(lǐng)域應(yīng)用非常普遍的算法：深度學(xué)習(xí)、蒙特卡洛算法、增強學(xué)習(xí)等。
>> 類似技術(shù)隨后被DeepMind團隊用于人工智能圍棋軟件，并由此誕生了震驚世界的AlphaGo。
>> ，在圍棋、象棋等游戲中，
>> 隨時可以獲取全部信息的游戲，我們可以稱之為“完整信息的博弈游戲”。而在《星際爭霸》或德州撲克中，人工智能和人類選手通常無法在特定時刻獲得有關(guān)游戲的全部信息，
>> 在這類“不完整信息的博弈游戲”里，人工智能必須像人一樣，根據(jù)經(jīng)驗或概率統(tǒng)計知識，猜測對手底牌和下一張牌的可能性，然后再制定自己的應(yīng)對策略。
>> 對于實現(xiàn)人工智能算法而言，不完整信息的博弈游戲在技術(shù)難度上要大得多。
>> 均衡（balanced）策略——這一策略源自數(shù)學(xué)家納什定義的一種完美博弈的模型。
>> AI利用增強學(xué)習(xí)技術(shù)，從自我對局中學(xué)習(xí)最優(yōu)的撲克玩法，而避免從人類的既定模式中學(xué)習(xí)經(jīng)驗，這是非常重要的一點
>> 計算機在德州撲克領(lǐng)域取得的成功，讓包括我在內(nèi)的人工智能研究者都非常振奮，這主要有以下兩個原因：·和圍棋不同，在德州撲克的牌桌上，人工智能與人類選手一樣，都只能看到部分信息。這種情況下，沒有所謂的唯一的、最佳的打法。·Libratus基本是從零開始學(xué)習(xí)德州撲克策略，且主要依靠自我對局來學(xué)習(xí)。這對利用人工智能解決更為廣泛的現(xiàn)實問題意義重大。
>> 弱人工智能（Weak AI）也稱限制領(lǐng)域人工智能（Narrow AI）或應(yīng)用型人工智能（Applied AI），指的是專注于且只能解決特定領(lǐng)域問題的人工智能。
>> AlphaGo是弱人工智能的一個最好實例。
>> 一般而言，限于弱人工智能在功能上的局限性，人們更愿意將弱人工智能看成是人類的工具，而不會將弱人工智能視為威脅。
>> 但少數(shù)評論者依然認為，即便是弱人工智能，如果管理、應(yīng)對不善，也會帶來致命的風(fēng)險。比如，發(fā)生在2010年5月6日的美股市場的“閃跌”（Flash Crash）事件，其起因就混合了人類交易員的操作失誤和自動交易算法的內(nèi)在風(fēng)險，而當(dāng)時已經(jīng)大量存在的，由計算機程序控制的自動高頻交易，則被一些研究者認為是放大市場錯誤，并最終造成股市瞬時暴跌的幫兇。
>> 強人工智能（Strong AI）強人工智能又稱通用人工智能（Artificial general intelligence）或完全人工智能（Full AI），指的是可以勝任人類所有工作的人工智能。
>> 缺乏一個量化的標(biāo)準來評估什么樣的計算機程序才是強人工智能。
>> 最為流行、被廣為接受的標(biāo)準是前面我們詳細討論過的圖靈測試。
>> 一般認為，一個可以稱得上強人工智能的程序，大概需要具備以下幾方面的能力：
>> 1）存在不確定因素時進行推理，使用策略，解決問題，制定決策的能力；
>> ）知識表示的能力，包括常識性知識的表示能力；3）規(guī)劃能力；4）學(xué)習(xí)能力；5）使用自然語言進行交流溝通的能力；6）將上述能力整合起來實現(xiàn)既定目標(biāo)的能力。[插圖]
>> 超人工智能（Superintelligence）假設(shè)計算機程序通過不斷發(fā)展，可以比世界上最聰明、最有天賦的人類還聰明，那么，由此產(chǎn)生的人工智能系統(tǒng)就可以被稱為超人工智能
>> 牛津大學(xué)哲學(xué)家、未來學(xué)家尼克·波斯特洛姆（Nick Bostrom）在他的《超級智能》一書中，將超人工智能定義為“在科學(xué)創(chuàng)造力、智慧和社交能力等每一方面都比最強的人類大腦聰明很多的智能”
◆ 第14章 null
>> “Wait But Why”網(wǎng)站的創(chuàng)始人蒂姆·厄班（Tim Urban），文章原名為《AI革命：通向超人工智能之路》[插圖]。蒂姆·厄班在這篇著名的長文中，基于一個顯而易見的事實來討論人類科技的發(fā)展規(guī)律：人類科技發(fā)展是越來越快的，呈現(xiàn)出不斷加速的勢頭。
>> 從技術(shù)角度說，弱人工智能與強人工智能之間的鴻溝可能遠比我們目前所能想象的要大得多。而且，最重要的是，由于基礎(chǔ)科學(xué)（如物理學(xué)和生物學(xué)）尚缺乏對人類智慧和意識的精確描述，從弱人工智能發(fā)展到強人工智能，其間有很大概率存在難以在短期內(nèi)解決的技術(shù)難題。
>> 我們并沒有一種簡單的方式來對智能進行度量。
>> 智能是一個非常定性的概念，它反映的是某個人成功解決某種特定問題的能力。
>> 心理學(xué)家使用一種叫發(fā)展能力（Developmental Competence）的概念來評估人類。他們測試一個人解決算術(shù)、邏輯等問題的水平，然后將測試所得的分數(shù)除以這個人的年齡——這是智商的含義。
>> 如果某人解決此類特定問題的能力超出同齡人的平均水平，我們就說他的智商高。
>> 對智能的定義是非常主觀的，這依賴于每個人自己的視角。
>> 關(guān)于智能的度量并不是線性的，而是一種多維度的度量。
>> 如果僅根據(jù)人工智能在圍棋這種限定范疇的技術(shù)能力上表現(xiàn)出來的進步速度推斷超人工智能何時到來，那當(dāng)然可以得到人類即將面臨威脅的結(jié)論。但如果綜合考慮人工智能的跨領(lǐng)域推理能力、常識和感性、理解抽象概念的能力等，我們很難給過去數(shù)十年間人工智能發(fā)展的水平打出一個客觀的分數(shù)，并據(jù)此預(yù)測超人工智能到來的時間。
◆ 第15章 null
>> 人和今天的AI相比，有一個明顯的智慧優(yōu)勢，就是舉一反三、觸類旁通的能力。
>> 人類強大的跨領(lǐng)域聯(lián)想、類比能力是跨領(lǐng)域推理的基礎(chǔ)。
>> 從表象入手，推導(dǎo)并認識背后規(guī)律的能力，是計算機目前還遠遠不能及的。
>> 為了進行更有效的跨領(lǐng)域推理，許多人都有幫助自己整理思路的好方法。比如，有人喜歡用思維導(dǎo)圖來梳理信息間的關(guān)系；有人喜歡用大膽假設(shè)、小心求證的方式突破現(xiàn)有思維定式；有人則喜歡用換位思考的方式，讓自己站在對方或旁觀者的立場上，從不同視角探索新的解決方案；有的人更善于聽取、整合他人的意見……人類使用的這些高級分析、推理、決策技巧，對于今天的計算機而言還顯得過于高深。
>> 一種名叫“遷移學(xué)習(xí)”（Transfer Learning）的技術(shù)正吸引越來越多研究者的目光。這種學(xué)習(xí)技術(shù)的基本思路就是將計算機在一個領(lǐng)域取得的經(jīng)驗，通過某種形式的變換，遷移到計算機并不熟悉的另一個領(lǐng)域。
>> 不突破少樣本、無監(jiān)督的學(xué)習(xí)，我們也許就永遠無法實現(xiàn)人類水平的人工智能。
>> 審美能力同樣是人類獨有的特征，很難用技術(shù)語言解釋，也很難被賦予機器。
>> 審美是一件非常個性化的事情，每個人心中都有自己一套關(guān)于美的標(biāo)準，但審美又可以被語言文字描述和解釋，人與人之間可以很容易地交換和分享審美體驗。這種神奇的能力，計算機目前幾乎完全不具備。
>> ，審美能力明顯是一個跨領(lǐng)域的能力，每個人的審美能力都是一個綜合能力，與這個人的個人經(jīng)歷、文史知識、藝術(shù)修養(yǎng)、生活經(jīng)驗等都有密切關(guān)系。
>> 歡樂、憂傷、憤怒、討厭、害怕……每個人都因為這些情感的存在，而變得獨特和有存在感。
◆ 第17章 null
>> 19世紀以電氣技術(shù)、內(nèi)燃機為代表的第二次工業(yè)革命，以及20世紀以原子能技術(shù)、信息技術(shù)、空間技術(shù)、生物工程技術(shù)等為代表的第三次工業(yè)革命，每一次都使人類的生活水平、工作方式、社會結(jié)構(gòu)、經(jīng)濟發(fā)
◆ 第18章 null
>> 李開復(fù)的“五秒鐘準則”一項本來由人從事的工作，如果人可以在5秒鐘以內(nèi)對工作中需要思考和決策的問題做出相應(yīng)的決定，那么，這項工作就有非常大的可能被人工智能技術(shù)全部或部分取代。
>> 反之，如果你的工作涉及縝密的思考、周全的推理或復(fù)雜的決策，每個具體判斷并非人腦可以在5秒鐘的時間內(nèi)完成，那么，以目前的技術(shù)來說，你的工作是很難被機器取代的。
◆ 第20章 null
>> 據(jù)高盛集團2016年12月發(fā)布的報告指出，在金融行業(yè)，“保守估計，到2025年時，機器學(xué)習(xí)和人工智能可以通過節(jié)省成本和帶來新的盈利機會創(chuàng)造大約每年340億～430億美元的價值，這一數(shù)字因為相關(guān)技術(shù)對數(shù)據(jù)利用和執(zhí)行效率的提升，還具有更大的提升空間”
>> 人工智能之所以能在近年來突飛猛進，主要得益于深度學(xué)習(xí)算法的成功應(yīng)用和大數(shù)據(jù)所打下的堅實基礎(chǔ)。
>> 判斷人工智能技術(shù)能在哪個行業(yè)最先引起革命性的變革，除了要看這個行業(yè)對自動化、智能化的內(nèi)在需求外，主要還要看這個行業(yè)內(nèi)的數(shù)據(jù)積累、數(shù)據(jù)流轉(zhuǎn)、數(shù)據(jù)存儲和數(shù)據(jù)更新是不是達到了深度學(xué)習(xí)算法對大數(shù)據(jù)的要求。
>> 拿股票買賣來說，人類股票分析師的大腦里最多能夠記住幾百只股票的交易規(guī)律、價格走勢，最多能根據(jù)股票市場內(nèi)的幾千個影響股價的因素，制定出簡化的交易策略。而基于機器學(xué)習(xí)特別是深度學(xué)習(xí)實現(xiàn)的量化交易程序，則可以輕松應(yīng)對幾萬、幾十萬個變化因子，全面觀察交易場內(nèi)、場外的各種影響因素，在需要時，可以盯緊全世界每一只股票的交易價格，每一次交易的實時情況，每一個交易市場的整體波動規(guī)律，每一個投資人和投資機構(gòu)在全部歷史時間內(nèi)的交易策略，乃至世界所有證券、財經(jīng)類媒體上每一篇關(guān)乎股票價格的報道，F(xiàn)acebook和推特上每一次關(guān)乎股票價格的討論……基于這種海量、實時數(shù)據(jù)的量化交易算法，顯然有可能發(fā)現(xiàn)諸多人類股票分析師難以發(fā)現(xiàn)的隱含規(guī)律，并利用這些隱含規(guī)律，獲得遠遠超過人類的交易收益。
>> 根據(jù)高盛公司的評估，金融行業(yè)里，最有可能應(yīng)用人工智能技術(shù)的領(lǐng)域主要包括：·量化交易與智能投顧：
>> ·風(fēng)險防控：
>> ·安防與客戶身份認證
>> ·智能客服
>> ·精準營銷
>> 金融行業(yè)AI應(yīng)用成功案例目前，國內(nèi)外人工智能在金融領(lǐng)域的應(yīng)用已有諸多成功案例。
>> 在國內(nèi)，螞蟻金服已成功將人工智能運用于互聯(lián)網(wǎng)小貸、保險、征信、資產(chǎn)配置、客戶服務(wù)等領(lǐng)域；智融金服利用人工智能風(fēng)控系統(tǒng)已經(jīng)實現(xiàn)月均120萬筆以上的放款，常規(guī)機器審核速度用時僅8秒；招商銀行的可視化柜臺、交通銀行推出的人工智能機器人“嬌嬌”等則在智能客服領(lǐng)域做出了早期的嘗試和探索。
>> 用機器學(xué)習(xí)技術(shù)自動分析包含大量強特征和弱特征的數(shù)據(jù)，自動判斷交易風(fēng)險。
>> 如果把一個人的數(shù)據(jù)比作一座冰山，那么強特征數(shù)據(jù)僅是冰山的一角，之下還存在海量的弱特征數(shù)據(jù)，例如電商數(shù)據(jù)、設(shè)備數(shù)據(jù)、位置數(shù)據(jù)、行為數(shù)據(jù)等。同時，作為百業(yè)之母的金融行業(yè)與整個社會存在巨大的交織網(wǎng)絡(luò)，本身沉淀了大量有用或者無用數(shù)據(jù)，其中包括各類金融交易、客戶信息、市場分析、風(fēng)險控制、投資顧問等。這些數(shù)據(jù)單位都是海量級，且大量數(shù)據(jù)又以非結(jié)構(gòu)化的方式存在，無法轉(zhuǎn)換成傳統(tǒng)模型可有效分析的數(shù)據(jù)。
>> 以深度學(xué)習(xí)為代表的人工智能算法所要做的，就是充分挖掘并有效地利用這些海量弱特征數(shù)據(jù)，建立起更加符合真實世界規(guī)律的數(shù)學(xué)模型。
◆ 第22章 null
>> 世界上第一個專家系統(tǒng)程序Dendral是一個由斯坦福大學(xué)的研究者用Lisp語言寫成的，幫助有機化學(xué)家根據(jù)物質(zhì)光譜推斷未知有機分子結(jié)構(gòu)的程序。
◆ 第23章 null
>> 目前的人工智能更擅長從大量數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，幫助人類完成那些人類只需要簡單思考就能做出決策的重復(fù)性工作。
◆ 第24章 null
>> 未來的虛擬現(xiàn)實（VR）和增強現(xiàn)實（AR）技術(shù)必將深入每個人的生活中，成為人類一種全新的娛樂方式。
>> 機器人會迅速占領(lǐng)所有標(biāo)準化領(lǐng)域，而人類將在各種差異化產(chǎn)品的供應(yīng)中尋覓新的領(lǐng)地。
>> …在未來，工廠機器流水線留給機器人，人會以更加富有創(chuàng)造性的方式與流水線競爭。人的獨特性會體現(xiàn)出來：思考、創(chuàng)造、溝通、情感交流；人與人的依戀、歸屬感和協(xié)作精神；好奇、熱情、志同道合的驅(qū)動力。根本不是計算能力和文書處理能力，而是人的綜合感悟和對世界的想象力，才是人和機器人最大的差別和競爭力。創(chuàng)造者的個性化才是產(chǎn)品的價值所在”[插圖]。
◆ 第26章 null
>> 大多數(shù)情況下，人工智能并不是一種全新的業(yè)務(wù)流程或全新的商業(yè)模式，而是對現(xiàn)有業(yè)務(wù)流程、商業(yè)模式的根本性改造。
>> AI重在提升效率，而非發(fā)明新流程、新業(yè)務(wù)。
>> 2016年9月，成立于2014年的斯坦福大學(xué)人工智能百年研究項目組發(fā)布了首份人工智能報告——《2030年的人工智能與生活》[插圖]。
>> 斯坦福大學(xué)這份報告首先列舉了當(dāng)前的人工智能熱門研究領(lǐng)域，包括大規(guī)模機器學(xué)習(xí)、深度學(xué)習(xí)、強化學(xué)習(xí)、機器人、計算機視覺、自然語言處理、協(xié)同系統(tǒng)、眾包和人類計算、算法博弈理論與計算機社會選擇、物聯(lián)網(wǎng)（IOT）、神經(jīng)形態(tài)計算等。然后，報告概要分析了人工智能在2030年時最可能的應(yīng)用場景，例如，包括智能汽車、交通規(guī)劃、即時交通、人機交互等技術(shù)變革在內(nèi)的交通應(yīng)用，家庭服務(wù)機器人領(lǐng)域的應(yīng)用，人工智能輔助的醫(yī)療應(yīng)用，智能教育應(yīng)用，在資源匱乏的社區(qū)內(nèi)的應(yīng)用，公共安全與防護方向的應(yīng)用，就業(yè)與勞資關(guān)系，娛樂類應(yīng)用，等等，并為政府和社會決策提供了一些政策性的建議。
>> 2016年12月，高盛公司發(fā)布了長達百頁的人工智能生態(tài)報告——《人工智能，機器學(xué)習(xí)和數(shù)據(jù)是未來生產(chǎn)力的源泉》[插圖]。
>> 高盛認為，人工智能在四個方面的影響力最為顯著：
>> ·生產(chǎn)率。
>> 大體上而言，AI看起來似乎比上一次創(chuàng)新浪潮更有可能在統(tǒng)計數(shù)據(jù)中捕捉到更有價值的東西，人工智能可以降低成本，減少對高附加值生產(chǎn)類型的勞動投入。
>> ·尖端技術(shù)。AI和機器學(xué)習(xí)在速度上的價值有利于構(gòu)建一種在建設(shè)數(shù)據(jù)中心和網(wǎng)絡(luò)服務(wù)時讓硬件更便宜的趨勢。
>> ·競爭優(yōu)勢。
>> AI和機器學(xué)習(xí)具有重新調(diào)整每個行業(yè)的競爭秩序的潛力。
>> ·創(chuàng)辦新公司。
>> 但我們也期望風(fēng)險投資家、企業(yè)家和技術(shù)專家可以繼續(xù)推動新公司的創(chuàng)立，從而促進實質(zhì)性的創(chuàng)新和價值創(chuàng)造，即使最后創(chuàng)業(yè)公司會被收購。
>> 2016年10月至12月，美國白宮科技政策辦公室連續(xù)發(fā)布了三份人工智能戰(zhàn)略報告，分別是《為未來人工智能做好準備》《國家人工智能研究與發(fā)展策略規(guī)劃》和《人工智能、自動化與經(jīng)濟》[插圖]。白宮認為，生產(chǎn)率增速放緩和收入增速放緩的問題正困擾著大部分發(fā)達國家，而人工智能驅(qū)動的自動化技術(shù)，是進一步釋放生產(chǎn)力，全面提升全要素生產(chǎn)率增長，并廣泛提高美國人的收入與生活水平的關(guān)鍵。考慮到人工智能已經(jīng)進入一個最為重要的發(fā)展時期，美國政府需要為科研、產(chǎn)業(yè)、教育等領(lǐng)域的相關(guān)發(fā)展提供一個戰(zhàn)略方向上的指導(dǎo)。為此，《國家人工智能研究與發(fā)展策略規(guī)劃》[插圖]提出了七個重點戰(zhàn)略方向：
>> ·策略1：對人工智能研發(fā)進行長期投資。將投資重點瞄準在下一代人工智能技術(shù)上，推動發(fā)現(xiàn)和深入了解，確保美國在人工智能領(lǐng)域始終居于世界領(lǐng)先地位。
>> ·策略2：開發(fā)有效的“人—人工智能”協(xié)作方式。
>> ·策略3：理解并應(yīng)對人工智能帶來的倫理、法律和社會影響。
>> ·策略4：確保人工智能系統(tǒng)的安全。
>> ·策略5：開發(fā)人工智能共享公共數(shù)據(jù)集和測試環(huán)境平臺。
>> ·策略6：建立標(biāo)準和基準評估人工智能技術(shù)。
>> ·策略7：更好地了解國家對人工智能研發(fā)人才的需求。
>> 谷歌開源的TensorFlow框架，已經(jīng)成為業(yè)界深度學(xué)習(xí)的標(biāo)準框架之一。
◆ 第27章 null
>> 但在創(chuàng)業(yè)的時代大潮中，是否符合科技大趨勢的確是決定創(chuàng)業(yè)成敗的第一要素。
>> 在美國，世界最成熟的風(fēng)投資本幾乎步調(diào)一致地將目前的投資重點由移動互聯(lián)網(wǎng)轉(zhuǎn)向了人工智能。
>> 按照我的歸納和總結(jié)，人工智能時代的創(chuàng)業(yè)有五個前提條件：·清晰的領(lǐng)域界限：人工智能創(chuàng)業(yè)，要解決的領(lǐng)域問題一定要非常清晰，有明確的領(lǐng)域邊界，因為這一類問題是今天以深度學(xué)習(xí)為代表的人工智能算法最善于解決的。例如，同樣是做機器人，如果做一個借助視覺傳感器更好地規(guī)劃掃地線路、提高清潔效率的掃地機器人，將機器人的需求限定在一個有限的問題邊界內(nèi)，這樣的解決方案就相對靠譜；如果上來就要做一個長得像人一樣、可以與人交流的人形機器人，那以今天的技術(shù)，做出來的多半不是人工智能，而是“人工智障”。
>> ·閉環(huán)的、自動標(biāo)注的數(shù)據(jù)：針對要用AI解決的領(lǐng)域問題，最好要在這個領(lǐng)域內(nèi)，有閉環(huán)的、自動標(biāo)注的數(shù)據(jù)。例如，基于互聯(lián)網(wǎng)平臺的廣告系統(tǒng)可以自動根據(jù)用戶點擊以及后續(xù)操作，收集到第一手轉(zhuǎn)化率數(shù)據(jù)，而這個轉(zhuǎn)化率數(shù)據(jù)反過來又可以作為關(guān)鍵特征，幫助AI系統(tǒng)進一步學(xué)習(xí)。這種從應(yīng)用本身收集數(shù)據(jù)，再用數(shù)據(jù)訓(xùn)練模型，用模型提高應(yīng)用性能的閉環(huán)模式更加高效。谷歌、百度等搜索引擎之所以擁有強大的人工智能潛力，就是因為它們的業(yè)務(wù)，比如搜索和廣告本身就是一個閉環(huán)的系統(tǒng)，系統(tǒng)內(nèi)部就可以自動完成數(shù)據(jù)收集、標(biāo)注、訓(xùn)練、反饋的全過程?！でf級的數(shù)據(jù)量：今天人工智能的代表算法是深度學(xué)習(xí)。而深度學(xué)習(xí)通常要求足夠數(shù)量的訓(xùn)練數(shù)據(jù)。一般而言，擁有千萬級的數(shù)據(jù)量是保證深度學(xué)習(xí)質(zhì)量的前提。當(dāng)然，這個“千萬級”的定義過于寬泛。事實上，在不同的應(yīng)用領(lǐng)域，深度學(xué)習(xí)對數(shù)據(jù)量的要求也不盡相同。而且，也不能僅看數(shù)據(jù)記錄的個數(shù)，還要看每個數(shù)據(jù)記錄的特征維數(shù)，特征在相應(yīng)空間中的分布情況，等等。·超大規(guī)模的計算能力：深度學(xué)習(xí)在進行模型訓(xùn)練時，對電腦的計算能力有著近乎“癡狂”的渴求。創(chuàng)新工場曾經(jīng)給一個專注于研發(fā)深度學(xué)習(xí)技術(shù)的團隊投資了1000萬元人民幣。結(jié)果，團隊建設(shè)初期才兩三個月時間，僅購買深度學(xué)習(xí)使用的計算服務(wù)器就花掉了700多萬元。今天，一個典型的深度學(xué)習(xí)任務(wù)，通常都要求在一臺或多臺安裝有4塊甚至8塊高性能GPU芯片的計算機上運行。涉及圖像、視頻的深度學(xué)習(xí)任務(wù)，則更是需要數(shù)百塊、數(shù)千塊GPU芯片組成的大型計算集群。在安裝了大型計算集群的機房內(nèi)，大量GPU在模型訓(xùn)練期間發(fā)出遠比普通服務(wù)器多數(shù)十倍的熱量。許多機房的空調(diào)系統(tǒng)都不得不重新設(shè)計、安裝。在一些空調(diào)馬力不足的機房里，創(chuàng)業(yè)團隊甚至購買了巨大的冰塊來協(xié)助降溫?！ろ敿獾腁I科學(xué)家：今天的人工智能研發(fā)還相當(dāng)依賴于算法工程師甚至是AI科學(xué)家的個人經(jīng)驗積累。水平最高的科
>> 學(xué)家與普通水平的算法工程師之間，生產(chǎn)力的差異不啻千百倍。人工智能創(chuàng)業(yè)公司對頂尖AI科學(xué)家的渴求直接造成了這個領(lǐng)域科學(xué)家、研究員的身價與日俱增。谷歌雇用杰弗里·辛頓、李飛飛，F(xiàn)acebook雇用揚·勒丘恩，據(jù)說都開出了數(shù)百萬美元的年薪。國內(nèi)AI創(chuàng)業(yè)公司如曠視科技，也用令人瞠目的高薪，將機器視覺領(lǐng)域的頂尖科學(xué)家孫劍“挖”了過來，擔(dān)任公司的首席科學(xué)家。
>> 概括來說，目前的人工智能產(chǎn)業(yè)發(fā)展面臨六大挑戰(zhàn)：
>> 一、前沿科研與產(chǎn)業(yè)實踐尚未緊密銜接：
>> 二、人才缺口巨大，人才結(jié)構(gòu)失衡
>> 三、數(shù)據(jù)孤島化和碎片化問題明顯：
>> 四、可復(fù)用和標(biāo)準化的技術(shù)框架、平臺、工具、服務(wù)尚未成熟：
>> 五、一些領(lǐng)域存在超前發(fā)展、盲目投資等問題
>> 六、創(chuàng)業(yè)難度相對較高，早期創(chuàng)業(yè)團隊需要更多支持：
◆ 第31章 null
>> 在線課程、討論小組、實習(xí)實踐、自我探索和自我完善將成為今后教育的主流模式。
>> 如果要我來總結(jié)的話，我覺得，人工智能時代最核心、最有效的學(xué)習(xí)方法包括：
>> ·主動挑戰(zhàn)極限：
>> 在挑戰(zhàn)中完善自我。如果人類不在挑戰(zhàn)自我中提高，也許真有可能全面落伍于智能機器。
>> ·從實踐中學(xué)習(xí)（Learning by doing）：面向?qū)嶋H問題和綜合性、復(fù)雜性問題，將基礎(chǔ)學(xué)習(xí)和應(yīng)用實踐充分結(jié)合，而不是先學(xué)習(xí)再實踐。一邊學(xué)習(xí)一邊實踐的方法，
>> ·關(guān)注啟發(fā)式教育，培養(yǎng)創(chuàng)造力和獨立解決問題的能力：被動的、接受命令式的工作大部分都可以由機器來替代。人的價值更多會體現(xiàn)在創(chuàng)造性的工作中。啟發(fā)式教育在此非常重要。死記硬背和條條框框只會“堵死”學(xué)生靈感和創(chuàng)意的源頭。
>> ·雖然面對面的課堂仍將存在，但互動式的在線學(xué)習(xí)將愈來愈重要：只有充分利用在線學(xué)習(xí)的優(yōu)勢，教育資源才能被充分共享，教育質(zhì)量和教育公平性才有切實保證。
>> ·主動向機器學(xué)習(xí)：未來的人機協(xié)作時代，人所擅長的和機器所擅長的必將有很大不同。人可以拜機器為師，從人工智能的計算結(jié)果中吸取有助于改進人類思維方式的模型、思路甚至基本邏輯。
>> ·既學(xué)習(xí)人—人協(xié)作，也學(xué)習(xí)人—機協(xié)作：未來的“溝通”能力將不僅僅限于人與人之間的溝通，人機之間的溝通將成為重要的學(xué)習(xí)方法和學(xué)習(xí)目標(biāo)。
>> ·學(xué)習(xí)要追隨興趣：通常來說，興趣就是那些比較有深度的東西，所以只要追隨興趣，就更有可能找到一個不容易被機器替代掉的工作。無論是為了美，為了好奇心，為了其他原因產(chǎn)生的興趣，這些興趣都有可能達到更高層次，在這些層次里，人類才可以創(chuàng)造出機器不能替代的價值。
◆ 第32章 null
>> 人工智能時代，程式化的、重復(fù)性的、僅靠記憶與練習(xí)就可以掌握的技能將是最沒有價值的技能，幾乎一定可以由機器來完成；反之，那些最能體現(xiàn)人的綜合素質(zhì)的技能，例如，人對于復(fù)雜系統(tǒng)的綜合分析、決策能力，對于藝術(shù)和文化的審美能力和創(chuàng)造性思維，由生活經(jīng)驗及文化熏陶產(chǎn)生的直覺、常識，基于人自身的情感（愛、恨、熱情、冷漠等）與他人互動的能力……這些是人工智能時代最有價值，最值得培養(yǎng)、學(xué)習(xí)的技能。而且，這些技能中，大多數(shù)都是因人而異，需要“定制化”教育或培養(yǎng)，不可能從傳統(tǒng)的“批量”教育中獲取。
>> 而人工智能時代到來后，大家都認識到機器學(xué)習(xí)特別是深度學(xué)習(xí)才是未來最有價值的知識。
>> 科幻作家、雨果獎得主郝景芳說：“很顯然，我們需要去重視那些重復(fù)性標(biāo)準化的工作所不能夠覆蓋的領(lǐng)域。包括什么呢？包括創(chuàng)造性、情感交流、審美、藝術(shù)能力，還有我們的綜合理解能力、我們把很多碎片連成一個故事這樣的講述能力，我們的體驗。所有這些在我們看來非常不可靠的東西，其實往往是人類智能非常獨特的能力。”[插圖]
◆ 第34章 null
>> AI來了，有思想的人生并不會因此而黯然失色，因為我們?nèi)康淖饑谰驮谟谒枷?
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
