人工智能达到了什么程度

智能硬件与可穿戴产品

上一个:

下一个:

数字资产会成为人类最大的资产

实时跟进进度 这是未来的革命

强人工智能 弱人工智能

机器学习 自然语言等

机器学习现今的主要困难是难以正确限制和搜索复杂的函数空间。

简单的机器学习算法,比如线性回归,线性分类器,只能搜索简单的函数空间(比如空间中的所有直线或超平面),且只有简单的限制(比如l2 regularization)。但是现实生活中,feature的关系大都是非线性的,复杂的。这就需要我们的算法能优化复杂的目标函数。

近来机器学习的研究大都在朝这个方向努力。例如,深度学习可以搜索整个布尔函数空间(可以学习任何布尔函数),但是其训练复杂度也极大,近来相关的研究(比如卷积神经网络,分布式深度学习)都旨在增加限制条件,充分利用资源,使其可行。

另一个凸优化的重要研究问题,l1 和 l0 regularization,旨在发明新算法,搜索以前不可能搜索的函数空间(目标函数不可微甚至非凸)。而另一个热点概率图模型则致力于发现或限制feature之间的关系,简化需要搜索的函数空间。

在计算机视觉上,未来的人工智能应更加注重效果的优化,加强计算机视觉在不同场景、问题上的应用。

在语音场景下,当前的语音识别虽然在特定的场景(安静的环境)下,已经能够得到和人类相似的水平。但在噪音情景下仍有挑战,如原场识别、口语、方言等长尾内容。未来需增强计算能力、提高数据量和提升算法等来解决这个问题。

在自然语言处理中,机器的优势在于拥有更多的记忆能力,但却欠缺语意理解能力,包括对口语不规范的用语识别和认知等。人说话时,是与物理事件学相联系的,比如一个人说电脑,人知道这个电脑意味着什么,或者它是能够干些什么,而在自然语言里,它仅仅将"电脑"作为一个孤立的词,不会去产生类似的联想,自然语言的联想只是通过在文本上和其他所共现的一些词的联想, 并不是物理事件里的联想。所以如果要真的解决自然语言的问题,将来需要去建立从文本到物理事件的一个映射,但目前仍没有很好的解决方法。因此,这是未来着重考虑的一个研究方向。

当下的决策规划系统存在两个问题,第一是不通用,即学习知识的不可迁移性,如用一个方法学了下围棋,不能直接将该方法转移到下象棋中,第二是大量模拟数据。所以它有两个目标,一个是算法的提升,如何解决数据稀少或怎么自动能够产生模拟数据的问题,另一个是自适应能力,当数据产生变化的时候,它能够去适应变化,而不是能力有所下降。所有一系列这些问题,都是下一个五或十年我们希望很快解决的。

未来,我们需要去探讨:

(1)创造力,对于创造力目前有一定的方法慢慢研究,从而使机器开始具有人的一些创造力。但它的通用性受限,特别是对物理事件的理解,只有把这些问题解决了,才有可能造出像人一样的机器人,成为人的意义上的智能。

(2)学科交叉融合,未来需要探索更多的算法和交叉科学上等等的一些融合。所以人工智能在下一个阶段既有非常广阔的应用前景,也有很多挑战。


2018年05月04日