黄色1级毛片一级A片,日韩欧美日韩免费三级片AV,国产高清在线播放一区日韩美女

　　AQF雜談丨人工智能發(fā)展到了今天，關(guān)于深度學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)等學(xué)術(shù)名詞人人都能說上兩句。

　　但是，你真的理解這些概念么?

　　其實(shí)，人們對(duì)這些詞語的很多理解都存在偏差。

　　對(duì)基本概念的誤解必然導(dǎo)致對(duì)人工智能的錯(cuò)誤解讀。因此“殺手AI”、“機(jī)器人使我們過時(shí)”等話題便應(yīng)運(yùn)而生。

　　學(xué)習(xí)算法研究的先驅(qū)Sejnowski認(rèn)為：堅(jiān)持“AI終結(jié)論”觀點(diǎn)的人忽視了計(jì)算機(jī)科學(xué)和神經(jīng)科學(xué)領(lǐng)域中其他令人興奮的可能性。這些人往往不明白人工智能接近人類智能后會(huì)發(fā)生什么。

　　近日，Sejnkowski接受了科技網(wǎng)站The Verge的訪談，在采訪中Sejnkowski談到了“深度學(xué)習(xí)”為何突然變得無處不在，它能做什么和不能做什么，以及如何看待對(duì)“深度學(xué)習(xí)”話題的炒作。

　　下面是訪談內(nèi)容，請(qǐng)欣賞!

　　注：以下V代表The Verge，S代表Sejnowski

　　V: 首先，我想請(qǐng)教一下定義?，F(xiàn)在人們普遍把“人工智能”，“神經(jīng)網(wǎng)絡(luò)”，“深度學(xué)習(xí)”和“機(jī)器學(xué)習(xí)”等詞語交替使用。但這些是不同的東西，你能解釋一下嗎?

　　S: AI可以追溯到1956的美國(guó)，當(dāng)時(shí)工程師們決定編寫一個(gè)試圖模仿人類智能的計(jì)算機(jī)程序。在AI中，一個(gè)新領(lǐng)域成長(zhǎng)起來，稱為機(jī)器學(xué)習(xí)。與AI中的傳統(tǒng)方法不同，在機(jī)器學(xué)習(xí)中我們不是編寫一個(gè)循序漸進(jìn)的程序來做某事，而是收集大量關(guān)于我們想要理解的內(nèi)容的數(shù)據(jù)。例如，你正在嘗試識(shí)別對(duì)象，所以你收集大量與該對(duì)象有關(guān)的圖像，然后通過機(jī)器學(xué)習(xí)自動(dòng)地分析各種特征，并以此判斷出一件東西是汽車而另一件是訂書機(jī)。

　　機(jī)器學(xué)習(xí)是一個(gè)非常大的領(lǐng)域，并且可以追溯到很久以前，當(dāng)時(shí)人們稱之為“模式識(shí)別”，但算法在數(shù)學(xué)上變得更加廣泛和復(fù)雜。在機(jī)器學(xué)習(xí)中是受大腦啟發(fā)的神經(jīng)網(wǎng)絡(luò)，然后是深度學(xué)習(xí)。深度學(xué)習(xí)算法具有特定的體系結(jié)構(gòu)，其中有許多多層網(wǎng)絡(luò)?；旧?，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一部分，機(jī)器學(xué)習(xí)是人工智能的一部分。

　　V: 深度學(xué)習(xí)可以做哪些其他程序做不到的事情?

　　S: 編寫程序非常耗費(fèi)人力。在過去，計(jì)算機(jī)是如此之慢，內(nèi)存非常昂貴，所以人們采用邏輯，這就是計(jì)算機(jī)的工作原理。這是他們處理信息的基本機(jī)器語言。當(dāng)時(shí)計(jì)算機(jī)太慢了，而且計(jì)算成本很高。

　　但現(xiàn)在，計(jì)算越來越便宜，勞動(dòng)力也越來越昂貴。而且計(jì)算成本變得如此低，以至于讓計(jì)算機(jī)學(xué)習(xí)比讓人類編寫程序更有效率。這時(shí)，深度學(xué)習(xí)就可以開始解決以前在計(jì)算機(jī)視覺和翻譯等領(lǐng)域沒有人編寫過程序的問題。

　　深度學(xué)習(xí)是計(jì)算密集型的，但只需編寫一個(gè)程序，并通過提供不同的數(shù)據(jù)集，你就可以解決不同的問題。你不必是領(lǐng)域?qū)＜?。因此，?duì)于存在大量數(shù)據(jù)的任何事物，都有成千上萬的應(yīng)用程序。

　　V: “深度學(xué)習(xí)”現(xiàn)在似乎無處不在。它是如何變得如此流行的呢?

　　S: 我可以在歷史上的特定時(shí)刻確定這一點(diǎn)，即2012年12月的NIPS會(huì)議，也是最大的AI會(huì)議。在那里，計(jì)算機(jī)科學(xué)家Geoff Hinton和他的兩個(gè)研究生向大家展示了一個(gè)名為ImageNet的大數(shù)據(jù)集，包含10,000個(gè)類別和1000萬個(gè)圖像，并使用深度學(xué)習(xí)將分類錯(cuò)誤減少20%。

　　以往在該數(shù)據(jù)集上，分類錯(cuò)誤在一年內(nèi)減少不到1%。而那一年的成果超過了20年的研究。

　　V: 深度學(xué)習(xí)的靈感來自大腦。那么這些領(lǐng)域——計(jì)算機(jī)科學(xué)和神經(jīng)科學(xué)——如何協(xié)同工作呢?

　　S: 深度學(xué)習(xí)的靈感來自神經(jīng)科學(xué)。最成功的深度學(xué)習(xí)網(wǎng)絡(luò)是由Yann LeCun發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)(CNN)。

　　如果你看一下CNN的架構(gòu)，它不僅僅是包括很多單元，它們以一種模仿大腦的基本方式連接起來。仔細(xì)觀察就會(huì)發(fā)現(xiàn)CNN結(jié)構(gòu)里有和大腦中簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的對(duì)應(yīng)的部分，而這些都直接來自我們對(duì)視覺系統(tǒng)的理解。

　　Yann沒有盲目地試圖復(fù)制皮質(zhì)。他嘗試了許多不同的變化，但他最終聚合的是那些自然聚合的變化。這是我們了解到的很重要的內(nèi)容。自然與人工智能的融合有很多東西可以教給我們，在這方面我們有很長(zhǎng)的路要走。

　　V: 我們對(duì)計(jì)算機(jī)科學(xué)的理解取決于我們對(duì)大腦的理解程度?

　　S: 我們目前的大部分AI都是基于60年代時(shí)對(duì)大腦的了解。我們現(xiàn)在了解的遠(yuǎn)不止此，所以將會(huì)有更多的知識(shí)被融入到架構(gòu)中。

　　AlphaGo，擊敗Go冠軍的程序不僅包括皮質(zhì)模型，還包括大腦的一部分模型，稱為基底神經(jīng)節(jié)，這對(duì)于制定一系列決策來實(shí)現(xiàn)目標(biāo)非常重要。有一種稱為時(shí)序差分學(xué)習(xí)(temporal differences)的算法，由Richard Sutton在80年代開發(fā)，當(dāng)與深度學(xué)習(xí)相結(jié)合時(shí)，能夠勝任人類以前從未見過的非常復(fù)雜的游戲。

　　當(dāng)我們了解大腦的結(jié)構(gòu)時(shí)，當(dāng)我們開始了解如何將它們集成到人工系統(tǒng)中時(shí)，它將提供越來越多的功能，超越我們現(xiàn)在的狀態(tài)。

　　V: 人工智能也會(huì)影響神經(jīng)科學(xué)嗎?

　　S: 兩個(gè)學(xué)科在分別做努力。創(chuàng)新神經(jīng)技術(shù)已經(jīng)取得了巨大的進(jìn)步，從一次記錄一個(gè)神經(jīng)元到同時(shí)記錄了數(shù)千個(gè)神經(jīng)元，并且同時(shí)記錄大腦的不同部分。這開辟了一個(gè)全新的世界。

　　人工智能與人類智能之間存在著一種趨同。我們?cè)絹碓蕉嗟亓私獯竽X如何工作，而這將反映在AI中。但與此同時(shí)，AI的研究者也創(chuàng)造了一整套學(xué)習(xí)理論，可用于理解大腦，讓我們分析成千上萬的神經(jīng)元以及他們的活動(dòng)是如何產(chǎn)生的。所以神經(jīng)科學(xué)和人工智能之間存在這種反饋循環(huán)，我認(rèn)為這更令人興奮和重要。

　　V: 從自動(dòng)駕駛汽車到交易，你覺得哪個(gè)區(qū)域最有趣?

　　S: 使我感到震撼的一個(gè)應(yīng)用是生成對(duì)抗網(wǎng)絡(luò)，或被稱為GAN(generative adversarial networks)。使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，你給出一個(gè)輸入，你得到一個(gè)輸出。而GAN能夠在沒有輸入的情況下得到輸出。

　　V: 他們真的會(huì)產(chǎn)生看似現(xiàn)實(shí)的新事物?

　　S:從某種意義上說，它們會(huì)產(chǎn)生內(nèi)部活動(dòng)。事實(shí)證明這是大腦運(yùn)作的方式。你可以看到一些東西，然后你可以閉上眼睛，你可以開始想象那里沒有的東西。你有一個(gè)視覺圖像，當(dāng)事情安靜時(shí)，你會(huì)有想法。那是因?yàn)槟愕拇竽X是生成性的。現(xiàn)在，這種新型網(wǎng)絡(luò)可以生成從未存在過的新模式。所以你可以給它，例如，數(shù)百張汽車圖像，它會(huì)創(chuàng)建一個(gè)內(nèi)部結(jié)構(gòu)，這個(gè)結(jié)構(gòu)可以生成從未存在的汽車的新圖像，它們看起來完全像汽車。

　　V: 另一方面，你認(rèn)為哪些想法可能會(huì)被過度炒作?

　　S: 沒有人可以預(yù)測(cè)或想象這種新技術(shù)的引入會(huì)對(duì)未來的事物組織方式產(chǎn)生什么影響。當(dāng)然，現(xiàn)在的確存在過度宣傳。畢竟我們還沒有解決真正困難的問題。人們說機(jī)器人即將取代我們，但事實(shí)是我們都還沒有實(shí)現(xiàn)通用人工智能，而機(jī)器人遠(yuǎn)遠(yuǎn)落后于AI，因?yàn)槭聦?shí)證明人的身體比大腦更復(fù)雜。

　　我來舉一個(gè)技術(shù)進(jìn)步的例子：激光。它是在大約50年前發(fā)明的，當(dāng)時(shí)激光可以布滿整個(gè)房間。從激光布滿一個(gè)房間到被做成講課時(shí)用的激光筆，這需要50年的技術(shù)商業(yè)化。這個(gè)技術(shù)必須發(fā)展到你可以縮小激光并以五美元的價(jià)格買到它。同樣的事情將發(fā)生在像自動(dòng)駕駛汽車這樣被熱炒的技術(shù)上。我們不能說自動(dòng)駕駛汽車到明年就會(huì)無處不在，10年也不一定做得到，甚至可能需要花費(fèi)50年。但重點(diǎn)是，在此過程中技術(shù)會(huì)逐漸進(jìn)步，這將使自動(dòng)駕駛車輛更靈活，更安全，更兼容我們組織運(yùn)輸網(wǎng)絡(luò)的方式。

　　炒作的錯(cuò)誤在于人們對(duì)時(shí)間估計(jì)的錯(cuò)誤，大家對(duì)技術(shù)的期待過多、過心急了。技術(shù)的發(fā)展急不得，但是它會(huì)在適當(dāng)?shù)臅r(shí)候達(dá)到我們的期待。

　　>>>點(diǎn)擊咨詢量化金融分析師AQF實(shí)訓(xùn)項(xiàng)目