'这实际上是新酒, 但有各种各样的瓶子, 而且有不同的年份, ' James Kobielus说, 他是Wikibon的数据科学, 深度学习和应用开发的首席分析师.
Kobielus补充说, 实际上, 大部分的旧酒仍然相当可口; 新一代的人工智能的使用了以前的方法并建立在这些方法之上. 例如, Apache的大数据框架Hadoop所运用的技术.
然而, 如今关于人工智能的狂热, 是由于一些前人工智能候选者缺乏特定的发展. 根据Kobielus的说法, 现有的技术使我们更接近那些看起来像人类一样 '思考' 的机器. '其中最重要的是大数据, ' 他在位于马萨诸塞州马尔伯勒的CUBE公司的工作室里说. 为什么大数据激发了人们对人工智能的兴趣? 因为这对于训练深度学习模型来说是一个巨大的帮助, 使其能够做出更像人类的推断. Kobielus和Dave Vellante一起在人工智能和机器智能领域有了技术突破. Dave Vellante是Wikibon的首席分析师, 他还是SiliconANGLE的直播工作室的联合主持人.
人工智能革命将会被算法化
人工智能在智能对话方面的长足进步, 也反映了其飞速的营收增长. 研究机构Tractica LLC的调查显示, 2016年, 人工智能软件市场规模为14亿美元, 到2025年将增至598亿美元. '人工智能在几乎所有行业的垂直领域都有应用和用例, 被认为是下一个重大的技术转变, 类似于工业革命, 计算机时代和智能手机革命等过去曾经发生的转变, ' Tractica LCC的研究主管Aditya Kaul说. 其中一些垂直领域包括金融, 广告, 医疗, 航天和消费领域.
下一场工业革命将围绕人工智能软件展开, 这听起来可能像一个想象力丰富的书呆子的幻想. 但即使在硅谷之外, 这种情绪也在蔓延. 《时代》周刊最近专门刊登了一篇题为《人工智能: 人类未来》的特稿. 但是, 这种人工智能的设想在科幻小说和科技圈的狂热沼泽中已经存在了几十年. 在过去的几年里, 这项技术发展得如此之快吗? 从今天的人工智能和可预见的未来, 我们能从现实中得到什么?
首先, 人工智能是一个宽泛的标签——实际上更多的是一个热门短语, 而不是一个精确的技术术语. Kobielus说, 人工智能指的是 '任何帮助机器像人类一样思考的方法' . 但是, 从最严格的意义上来说, 机器 '思考' 难道不是与人类大脑截然不同的思维吗? 机器不会真的思考, 不是吗? 这要看情况. 如果说 '思考' 的同义词是 '推断' 的话, 那么机器可能被认为与大脑是对等的.
当人们讨论人工智能的时候, 他们通常会谈论人工智能最受欢迎的方式——机器学习. 这是一种数学应用, 原理是从数据集中推断出某种模式. Kobielus说: '很长时间以来, 人们利用软件从数据中推断出模式. ' 一些已有的推理方法包括支持向量机, 贝叶斯逻辑和决策树. 这些技术并没有消失, 并在日益增长的人工智能技术领域被继续使用着. 机器学习模型或在数据上训练的算法能够做出自己的推断, 这通常被称为人工智能的输出或见解. 这种推断不需要预先编程到一个机器上, 需要编程的只有模型本身.
机器学习模型的推断基于统计学的可能性, 这在某种程度上类似于人类理解的过程. 来自数据的推论可以以预测, 相关性, 分类, 分类, 识别异常或趋势等形式出现. 对于机器来说, 学习模式是分层的. 数据分类器名为 '感知器' , 通过对感知器进行分层, 便形成了一个人工神经网络. 感知器之间的这种神经网络关系激活了它们的功能, 包括非线性的感知器, 比如tangents. 通过这个神经过程, 一个层的答案或输出就成为了下一层的输入. 最后一层输出的便是最终结果.
神经元的深层学习层
深度学习网络是有着大量的感知器层的人工神经网络. 网络的层次越多, 它的深度就越大. 这些额外的层会提出更多的问题, 处理更多的输入, 并产生更多的输出, 从而抽象出更高层次的数据.
现在已经有了具备1,000个感知器层的神经网络, 软件开发人员仍在探索更深层次的神经网络可以实现的功能. 最新款苹果iPhone的人脸检测软件依赖于一个20层的卷积神经网络. 2015年, 微软公司的研究人员通过一个152层的深度残差网络赢得了ImageNet计算机视觉大赛. 微软研究主管彼得·李表示, 得益于一种防止数据稀释的设计, 该网络能够从图片中收集到的信息, 超过了典型的20层或30层的深度残差网络. 他说: '我们可以从中学到很多微妙的东西. '
除了图像处理之外, 新的人工智能和深度学习用例也层出不穷, 从执法部门到基因组学都能找到相关应用. 在去年的一项研究中, 研究人员利用人工智能预测了欧洲人权法院数百起案件的判决结果. 他们预测人类法官最终决定的准确率达到了79%.
具备了 '思考' 的能力, 并且拥有丰富的资源, 甚至还有机器比人更准确地得出结论. 最近, 斯坦福大学研究人员的深度学习算法比人类放射科医生更擅长诊断肺炎. 这种名为 'CheXNet' 的算法使用了一种121层的卷积神经网络, 这些神经网络被训练在一组超过10万张胸部X光图像上.
人工智能模型在学习中不断进步
机器学习模型的标签数据确实至关重要, 但人类的眼睛仍然是工作的最佳工具. IBM公司去年表示, 他们已经在招聘很多人, 只是为了给人工智能标记数据. 多伦多大学的研究人员Parham Aarabi和Wenzhi Guo探索出了人类的大脑和神经网络结合在一起的方式. 他们开发了一种算法, 从明确的人类指令中进行学习, 而不是通过一系列的例子. 在图像识别中, 训练师可能会告诉算法, 天空通常是蓝色的, 并且位于图片的顶部. 与传统的神经网络训练相比, 他们的方法效果更好. Kobielus说: '如果不训练算法, 你就不知道算法是否有效. ' 他还总结道, 大量的训练都会在云或其他集中的环境中进行, 而分散的 '物联网' 设备 (比如自动驾驶汽车) 将会在现场做出决定.