您的位置:澳门新葡萄赌场娱乐 > www.599588.com > 人造智能,深度学习的下一站在何地

人造智能,深度学习的下一站在何地

发布时间:2019-06-07 22:07编辑:www.599588.com浏览(72)

    我们看到,AI在自动驾驶领域若达到99.9%的准确率,也意味着很多次驾驶活动中可能出现一次机器不能处理或者不能处理得很好的例子。这是否说明自动驾驶就不能做了?“当然不是。解决方法是通过人机耦合来实现稳定可靠的人工智能。”李世鹏答道。

    “我认为‘深度学习已死’这种说法,是出自那些曾经极为看好深度学习、后来却意识到其局限的业内人士。而局限并不意味着这个事物已经死亡,我们可以补充一些东西进去。”法国泰雷兹集团首席技术官马克·厄曼向科技日报记者表示。

    4 创新工场的AI布局

    把握时机对创业和投资至关重要。创新工场根据技术成熟度和未来发展趋势,将人工智能各应用领域划分为现阶段已成熟、3到5年成熟、5到10年成熟、10年后成熟等不同类型,并分别设计相应的投资策略。

    图片 1

    创新工场在人工智能领域的投资布局

    如图中所示,创新工场将人工智能领域的应用划分为大数据、感知、理解、机器人、自动驾驶等不同门类,每个门类中,按照人工智能技术的成熟度,将具体应用领域排列在时间维度上。

    总体来说,人工智能在互联网、移动互联网领域的应用,如搜索引擎、广告推荐等方面已经非常成熟。在商业自动化、语音识别、机器视觉、手势识别、基础传感器、工业机器人等方面,人工智能可以立即应用,立即收效。

    金融类人工智能的应用虽然已经起步,但尚需一段时间才能真正普及。智能教育、智能医疗、AR/VR中的人工智能、量产的传感器、商业用机器人等,预计会在3到5年成熟可用。

    可以供普通技术人员乃至非技术人员使用的人工智能平台(包括计算架构、算法框架、传感平台、云服务等),会在3到5年后趋于成熟并拥有足够大的商业机会。

    通用的自然语言对话工具、智能助手、普及型的家用机器人等,则至少需要10年甚至更长的时间,才有可能完成商业化。

    另外,在自动驾驶领域,3到5年内,必将是第2级到第3级的辅助驾驶最先大规模商用,而且,鉴于安全考虑,这些自动驾驶应用也会是限定场景、限定道路等级的。真正意义上的“无人驾驶”,即第4级或第5级的自动驾驶,还需要5到10年才能上路运行。

    我的理解:
    跟着“数据”走,哪里有质量高的大数据,哪里就有金子。

    已然改变人们生活

    “虽然深度学习优于其他技术,但它不是通用的,经过数年的发展,它的瓶颈已经凸显出来。”不久前,艾伦·尤尔指出。

    第四章 AI时代:人类将如何变革?

    近日,人工智能领域传来好消息——美国计算机学会宣布将2018年图灵奖颁发给深度学习领域三位先驱——约书亚·本吉奥、杰弗里·辛顿和雅恩·勒昆,以褒奖他们推动深度神经网络成为计算机技术的重要组成部分。感谢他们拯救了AI、改变了世界。

    业内人士认为,卷积神经网络可以使得人工神经网络能够快速接受培训,因为“内存占用空间小,不需要对图像中每个位置的过滤器进行单独存储,从而使神经网络非常适合于创建可扩展的深网(Deep nets)”。这也令卷积神经网络具有善于识别图形的优点。正是基于此,谷歌开发出安卓手机的语音识别系统、百度对可视化新型搜索引擎进行研发。

    • 什么是深度学习
    • 本次人工智能热潮跟以往的区别
    • 哪些领域能最先使用AI技术取得成果 ?
    • 投资人是怎么看眼前的AI创业机会的 ?

    法国泰雷兹集团首席技术官马克·厄曼表示:“在众多的人工智能技术中,深度学习是为我们所熟知的一种。当你拥有大量的数据和少量知识的时候,它是一种非常强大的技术。例如,人脸识别,但是这需要采集大量的图像来训练。在许多情况下,用于学习的数据库极为庞大,有时候需要千万甚至几亿数据。学习方法也有快慢之别,但是本质上来说,它不及人类大脑聪明。”

    李世鹏说,深度学习作为一个新的计算科学领域的方法,当然有其自身的限制和缺陷。这个在外界被炒作成万能的AI工具,其实科学界一直都很谨慎地对待,从一开始大家就知道它的一些局限性,比如对标注了的大数据依赖、非解释性、没有推理功能、对训练集里包括的样本就能工作得很好而对没有包括的样本就很差、系统模型处于非稳态(相对人类智能而言,对抗扰动攻击能力比较差)等。

    我读该书最大的收获:

    “尤尔等指出的组合模型训练及用组合数据测试,实质上应该认为是个分解过程,但难点就在于分解。就像计算机视觉里最难的问题是图像或物体分割一样,这本身可能需要更多高层次上的语义理解。更具颠覆性的方法是赋予AI引擎一些推理功能,即使没有见过的数据,也能通过推理进行解决。”李世鹏指出。

    不久前,全球人工智能计算机视觉领域奠基人之一、约翰霍普金斯大学教授艾伦·尤尔抛出“深度学习(Deep learning)在计算机视觉领域的瓶颈已至”的观点,引发业内许多专家的共鸣和热议。

    人工智能的商业化路线图

    创新工场管理合伙人、资深投资人汪华认为,人工智能的商业化分为三个主要阶段:

    第一阶段
    AI会率先在那些在线化程度高的行业开始应用,在数据端、媒体端实现自动化。
    这一过程会首先从线上“虚拟世界”开始,随着在线化的发展扩张到各个行业,帮助线上业务实现流程自动化、数据自动化和业务自动化。

    拥有高质量线上大数据的行业会最早进入人工智能时代。
    互联网和移动互联网的发展已经在许多领域为AI做好了业务流程和数据上的准备。例如:大家常说的金融行业是目前人工智能应用的热点,这正是因为金融行业特别是互联网金融已经做好了使用AI的准备。此外,美团等公司将餐饮服务与线上业务连接了起来,滴滴、摩拜单车等公司将交通出行与线上业务连接了起来。在这些拥有线上业务流程和高质量数据积累的地方,AI同样开始发挥作用,大幅提高线上业务的自动化程度。

    第二阶段
    随着感知技术、传感器和机器人技术的发展,AI会延伸到实体世界,并率先在专业领域、行业应用、生产力端实现线下业务的自动化。

    可以感知实体世界信息的传感器和相关的感知技术会越来越成熟,越来越便宜。在线下业务中,计算机系统可以通过物理方式接收线下信息或帮助完成线下操作。这个转变意味着人工智能从线上的“虚拟世界”走进了线下的实体世界。这个阶段,人工智能的商业化会首先从生产力的角度切入,整个世界的生产制造会逐渐被AI渗透。工业机器人、仓储机器人、物流机器人等将在这个阶段实现大范围的普及。

    第三阶段
    当成本技术进一步成熟时,AI会延伸到个人场景,全面自动化的时代终将到来。

    随着技术的日趋成熟,相关的智能产品价格大幅下降,AI终将从企业应用进入个人和家庭。那时,每个人的工作和生活中,大量的应用场景都会因为AI的帮助而更加自动化、更有效率,人类的生活质量终将因AI的普及而大幅提升。这个阶段里,AI商业化的核心目标是创建全面自动化的人类生活方式

    根据汪华的判断,我们目前正在进入A商业化的第一个阶段,也许只需要3年的时间,AI就可以在各种在线业务中得到普及。AI商业化的第二个阶段,要花5~7年的时间才能充分发展起来。而标志全面自动化的第三个阶段,需要十几年的时间。

    探索未来突破之路

    卷积神经网络的力挺者、脸谱人工智能实验室负责人伊恩·勒坤表示,目前使用最广泛的卷积神经网络几乎完全依赖于监督学习。这意味着,如果想让卷积神经网络学会如何识别某一特定对象,必须对几个样本进行标注。而无监督学习(Unsupervised learning)可以从未经标记的数据展开学习,更接近人脑的学习方式。而在此基础上开发的反向传播算法,能有效使错误率最小化,只是不太可能体现出人类大脑的运作机理。

    3 AI是中国创新、创业的最好机会

    具体而言涉及两个问题:一是系统如何识别什么情况下它处理不好,就是说在AI给出某种决定的同时,也给出做此决定的可信度。在可信度很低的情况下,是否可以唤醒人类接应?

    其次,深网在基准数据集上表现良好,但在数据集之外的真实世界图像上,可能会出现严重失败。特别是,深网难以应付数据集中不经常发生的“罕见事件”。而在现实世界的应用中,这些情况则会产生潜在风险,因为它们对应的视觉系统故障可能导致可怕的后果。比如,用于训练自动驾驶汽车的数据集几乎从不包含“婴儿坐在路上”的情况。

    图灵测试与第一次AI热潮

    他认为,深度学习是一个好的开始,但是不能解决一切问题,需要和更高维度的方式叠加。而跨学科的研究会在语义、知识图谱、机器记忆、想像、逻辑推理等类人脑的领域,弥补深度学习的一些短板。来源:科技日报 作者:华凌

    最初,深度学习刚刚进入大多数人工智能研究人员的视线时,被嗤之以鼻,但短短几年后,它的触角在诸多高科技领域延伸,横跨谷歌、微软、百度乃至推特等多家企业。

    第三章 人机大战:AI真的会挑战人类?

    事实上,用深度学习进行分析的目的在于识别真实数据中的真实模式。如果这种建设性能力可应用于总结经验、设计方案以及记录历史,甚至能够以惊人的逼真性反馈于人们的身体,那么现实与幻想之间的界线将变得非常模糊。

    “已死”之说值得商榷

    第五章 机遇来临:AI先行的创新与创业

    李世鹏解释道,今天的人工智能即使在可以发挥得很好的领域,也不是百分之百可靠。在一些不是很关键的领域,某些AI技术也许是可用甚至好用,但在某些关键领域却远远不能符合要求。因此,不要把人工智能当作万全技术,在设计一个产品或者系统时,要充分考虑机器失败的时候,人类怎么能很好地接手。

    尤尔认为,深度学习有三大局限:首先,深度学习几乎总是需要大量的标注数据。这使得视觉研究人员的焦点过度集中于容易标注的任务,而不是重要的任务。

    第一章 人工智能来了

    “深度学习肯定不是解决通用人工智能问题的全部,但是人类探索机器智能的必经之路。我们应该意识到现在深度学习的一些限制,要做的是扬长避短——用可行的方法解决现在可以解决的问题。”李世鹏指出。

    天下数据与全球近120多个国家顶级机房直接合作,包括香港、美国、韩国、日本、台湾、新加坡、荷兰、法国、英国、德国、埃及、南非、巴西、印度、越南等国家和地区的服务器、云服务器的服务.

    语音识别与第二次AI热潮

    语音识别领域的三次跨越:

    • 基于专家系统
    • 基于统计模型
    • 基于深度学习:识别正确率高达98%

    图片 2

    “我不赞同‘深度学习已死’的提法。”新一代人工智能产业技术创新战略联盟联合秘书长、科大讯飞副总裁兼AI研究院联席院长李世鹏指出。

    AI创业的五大基石

    图片 3

    人工智能创业的五大基石

    清晰的领域界限
    人工智能创业,要解决的领域问题一定要非常清晰,有明确的领域边界,因为这一类问题是今天以深度学习为代表的人工智能算法最善于解决的。例如,同样是做机器人,如果做一个借助视觉传感器更好地规划扫地线路、提高清洁效率的扫地机器人,将机器人的需求限定在一个有限的问题边界内,这样的解决方案就相对靠谱。
    如果上来就要做一个长得像人一样、可以与人交流的人形机器人,那以今天的技术,做出来的多半不是人工智能,而是“人工智障”。

    闭环的、自动标注的数据
    针对要用AI解决的领域问题,最好有在这个领域内,有闭环的、自动标注的数据。例如,基于互联网平台的广告系统可以自动根据用户点击以及后续操作,收集到第一手转化率数据,而这个转化率数据反过来又可以作为关键特征,帮助AI系统进一步学习。这种从应用本身收集数据,再用数据训练模型,用模型提高应用性能的闭环模式更加高效。谷歌、百度等搜索引擎之所以拥有强大的人工智能潜力,就是因为它们的业务,比如搜索和广告本身就是一个闭环的系统,系统内部就可以自动完成数据收集、标注、训练、反馈的会
    过程。

    千万级的数据量
    今天人工智能的代表算法是深度学习。而深度学习通常要求足够数量的训练数据。一般而言,拥有千万级的数据量是保证深度学习质量的前提。当然,这个“千万级”的定义过于宽泛。事实上,在不同的应用领域,深度学习对数据量的要求也不尽相同。而且,也不能仅看数据记录的个数,还要看每个数据记录的特征维数,特征在相应空间中的分布情况,等等。

    超大规模的计算能力
    深度学习在进行模型训练时,对电脑的计算能力有着近乎“痴狂”的渴求。创新工场曾经给一个专注于研发深
    学习技术的团队投资了1000万元人民币。结果,团队建设初期才两三个月时间,仅购买深度学习使用的计算服务器就花掉了700多万元,一个类型的深度学习任务,通常都要求在一台或多台安装有四块甚至8块高性能GPU芯片的计算机上运行。涉及图像、视频的深度学习任务,则更是需要数百块、数千块GPU芯片组成的大型计算群。在安装了大型计算集群的机房内,大量GPU在模型训练期间发出比普通服务器多数十倍的热量。许多机房的空调系统都不得不重新设计、安装。在一些空调马力不足的机房里,创业围队甚至购买了巨大的冰块来协助降温。

    顶尖的AI科学家
    今天的人工智能研发还相当依赖于算法工程师甚至是AI科学家的个人经验积累。水平最高的科学家与普通水平的算法工程师之间,生产力的差异不啻千百倍。人工智能创业公司对顶尖AI科学家的渴求直接造成了这个领域科学家、研究员的身价与日俱增。谷歌雇用杰弗里·辛顿、李飞飞,Facebook雇用扬·勒丘恩,据说都开出了教百万美元的年薪。国内AI创业公司如旷视科技,也用令人瞠目的高薪,将机器视觉领域的顶尖科学家孙剑“挖”了过来,把任公司的首州时科学家。

    李世鹏进一步说,脑科学和认知科学的发展给我们很多启示,MIT等一些大学院所的科学家正沿着这条路径探索。其实,上世纪90年代盛行的专家系统很多时候就是给机器一些规则,让机器按规则去推理从而解决一些问题。但专家系统的问题是规则制定本身是件很麻烦的事,远不及今天数据标注来得简单。将来的思路可能是需要深度学习从大数据中归纳出一些可以解释的规则,然后,将它们应用到新的数据中去解决问题。知识图谱和深度学习的结合也许是这条路线的一个实用分支。

    总而言之,李世鹏表示,深度学习已死之说法值得商榷。在未来相当一段时间里,深度学习会对人工智能发展起着积极推动作用,并具有很大的应用价值,同时,科学家对深度学习天生的缺陷和局限已明晰,正在尝试一些方法补足其现阶段发展的不足,并在各自的领域内探索着下一代人工智能的突破。

    1 大时代,大格局

    他说:“而另外一些领域则属于‘无限也不可枚举’的数据对象,比如说自动驾驶场景下的各种环境图像和视频,计算机视觉中通用识别问题的数据对象等。这些问题,深度学习可能会解决其中某些子问题,但整体来看,会出现不久前全球人工智能计算机视觉领域奠基人之一艾伦·尤尔教授所提及‘深度学习在计算机视觉领域已至瓶颈’的问题。”

    业内专家表示,这三大局限性问题虽还杀不死深度学习,但它们都是亟待需要警惕的信号。

    第三次AI热潮:有何不同?

    1 三次人工智能浪潮:

    • 20世纪50~60年代:以艾伦.图灵提出图灵测试为标志,数学证明系统、知识推理系统、专家系统等里程碑式的技术和应用为代表。
    • 20世纪80~90年代:基于统计模型的技术悄然兴起,在语音识别、机器翻译等领域取得不俗的进展,以李开复的非特定人/连续语音识别技术为代表。
    • 2010年前后,随着深度学习技术的成熟和兴起,加上计算机运算能力的提升和海量数据的积累,人工智能开启了第三次浪潮。

    2 第三次人工浪潮的特点:

    • AI在相关领域表现出可以被普通人认可的性能或效率,并因此被成熟的商业模式接受,开始在产业界发挥出真正的价值。
    • 人工智能可以解决实际问题了:在机器视觉、语音识别、数据挖掘、自动驾驶等应用场景,人工智能达到了人们的预期,研究成果可以落地并发挥出价值。
    • 跟以前两次热潮的驱动力不同:
      • 学术研究为主导 vs 商业需求为主导
      • 市场宣传层面 vs 商业模式层面
      • 学术界游说政府和投资人 vs 投资人主动向研究机构投钱

    可行方法扬长避短

    除提供传统的IDC产品外,天下数据的主要职责是为大中型企业提供更精细、安全、满足个性需求的定制化服务器解决方案,特别是在直销、金融、视频、流媒体、游戏、电子商务、区块链、快消、物联网、大数据等诸多行业,为广大客户解决服务器租用中遇到的各种问题。

    2 AI创业是时代的最强音

    之前,业内有人提出“深度学习已死”的基调,让深度学习的热度大大下降,而此消息一出,犹如按下重启键,人们再次将目光锁定深度学习。那么,作为人工智能的一种形式,目前深度学习如何突破瓶颈,迎接新一代人工智能的到来?让我们听听国内外专家如何说。

    尤尔认为,瓶颈背后的原因是一个叫做“组合爆炸”的概念:就视觉领域而言,从组合学观点来看,真实世界的图像量太大了。任何一个数据集,不管多大,都很难表达出现实的复杂程度。更何况每个人选择物体、摆放物体的方式不一样,搭出的场景数量可以呈指数增长。而这需要无限大的数据集,无疑对训练和测试数据集提出巨大挑战。

    深度学习携手大数据引领第三次AI热潮

    • 人工神经网络:深度学习的核心计算模型

    • 深度学习(书上的例子通俗易懂,很形象)

      • 用人类的数学知识和算法构建起整体架构

      • 在结合尽可能多的训练数据和大规模计算能力去调节内部参数

      • 达到尽可能逼近目标的目的

      • 特点

        • 半理论、半经验的建模方式
        • 基于实用主义思想
        • 内部黑盒
    • 大数据:人工智能的基石

      • 三大基础
        • 信息交换:通信和网络宽带的大幅增张
        • 信息处理:整理、转换、分析数据的能力大幅增长
        • 信息存储:计算机存储量的大幅增长
    • 人工智能三巨头

      • 杰弗里·辛顿
        • 把反向传播(Backpropagation)用于多层神经网络,发明玻尔兹曼机(Boltzman machine),这些直接导致了深度学习的实用化
        • 多伦多大学、谷歌大脑
      • 约书亚·本吉奥
        • 在自然语言处理方向建树颇多,推动语音识别、机器翻译的发展
      • 杨·勒丘恩
        • 卷及神经网络(CNN):最有效的深度学习算法,应用于手写识别和OCR
        • Facebook

    在某些方面,我们发现深度学习如同挖掘机一样,能够采集相当多的数据,然而,却不像小孩子那样,不需要千万次的学习即会认出自己的母亲。

    天下数据是国内屈指可数的拥有多处海外自建机房的新型IDC服务商,被业界公认为“中国IDC行业首选品牌”。

    第六章 AI时代的教育和个人发展

    “实际上,深度学习主要依赖于大量的数据和数据标注。在医疗领域,可对采集到上万个病例数据库的医学影像进行分析,供放射学和病理学方面训练,帮助医生做出更为精准高效的诊断,实现大规模应用。不过,对于应用本身其是受限的,因为很多领域并无那么多数据,也没太多真正意义上的训练。如在自动驾驶领域,正常驾驶很多的数据可以采集到,但有些非正常数据像事故方面却很难采集。” 远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲认为。

    深度学习作为一类机器学习方法,是实现人工智能的重要基础。近日有学者认为,随着人工智能的发展,深度学习的短板日益凸显,“其瓶颈已至”。深度学习的瓶颈是否真的已经到来?就此问题,本文将分为上下篇,对于深度学习的优势与短板、以及改进方式进行探讨,为读者梳理各位专家学者的不同思考。

    什么是深度学习?李开复举得例子很通俗易懂、很形象

    另一个是人机如何和谐地在一起工作,这涉及到用户体验设计和AI的结合。至少AI在现阶段还只是作为提高人类效率的工具,所以在用户体验设计中应该做到不需要人时刻盯着,但在有状况时应及时提醒反馈给人类无缝接手。

    深度学习精到之处

    第二章 AI复兴:深度学习 大数据=人工智能

    这一次人工智能复兴的最大特点是,AI在语音识别、机器视觉、数据挖掘等多个领域走进了业界的真实应用场景,与商业模式的紧密结合,开始在产业界发挥出真正的价值。

    “正如现在的自动驾驶,只能说是试水阶段,其技术本身肯定不是主要依赖深度学习,而是多模态感知,运算也不是简单依赖于视觉,而是与人类认识这个世界一样,通过眼、耳、鼻、舌、身、意多个感知来综合认知,而人脑本身在大多数情况下不依赖于大量数据,而是借助‘触类旁通’等能力。因此,人脑科学、计算机科学、生理学和认知科学等跨界交融应用才是未来AI的发展方向。”谭茗洲指出。

    图片 4

    如何解决数据短缺问题?李世鹏说,目前很多科学家在对此研究。一类是从数据源方面解决,比如,借助更高效的数据标注工具帮助人快速获取更多标注数据、用对抗网络生成数据等;一类是从深度学习算法本身改进,比如迁移学习、少样本学习、无监督学习和弱监督学习等。

    例如,在一张丛林里有只猴子的照片中,PS上一把吉他。这会导致AI将猴子误认为人类,同时将吉他误认为鸟。大概是因为它认为人类比猴子更可能携带吉他,而鸟类比吉他更可能出现在附近的丛林中。

    “深度学习虽然有种种局限,但在很多领域已然切切实实发挥作用,比如在语音识别、机器翻译等,这是一些可算作‘无限但可枚举’(Infinite but enumerable)的数据对象。在这些领域中,训练数据集及其变种可以包括大部分我们可能遇到的实际数据,深度学习可以解决。”新一代人工智能产业技术创新战略联盟联合秘书长、科大讯飞副总裁兼AI研究院联席院长李世鹏在接受科技日报记者采访时指出。

    勒坤表示:“我们对大脑如何学习几乎是完全陌生的。尽管人们已经知道神经元突触能够自我调整,但对大脑皮层的机理尚不明晰,所知道的最终答案是无监督学习是一种更接近人脑的学习方式,但对于大脑的认知机制却无力解答。”

    厄曼说,这是因为实际上孩子认妈妈是将多种信息混合在一起判定,其中包括形象、气味、身体接触、出生记忆以及许多复杂因素。尽管深度学习是受到生物启发,基于我们所说的神经元,但是,当你与神经科学家交谈时,会觉得深度学习仅是一种对人脑的过于简单的再现,人脑可比这复杂得多。所以深度学习只是AI使用的众多技术中的一种,希望其他技术可以对其加以补充。

    瓶颈凸显需警惕

    国内外专家表示,尽管人工智能的发展水平令人瞩目,但目前的人工智能系统有一定智商没情商、会计算不会“算计”、有专才无通才。就目前既有的解决方法,还不够具有革命性,要让未来的AI更“智慧”,需要加强对人类大脑等方面的研究,探索突破深度学习瓶颈之路。

    目前,作为实现人工智能的一种形式,深度学习旨在更密切地模仿人类大脑。那么,业内专家学者是否认同这种说法?作为人工智能技术的重要基础,深度学习在发展中究竟遇到哪些困难?如果深度学习瓶颈已至,我们该如何破解这个难题?带着相关问题,科技日报记者近日采访了中外人工智能的知名专家对尤尔教授的观点深入解读。

    很多高科技公司热衷探索深度学习的一种特殊形态——卷积神经网络。卷积网络是由相互连通的卷积层组成,与大脑中处理视觉信息的视觉皮层十分类似,不同之处在于,其可以重复使用一张图像中多个位置的相同过滤器。一旦卷积网络学会在某个位置识别人脸,也可以自动在其他位置识别人脸。这种原理也适用于声波和手写文字。

    当然,要让卷积神经网络正常运作需要功能强大的计算机和庞大的数据集,而其在收集数据或计算平均值时,效果并非十全十美。

    去年,深度学习领域一位知名学者曾在脸谱发布惊人之语——深度学习已死,引起业内一片哗然,以至于现在网上机器学习社区的一些人说,搞深度学习是在走死胡同。

    “我比较赞成尤尔教授的客观说法——深度学习在计算机视觉领域的瓶颈已至,特别是他讨论问题的这个时间点很有必要,在方向上有矫枉过正的提示作用。现在大家对深度学习热衷得有些过度,在学术界,甚至在产业界,给人一种似乎‘非深度学习非AI’的感觉。实际上这是有很大问题的,因为深度学习确实只是人工智能领域里一个被实现出来的,却比较窄的成功经验。”远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲指出。

    第三,深网对图像中的变化过度敏感。这种过度敏感不仅反映在对图像中难以察觉变化的标准上,还反映在对上下文的变化上,由于数据集大小的局限,过度敏感会导致系统做出错误判断,但这种因过度敏感而导致的图像变化却难以欺骗人类观察者。

    本文由澳门新葡萄赌场娱乐发布于www.599588.com,转载请注明出处:人造智能,深度学习的下一站在何地

    关键词:

上一篇:大自然之外是哪些,化学家建议二个视角

下一篇:没有了