绗缝机厂家
免费服务热线

Free service

hotline

010-00000000
绗缝机厂家
热门搜索:
行业资讯
当前位置:首页 > 行业资讯

【消息】从炒作曲线看人工智能的苟且与远方

发布时间:2020-12-25 20:14:12 阅读: 来源:绗缝机厂家

经历了 2016 、2017 上半年的疯狂炒作之后,人工智能的热潮正在褪去。

究其原因,如果按照 Gartner 的「炒作曲线」来解释,则是由于新技术爆发时的公众热度更容易被媒体、资本所捕捉,而随着技术落地过程中暴露出的一系列实际困难,会部分程度上导致公众的悲观,从而让这项新技术逐步淡出公众视野。

人工智能也是如此。在过去的 2017 年,围绕人工智能的场景应用正在成为国内外巨头、创业新贵押注的焦点,然而不管是图像、语音还是自然语言交互,尽管单项技术都不同程度地获得巨大发展,但尚不足以与实际场景结合,形成全新的传播热点,一个显著的案例,AlphaGo 在 2017 年乌镇横扫中国围棋高手的新闻远远不及单挑李世石那样吸引全球关注。

另一个原因,则是更多新技术、新概念的出现,这在中国的表现尤为明显。2017 下半年,特别是 2017 年年底,区块链成为中国互联网行业的「新技术」,这种由虚拟货币所推动的技术几乎「瞬间」占据了投资人、主流科技媒体、各种自媒体的讨论议题里。

上述两个原因或多或少让人工智能暂时摆脱了聚光灯的关注,也让我们有更多的理性去看待这个过去几年被誉为「改变人类命运」的技术,到底是一次面向远方伟大征程的开始,还是又一次从寒冬到盛夏再到寒冬的短暂更替。

人工智能的远方依然令人向往

事实上,关于人工智能的「远方风景」已经被重复了六十多年。自 1956 年「人工智能」一词来到这个星球上,一代代的数学家、计算机科学家都在为之不懈努力,但到底何为「人工智能」却存在太多理解角度。

作为达特茅斯会议组织者之一的约翰·麦卡锡,一直认为「人工智能」一词除了是暗示机器可以去完成人类可以完成的工作之外,和人类行为毫无关系。

而与麦卡锡专注数学逻辑模拟人类大脑的做法不同,另一位达特茅斯的参会者马文·明斯基则早早看到了神经网络的重要性,但颇具讽刺意味的是,也正是明斯基在某种程度上否认了神经网络的可行性,导致基于人工神经网络的研究长期排除在人工智能「主流」研究之外。

而就在麦卡锡离开 MIT,扛起斯坦福大学人工智能研究大旗之时,道格拉斯·恩格尔巴特正在努力将另一种「智能」带入计算机行业。

这位北欧人的后裔并没有麦卡锡的「远大志向」,而是在思考如何将技术去「提升」人类现有的技能,他终其一生都在研究计算机技术至于人类的意义,成为人机交互的「一代宗师」。

在硅谷资深记者约翰·马尔科夫的《与机器人共舞》中,记录了麦卡锡的「人工智能」与恩格尔巴特的「增强智能」之间的恩怨情仇,「在已经过去的50年中,麦卡锡和恩格尔巴特的理论仍然各自为政,他们最为核心的冲突仍然悬而未决。一种方法要用日益强大的计算机硬件和软件组合取代人类;另一种方法则要使用相同的工具,在脑力、经济、社会等方面拓展人类的能力。」

如今,这两种理念在全世界范围内依然有不少支持者。伊隆·马斯克与马克·扎卡伯格口水战,霍金的末日预言与凯文·凯利的批判一度成为 2017 年各大科技媒体争先报道的消息,但这一切讨论却排除了这个领域最有发言权的一线研究者,无论是 Facebook 人工智能实验室负责人 Yan Lecun 还是深度神经网络「教父」般的 Hinton,其冷静而客观的分析,都无法进入大众视野。

另一方面,掌握巨大传播资源的巨头公司则在塑造一个被技术赋能的美好未来。

过去的两年,亚马逊、Google、阿里巴巴等让人工智能走入越来越多的家庭,通过语音交互的智能音箱,语音识别、自然语言处理等技术逐步落地,还让越来越多的用户感受到人工智能的威力;百度、英特尔、Google 还在不断向公众传达自动驾驶的美好未来,那些制作精良又充满未来感的视频不断刷新着公众对于驾驶的所有想象力;一场场科技峰会/发布会上,人工智能正在进入不同行业,它可以让你的手机拍照更好看,它可能是医院医生的助手,它也可以在工厂里为提升产能贡献自己的能力,还会扮演着城市公共安全保卫者的角色......

就这样,这两年内,公众在「人工智能如何帮xxx」的话术中开启新的一天,又在「人工智能将彻底颠覆XXX」的描述中入睡,每隔若干个小时,就有一个新行业被人工智能所改变,每隔若干天,就有一家人工智能创业公司拿了上亿美金的融资,每隔若干月,「自动驾驶即将上路」、「虚拟女朋友」的消息再重复一次。

然而,这一切事关远方的描述,无论是马斯克的人类末日场景还是扎克伯格的乌托邦世界,都跳过了这个行业如今的「苟且」。

当下的苟且:软件、硬件与应用

坦率来说,上文中所有关于「人工智能」进步的说法,都应该换成「深度神经网络」,或者换句话说,过去几年所谓人工智能的进步,都来自深度神经网络的快速发展。

然而,尽管几乎全世界的计算机/互联网巨头都投入到神经网络的研究之中,却依然在处在一个非常初级的阶段,包括以下三个方面:

软件层面:被人寄予厚望的强化学习也难有突破;

硬件层面:群雄逐鹿;

应用层面:图像、语音之外还剩下什么?

先说软件层面。作为 2017 年《MIT 商业评论》评选的年度十大技术,强化学习曾在 AlphaGo 击败各路围棋高手的对弈中发挥了重要作用。强化学习的基本原理,是一种和环境交互过程的「学习」过程,这种动态的学习过程非常适合在一些没有特定规则、实时反馈的场景中,比如工业机器人或自动驾驶。

这是一种令人听起来就激动的机器学习模型,这几乎也是人类学习周遭事物的方式。以驾驶为例,人类司机需要结合路况来实施调整自己的驾驶行为,当下自动驾驶系统中,感知系统可以被深度学习解决,而决策系统和控制系统,则很有可能是强化学习所能发挥作用的领域。

但当下除了 AlphaGo 利用自动对弈进行强化学习之外,其他实际应用并不现实,原因就在于,当这一算法面临现实社会数百个乃至几千个环境变量的挑战时,这种交互过程能否从始至终地保持绝对可控还无法保证,因此,短期内,这个算法还无法真正实现应用。

郑州治疗子宫腺肌症医院哪家好

台州路桥医院挂号预约

郑州乳腺科的医院哪家好