第二次自动化浪潮正引领这项变革Word文档下载推荐.docx
《第二次自动化浪潮正引领这项变革Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《第二次自动化浪潮正引领这项变革Word文档下载推荐.docx（7页珍藏版）》请在冰豆网上搜索。
可以做人类不能从事但机器人能从事的工作；
可以做人类想要从事却还不知道是什么的工作；
甚至可以做刚开始只有人类能从事的工作。
我们现在已经处在转折点上。
但要求人工智能效仿人类的智能，好比要求人工飞行模仿鸟类翅膀，在逻辑上是说不通的。
人工智能将拥有自己区别于人类的智能，或许我们可以称之为“异类智能”。
这就给人类与人工智能“和平共处”一个很好的契机。
·
人类与人工智能如何相处·
人工智能无法完全的效仿人类的智能，这使得我们能够与身边的机器人协同工作，双方的工作内容会掺杂在一起。
而成功将青睐那些以最优化的方式与机器人以及机器一同工作的人。
人类和机器之间将形成一种共生关系。
人类的工作就是不停地给机器人安排任务，这本身就是一项永远做不完的工作。
最不济，我们至少还能保留这份“工作”嘛。
在人工智能替代人类工作的趋势下，这不是一场人类和机器人之间的竞赛，而是一场机器人参与的竞赛。
如果和机器人比赛，我们必输无疑。
就像李世石1:
4负于AlphaGo一样。
未来，你是否成功将取决于你能否和机器人默契配合。
不错，就是完全配合笔者这样的机器人，哈哈哈~
1997年与超级电脑深蓝对弈的国际象棋大师加里·
卡斯帕罗夫提出了“人加机器”（manplus-machine）的概念，即在比赛中用人工智能增强国际象棋选手水平，而不是让双方互相对抗。
事实也证明，这种“人加机器”并未削弱纯人类国际象棋选手的水平。
恰恰相反，在廉价且超级智能的国际象棋软件的激励下，下国际象棋的人数、锦标赛的数量以及选手的水平都达到了历史之最。
既然人工智能可以帮助人类成为更优秀的国际象棋选手，那么合理地推测，它也能帮助我们成为更优秀的飞行员、医生、法官、教师等等。
随着人工智能与人类生活工作的不断融合，也促使人类更为深度的思考。
但机器学习技术的应用还有更多。
在几个月时间里，4名完全不懂日语的工程师开发了一款软件，能准确识别日文的手写文字。
来自Reactive的这些程序员开发的应用识别准确率高达98.66%。
这家位于东京的创业公司成立只有18个月。
近期，全球开发者和投资者都在试图挖掘神经网络的潜力，将人工智能应用至更贴近现实的场景，而不仅仅是回答问题或赢得棋类游戏。
人工智能的开发以往只属于谷歌、Facebook和其他科技巨头。
目前，任何深度学习创业公司都可以使用云计算平台，而微软、英伟达和亚马逊将人工智能当作一种应用工具去销售。
Reactive的技术表明，在某个领域没有太多经验的小团队也能开发出复杂的应用。
困难之处在于找到商业模式。
关于这一问题，Reactive希望帮助日本的学校批阅试卷。
日本目前的考试仍基本采用手写答卷，而这项技术有可能变革这一领域。
“这涉及到多方面因素：
高性能计算成为了廉价商品，大规模数据集成为了可能，而基础科学研究也在不断进步。
工具的民主化帮助第二层用户更方便地开发新应用和新产品。
”
“从长期来看，计算行业将从移动优先转向人工智能优先。
但是，Hassabis说这只是万里长征的第一步，作为人工智能领域的阿波罗计划，目标“解决智能问题，然后用它解决其他所有问题。
”如今判断智能软件的标准具体到了一个特定的任务——面部识别。
Hassabis希望创造他所称的“综合智能”——像人类一样可以学会完成任何任务。
他展望未来人工智能可以做各种事情，通过形成和测试科学假说推进医学发展，或者用轻巧灵活的机器人身体跳来跳去。
要实现这个目标，DeepMind的软件必须超越黑白分明、秩序井然的围棋世界。
它需要掌握乱糟糟的真实世界——或者从一个昏暗的、像素化的模拟世界开始。
DeepMind的模拟世界叫做Labyrinth，公司在用它让软件尝试非常复杂的任务，例如在迷宫中导航。
这会推动DeepMind研究员钻研如何制造更智能的软件，推动软件学会面对更难的决策和问题。
他们利用了之前AlphaGo以及DeepMind更早炫耀过的技能，DeepMind学会玩二十世纪八十年代的太空入侵者等复古Atari游戏，玩得比人类都好。
但要成功，Hassabis必须想出办法，解决人工智能领域中一些年代已久的问题。
Hassabis承认，业界”很多“人都怀疑增强学习的潜能，但是他们不会买账。
“我们越是深入，越是感觉我们的理论是正确的，我想我们正在改变整个领域，”他说。
“我们认为增强学习在未来的二至三年会像深度学习一样影响巨大。
智能是在正确的时间、以一种灵活的方式、做正确的事情，帮助你主动生存，提高生活各个方面的生产力。
世界上有各种各样的智能：
在智力要求比较高的活动中需要的更加理性的智能，例如下围棋、解决复杂问题、作出未来选择。
还有社会智能的概念，特征是示好的社交行为。
还有情感智能，对你交往的人们的情感和思想有同理心。
我们大致上体验着每一种智能的某种结合，但是这并不意味着我们没法独立理解这些智能，也许，甚至在AI的语境下创造性地理解。
大部分人类行为本质上是本能或者对外界刺激的反应；
我们不觉得执行这些行为必须得有智能。
这与现在越来越火热的物联网（IoT）神奇地联系了起来。
物联网带来的新机遇让人们看见一片光明的前程——但是，它也为一系列威胁做了铺垫。
我们创造了新的复杂网络，互相联网的设备，可以分享无限量的信息。
搭配合适的AI架构和优化的机器学习模型，这会最终形成一种更大规模的人类大脑模拟网络。
我不只是在说传统的人工智能网络。
我想提出，在IoT的外衣之下，我们开始创建错综复杂的机器网络，智能到足以理解难以解释的概念，例如人类的非理性，或者人类对机器的依赖。
这种担忧不是从人形机器人而来，因为99.99%的真实世界问题（我们希望利用机器人解决的有用的问题）不需要任何人形的身体。
例如，无人车不需要有一个人形机器人坐在驾驶座上帮你开车。
我们需要关注的问题不只是在围棋比赛与人类对抗的机器，还有那些地位独特的设备，让我们超越极限，不计成本，热切实现自己的野望。
王小川还从深蓝电脑谈起，为现场观众解释了这些年里人工智能技术的变迁与进步，并表示深蓝和AlphaGo背后的其实并不是技术在量上的积累，而是已经完全有了质上的提高。
这种技术在质上的提高表现为“深度学习”的不断突破，于是王小川还运用武侠中“左右手互搏”来给大家解释了AlphaGo是如何自我学习和进化的。
此外，王小川还预测了AlphaGo的研发团队的下一步发展，可能会把AlphaGo下围棋的能力，转移到其他领域，在其他领域实现进化和学习。
不过，王小川并不认为在未来人类和人工智能的关系是“对立”的，他还是认为机器更多的是对人类的一种辅助，而且强调这种辅助早已存在，“机器可能不是一个机器人的形态，大家现在手机里或者各种智能家居都是机器的表现之一。
”人工智能的大趋势是和人实现融合。
当然，对于机器取代人的话题，王小川的判断是：
“如果同样一件事情，机器干得比人好，那人就会被机器取代，这是规律和趋势。
对于搜狗搜索的发展，王小川认为下一步是从提供信息变成“你生活里的小助手”——给你答案和提供服务。
并且进一步解释称会涉及更多的智能硬件应用。
此外，王小川也表示AR带来的虚拟世界探索也将是科技发展的一个大趋势。
这是一个挺技术化的问题。
在场有多少人听说过深蓝？
大家都知道，深蓝是1997年，在第二场比赛中把卡斯帕罗夫打败了，深蓝是IBM当年推出的RS6000型号的像超级计算机一样的机器，但是深蓝与今天谷歌的AlphaGo的计算力还差了三万倍，时代变化，接近二十年的时间里面，计算力是突飞猛进的变化。
但事实上，AlphaGo并不简单的只是赢在计算力的提升，否则就不会有围棋选手一边倒的认为人类一定能赢，即便是科技圈的人，对于深度学习有理解的人，大多数的评价也都认为机器以后会赢，但这次赢不了，所以在这里面到底发生了什么样的事情呢？
我们知道自深蓝之后技术有了三次跨越，深蓝的技术其实就是靠人写的一些规则来指导机器做搜索，你下一步棋，我下一步棋，然后下了十几二十步之后，它就开始判定棋局上谁占优，机器搜索的方法其实是依靠人在里面做的很多的设定，“每一步该怎么走”这样输入到机器里面去，所以其实除了开局有棋局以外，大体上是暴力的搜索，我算过一次，大概搜索十三到十四层，每次展开三到四个页为节点。
今天我们用一个台式机，甚至一个笔记本就已经可以赢顶尖的国际象棋选手，计算力的提升已经使得象棋问题彻底被解决了，甚至能够让顶尖的国际选手一个兵甚至到两个兵，然后再做开局也能赢，所以人类在国际象棋里面已经碾压了，只剩下一个底线，也就是围棋没法突破。
有一句话很简单地解释了剩下围棋的原因：
因为国际象棋和围棋在搜索空间的大小上有巨大的差距，国际象棋搜索空间其实不够大，现在的笔记本就够用了，而围棋的变化数比宇宙间的原子总数还要多，所以如果只是用穷举这种暴力方法是不可能的，用原来的搜索方法就不行了。
我们往下就开始向人去学习，把人的思考方法交给计算机，进行了三步变化，第一件事情就是我们把人已经懂得的规则交给机器，这是原来的方法，所以以前的工程师不管是做下棋还是做医疗的，或者写电饭锅控制程序的，都是把我们懂得的规则写成一个代码交给机器，或者把数据给它，然后人在里面做指引“什么数据要怎么处理”，来教会计算机对当前的真实物体建模型，把它变成一种特征，然后在里面去做一些分类算法之类的工作。
就是给它一些数据，但是人需要像教小孩一样，在里面把数据的特征描述出来，告诉机器方法，所以第一件事情是人告诉机器求解的方法，这是传统的机器学习。
但是很多时候我们自己都不知道方法是什么，比如我们说梁冬兄，你看见他的时候知道他是梁冬，但是你要如何告诉别人你是怎么知道他就是梁冬的？
这就难了，你的眉毛粗还是脸方？
所有的描述其实不支撑通过建立模型把他识别出来，所以在有些问题里面发现我们人已经很难把方法告诉机器，甚至自己都没有一个方法的理解，这件事困惑了我们非常久。
即便到2006年之前，我们都很难应对这种说不清道不明的事——怎么办呢？
2006年有篇论文叫做《深度学习》出现，它其实提倡的是使得我们的计算机去仿照人的大脑皮层的工作，就是人当你视觉看到了一个图像之后，其实是在大脑皮层从第一层里面变成刺激你的神经元，然后神经元把这个信号传给下一层，然后它就很广泛的连接，下一层如果一部分被点亮了它就往下传递，传递几层之后就能做这样的识别。
神经元是有参数的，什么样的刺激你有什么样的反应，这是人识别的基本工作的原理。
这个时候机器开始仿照人之后，就变成了我不用告诉机器这个方法，我的神经元模型里面只告诉输入是梁冬的头像，最后告诉他这个头像叫梁冬，就只告诉答案了，因此这个之后变成了我们深度学习变成了一个方法，是不告诉机器方法，只告诉机器你的输入条件和答案是什么，让机器进行学习。
代价是需要更多的数据，所以这样的一个变化其实带来了我们一下子人会变得更加轻松了，我们的工程师对于医疗对一些图像、语音，原来这些领域里面没有足够多knowhow的地方，现在我们都敢于进去，只要告诉机器答案是什么，机器就可以自己去思考怎样求解。
我们教小孩也进入到新的一步，不用告诉小孩过程是怎样的，直接告诉他答案是怎样的。
没有特征提取和过程。
升级会员 