李开复：智能机器人不会很快走进每个家庭
- 来源：新华网思客 原标题;李开复：智能机器人不会很快走进每个家庭
- 2016/6/23 11:03:54
- 31867
李开复：智能机器人不会很快走进每个家庭
人工智能是一种工具
近人工智能成为热门新闻话题，很多是因为大家看到AlphaGo在几个月前击败了李世石，近在网上还传出年底之前它要挑战柯杰的消息。但有一点让我觉得很可惜：大家对这个话题讨论的重心都放在了人工智能是不是在模仿人脑，“奇点”是否即将来临这样的问题上，却没有真正关注人工智能对我们的现实影响。
“奇点”认为未来机器将有各种的智能、人类必须做一些事情来保护自己。但我认为人工智能要取代人还是一个非常遥远的事情。我们需要更关注的事情是人工智能是今天能够拿来用的工具，它能帮助人类解决问题，能取代重复性的工作，能创造商业价值。正因为这个理由，我认为今天我们进入了人工智能的黄金时代。
几乎所有思考模式可以被理性推算的工作岗位，在有足够数据支撑的时候，都会被取代。为什么AlphaGo这么厉害？就是因为它可以动用到几千台机器每天和自己对弈上万盘的围棋；以后为什么自动驾驶会这么厉害呢？因为它可以用它的各种的sensor在路上搜集数据，这不是任何一个司机可以匹敌的。
科普深度学习
深度学习是一种神经网络，它的特点是使用了多层网络，能够学习抽象概念，同时融入自我学习，而且收敛相对快速。
收敛快速可能是一种技巧。简单的来说，如果我们有很多笑脸，输入到一个神经网络里面去，后你希望让机器能识别这是姚明，那是马云。但是要一次性学会这么多会比较困难，所以就需要用到一个比较快速收敛的技巧——自我学习。通过自我学习，机器会逐步从大量的样本中逐层抽象出相关的概念，然后做出理解，终做出判断和决策。
比如它可以有好几层的nodes和connection，经过这些nodes和connection，它在每一个层次会感知到不同的抽象特征，且一层比一层更为。经过自我学习，从一个脸输进去再从同样的一个脸输出来，它就从里面抽象的学习到了一个人的脸重要特征。
深度学习的分层无监督训练
经过这个学习之后，再去做监督训练，对不足之处进行微调。例如，如果我输入了马云的脸，出来的却是王宝强，那训练系统就会报告错误，进行微调后，以便于下一次机器正确概率更高。
分层无监督训练
但也要注意overtraining的问题，我们就对整个数学公式做一点微调，用大量的数据，不断重复。
深度学习在初，训练速度慢，所以难进入工业级别或者应用级别，但现在，我们的计算机变的越来越快，另外也有了更多取巧的训练和识别做法，深度学习能被应用的领域越来越宽。人工智能大规模应用的时机已经到了。一个很简单的评估标准就是，我们的深度学习的机器，是不是超越人类的能力表现。
深度学习的应用领域
在过去的五年，深度学习的准确度从75%多提升到了97%左右，而人的表现准确率大概是95%。从95%到97%听起来只进步了2%，但实际上是把错误率降低了40%。如果这种进步持续，未来人工智能可以进入一些可应用的领域。这就是今天我讲人工智能进入黄金时代的证据：在很多领域，包括face 的人脸识别，Apple、Google，科大讯飞的语音识别，它们的认知水平将在未来几年的时间内超过人类。
深度学习的应用领域举例
深度学习首先可以应用于识别，包括人脸识别和语音识别等，这些可以用于安防，安检等。
人脸语音的数据来之不易，但是BI，商业的流程、互联网的数据却非常丰富。Google、百度很早就已经在搜索广告以及推荐系统里面充分使用了类机器学习技术，解决该推荐什么商品，一个商品怎么定价，在什么位置会卖的多，应该把这样的产品卖给谁等问题。这一类的推销可以直接产生经济价值。
将智能用于炒股其实也是一个不错的选择。利用智能，可以随时来算一篮子股票和期货应该如何对冲。机器可以二十四小时不睡觉，每天都在算怎么能赚多的钱。除此之外，深度学习的技术可以把各种的因素都融合进来，比如公司的高管变动，即时新闻，行业里变动……甚至你可以对一个智能系统说如果明天巴西发生了地震，什么股票该被购买。
银行保险方面，比如说贷款审批，可以通过机器来判断；医学方面，在诊断的完善上，是可以用机器学习来做。
前一阵我在美国碰到了一些科学家，他们正在用机器学习的方法来发明新药。将试验的排列组合交给机器，所有的实验都是通过机器学习进行。
在教育方面也有应用。智能化的教育系统会识别你的学习水平，然后根据你的水平确定学习内容。
版权与免责声明：凡本网注明“来源：智能制造网”的所有作品，均为浙江兴旺宝明通网络有限公司-智能制造网合法拥有版权或有权使用的作品，未经本网授权不
展开全部
热门评论