侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

杨强:人工智能下一个技术风口与商业风口在哪?

2017-02-28 10:44
路过的码农
关注

作为第四范式首席科学家、范式大学的导师,杨强教授近日在第四范式公司内部进行了一场主题为“人工智能的下一个三年”的培训,深入浅出地分享了自己在人工智能产业推广上的经验,并预判了人工智能即将爆发的技术风口与商业风口。此前,杨强教授与第四范式曾提出人工智能的五个必要条件,为人工智能行业提供了权威的准入标准。

以下内容根据杨强教授主题演讲编写,略微有所删减。

一、AlphaGo为我们带来了什么

大家记得在2016年3月,AlphaGo横空出世对战李世乭,这对于人工智能的社会影响非常大。这里,我们问一下:AlphaGo到底为我们带来了什么?

在AlphaGo的搜索中,Deepmind团队引入了一个新概念——即用深度学习和强化学习的结合来做两种任务的判别,即来判别现在所在的棋盘是好是坏,同时来预测未来有利的走向。讲到这里大家应该能看出AlphaGo的算法和未来商业模式的关联,即:通过对大数据的分析,让我们对“现在状态”有了一个靠谱的理解;这个状态可以是棋盘、可以是足球运动中两队交锋的状态,也可以是当前营销的一个状态。同时,下围棋中的一步,可以理解成对未来走向的预判,在商业活动中,这可以是营销活动中的下一步。这里很重要的一点,是区分我们商业行为中的两个任务,即对现实的判断和对商业未来走向的预估。这两个任务同样重要,也同样都需要大数据的支持。 因为围棋是一个封闭式的游戏(即没有外界因素的干扰),为了得到更多的数据,AlphaGo也引入了自我博弈。所谓自我博弈就是自己玩游戏,你会得到不断的反馈,然后来更新自己的策略,经过无数次这样的比赛,最后会得到一个好的策略,你的最终输出是一个行为的策略。所以AlphaGo 也告诉我们,在一个封闭场景中,可以用自我博弈的模拟方法得到更多的数据。

从AlphaGo到人工智能的应用流程

我们如果沿着下围棋的步骤走,就要面对这些问题:你的人工智能算法的目标是什么?有没有数据?数据在哪里?问题的边界是否清晰?什么叫合理的走法、什么叫犯规的走法?你的特征在哪里?又如何得到这些特征?是否可以得到一个持续的反馈?这样的一个流程是AlphaGo设计团队所走过的路。不妨把这些步骤记下来,变成一个workflow,看看其他的领域是不是可以重复AlphaGo的成功。 比如,如果用AlphaGo治疗癌症,如何治疗呢?治疗癌症一般是用放射性来杀掉癌细胞,而每一个癌症患者需要的剂量、角度、频次可能都不一样,如果能把所有的这些信息都记录下来,再记录治疗结果,因为结果不是马上就知道的,而是经过一段时间才知道,这样就有了数据、有了特征、有了问题持续的反馈,并且有了非常清楚的目标,即在副作用最小的情况下杀死癌细胞。并且这个workflow是可以重复的。

AI的发展历史还有前30年,这些年的积累也很有用

刚刚我们说了AlphaGo的一路历程,但我们对人工智能的理解不应该片面地认为人工智能就是机器学习。人工智能的发展历史还有前30年,前30年是从50年代中一直发展到80年代中。这30年AI是在干什么呢?是在做人工输入的规则型的知识表达研究,以及基于这些规则的符号空间的推理和搜索。我认为,这个人工规则型的知识表达在AI的应用当中也是必不可少的,因为在众多领域当中还会碰到冷启动的问题,以及如何规范一个领域的边界的问题。这就是说,逻辑推理,逻辑知识表达,以及在符号空间的搜索的人工智能这个分支,在今后几年会和统计学习相结合,会大有发展。 这种发展会也涉及技术和商业两个层面。

1  2  3  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号