人工智慧要想取得重大突破，還需進行更深度的學習
人工智慧，用專業術語來表示，它未免有些高大上，但你要說人臉識別、AR以及VR這些常見的應用，它其實也有點接地氣。
總之，人工智慧的應用逐漸滲透到人們的日常生活中。這不得不讚歎科技發展的速度之快。
不過，和相對普遍的應用相比起來，當前人工智慧當前的發展遭受到了一定的阻礙。
三關不破，人工智慧難跨步
阻礙人工智慧發展的第一步，是人們對其認知並不全面。
從認知上來說，當人工智慧初限浪潮，市場反響確實不錯。比如轟動一時的阿爾法狗與李世石和柯潔圍棋大師的博弈。
這一系列的「人機對戰」的博弈，雖然在一定程度上引起了大眾的注意，但人們對於人工智慧這個學科，以及這個學科的各個分支，仍了解得不夠全面。
又如前幾年市面上層出不窮的AR和VR等產品，現如今也開始漸漸少了。
不難看出，人工智慧要想獲取更大程度的普及，仍有很長的一段路要走。
關於這一點，聯想創投管理合伙人宋春雨並不擔心。他表示：「未來是一個新科技、新物種融合的時代，包括現在湧現出來的智慧駕駛，智慧醫療，其實都是新趨勢勢，而這些必會帶來很大的發展機遇。」
而在機遇的強刺激下，會有巨頭不斷湧入。隨著社會和科技的進一步推動，市場對於人工智慧的認知層面將會更進一步。
另一大發展阻礙，是市場體系發展的不完善。這其中要嚴究起來，除了企業發展規模良莠不齊之外，還包括市場對於用戶預期的管理無法完善。
所謂的預期管理，包括用戶對於機器超越人的恐慌心理、用戶對於人工智慧產品期望值太高等難關等）難達到，以及當前技術創新中的交互創新等，都在一定程度上阻礙了整體市場的發展。
另外，在技術環節上，還有很多薄弱的環節需要攻堅。對此，優必選悉尼大學人工智慧研究院IEEE Fellow姚新教授就談到：「當前市面上的機器人，在人機交互這一塊，還是沒有辦法識別人的眼神和動作。」
而要實現這樣人機交互的過程，不光是要在核心數據、演算法、以及計算層面上做技術突破，還要建立起一條比較完整的數據鏈，才能使受支配的機器人才能更像「人」
以現在國內人工智慧的數據流通來看，國內在創建標準統一、跨平台的分享數據等方面，仍非常薄弱。
打破困局，唯有更深度地學習
目前來看，無論是基礎層面、技術層面還是應用層面，都是人工智慧需要突破的關卡。
而這幾個層面，又是環環相扣的。寒武紀科技副總裁錢誠表示：「當前人工智慧要想在各個層面獲得新的突破，最重要的是要進行深度學習。」
深度學習，就是要用很多數據，來訓練一個神經網路。在大眾的認知里，人是從小就受教育的，也就是在人腦的神經網路里，已經建設有模型了，是受過教育的。但是機器人沒有。
因此，人工智慧唯有進更深度的學習，才能在很多地方上，能像「人」。反推之，當人工智慧開始可以像人一樣，有了思考，對一件東西有了判斷（比如對繁雜的物品進行歸類），那麼無論是從認知方面，還是應該用方面，都會有顯著的提高。
那麼問題的關鍵是，人工智慧要突破深度學習的技術難關，應該從哪幾點著手呢？
海爾家電產業集團首席技術官趙峰認為可以從兩個方面著手。即從新的演算法+基礎計算機能力的方向來突破。
他表示以前的計算機能力沒有達到現在的程度，研究者更多是基於邏輯推理的人工智慧，而現在，人工智慧則是基於大數據快速學習形成模型。所以，這兩者如果可以作更好的結合，么人工智慧得出的結論既能夠很快地識別和執行，又能理解它為什麼作這個決定了。
錢誠則認為，可以從模仿演算法的角度以及智能晶元等條技術路線去實現。
即在演算法上，建一個多模型態的識別，這樣系統就可以通過語音、圖像以及各式各樣的輸入，然後通過不同種類的神經網路演算法，使得系統能夠得全部支持，最後通過智能的融合，得到一個很準確的判斷。
另外，在智能新晶元上，要做到能夠支持任何任意規模的演算法。因為人工智慧要想高精準德識別動態上的很多東西，對精準度的要求非常之高。而在演算法上，要想達到很高的識別率，在晶元的設計上，必須是多能的。
我們相信，在技術的不斷推動下，人工智慧終將邁步新的台階。
TAG:起點機器人網 |