腾讯 AI Lab 张潼主任带你轻松 get AI 新知识

上古时期的口口相传, 到古代的竹简书籍, 再到现代的电脑网络, 不同的传承方式映照着人类文明不同的历史进程。当下,人工智能时代悄然而至,"Alphago"、" 绝艺"纷纷刷爆了人们的眼球,你还在说人工智能时代离你很远吗?

最近腾讯 AI Lab 主任张潼博士在内部做了一次分享,在短短 20 多分钟时间里帮助大家快速了解人工智能。腾讯云技术社区经张潼博士授权,将此次分享的实录分享给社区用户。读完本文后,你将了解什么是AI?有哪些研究方向和应用场景?作为小白,AI对你有什么影响?为什么现在又爆发AI热潮?AI的未来又是怎样的?

腾讯 AI Lab 主任张潼

01、人工智能的概念是什么?

人工智能(Artificial Intelligence,AI)是指计算机像人一样拥有智能能力,是一个融合计算机科学、统计学、脑神经学和社会科学的前沿综合学科,可以代替人类实现识别、认知,分析和决策等多种功能。如当你说一句话时,机器能够识别成文字,并理解你话的意思,进行分析和对话等。

02、AI 的发展有哪些关键里程碑?

AI 在五六十年代时正式提出,90 年代,国际象棋冠军卡斯帕罗夫与"深蓝" 计算机决战,"深蓝"获胜,这是人工智能发展的一个重要里程碑。而 2016 年,Google 的 AlphaGo 赢了韩国棋手李世石,再度引发 AI 热潮。今年,腾讯推出围棋软件"绝艺"大放异彩,这些都代表了特定时期 AI 发展的技术水平。

AI 不断爆发热潮,是与基础设施的进步和科技的更新分不开的,从 70 年代 personal 计算机的兴起到 2010 年 GPU、异构计算等硬件设施的发展,都为人工智能复兴奠定了基础

同时,互联网及移动互联网的发展也带来了一系列数据能力,使人工智能能力得以提高。而且,运算能力也从传统的以 CPU 为主导到以 GPU 为主导,这对 AI 有很大变革。算法技术的更新助力于人工智能的兴起,最早期的算法一般是传统的统计算法,如 80 年代的神经网络,90 年代的浅层,2000 年左右的 SBM、Boosting、convex 的 methods 等等。随着数据量增大,计算能力变强,深度学习的影响也越来越大。2011 年之后,深度学习的兴起,带动了现今人工智能发展的高潮。

03、AI 有哪些研究领域和分支?

人工智能研究的领域主要有五层,最底层是基础设施建设,包含数据和计算能力两部分,数据越大,人工智能的能力越强。往上一层为算法,如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法,都是机器学习的算法。第三层为重要的技术方向和问题,如计算机视觉,语音工程,自然语言处理等。还有另外的一些类似决策系统,像 reinforcement learning(编辑注:增强学习),或像一些大数据分析的统计系统,这些都能在机器学习算法上产生。第四层为具体的技术,如图像识别、语音识别、机器翻译等等。最顶端为行业的解决方案,如人工智能在金融、医疗、互联网、交通和游戏等上的应用,这是我们所关心它能带来的价值。

值得一提的是机器学习同深度学习之间还是有所区别的,机器学习是指计算机的算法能够像人一样,从数据中找到信息,从而学习一些规律。虽然深度学习是机器学习的一种,但深度学习是利用深度的神经网络,将模型处理得更为复杂,从而使模型对数据的理解更加深入。

机器学习有三类,第一类是无监督学习,指的是从信息出发自动寻找规律,并将其分成各种类别,有时也称"聚类问题"。第二类是监督学习,监督学习指的是给历史一个标签,运用模型预测结果。如有一个水果,我们根据水果的形状和颜色去判断到底是香蕉还是苹果,这就是一个监督学习的例子。最后一类为强化学习,是指可以用来支持人们去做决策和规划的一个学习方式,它是对人的一些动作、行为产生奖励的回馈机制,通过这个回馈机制促进学习,这与人类的学习相似,所以强化学习是目前研究的重要方向之一。

04、AI 有哪些应用场景?

人工智能的应用场景主要有以下几个方面:

在计算机视觉上,2000 年左右,人们开始用机器学习,用人工特征来做比较好的计算机视觉系统。如车牌识别、安防、人脸等技术。而深度学习则逐渐运用机器代替人工来学习特征,扩大了其应用场景,如无人车、电商等领域。

在语音技术上,2010 年后,深度学习的广泛应用使语音识别的准确率大幅提升,像 Siri、Voice Search 和 Echo 等,可以实现不同语言间的交流,从语音中说一段话,随之将其翻译为另一种文字;再如智能助手,你可以对手机说一段话,它能帮助你完成一些任务。与图像相比,自然语言更难、更复杂,不仅需要认知,还需要理解。

在自然语言处理上,目前一个比较重大的突破是机器翻译,这大大提高了原来的机器翻译水平,举个例子,Google 的 Translation 系统,是人工智能的一个标杆性的事件。2010 年左右, IBM 的"Watson"系统在一档综艺节目上,和人类冠军进行自然语言的问答并获胜,代表了计算机能力的显著提高。

在决策系统上,决策系统的发展是随着棋类问题的解决而不断提升,从 80 年代西洋跳棋开始,到 90 年代的国际象棋对弈,机器的胜利都标志了科技的进步,决策系统可以在自动化、量化投资等系统上广泛应用。

在大数据应用上,可以通过你之前看到的文章,理解你所喜欢的内容而进行更精准的推荐;分析各个股票的行情,进行量化交易;分析所有的像客户的一些喜好而进行精准的营销等。机器通过一系列的数据进行判别,找出最适合的一些策略而反馈给我们。

05、腾讯在 AI 领域的布局是怎样的?

从 AI Lab 来讲,首先进行前沿研究。针对腾讯的业务来解决一些行业的问题而促进人工智能的发展。同时,发展游戏 AI,腾讯去做"绝艺",与腾讯的游戏场景分不开。不光是在围棋场景,在其他棋类、游戏场景中,都可以嵌入 AI,这将是未来的一个发展方向。再次,腾讯是一个社交公司,我们可以围绕着像智能助手、社交机器人等做一些尝试,积累很多的 AI 的能力。第四,腾讯注重内容,注重版权,注重自己生成内容。这就需要进行个性化推荐,包括搜索、对内容的生成等,都可以做一些研究。最后,我们希望将这些能力开放整合,如通过语音开放给其他行业,使大家能够利用这些能力。

06、AI 的未来是怎么样?

在计算机视觉上,未来的人工智能应更加注重效果的优化,加强计算机视觉在不同场景、问题上的应用。

在语音场景下,当前的语音识别虽然在特定的场景(安静的环境)下,已经能够得到和人类相似的水平。但在噪音情景下仍有挑战,如原场识别、口语、方言等长尾内容。未来需增强计算能力、提高数据量和提升算法等来解决这个问题。

在自然语言处理中,机器的优势在于拥有更多的记忆能力,但却欠缺语意理解能力,包括对口语不规范的用语识别和认知等。人说话时,是与物理事件学相联系的,比如一个人说电脑,人知道这个电脑意味着什么,或者它是能够干些什么,而在自然语言里,它仅仅将"电脑"作为一个孤立的词,不会去产生类似的联想,自然语言的联想只是通过在文本上和其他所共现的一些词的联想, 并不是物理事件里的联想。所以如果要真的解决自然语言的问题,将来需要去建立从文本到物理事件的一个映射,但目前仍没有很好的解决方法。因此,这是未来着重考虑的一个研究方向。

当下的决策规划系统存在两个问题第一是不通用,即学习知识的不可迁移性,如用一个方法学了下围棋,不能直接将该方法转移到下象棋中,第二是大量模拟数据。所以它有两个目标,一个是算法的提升,如何解决数据稀少或怎么自动能够产生模拟数据的问题,另一个是自适应能力,当数据产生变化的时候,它能够去适应变化,而不是能力有所下降。所有一系列这些问题,都是下一个五或十年我们希望很快解决的。

未来,我们需要去探讨:

(1)创造力,对于创造力目前有一定的方法慢慢研究,从而使机器开始具有人的一些创造力。但它的通用性受限,特别是对物理事件的理解,只有把这些问题解决了,才有可能造出像人一样的机器人,成为人的意义上的智能。

(2)学科交叉融合,未来需要探索更多的算法和交叉科学上等等的一些融合。所以人工智能在下一个阶段既有非常广阔的应用前景,也有很多挑战。

总结

纵观人工智能的发展,既有低谷,又有高潮。从历史的经验上来看,人工智能的发展既离不开基础设施的发展,也受到游戏 AI 的推动,游戏 AI 能帮助我们更加直观的了解机器带来的智能能力。虽然,当前人工智能大多集中在感知分析阶段,未涉及到深层的认知加工,但我们有理由相信,在未来,人工智能的发展会越来越广泛,它会促进全行业数据的加速产生,推动移动化计算的发展,在垂直领域,AI 也会向商业化发展靠拢,创造出更多的直接经济价值。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人工智能快报

谷歌发布第二代TPU和Google.ai

据外媒报道,谷歌发布了第二代张量处理单元(TPU)和Google.ai。谷歌首席执行官桑达尔·皮查伊(Sundar Pichai)是谷歌2017年开发者大会(G...

41370
来自专栏PPV课数据科学社区

[重磅]百度研究院副院长余凯:大数据与人工智能(41PPT)

演讲人:余凯(百度研究院副院长) 摘自:数据派(微信ID: datapi) 数据派是清华大数据产业联合会官方微信,经常组织线下讲座并发布干货内容 导读:什么是...

38050
来自专栏企鹅号快讯

量子计算结合机器学习,即便是在初始阶段也极具前景

虽说爱因斯坦曾经拒绝量子力学,说上帝不会掷骰子,但有些投资人及公司都迫切希望,上帝就是靠掷骰子的。 Alexa 和 Siri 可以理解你在说什么,自动驾驶汽车穿...

24590
来自专栏腾讯高校合作

犀牛鸟·学问 | ECCV 2018论文宣讲研讨会回顾(一)

10310
来自专栏大数据文摘

[重磅]百度研究院副院长余凯:大数据与人工智能(41PPT)

43970
来自专栏钱塘大数据

发展大数据不要一味追求数据规模大,要“应用为先”

作者:李国杰 ? 中国信息化百人会学术委员、中国工程院院士李国杰认为,目前大数据技术还不成熟,面对海量、异构、动态变化的数据,传统的数据处理和分析技术难以应对...

353110
来自专栏CDA数据分析师

大数据AND机器学习:大数据是原材料,机器学习是原材料加工厂

导 读 大数据是原材料,机器学习是原材料加工厂,而新一代人工智能服务则是工厂出炉的产品被消费在越来越多的日常生活中。 在Deepmind和AlphaGo获得的...

209100
来自专栏钱塘大数据

【大咖说】发展大数据不要一味追求数据规模大,要“应用为先”

导读:中国信息化百人会学术委员、中国工程院院士李国杰认为,目前大数据技术还不成熟,面对海量、异构、动态变化的数据,传统的数据处理和分析技术难以应对,现有的数据处...

37870
来自专栏人工智能LeadAI

TensorFlow从0到1 | 第十九章:回顾

神经网络—深度学习得基石 这个主题是关于TensorFlow的,可我很清楚:没有理论基础的支持,而直接学习工具,几乎寸步难行。所以,整个主题用到的几乎全部是算法...

365160
来自专栏BestSDK

【详解】如何让智能深度学习,突破数据瓶颈?

基于生物神经元的下一代深度学习 「虽然目前的深度学习在语音识别和图像识别方面取得了突破性进步,但如果把深度学习用于绝大多数的其他领域,比如说自动驾驶、实体机器人...

324100

扫码关注云+社区

领取腾讯云代金券