以下内容来自麻省科技评论中关于2019年10大科技突破的文章。原文见:
https://www.technologyreview.com/lists/technologies/2019/
自由对话的人工智能助理 (AI Assistants)
数字助理现在可以执行以对话为基础的任务,如预定酒店,餐厅,或者协调包裹的投递等,而不仅仅是执行简单的命令。
主要玩家:
Alibaba
Amazon
可用性:
1-2年
可以捕捉词语之间的语义联系的新技术 (new techniques capture sematic relationship between words)正在使机器更好的理解自然语音(understanding natural language)。
我们越来越习惯使用这些智能助理 - 如用Alexa在卧室播放音乐,用SIRI在手机上设置闹钟 - 但其实并没有所宣称的那么智能 (alleged smarts)。人们期望可以这些智能助理们可以使我们的生活更简单便捷 (simplified our lives),可是它们仅仅能够识别简单有限的指令,且容易发生错误(recognize only a narrow range of directives)。
最近的一些进展 (advances)将拓展你的数字助理的能力(expand your assistant's repertoire)。2018年6月份,OpenAI的研究人员开发了一种技术可以用未标记的 (unlabeled)文本来训练AI,而不用花费大量时间和成本来人工的分类和标记所有的数据 (expense and time of categorizing and tagging all the data manually)。几个月之后, Google的开发团队揭幕了一个叫做BERT的系统,通过学习数以百万的句子,可以预测对话中丢失的单词。 在一个多选择 (multiple-choice test)测试中,填词表现可以媲美人类。
这些技术的进步,与更佳的语音合成技术(speech synthesis)一道,使我们从仅仅能给智能数字助理简单的命令(simple command),到甚至可以与他们进行对话 (have conversation with them)。它们可以帮助我们处理日常琐事 (daily minutiae),例如做会议笔记,查找信息,以及在线购物等。
Google Duplex ,一个基于Google Assistant的古怪的拟人升级版本(eerily human-like upgrade),可以帮我们接电话,过滤垃圾信息,到电话销售。也可以帮我们打电话预定餐厅和预约理发 (schedule restaurant reservation or salon appointment)。
在中国,消费者已经非常习惯使用Alibaba AliMe,可以通过电话协调包裹递送 (package deliveries),或者通过对话讨价还价 (haggle about the price of goods over chat)。
尽管人工智能程序非常擅长推定出我们的需求,但是它们仍然不太擅长理解一句话。文字是一种静态的创造,通过灌输 (imbue)让机器理解非常困难。如果有一天我们突破了这个障碍 (cross that hurdle),我们将看到另一个进化 (evolution),可以成为物流协调员(logistic coordinator),到婴儿保姆(babysister),教师, - 或者,甚至成为我们的朋友?- Karen Hao。
其他9项重大突破分别是:
为什么这么重要?
如果机器人可以学习处理乱糟糟的显示世界(messiness of the real world),它们就可以做更多的事情。
主要玩家:
OpenAI
Carnegie Mellon University
University of Michigan
UC Berkeley
机器人正在教自己如何与物理世界打交道。
当我们谈论机器人取代我们的工作 (machines taking jobs),工业机器人仍然非常笨重和不灵活(clumsy and inflexible)。机器人在生产线上可以令人惊叹的精度不知疲倦的(without ever getting bored)抓取部件 - 但是当我们稍微挪动物体,或替换成稍微不同的东西,机器就会看起来相当的笨拙(fumble)。
尽管机器人不能通过编程来解决通过像人类一样通过视觉来辨识和抓取物品,但是它们可以通过不断地尝试,不断地犯错来学习。
其中一个项目是Dactyl,一个可以通过自学习来玩指尖魔方的机器人。 Dactyl,来自于非盈利的机构OpenAI ,由现成的机器人和周边很多的围绕它的摄像头和灯光照明。通过强化学习 (reinforcement learning),神经网络软件 (neural-network)可以学会如何抓取,并且在实际操作前通过模拟环境提前演练 (simulated environment before the hand tries it out for real)。这个软件通过实验,刚开始时候是随机的,不断强化网络连接并逐渐接近目标(strengthening connections within the network over time)。
尽管通常并不能够总是将真实世界进行虚拟模拟,如摩擦力和材料的不同特性 (varied properties of different materials)很难模拟(difficult to simulate), OpenAI团队通过在虚拟中增加随机性 (adding randomness to the virtual training),给机器人一个代理 (proxy)的方式来模拟混乱的真实世界 (messiness of reality)。
本文分享自 SmellLikeAISpirit 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ,欢迎热爱写作的你一起参与!