侵权投诉
当前位置:

OFweek电子工程网

开发工具/算法

正文

通往全新的“智能”之路 三大动力推动人工智能前行

导读: 尽管目前行业里还没有一款人工智能产品能达到这样的水平——既能对接企业的产品数据库,又能基于长期的用户数据积累,达成对主人客观情况的某种程度的了解——但我们距离类似的目标已越来越近。

  请想象以下场景——

  某种人工智能助手成为了像数字支付、地图那样的基础服务。

  它跨越平台。无论是PC和手机,又或是智能家电与无人汽车,它都隐身于幕后,随时准备着响应主人的“召唤”。

  它跨越应用。用户无论是拍照片、玩游戏,又或是到语言不通的异国旅行、开始一轮新的健身训练,都少不了它的陪伴。

  它还是跨越场景的,感官健全的。能听又能说、能看又能写,也就是说,它会极大地增强主人的能力,帮助人类更好地应对工作与生活场景中的各种挑战。

  人工智能技术:爆炸倒计时?

  尽管目前行业里还没有一款人工智能产品能达到这样的水平——既能对接企业的产品数据库,又能基于长期的用户数据积累,达成对主人客观情况的某种程度的了解——但我们距离类似的目标已越来越近。

  预计几年之内,通过嵌入各类硬件、软件与服务中,人工智能可以收集到更多实时生成的用户数据,类似于体重、体脂、体温、心率、血氧饱和度等生理健康指标和健身项目、时长等运动指标等自身数据,以及用户饮食禁忌、消费习惯、品牌偏好等外部数据,再加上时刻灌入更新的实时企业商品及服务信息,就可以为用户提供最贴身、最吻合其需要的生活提示与消费推荐。当然,所有的用户数据都会加密存储于云端,不会有泄密的问题。

  很多人认为,经过多年的积累,人工智能技术已处于爆炸式增长的前夕——也许他们的判断没错,但作为信息科技领域的从业者,我和同行们更关心的是,人工智能何以突然间从“冷宫”穿越到“朝堂”上,成为了万众瞩目的焦点?谁在为人工智能赋能?

  三大动力

  尽管人们很早以前就开始对有自主思维与行动能力的机器展开畅想,并在60年前(达特茅斯会议)便确立了“人工智能”(Artificial Intelligence)的概念,但经历了几十年漫长岁月的探索、挫折、重振,直到最近这几年,学术界、产业界似乎才看到将人工智能由构想转换为现实的曙光。

  深度学习算法、高质量大数据与高性能计算资源,这是令人工智能技术研发骤然加速的三大动力,推动着人工智能从实验室走向人们工作与生活,也推动着相关技术孵化和裂变出越来越多的精彩应用。

  首先,深度学习算法其实就是推理算法与机器学习算法的结合。典型的深度学习模型往往需要架设出层次很深的神经网络,通过强化模型的复杂度来提升机器的学习能力,而模型复杂度又需要增加模型宽度(即隐性神经元数目)与增加模型深度(即隐层数目)。

  其次,研究者还必须不断提高数据规模与质量,来增强机器的学习效果。以过去几个月来名声大噪的AlphaGo为例,这个围棋程序借助对人类六至九段棋手的16000次对局分析获得了3000万个布点数据,并将这些数据用来训练其“策略网络”(Policy Network)。

  其三,高性能计算资源亦不可或缺。Elo评分法(Elo Rating)是由美籍匈牙利裔物理学博士阿帕德·埃罗(Arpad Elo)创建的对决类比赛选手水平评分方法。根据Elo评分,AlphaGo采用不同硬件配置、运行于异步模式(Asynchronous)与分布模式(Distributed)时对应的得分如图1:

  通往全新的“智能”之路 三大动力推动人工智能前行

  图1:AlphaGo的Elo评分,引自谷歌Deep

  很显然,分布模式下,从1202个CPU、176个GPU到1920个CPU、280个GPU,计算性能的线性增长只带来了28点的评分增长,这表明,计算资源呈线性增长,评分却不可能同样呈线性增长。越往后,每一点评分的增长都需要海量计算资源的支持。

  从长远来看,我不觉得同为人类的棋手能够在与机器的搏杀中重占上风——无论棋类游戏的空间与规则是多么复杂,对机器而言,只要证明了某种算法行之有效,那么,在与日俱增的大数据资源、与时俱进的计算资源的加持下,其相对于人类而言的优势只会越来越大。

1  2  3  4  下一页>  
声明: 本文由入驻OFweek公众平台的作者撰写,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。

我来说两句

(共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