|
集微网消息，在日前苏州举行的2017英特尔中国行业峰会上，国际知名人工智能专家及技术创新企业家、畅销书《人工智能时代》作者、斯坦福大学人工智能与伦理学教授Jerry Kaplan在他的演讲《全球视野：人工智能如何引领产业变革》中，针对人工智能领域的发展历史，当前及未来的行业应用方向，以及如何引领产业变革的话题进行了分享。他强调，美好的未来还是要由人来亲手创造的，机器只是实现的重要工具，如何使用这些技术全靠我们，同时也对中国如何更好地发展人工智能产业提出了建议。
以下是Jerry Kaplan教授的演讲实录。 来自硅谷的问候，我自己住在加州，非常非常荣幸能够借英特尔的邀请，这次来到苏州参加会议，非常感谢各位的支持，我深感荣幸，能够有这样一个机会，与大家分享一下人工智能引领产业变革。不管是作为个人还是作为我的企业，我们与英特尔合作已久，如果没有英特尔，PC行业的变革甚至根本不会发生，今天我为大家介绍一下人工智能，简称AI。首先让我们确定一下人工智能究竟是什么?然后 让我们再来去介绍一下人工智能的发展历史。它现在又处在什么样的阶段?在这两大背景了解之后，我们为大家简单介绍一下AI领域全新的业务机会，对我们各个行业有什么样的影响。我想借此机会为大家提供一点建议，如何更好地将自己的业务与人工智能相融合。最后，我也希望聚焦一下中国市场，中国政府如何能够帮助企业去更好地迎接AI所引发的技术革命。 首先想问大家一个问题，那就是人工智能究竟是什么?绝大多数人提到人工智能，我们都会担心，机器变得太智能了，甚至会进化出取代人的能力，会偷掉我们的工作，导致大量的失业，它甚至会直接控制整个世界，为什么会这样想?因为我们在电脑里面看到的，例如《终结者》。剩下的太吓人了，我就不放了。不管怎么样，电影里面都是非常让人恐慌的，但是我觉得人工智能还是非常光明的。电影里的不见得就真的成为现实，我们在这些科幻小说还有电影里面的看的实在是超出想象了，而且是有点过分，有点想象过度了。想想今天的机器人，人类的最有技巧的工程师们，再对比一下我们所开发出的机器人，在美国国防部的一些任务上能够实现多么惊人的成绩?大家可以看一下，这个机器人到底能做什么事情?今天的机器人实在是太蠢了。但是如果能够对他们进行优化和升级，他们真的能发展成终结者那样的智慧机器人吗?他们真的能起来反抗人类，最终统治世界吗?答案是否定的。因为机器人他们没有自己的欲望，没有自己的想法，他们只会去做人类给他们预先设置好的任务。哪怕是在他们去实现人类预定的这些目标当中，他们都是按照规定的程式来进行呈现。再回到最开始的问题，人工智能的定义究竟是什么? 一个官方的定义是这样的，研究和开发与模拟人的智能，比如像视觉感知、语音识别、决策和语言翻译，来执行任务的计算机系统。 但是，这个定义我觉得其实很不全面，我们经常会使用计算机做大量的任务，比人类的效率要高很多，我们打造的系统，也是希望能够远远超过人本身的效率，并不只是简单地照搬人的能力。人工智能简而言之，并不是让系统以及设备像人一样思考，人工智能的本质在我看来，是自动化，而并非是智能化，这是我对人工智能的一个诠释以及理解。新一代的设备，总是可以不断地提高人的效率的，不管是智力还是体力运动，以及相关的工作都可以获得大幅的提升。他们在执行这些任务的时候，要比人类更好，更快，而且成本更低。否则，那我们开发出来这些设备就没有什么用了嘛，但是走向未来，人工智能能够帮助我们做的会更多。它将会继续实现自动化，并不仅仅是因为机器更加智能，而是机器是人类开发出来的非常重要的工具，它们让人类更加有价值，让我们从冗杂的程式化的工作当中解放出来。 下面让我们看一下人工智能的发展史，它从创始到现在出现了怎样的变化，为什么人工智能会出现这样的变化? 人工智能的发展，从逻辑推理到机器学习 人工智能实际上是在1956年达特茅斯会议上诞生的，一些科学家在这次会议期间进行了专门的讨论，在达特茅斯大学我们见证了这 个人工智能词语的诞生。这次会议的与会者认为智能背后的关键是逻辑推理，因此，在当时那场人工智能奠定基础的会议上，大家觉得逻辑推理的基础是什么?我们假设孔子是人，第二点， 所有人都会死，都是凡人，这个逻辑放到计算机的程序当中，利用这样的声明做出一个结论就是孔子会死，这是非常简单的例子。这是基于逻辑的方法，它有很多的应用，并且当下仍然有很大的影响，包括给我们正确的驾驶方向；在仓储中使用这些逻辑的方法进行更好的仓储、库存的管理、与此同时，对于计算机芯片，来满足它的规格，也需要这部分的逻辑推理，英特尔在这样的技术方面也是一个领先者，领导者。而在进入到其他的领域，光靠整个1956年达特茅斯的会议上所提出的这些逻辑推理能力难以解决，包括话语之间的翻译、语意理解，计算机视觉等等这是 其中的几个例子，问题到底在哪里?这些问题背后究竟有什么共同点? 它背后需要很多的是非常混乱的，非结构化的真实世界的数据是没有办法得到很好的解释，包括我们提到的这些声音，包括很多的图像语意，因此需要一种不同的方法能够让人工智能来进行更好的发展。 而现在我们也用这个词，机器学习来代表。 机器学习背后是一系列的应用，包括软件技术，包括选择各种不同的使用模型、案例，包括大量的事例来提取模型。对同一领域的数据进行收集，如果这个体量足够大了，大到足以找到一些模型，但是你能够充分地利用那些模型来进行数据预测或者归类，特别是对于同一领域的新数据的事例进行预测或者分类。因此在另一方面，机器学习也是一个非常好的例子，对于你的未见的未来进行更好的预测、假设，机器学习的程序是用来识别图像，识别对象，而图像包括不同的猫猫狗狗的照片等， 它能够找到其中的相关性，这个相关性也许是任何一样东西例如股价的相关性，他找到这个相关性之后能够用来做股票，包括证券的销售等等。大家是这方面的专家，大家知道了逻辑推理和机器学习是两种不同的人工智能领域，不同的两条路。 但是又有一个问题出现了，逻辑推理为什么在过去的几十年里如此风靡全球，现在反而机器学习变得大行其道呢?如果要说它背后简单的答案，也许是有不同的存储、网络、计算，数据正在发生深远的变革。他们变化的体量不是一点点，也不是许多，我想说这个词，是一个巨大的天量的海量的变化，而这样的变化也是让许多可能变得有更多的无限的可能。回顾过去的几十年的发展，在速度和内存上面差不多每一年提一倍，它的能力就能翻一番，这意味着当下的计算机，现在的能力比过去的三十年里，应该是翻了二十多倍，如果看到他的指数，是2的20次方，产生的体量应该是超过1百万了，因此甚至超越了我们直觉的分析和知识，来理解这巨大的海量，一百万代表的是速度方面，就是我们一个蜗牛的步行的速度和一个航天飞机，如果把它放到同一个阶数下面，他们的差别是多少?50万。再看苹果手表，苹果手表它的计算能力和传统的美国之前的航天项目，这是最早的，比1965年登月时候的计算能力要大得多，同样发生变化的也包括数位化的数据，所发生的体量也是海量巨大的。 这为什么改变了整个人工智能的发展方向和方法呢?首先第一种方法，人工智能当中的推理法，他只要少量的数据就能够完成很多的工作，只要输入端很少的事实，能够有很好的推理和演绎，得出很多有用的用户案例，而这对于我们现存的技术，特别是对于20、30年当时现成的技术而言，这种方法无疑是有效的。对比一下，30年之前，计算机，或者说机器学习的算法还缺少数据，就算有这部分的数据，它背后的存储处理能力，在当时也是会限制能够发展的方向和速度。因此，再回到20、30年之前，这是为什么逻辑推算是主导。 而在那个时候，人们并不非常关心机器学习，随着时间的推移，情况发生了逆转。机器学习它能够带来的是非常混乱的，非结构化的真实世界当中的问题，因为数据量变得大了很多。他需要大量的计算能力， 需要很强的云存储能力，而且需要更大量的数据，数据越多，结果越好，越准，因此，机器学习是一个非常非常好的一种匹配，特别是在 一个数据密度非常高的世界当中，而且是在我们即将进入5G的万物互联的时代。这是人工智能的发展史。 人工智能一些重要的行业应用 |
|
|
