基于此,我們特邀請(qǐng)百度人工智能專家舉行“人機(jī)大戰(zhàn)”電話會(huì)議,本次會(huì)議基于國際化視野,詳細(xì)介紹了人工智能的內(nèi)在機(jī)理、技術(shù)原理、應(yīng)用領(lǐng)域及發(fā)展趨勢(shì),并剖析了我國人工智能發(fā)展的產(chǎn)業(yè)機(jī)遇。

我們認(rèn)為,在完成語言、視覺、邏輯推理、深度學(xué)習(xí)等技術(shù)層的攻難克艱之后,人工智能風(fēng)口已至。各大互聯(lián)網(wǎng)巨頭、VC/PE等資本紛紛涌入,無人駕駛、語音識(shí)別、人臉識(shí)別、自動(dòng)診療等應(yīng)用場景持續(xù)豐富。A股標(biāo)的方面,計(jì)算機(jī)板塊重點(diǎn)推薦東方網(wǎng)力、思創(chuàng)醫(yī)惠、東軟集團(tuán)、中科創(chuàng)達(dá)建議關(guān)注科大訊飛、長高集團(tuán);傳媒板塊關(guān)注昆侖萬維和奧飛動(dòng)漫;電子板塊建議重點(diǎn)關(guān)注全志科技、海康威視。

事件評(píng)論

AlphaGo的核心組成部分:1、走棋網(wǎng)絡(luò)(PolicyNetwork):給定當(dāng)前棋面狀況,預(yù)測(cè)下一步走棋模式;2、快速走棋(FastRollout):在適當(dāng)犧牲走棋質(zhì)量的情況下,提高運(yùn)算速度、決策速度;3、估值網(wǎng)絡(luò)(ValueNetwork):在給定當(dāng)前值的情況下,通過邏輯判斷哪一方會(huì)獲勝;4、蒙特卡洛樹(MonteCarloTreeSearch)綜合搜索模型:聯(lián)接前三種模型,形成完整系統(tǒng)。

AlphaGo超預(yù)期的原因:1)AlphaGo五個(gè)月前贏過歐洲冠軍,這次選手段數(shù)雖然提升很多,但機(jī)器依然能夠戰(zhàn)勝,其中一個(gè)根本原因是谷歌給了很大資源,如增加服務(wù)器,運(yùn)算能力提升2000倍。2)情緒和心理是下圍棋中的重要影響因素,人有情緒導(dǎo)致不穩(wěn)定性,機(jī)器是沒有情緒的,這是相對(duì)不公平的過程。但是機(jī)器的應(yīng)變能力弱于人,可以通過小范圍的轉(zhuǎn)換去適應(yīng)機(jī)器,以后對(duì)戰(zhàn)中可以通過這種方法去占據(jù)主導(dǎo)。

估值網(wǎng)絡(luò)模型的判斷模式:1、簡單模式。即“第一大腦”。其中一個(gè)叫KGS的圍棋服務(wù)器,可以使AlphaGo的第一大腦完全像人腦一樣去學(xué)習(xí)定式,在這個(gè)定式當(dāng)中去判斷下一步棋的優(yōu)劣,通過一個(gè)最基本、定式性的模式不斷強(qiáng)化自我;2、自我學(xué)習(xí)模式,即“第二大腦”。通過預(yù)先載入的完整數(shù)據(jù)從整體上進(jìn)行每一步優(yōu)劣分析判斷后而進(jìn)行訓(xùn)練。這個(gè)大腦是估值網(wǎng)絡(luò),是判斷整體決勝的模型。它是通過海量數(shù)據(jù)去學(xué)習(xí),可以在不完整的平面狀態(tài)下減少失誤判斷。而人類對(duì)于失誤判斷的減少只能靠個(gè)人經(jīng)驗(yàn)和僅有的腦容量里的記錄。

專家提出的兩個(gè)觀念:1、人類看似很簡單其實(shí)對(duì)機(jī)器而言是復(fù)雜的問題;2.看似很難的計(jì)算等當(dāng)前是很簡單的問題。圍棋和象棋都是屬于后者。人認(rèn)為預(yù)測(cè)非常難,但其實(shí)用函數(shù)邏輯來看它就是一個(gè)預(yù)判的邏輯、估值預(yù)算的邏輯。再比如翻譯,人可以很容易把看似很簡單的一句話把它錄下來、翻譯,但是對(duì)機(jī)器來說是一件很復(fù)雜的事情。首先它需要對(duì)你的話進(jìn)行一個(gè)處理,因?yàn)槿祟愑胁煌姆窖?第二是要去理解,然后通過把拆解的關(guān)鍵詞放進(jìn)你要翻譯的核心內(nèi)容里面,這其實(shí)是一個(gè)比較困難的東西。之所以這場比賽受到關(guān)注是因?yàn)槿祟愑X得這件事情很困難的,但其實(shí)是比之前所說的翻譯要容易很多。

在一些人類認(rèn)為高階的模式中,比如精準(zhǔn)計(jì)算機(jī)清晰的函數(shù)邏輯預(yù)判能力方面,機(jī)器已經(jīng)逐漸完成對(duì)人類的超越。

人工智能的四個(gè)層級(jí):1、單純的控制;2、具有判斷的控制反饋;3、引入大數(shù)據(jù),通過簡單的網(wǎng)狀生成的卷積網(wǎng)狀模型,去完成判斷,類似帶有機(jī)器學(xué)習(xí)的人工智能。當(dāng)前,互聯(lián)網(wǎng)公司在人工智能領(lǐng)域的應(yīng)用開發(fā)主要是基于該層面;4、影響到人學(xué)習(xí)、認(rèn)知過程的人工智能,各方面引入深度學(xué)習(xí)。

深度學(xué)習(xí)的優(yōu)勢(shì):比其他早期的SEM或dse等簡單機(jī)器學(xué)習(xí)模型更讓容易受對(duì)抗樣本干擾。其中對(duì)抗樣本本身是一個(gè)極度非線性的深度模型,非線性對(duì)于外推遠(yuǎn)離型離散型數(shù)據(jù)具備的優(yōu)勢(shì)。對(duì)抗性本身對(duì)于分類樣本的錯(cuò)誤率有非常好的預(yù)判,即在對(duì)抗性的微擾性的判斷在非線性模型中具有較高提升優(yōu)勢(shì)。機(jī)器人學(xué)習(xí)與大腦認(rèn)知最根本的相似性在于其對(duì)預(yù)判的自適應(yīng)過程,其演進(jìn)過程在于能夠深層次理解用戶在一個(gè)語境中去預(yù)測(cè)將要說的話或?qū)⒁獔?zhí)行的任務(wù)。

深度學(xué)習(xí)的應(yīng)用場景:比較寬廣,象棋、圍棋只是證明公司的技術(shù)達(dá)到某一階段。在應(yīng)用方面,語音識(shí)別是很重要的方面。第二個(gè)是人臉識(shí)別,百度的ALWS上可做到0.23%的錯(cuò)誤率,遠(yuǎn)低于人自身6%的水平;第三個(gè)是文本文字的字跡判斷,進(jìn)行文字提取,第四個(gè)就是自動(dòng)駕駛。

人工智能的發(fā)展趨勢(shì):算法本地化運(yùn)行。即可實(shí)現(xiàn)單體計(jì)算機(jī)聯(lián)網(wǎng),在真實(shí)環(huán)境中,可能并無寬帶,很難實(shí)施對(duì)網(wǎng)絡(luò)的依賴性,比如自動(dòng)駕駛,無法保證一直聯(lián)網(wǎng),因此本地化將是很大趨勢(shì),這是包括百度再能的很多大公司在做的事情,也是人工智能突破的關(guān)鍵點(diǎn)。