datasheet

AI只跟科技巨头有关?小公司如何在AI时代竞争?

2019-05-10来源: 硅谷密探关键字:人工智能  硅谷  机器人

2017年,发起 ImageNet 比赛的斯坦福大学教授李飞飞宣布,今年将会是最后一届挑战赛。因为机器识别照片的错误率已经几乎降低到跟人类一样了,甚至超过人类。

2018年,计算机界诺贝尔奖的“图灵奖”宣布由深度学习三巨头获得:Yoshua Bengio, Yann LeCun 和 Geoffrey Hinton。

从机器图像识别超过人类,到深度学习获图灵奖认可,但这并非人工智能的终点。

硅谷企业巨头如何运用人工智能的?未来的AI世界,会出现“超级智能”吗?小企业又该如何应对?硅谷洞察带你听听加州大学伯克利分校计算机系大牛教授 Pieter Abbeel 如何说。

从监督式学习到强化学习: 有目标的AI在未来会有很大影响

Pieter Abbeel 拥有斯坦福大学计算机学系博士学位,师从吴恩达。2008 年起,Pieter Abbeel 在加州大学伯克利分校电气工程和计算机科学系担任教授。他还曾在 Open AI 担任科学家,曾担任一家AI 改作业的教育公司 Gradescope 的联合创始人,2018年,公司被收购。

(Pieter Abbeel 教授上课中,版权属于营创学院)

Pieter Abbeel 教授先从机器学习的三种主要实现方式说起,分别是:监督式学习(Supervised Learning),强化学习(Reinforcement Learning)以及无监督式学习(unsupervised Learning)。

所谓监督式学习,就是通过给神经网络“喂”大量图像,神经网络在这些被标记了的图像当中进行学习,最终找到和标记物之间差异最小化的物体。

事实上,被称为 “深度学习之父” 的多伦多大学 Geoffrey Hinton 教授,就是通过提出一种深度卷积神经网络结构 AlexNet,夺得 2012 年 ImageNet 比赛冠军,成绩比当时第二名高出41%。他们采用的就是监督式学习。

后来,很多人都将 2012 年的这场比赛视作当今人工智能浪潮的催化剂。到2014年,可以说,几乎所有高分参赛队员都用了深度神经网络。

如今,人工智能从简单地识别图像中的物体,到对图像进行描述,再到进行视觉问答挑战。可以说,机器除了拥有人类理解图像的能力,还能用人类语言描述图像内容,甚至关于任何一张图片,机器能进行自问自答。每一步,人工智能的能力都越来越强大。

那么,监督式学习完成得好,需要什么呢?Abbeel 教授指出,第一,大量经过标记过的数据,第二,大量的计算资源,第三,一个好的AI团队。但随之而来也伴随着挑战:企业需要有大量经过标记过的数据,属于”劳动密集型”产业。

这也是为什么 Abbeel 教授指出,强化学习在不远的将来,更让人感到振奋。

强化学习跟监督式学习的主要不同在于,监督式学习更像是有一个老师,站在你旁边监督你,但老师会知道所有的答案是对是错。强化学习更是给学习对象(即机器)一个奖励反馈信号。像教小孩子走路或者小狗一样,做得好,就给一点奖励,做不好,就惩罚。

强化学习一个最典型的例子,就是下赢了两位人类围棋高手柯洁与李世石的 AlphaGo。

Abbeel 教授表示,当前强化学习确实主要用于游戏和机器人训练,解决平常的决策问题。比如伯克利就有模拟人类学习行走的机器人,它可能在学习过程中摔倒很多次,但一旦有一次没有摔倒,分数就更高,没有摔倒的结果会反向传播到神经网络当中,从而强化学习结果。经过大约2000次学习,这个机器人就能学会如何“跑”了。

对于 Abbeel 教授而言,他认为家用机器人在强化学习下的运用,更令人感到振奋。他个人主要研究方向便是将深度强化学习应用到机器人上。

从2010 年起,他和学生对伯克利的 BRETT(Berkeley Robot for the Elimination of Tedious Tasks,“用于解决繁杂任务的伯克利机器人”)机器人进行了编程,使其可以拿起不同大小的毛巾、弄清楚它们的形状并将它们整齐叠好。如今已发展成可以叠衣服、整理玩具、餐具等等。(多少居家人的梦想啊!不过该机器人造价40万美元……)

按照 Abbeel 教授的预测,未来机器人将会面临两拨新的自动化浪潮:

第一波:“长眼睛”的机器人。他表示,当机器人有了视觉能力后,会适应很多新的场景,能够完成的任务也就更多了。

第二波:“可示教”的机器人,即通过人的示范教学,让机器人从中学习。完成那些无法通过编程教机器人的任务。“真正有助于更快地教授机器人新技能的是使用远程操作和虚拟现实”,Abbeel 教授如今跟几个学生创业的公司 covariant.ai 就在进行这样的尝试。

那么,这样的机器人到底什么时候能大规模推开,为制造业、仓库、物流等行业提供自动化解决方案呢?Abbeel 教授预计五年内可落地,主要因为当前技术尚未完全成熟,但已在实验室里逐渐变为现实。

至于无监督式学习,跟监督式学习的主要差别在于,没有给定事先标记过的数据进行训练示例,机器自动对输入的数据进行分类或分群。Abbeel 教授比喻,好比教孩子一样,什么是汽车、卡车、自行车,只需要教一次即可,而无需反复告诉他。不过,当前无监督式学习应用较为缺乏,这领域会是将来各大公司逐渐发力的地方,比如 Facebook 首席人工智能科学家Yann Lecun 就是因为对无监督式学习的研究而获得的 “图灵奖”。

硅谷商业巨头如何运用AI?以深度监督式学习为主

当前人工智能在商业领域的应用是否广泛?Abbeel 教授认为,对于商业领域的案例而言,主要还是深度监督式学习,且非常有效,创造了大量的可能性。

第一个很重要的应用场景就是:自动预测能力。Abbeel 教授甚至采用他博士导师吴恩达的话说是:“我认为在接下来几年里,很难举出一个领域的例子是不能被AI颠覆的。”

现在,我们就以硅谷的一众大科技企业为例,来看看到底深度监督式学习是如何运用在日常生活中的:

比如美食点评网站Yelp(类似于美国版“大众点评”),试想一下一天用户上传的照片有多少?2016年时,这个数字已经高达10万张至千万张不等。

试想一下,怎样向其他食客展示更漂亮的照片,从而吸引更多的食客来呢?这就是人工智能发挥作用的地方了。

前面说到数据,如果让 Yelp 团队成员一张张标注照片好看或不好看的话,并不现实。第一太主观,第二,太浪费劳动力。因此,Yelp 的团队想到了训练数据库。他们发现,决定一张照片质量好坏的参数包括是否用数码单反照片拍摄,以及记录数码照片的属性信息和拍摄数据的EXIF数据等。

因此,利用深度学习构建照片评分模型后,如今,Yelp 上面上传照片的质量,就高下立见了。下面两组图里,是不是底下的照片比上面的照片看上去让人有食欲多了呢?

(上:AI筛选前,下:AI筛选后上传的照片)

如果说Yelp是直接面向消费者的话,那么,面向企业的商业也适用。Abbeel 教授的另一个例子就是全球著名客户关系管理(CRM)软件服务提供商 Salesforce。

每个来到旧金山的人对城里那座最高的大楼估计都印象深刻:没错,那就是如今美西最高的大楼、Salesforce 的新办公大楼Salesforce Tower,楼高 326 米,共61层,几乎和北京的国贸三期一样高。每年 Salesforce 搞公司庆典时,旧金山半个城市的交通就会大堵塞。

(图片来自网络,版权属于原作者)

这家为客户按需定制客户管理服务系统的 SaaS 企业,把人工智能运用到了最需要的一个地方:市场营销。

试想一下,每天是不是会收到商家给你发大量的订阅邮件?但是你打开还是退订,打开后是购买还是浏览一下而已,对于商家而言,掌握这样的客户动态对最终销售成功很重要。因为这取决了商家要跟踪那些更有购买可能性的客户,从而让销售团队进行工作的优先排序。

如今,人工智能就通过在客户关系管理系统中跟踪每一个客户的互动,从而对某些客户进行针对性营销,或者挽留那些可能会流失的用户们。

放到医学上,监督式学习发挥的功能也同样巨大。

如今,通过胸部X光检测肺炎,人工智能检测的水平已经超过专业职业放射科医生。去年,吴恩达团队发表的一个基于深度神经网络 CheXNeXt 模型,可以诊断包括肺炎、胸腔积液、肺肿块等在内的14种疾病。其中10种疾病的诊断,AI与人类放射科医生的表现相当,还有一种超过了人类。但值得一提的是,AI的诊断速度是人类的160倍。

Abbeel 教授表示,美国食品药品监督管理局(FDA)去年也批准了第一款人工智能设备用于检测与糖尿病相关的特定眼部问题。这款设备是通过扫描人的眼睛视网膜,从而判断糖尿病是否已经进展到某一程度从而影响人的视力,这样就能及时提醒病人见眼科医生了。

(Pieter Abbeel 教授上课中,版权属于营创学院)

那么,人工智能是否会超越人类智慧,实现超人工智能呢? 在 Abbeel 教授看来,如今硬件部分确实已经跟人开始逐步靠近,但软件部分还是暂时缺失的。不过有一点可以确认的:如果有一天实现了超级智能,那么它肯定不愿意让人类把电源拔掉。这就需要确保对“超级智能”的第一次尝试就是正确的尝试,否则就可能出现跟人类价值不一致的问题。即使是他本人,也让难以想象真正的场景会如何发生。

[1] [2]

关键字:人工智能  硅谷  机器人

编辑:鲁迪 引用地址:http://www.eeworld.com.cn/afdz/ic461321.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

上一篇:未来五年人工智能将实现的五大突破
下一篇:事关人类存亡的14大工程难题,要靠 AI 来搞定了

关注eeworld公众号 快捷获取更多信息
关注eeworld公众号
快捷获取更多信息
关注eeworld服务号 享受更多官方福利
关注eeworld服务号
享受更多官方福利

推荐阅读

Genesys 人工智能助力Entel提升效率

enesys开创性人工智能编排功能助力智利最大电信公司Entel推进客户历程改革智利最大的电信公司之一Entel通过采用Genesys人工智能编排功能无缝集成与管理本地及第三方人工智能应用,使运营效率获得大幅提升,并实现了自助服务和人工服务的无缝切换,成功打造轻松自如的客户历程。 Entel has worked with Genesys, the global leader in omnichannel customer experience and contact center solutions, for several years to help meet their goal to
发表于 2019-06-18

人工智能不能野蛮生长了 我国新一代人工智能治理原则发布

国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》,提出了人工智能治理的框架和行动指南。        清华大学苏世民书院院长、国家新一代人工智能治理专业委员会主任薛澜介绍,治理原则旨在更好协调人工智能发展与治理的关系,确保人工智能安全可控可靠,推动经济、社会及生态可持续发展,共建人类命运共同体。        这八条原则包括:——和谐友好。人工智能发展应以增进人类共同福祉为目标;应符合人类的价值观和伦理道德,促进人机和谐,服务人类文明进步;应以保障社会安全、尊重人类权益为前提,避免误用,禁止滥用、恶
发表于 2019-06-18

TCL:自研+合作模式,大幅提升技术能力

近年来,国内新型显示产业实现了跨越式发展,并在超高清、柔性面板等量产技术上实现突破;与此同时,国内面板厂商已在AMOLED微显示、量子点、印刷OLED显示等前瞻性显示技术上进行储备与布局,其中TCL集团“风头正盛”。 6月14日,TCL第六届技术创新大会暨第一届技术合作开放大会于深圳召开,TCL正式发布多个聚焦人工智能、人工智能跨领域应用及新型显示领域的技术合作项目,并与香港大学等多家权威机构达成战略合作。 TCL创始人、董事长李东生发表演讲 TCL创始人、董事长李东生在大会致辞中表示,“TCL一直把产品技术能力当作企业发展最重要的驱动力。随着技术不断发展和积累,我们在某些技术领域已走在了世界前列
发表于 2019-06-18
TCL:自研+合作模式,大幅提升技术能力

研华发布新款工业边缘人工智能加速模块

研华科技(Advantech)对外展示了其全新的前沿人工智能模块VEGA-300系列:采用Intel®Movidius ™ Myriad ™ X VPU、由Intel® OpenVINO开发工具包和研华 Edge AI Suite 套件提供软件支持,以实现边缘人工智能的快速开发部署,可用于比如机器人、无人机、零售和运输等各领域的多功能、基于视觉的人工智能应用。 VEGA-300系列提供了紧凑、低功耗两种形式的模块:VEGA-320 M.2 A+E Key 和 VGEA-330 miniPCIe界面, 有助于加速计算机视觉和边缘深度学习推理。为了加快人工智能的开发进程,Advantech还提供了边缘人工智能套件,该套件集成
发表于 2019-06-17
研华发布新款工业边缘人工智能加速模块

科创板宣布开板,三家企业提交了上市注册申请

在科创板宣布开板的当天,诞生了第三批过会企业。科创板上市委第3次审议会议召开,澜起科技、天宜上佳、杭可科技3家企业的首发上市申请全部获得上市委审议通过。此前6月5日、6月11日的2次审议会议已经产生了6家过会企业,首批过会的3家企业于6月11日提交了上市注册申请。 第三批过会的3家企业分别来自上海、北京、浙江。从行业来看,澜起科技属于计算机、通信和其他电子设备制造业,天宜上佳属于铁路、船舶、航空航天和其他运输设备制造业,杭可科技属于专用设备制造业,均为目前科创板受理企业分布较为集中的行业。 从受理时间来看,三家企业均为4月获得受理,均经历了三轮问询。 澜起科技的主营业务是为云计算和人工智能领域提供
发表于 2019-06-15
科创板宣布开板,三家企业提交了上市注册申请

新一代可视门铃将慢慢走近大众生活

。然 而,随着视频/音频门铃进入消费市场,简单的铃声、 单向视频和双向音频已经不能满足精通互联网的家 庭自动化爱好者的需求。 工业设施还需要更安全有效的方法来监控和识别潜 在的威胁或安全漏洞。这一要求推动了可视门铃中加 入视频处理功能,使门铃能够识别人类、生成分区警 报并根据视觉证据生成自动响应。 多个可视门铃还可用作全天候安防摄像头,或提供类 似的捕捉、存储和分析功能。 非常简单的视频处理技术可以检测非静态物体,但更 复杂和有用的视频处理则需要先进的机器学习算法。 这些人工智能系统通常基于各种测试案例进行训练, 但有些训练需要持续使用来自云连接摄像头的信息。 因此,通常需要使用微控制器 (MCU) 或更高
发表于 2019-06-14
新一代可视门铃将慢慢走近大众生活

小广播

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: 视频监控 智能卡 防盗报警 智能管理 处理器 传感器 其他技术 综合资讯 安防论坛

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2019 EEWORLD.com.cn, Inc. All rights reserved