花非花,物非物,AI岂是池中物(人工智能篇)

标签: 人工智能自然语言处理语音识别机器人
12372人阅读 评论(10) 收藏 举报
分类:

转载请标明出处:
http://blog.csdn.net/DJY1992/article/details/74979436
本文出自:【奥特曼超人的博客】


奥特曼超人杜锦阳

AI(Artificial Intelligence),即人工智能。人工智能领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。

可观看上篇文章:CSDN观点:人工智能会不会取代开发它的人?

所谓的人工智能,是可以对人的意识、思维的信息过程的模拟。



Q:你会为 AI 转型?学习代价有多大?

我想大部分不会All-In , 毕竟每个人都有家庭、有消费,当然,也有自己的职业生涯顾虑。职业发展稍有不慎,将掉进坑里,不说其它的,光是入行所学习的代价就是巨大的,如果你不是在校研究生、硕士生,我想学习上的优势并不是很大,而且不同的行业所涉及的学科都是不同的,如认知科学,数学,神经生理学,心理学,计算机科学,信息论,控制论,不定性论,仿生学,社会结构学与科学发展观,也就是说,如果真的从事这行业,一个人也只能单方面的针对某个行业的某个领域。

奥特曼超人杜锦阳



Q:AI 人工智能领域的状况?

微软小冰、人机围棋大战、亦或是昨天的百度 AI 开发者大会,无一不代表着人工智能的火热,光是百度养的那几支团队,耗费都是“惊人”的,两个字,太贵。



Q:AI 人工智能的实现方法?用什么工具或语言?

我们大部分都是用传统的编程语言,如JAVA\C#\C\C++\ANDROID\IOS 等,那很多人不是太理解人工智能要怎么操作?用什么语言?
先来看看实现方法,百度上已给出很好的解释,这里精简一下,AI 在计算机上实现时有2种不同的方式:

  • 一种是采用传统的编程技术,使系统呈现智能的效果,而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法(ENGINEERING APPROACH),它已在一些领域内作出了成果,如文字识别、电脑下棋等。
  • 另一种是模拟法(MODELING APPROACH),它不仅要看效果,还要求实现方法也和人类或生物机体所用的方法相同或相类似。

遗传算法(GENERIC ALGORITHM,简称GA)和人工神经网络(ARTIFICIAL NEURAL NETWORK,简称ANN) 均属后一类型。

为了得到相同智能效果,两种方式通常都可使用。

  • 采用前一种方法,需要人工详细规定程序逻辑,如果游戏简单,还是方便的。如果游戏复杂,角色数量和活动空间增加,相应的逻辑就会很复杂(按指数式增长),人工编程就非常繁琐,容易出错。而一旦出错,就必须修改原程序,重新编译、调试,最后为用户提供一个新的版本或提供一个新补丁,非常麻烦。
  • 采用后一种方法时,编程者要为每一角色设计一个智能系统(一个模块)来进行控制,这个智能系统(模块)开始什么也不懂,就像初生婴儿那样,但它能够学习,能渐渐地适应环境,应付各种复杂情况。这种系统开始也常犯错误,但它能吸取教训,下一次运行时就可能改正,至少不会永远错下去,用不到发布新版本或打补丁。利用这种方法来实现人工智能,要求编程者具有生物学的思考方法,入门难度大一点。但一旦入了门,就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定,应用于复杂问题,通常会比前一种方法更省力。

至于用什么工具和语言,就看个人了,学习的前期是,你数学 Very good ,反正博主我是不行了。



Q:个人对AI远景的看法?

人工智能是一门边沿学科,也是一门交叉学科,虽然说冲击着某些行业,如无人驾驶汽车等,但大部分大多数的实现方式都是基于大数据和模拟预测的方式,至目前而言,研究院内还无法模拟出机器的专属情感与自我意识,当然,这就是为何未来还是需要编程人员,因为无法自主实现,还有一点就是基因遗传学,这里所谓的基因遗传学并不是类似人类的DNA,而是RB的自主创造性思维能力,到目前为止,计算机或者人工智能的智能水平在不断提高,但是人工智能的意识还是零。

换句话说,我们现在没有任何指标证明或者任何迹象表明计算机和人工智能 在未来 能获得这种意识。其实在这一块的技术发展上,我们还是属于慢动作的,期待未来的科技能更智能化。



Q:建议大家去学习这一块?

要看个人兴趣了,上面也提及了这块的学习成本,如果有兴趣的去了解下也无妨,如果基础不是太扎实的,想要深入的建议先去补下数学方面,还有相关的算法知识,如果基础不是太好又想往这方面的职业生涯走,恐怕要吃不少苦头,还不如在自己的专属下深入,如果基础底子不错的,也不建议All-In,可以抽80%的精力去学习,保留20%作为后路。

奥特曼超人杜锦阳

|| 版权声明:本文为博主杜锦阳原创文章,转载请注明出处。

13
2

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场

    Wechat: sheep0704


    Author: KARL-Dujinyang


    Offer QQ: 1875125470


    BAT QQ: 309933706


    游戏移动技术精英Q群: Q群主邀请


    老司机Q群: Q群主邀请


    深度学习Q群: 325296553


    破解逆向Q群: 暂不开放


    安卓移动技术精英Q群: 246231638


    个人资料
    • 访问:1120066次
    • 积分:11087
    • 等级:
    • 排名:第1565名
    • 原创:128篇
    • 转载:96篇
    • 译文:25篇
    • 评论:114条
    博客专栏
    .