AI有可能了解人类感情吗?



硅谷Live / 实地探访 / 热点探秘 / 深度探讨



情感计算发展迅猛




你对机器人心理治疗师这个想法怎么看?拥有情商的机器或许将在不久之后就可以出现。在过去的数十年里,人工智能已经非常擅于读取人类的情绪反应。



但是读取并不意味着理解。如果AI无法自己经历各种情绪,他们有可能真的理解我们吗?如果不能,那当我们不断倚重这些机器时,是否就将自己置于更大的危险之中呢?


最新一代的AI可以从日益增长的大数据中学习,同时拥有不断提升的处理能力。这些机器在处理许多事务时都比人更加有竞争力。他们现在可以识别面孔,将人脸涂鸦变为照片,识别语音和玩围棋。而他们在处理感情方面,是否也有同样的提升呢?


识别罪犯


最近,一些研究者发明了一个可以通过识别面部特征指认罪犯的AI。这个系统使用中国身份证照片进行了性能评估,而其结果令人大吃一惊。总体上,AI成功识别了83%的罪犯,将6%的无罪者错认为罪犯,总体准确率逼近90%。


这个系统利用深度学习技术建造,通过将深度学习和“脸部旋转模型”相结合,使得AI可以在照片角度与亮度都不同的情况下,仍然认出两张照片中的人脸属于一个人。


深度学习建立了一个神经网络,由数以万计的分布在不同层面上的神经元组成。每一层都将输入信息进行转换成为更加抽象的信息,例如将面部图像变为一系列方向和位置的数据。这个过程自动突出了需要完成某一项任务最为重要的信息特征。


考虑到深度学习技术的成功,如果罪犯和普通人之间真的有面部特征的区别的话,我们或许不应该为AI成功将他们分别开而感到惊奇。这项研究暗示了分别不同人脸的最重要的信息有三个,一个是鼻尖和嘴角的弧度(罪犯的弧度平均比普通人小19.6%),一个是上唇的弧度(罪犯的平均比普通人大23.4%),最后一个是眼角的距离(罪犯总体比普通人窄5.6%)。


第一眼看上去,这样的分析似乎证实了一个已经过时的论点:罪犯可以通过他们物理特征被辨认出来。然而,这并不完全成立。应该注意到的是,两项数据和人类最有表现力的器官,嘴唇相关。身份证照一般都是需要照相人不要有任何表情的,但是很有可能AI还是发现了人们隐藏的情绪。而人类很可能无法辨别这些情绪。


“情感计算”的魔力


这已经不是计算机第一次识别人类感情了。一个名为“情感计算”的领域早在几年前就火了起来。其理论认为,如果我们未来要和机器人和平共处,那么这些机器就必须可以理解并且对人类感情进行合适的反馈。这仍是一个新兴领域,其发展潜力巨大。


举例来说,研究者们已经利用面部表情分析来找出在计算机课上遇到障碍的学生。AI被训练成可以识别学生不同程度的积极参与或沮丧的系统,以此方便授课者了解学生在哪里遇到最多困难。这一项科技可以提高网络授课平台的学习体验。




而另一家名为BeyondVerbal的公司,则利用我们的声音来评判我们的情绪。他们已经研发出了可以分析调制声音并且寻找人类对话中固定模式的软件。他们宣称他们的软件在应用中拥有超过80%的正确率。未来,这一项科技或许可以帮助我们识别自闭症人群的情绪变化。


索尼甚至生成正在研发一款可以和人产生情感纽带的机器人。现在这一项目还未有太多信息公布。但是,他们提到他们在努力将硬件与服务相结合,从而提供让人能够有不同的情绪体验。


一个拥有情商的AI将带来许多益处,例如可以带给人情感陪伴或是帮助我们解决更多复杂的问题。但是这也意味着我们需要面对更多伦理问题与风险。我们真的可以认为以为依靠AI陪伴的老人是真的和机器发生了感情连接吗?你真的可以因为AI说一个人有罪你就给他定罪吗?当然不能。事实上,我们只可以建议人们,在整个系统被不断升级与评估之后,去更加小心注意一下那些被AI认为“有嫌疑”的人。


所以我们可以对AI未来发展有什么期望呢?类似于感情和情绪这样的主观话题仍然是AI学习的一大障碍,其中一个原因就是高质量的数据的缺乏。比如说,AI可以理解什么是讽刺吗?很难,因为在一个语境里是讽刺的话,在另一个语境可能是真心的称赞。


然而正如前文所说,供AI学习的数据总量和其处理能力都在不断增长。所以,很有可能的是,在未来的几十年内,AI将可以识别多种不同的情绪。但是它们能否真的感觉到情绪呢?不同的学派有着不同的看法。即使他们可以,也只能是人类情绪中的一部分。而无法拥有所有人类情绪的AI,我们还是对他们小心一点好。



想和探长聊一聊?来加探长个人微信号 svinsight




推荐阅读


卫哲 | 王刚 | 姚劲波

胡海泉 | 朱啸虎

区块链报告 | 脑机接口报告 

硅谷人工智能 | 斯坦福校长

王者荣耀 | 返老还童 




智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值