【百度联盟峰会】李彦宏详解AI时代思维方式,算法驱动的降维攻击



【百度联盟峰会】李彦宏详解AI时代思维方式,算法驱动的降维攻击

新智元 2017-05-23 14:51:52 李彦宏 手机 百度 阅读(20879) 评论(19)

新智元报道

来源:百度

  【新智元导读】今天在百度联盟大会上,李彦宏发表演讲,阐释AI时代的思维方式:①手机还会长期存在, 但移动的机会不多了 ②From think Mobile to think AI ③软硬结合,重新定义"以人为本" ④数据秒杀算法, 算法推动社会进步 ⑤用AI思维做互联网产品就是降维攻击

  以“智能革命 生态进化”为主题的2017百度联盟峰会于5月23日在重庆举办。百度创始人、董事长兼首席执行官李彦宏,百度高级副总裁、百度搜索公司总裁向海龙及众多高管来到峰会现场,与数百位联盟伙伴、互联网创业者共同探讨了AI时代的思维方式及百度联盟的生态进化。以本次峰会为起点,十五岁的百度联盟正着力打造无边界的智慧共赢新生态,驱动AI赋能80万联盟伙伴,带动各行各业开启通往人工智能新世界的大门。

  李彦宏提出:互联网只是前菜,人工智能才是主菜。互联网出现之前,人与人可以交流,人与物无法沟通;互联网时代,提高了人与人的沟通效率;人工智能时代,从根本上解决人与万物交流的问题。因为,人工智能就是靠机器来理解人的意图的。

  

  李彦宏阐释了AI时代的思维方式:①手机还会长期存在, 但移动的机会不多了 ②From think Mobile to think AI ③软硬结合,重新定义"以人为本"④数据秒杀算法, 算法推动社会进步⑤用AI思维做互联网产品就是降维攻击.

  在峰会上,李彦宏还向与会者展示了体现百度“AI思维”的产品——搭载DuerOS操作系统的智能电视,通过自然语言的交互,用户可以用语音命令便捷地完成换台、点播等动作,也可以用语音随时查询屏幕中出现的明星,同时还不会影响视频的正常播放。而这样的技术,“不仅仅可以用到电视机,也可以用到冰箱、空调上”。

  同时,李彦宏也谈及了Facebook、Google 等巨头企业纷纷不约而同地提出“AI First”的战略转变。当人工智能时代已经无可抵挡,所有人都必须“think AI”才能拥抱新的时代,不被时代浪潮所抛弃,找到自己迎接“AI红利”的正确方式。

  1. 手机还会长期存在, 但移动的机会不多了

  

  第一个观点:手机还会长期存在,但移动的机会不多了。“今天再去做一个APP获得成功,这样的事情已经不多了。”

  移动互联网时代已经进入尾声,新的时代带来了新的机会。仅仅盯着手机,做一些常规的做法,已经跟不上时代步伐了。百度也在全力转型到将人工智能作为自己的核心战略。

  2. From think Mobile to think AI

  

  第二个观点是:我们的思维方式要发生转变,from think mobile to think AI。

  李彦宏以内部开会时为例,对比移动互联网时代和AI时代,产品经理的“画风”其实是截然不同的,移动产品经理更多的关注点还是停留在字体大小、页面上的按键设置等基于手机的问题,而人工智能产品经理则随手就拿出一块小小的芯片,考虑如何将它与各种各样的硬件结合,不再局限于单一的终端。

  再以Facebook的mobile first为例,如果PM使用PC截屏,扎克伯格就拒绝开会了。AI时代的PM也应当有AI意识。

  3. 软硬结合,重新定义"以人为本"

  

  第三个观点是:软硬结合,重新定义“以人为本”。

  无论是PC互联网还是移动互联网,硬件虽然成长也很快,但大家更多还是关注软件问题。现在已经不一样了。比如智能音响的交互方式,已经不再是键盘输入,而是变成人和麦克风打交道。麦克风技术,就是一个典型的软硬件结合技术。更明显的是无人驾驶汽车,要激光雷达,要各种各样的传感器。

  百度联盟将开放的四大能力中也包括强大的线上数据获取和处理能力,及线下完整的软硬件布局,形成贯通线上线下的完整用户画像,做到“以人为本”。

  4. 数据秒杀算法, 算法推动社会进步

  

  第四个观点是:数据秒杀算法,算法推动社会进步。

  李彦宏举了推动工业革命的例子,瓦特改进蒸汽机,推动了工业革命。其实在瓦特改机蒸汽机技术之前100年前,就已经有蒸汽机存在了,但是那时候的蒸汽机十分耗能,只能建在煤矿附近。但瓦特的改进却扩展了蒸汽机的适用场景,从而带来了真正的革命。

  在AI时代,数据就像蒸汽机时代的煤炭,蒸汽机(AI的算法)在瓦特之前早已经存在,但是瓦特的蒸汽机(算法的改良)改变了世界。

  5. 用AI思维做互联网产品就是降维攻击

  

  第五个观点是:用AI思维做互联网产品,就是降维攻击。

  在一个每个人都有手机的时代,大家每天都在和手机打交道,如果我们将AI思维与互联网结合,那么就实现了降维攻击——将文字搜索变为语音搜索——现在我们在手机上做的事情,重新用AI的方式去做,这就是降维攻击。

  早去转变思维方式,我们就能站在时代最前列。

  最后:在这个时代,当我们不被理解的时候,我们也要坚持

  在今天的讲话最后阶段,李彦宏和大家分享了一个关于百度发展过程中不断经历的小故事,如果因为不被理解就不坚持的话,也不会有今天的百度了。

  

  李彦宏:“在十几年前刚刚创立百度时,公司很小,也自己努力的到各个地方去跟当地政府领导沟通,说希望能够给我们支持,他们通常的反应就是说我们有啊,我们有优惠政策我们给软件企业有多少多少的返税,如果你是软件工程师我们可以给你解决户口问题。而这个时候呢我经常就说,我们不是软件企业,我们是互联网企业,这些政府领导通常就说我们还不知道怎么办,我们最主要是给软件企业。

  但是今天大家看,传统的软件企业在过去的十几年当中增长是很慢的,而现在当我再去跟政府领导说,能不能给我们优惠政策的时候,你是互联网企业,我可以给你廉价的地,可以给你返税多少多少,可以给你多少落户指标。但是我现在有一点要说,我们不是互联网企业,我们是一个AI企业。

  所以我也希望当我们不被理解时候,大家要坚持,如果十几年前我听了一些政府领导人把我们转变成一个软件企业,也许就不会有今天的百度,谢谢!”

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