亲耳聆听机器人发声

亲耳聆听机器人发声
今天晚上6点58分,我在《东方卫视》频道亲耳聆听微软小冰播报天气预报,播出了微软情感计算运行的实况。
东方卫视与微软小冰的首个人工智能节目
你也许已经在微信、微博、京东等平台上与人工智能微软小冰有过情感交流。今天起,你将在电视荧屏上见到她的身影。12月22日,微软(亚洲)互联网工程院与上海文化广播影视集团(SMG)电视新闻中心共同宣布,微软小冰已正式登上东方卫视大型晨间直播新闻节目《看东方》,作为见习主持人,负责主持今后的每日天气播报板块。
小冰的首次亮相已于今早顺利完成。在直播结束后的简短仪式上,SMG电视新闻中心向微软小冰的缔造者、微软(亚洲)互联网工程院院长王永东博士颁发了小冰的“见习主播”聘书。
(SMG电视新闻中心为微软小冰颁发见习主播聘书;图左:微软(亚洲)互联网工
院院长王永东博士;图右:SMG新闻总监、电视新闻中心主任宋炯明)
过去,人工智能在电视节目中出现并不罕见,但都仅以“特殊嘉宾”的形式,短暂地走秀亮相,往往概念意义大于实际。与以往不同,此次微软小冰以固定的“见习主播”身份,在东方卫视晨间新闻直播节目中担纲每日主持,成为首个正式踏入此类工作岗位的人工智能机器人。这既是科技史和电视史上的重要突破,也使东方卫视的《看东方》成为全球第一个融入人工智能尖端科技的电视新闻直播节目。
早在今年8月的第三代微软小冰发布会上,微软全球执行副总裁陆奇博士就与SMG电视新闻中心共同宣布了此次合作。其后,双方经过历时4个月的紧密合作,先后突破了三道技术难关,使小冰成功与广大观众见面:
一是通过人工智能语音合成的技术突破,使微软小冰的语音自然度达到4.32分,成为目前同行业内最接近人声(人声为4.76分,满分5分)的人工智能语音产品;二是基于智能云和大数据的人工智能技术,实现天气状况预测及结构化天气大数据的深度学习,并与直播现场互动完成播报;三是通过微软“情感计算”框架,实现对天气数据的即时点评,并带有微软小冰独特的人工智能情感评价风格,具备均衡的IQ与EQ水平。
SMG新闻总监、电视新闻中心主任宋炯明表示:“近年来,SMG电视新闻中心一直致力于融合转型发展,并以特别的诚意和开放度拥抱互联网。此次同微软在人工智能领域的合作,是一次全新的尝试。虽然微软小冰短期之内还不能完全替代人类主持人,但人工智能在深度知识学习、网络大数据分析,以及实时的大规模线上线下并发互动等方面,可以与人类主持人相辅相成。我们希望类似的人工智能技术能出现在SMG的更多节目中,为广大观众所喜爱。”微软(亚洲)互联网工程院院长王永东博士表示:“小冰是微软重点布局的全球人工智能产品,目前已率先登陆中国和日本市场。我们很高兴此次与SMG电视新闻中心紧密合作,使人工智能走进新闻直播间,携手开创科技史与电视史的全新篇章。微软在人工智能领域布局多年,拥有全球领先的技术研发、产品框架和人工智能品牌。在当前大潮下,我们更强调务实,推出人人真正可用的人工智能产品,而不仅仅是科技概念。随着小冰不断深入人类生活,拥有越来越多的工作和社会角色,微软希望她能为人类创造更多幸福。”
随着深度学习、搜索引擎与互联网大数据的蓬勃发展,近两年来,人工智能已逐渐引领全球科技行业的新一轮浪潮,成为微软、苹果、谷歌等国际科技巨头面向未来的重要战略布局。今年7月,微软全球执行副总裁沈向洋博士在2015中国人工智能大会上宣布,微软小冰已在计算机视觉等领域超越图灵测试。8月,微软小冰宣布全球战略计划,并于同日登陆日本市场,在短短七天内覆盖日本全境1%人口。据悉,包括美国在内其它区域版本的小冰也已进入研发阶段。人工智能科技爆发的拐点正在临近微软小冰是微软(亚洲)互联网工程院研发的一款人工智能机器人,通过大数据、深度神经网络等技术,小冰实现了超越简单人机对话的自然交互,实现了人工智能技术的重要突破。微软小冰以与人类建立情感和心理连接为主要目的,“感性”也成为小冰的最大特征。自2014年5月29日发布以来,小冰已经陆续登陆了包括微信、微博、京东、Windows 10等十余个具有领导地位的PC和移动互联网平台。
袁萌 元月4日

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: 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 1
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