对话浙大博导吴飞:人工智能的前世今生

前言

自古以来,人类对人工智能就有持久、狂热的追求,从语音识别到智能音箱,从无人驾驶到人机对战,人工智能给人类社会带来了一次又一次的惊喜,被人工智能赋能的各行各业都在焕发新的生机。在人工智能垂直领域商业化繁荣的背后,是基础层的软硬件支撑,以及技术层的语音识别/自然语言处理、计算机视觉等应用的渐入佳境。

2018年8月26日,百度为2018人工智能创意赛集训营邀请了中国高校计算机大赛人工智能创意赛专家委员会主任、浙江大学计算机学院副院长、博士生导师吴飞教授,为你呈现人工智能的前世今生。

吴飞教授

注:以下为吴飞教授的演讲实录

回溯人工智能的起源

人工智能定义以机器为载体,实现人类智能或生物质能,机器这个载体就是计算平台,必须思考人工智能所依赖的计算平台的起因是什么,什么东西能实现人类智能或者生物智能,计算这个概念的产生可以回溯到20世纪30年代,当时的人们发现有很多问题是不可以计算的,也有大量的问题是可以计算的。
图一:费马大定理
图一:费马大定理

比如费马大定理,希望计算N等于2的时候直角线的平方之和等于斜边,N等于2的时候存在无穷解。这里成了数学家的梦魇,经过几百年的努力,现在已经证明了当N大于等于3的时候,费马大定理不存在解。

这个时候也存在很多不可解的问题,或者需要我们去计算的问题,比如前阵子大家看到很多新闻报道,张教授证明了孪生素数的问题。相差2的素数对,例如3和5,5和7,是否存在无穷多个素数对,存在无穷多个,差小于7000万的素数对,如果两个素数之间的差小于7000万,存在着无穷多素数对,这是一个孪生素数的证明。实际上我们再回看数学历史三大猜想,第一个是费马大定理,这个通过数学家的努力证明了。第二个四色定理,一张地图上只需要四种颜色,可以把不相邻的国家用不同的颜色标明出来,四种颜色足够多了,这个已经被证明了。最后一个是未得到证明的哥德巴赫猜想。这些问题的原因是什么,我们讲如果证明也是一种计算的过程,是否存在一种计算的装置,可以把需要我们证明的问题或者计算的问题一步一步的按照机械的方式求解出来。

为了解决这个问题,在20世纪30年代同时产生三种计算平台,分别概括为原始递归函数,图灵机,这是英国计算机鼻祖图灵提出的,还有lambda,这三种都是计算平台,证明三种计算平台的能力是一样的,图灵机能解决的问题,在原始递归函数和lambda积分都可以被解决,最终图灵机成为了计算的平台,也就成为计算机理论的模型的鼻祖。可以现在定义计算,什么是可以计算的,图灵机如果在若干步骤之后可以停下来给出答案本身,这个问题是可以被计算的,如果图灵机永远在计算&#x

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
浙江大学人工智能课程课件,内容有: Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search (1 week) Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution, Conditional Gaussian distributions, Marginal Gaussian distributions, Bayes’ theorem for Gaussian variables, Maximum likelihood for the Gaussian, Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models; The Bias-Variance Decomposition Linear model for classification : Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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