未来的智能研发趋势:从Being 到Should

     认知是真实的表征反映,计算是符号的模拟仿仿真。算法的实质是建立在计算逻辑基础上的理性思路,缺少非事实或反事实想象过程,即面向事实中对象、属性、关系不断变换调整的认知动态过程。

    数据不会告诉你,但认知——会。

640?wx_fmt=jpeg


问:你是在暗示有一种远离机器学习的趋势吗?

Judea Pearl:不是一种趋势,而是一种严肃的自我反省,包括这些问题:我们要去哪里?下一步是什么?

问:那是我最不愿意问你的问题。

Judea Pearl:我很高兴你没有问我关于自由意志的问题。

问:那么,你对自由意志有什么看法?(智能菌标注:好尴尬,提问者机智如我~)

Judea Pearl:我们绝对会开发出具有自由意志的机器人。我们必须了解如何对它们进行编程,以及从中我们能获得什么。由于某些原因,对于进化来讲,这种自由意志是可以被计算的。

问:以什么方式呢?

Judea Pearl:你具备自由意志,进化使我们有了这种感觉。显然,它提供了一些计算功能。

问:机器人出现自由意志的时候会很明显吗?

Judea Pearl:我认为第一个证据是,如果机器人开始反事实地相互交流,比如它们说出“你应该做得更好”。如果一个机器人团队开始用这种语言进行交流,那么我们就将知道他们具备了自由意志。“你应该把球传给我——我在等你,而你没有!”“你应该做某件事”意味着你可以控制做或者不做某件事。所以第一个迹象是交流,第二个是能够踢更好的足球。

640?wx_fmt=jpeg

    也许真的被休谟说中了:从Being 到Should就是未来智能领域的归宿……

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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