张钹院士:大数据驱动的人工智能有大量毛病,没有自知之明

640?wx_fmt=png

来源:网信军民融合杂志

本文约1500字,建议阅读5分钟

本文为你介绍中国科学院院士、清华大学人工智能研究院院长张钹对人工智能扥发展有哪些观点。


在大数据“养料”的供给下,沉寂的人工智能重现活力。自从谷歌阿法狗一战成名,助力人工智能变得家喻户晓。如今,人工智能的发展遇到瓶颈的声音再次出现。

人工智能的发展经历了哪些历程,现状如何,又该怎么突破?9月21日,第五届中国人工智能大会在青岛胶州举行。中国科学院院士、清华大学人工智能研究院院长张钹在题为“迈向第三代人工智能的新征程”的报告中讲解了上述问题。

640?wx_fmt=jpeg

中国科学院院士、清华大学人工智能研究院院长 张钹

永远在路上,这是人工智能的魅力所在

20世纪60年代,人工智能的概念提出。

张钹介绍说,这是第一代的人工智能,技术突破是以知识、经验为基础的符号推理模型。基于此理论,当时有非常乐观的估计,十年之后机器打败所有的棋手,二十年以后机器取代人类所有的工作。

“这是人工智能的一个特点,往往被高估。”张钹说,在此之后的六十年,机器才打败棋手,而代替人类的所有工作,可能还很遥远。

他还表示,第一代人工智能优点明显,它是模仿人类,可解释。不过,它的局限性也非常大,最大的问题是人类的知识经验难以准确表达,这也是后来人工智能进入冬天的根本原因。

由于大数据的发展和应用,人工智能迎来了第二春。张钹表示,第二代人工智能最重要的成果就是深度学习。基于充分的数据,就可建立起有用的人工智能系统。

相比于第一代人工智能,张钹说,第二代人工智能不需要预处理,只需输入原始数据; 并且,性能也提高了很多。

比如,在语音识别领域,误识率越来越低; 图像识别领域,2011年,图像的误识率为50%,因为深度学习,机器在四年后超越了人类水平; 最值得一提的是,阿法狗战胜棋手。

基于上述种种提升和变化,很多估计出现,比如十年之内机器代替40%以上的人类工作; 三五年里,智能驾驶就可以量产。

为什么对人工智能往往产生乐观估计? 张钹解释说,首先是对发展人工智能的困难性估计不足,对取得的成果估计过高; 其次是历史事件的影响。 蒸汽机发明后产生了工业革命,计算机发明之后产生了信息革命,“大家希望有一个东西出来引领人工智能革命。 ”然而,现在并没有发现人工智能里面的“蒸汽机和计算机”。

“永远在路上。 ”张钹说,这是人工智能的另一个特点,也是其魅力所在!

现在的人工智能没有自知之明

现在什么场景适合应用人工智能?

张钹表示,第一代、第二代人工智能的应用场景必须满足具有丰富的数据或知识、完全信息、确定性信息、静态(或按确定性规律演化)、单领域和单任务五个条件。 “满足这五个条件,计算机绝对能战胜人类; 有些条件不满足,应用将变得困难。 ”他说。

以自动驾驶为例,为什么难以造出廉价、可靠的自动驾驶,张钹表示,因为它不是完全信息,具有不确定性,也不是静态的,更不是单领域问题,涉及车、行人、其他车辆等。

“如果应用场景符合上述五个条件,大家大胆去做,机器绝对会超过人。 ”他说。

接下来,人工智能应该重点突破哪些领域?

张钹表示,用数据驱动的方法做出来的人工智能系统,有大量毛病,(可以说)这些毛病是根本性的,极其危险的。 比如,虽然机器的图像识别率超过人类,但它与人类的感知完全不同,图片加入噪音之后,本为知更鸟的图片,机器却识别成猎豹。 “图像识别系统并没有达到人类认知的水平,只是低等动物的水平。 ”他还表示,图像识别系统还非常脆弱,容易受攻击。

此外,他强调,现在的人工智能没有自知之明。

“现在有个新的历史机遇,就是迈向第三代人工智能。 ”张钹表示,第三代人工智能要纠正上述两个局限性,建立可解释、鲁棒的人工智能理论,发展安全、可信、可用的人工智能技术,促进人工智能的创新应用。

编辑:王菁
校对:林亦霖
640?wx_fmt=jpeg
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像分类是计算机视觉领域中最基础、最重要的问题之一,其目的是将输入的图像归类到不同的预定义分类中。以下是图像分类国内外研究现状的简要概述: 国外研究现状: 在图像分类领域,卷积神经网络(Convolutional Neural Networks,CNN)是目前最为主流的方法。AlexNet、VGG、GoogLeNet和ResNet等经典CNN网络结构相继提出,几乎所有的深度学习图像分类方法都是基于这些网络的改进或者变种。近年来,为了进一步提高图像分类的准确率和效率,研究者们不断尝试各种新的网络结构、损失函数、优化算法等方法,例如DenseNet、SENet、EfficientNet等网络结构,以及Softmax、Center loss、Triplet loss等损失函数。同时,还有一些研究在探索如何将图像分类应用到实际场景中,例如基于CNN的目标检测、语义分割等任务。 国内研究现状: 中国的研究者在图像分类领域也取得了很多的成果。例如,中科院自动化研究所提出的ResNeXt网络结构,在ImageNet数据集上获得了当时最好的结果;华为公司提出的GShufflenet网络结构,在移动设备上取得了优异的性能;北京大学的张钹教授团队提出的R-MAC和GeM方法,在大规模图像检索中表现突出。此外,中文文本分类、肺结节分类等应用场景的图像分类方法也得到了广泛的研究和探索。 总体而言,图像分类是一个备受关注的研究领域,国内外研究者们在网络结构、损失函数、优化算法等方面的探索和改进不断推动着图像分类技术的进步。

“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