关于个人对人工智能下一站的瞎想

    感谢各位大大的观看，在人工智能领域我现在还是一枚萌新，因而这篇文章中的错误请大家包容和指出，或者也可以不往下查阅这篇文章，最后感谢大家的观阅。下面正式进入本文的论述。

    前不久看了一篇名为“人工智能的下一站——人机融合”的文章因而对人工智能的下一步发展进行了一番思考。从2012年深度学习在ImageNet比赛中超越传统图像识别开始到现在，深度学习已经成为了一种主流，一种热点研究对象，越来越多的人加入人工智能的研究（越来越多的人入坑），其中AlphaGo Zero的深度强化学习解决了机器的自学习问题，这是一个人工智能领域的一个重大的突破，但是目前这种技术并还没在应用于实际。图像处理领域的发展也趋于成熟，现在也有人脸识别的实际应用（现在各大火车站的检票），但是现在图像识别考的还是海量的标注数据，标注数据是图像识别中占比比较大的一项花销，因而如何实现减少对标注数据的依赖也是图像处理领域要解决的一个很大的问题。最后借用“人工智能的下一站——人机融合“里的一句话：当前机器会的是计算而不是算计，个人觉得这句话是一句比较经典的对当前人工智能领域的一个概括，当前我们在人工智能领域还是依靠机器强大的计算能力来和我们人类进行比拼，比赢我们的也是计算，而在算计领域，机器做的非常差，可能会说AlphaGo Zero的学习能力也很厉害，在没有人的经验的情况下，自我学习能够战胜人类，但是它下棋还是靠的计算，它能够比我们人计算的更多，而我们人能够计算到后面几步已经非常厉害了，但是它可以计算到后面十几甚至几十步因而也能说是在计算上比赢了我们。（注：AlphaGo Zero的学习能力的确是特别强大，但是在这还是就计算做一个分析）。

     当前人工智能领域的大牛们和学者们也在为人工智能的发展而努力着，神经网络的可解释性现在也越来越被人们所重视，目前我们对神经网络是怎么得到它的结果是不知道的，这就是所谓的神经网络的黑匣子，我们就只能看见输入以及输出，其中的一些深层次的机理我们暂时还不知道，提高神经网络的可解释性是目前领域界在做的一件事情，除此之外我觉得人机交互是我们需要加入到当前深度学习中去的一个元素，人机交互是将我们的算计和机器的计算相结合的一个方法，它也是实现人机融合必须实现的一个基石，如何做到深度学习训练和运作过程中的人机交互是我们要研究和思考的一个重点问题，我在此提出一个设想就是当我们在进行训练和应用的时候能够将我们人对那一个对象的看法输入到神经网络中并为它分配一个比重作为一个结果的依据，根据神经网络的计算结果和这个人的看法来进行最后的结果输出，人的错误判断的指出是这个中的一个比较重大的要素，如何避免或者降低错误判断对机器的影响是要解决的核心问题之一，而另一个就是面对大量数据的情况下我们人不可能对每一个数据都做出自己的判断然后送给机器作为参考，我的一个想法就是将人对一类对象的理解作为数据教给机器，让机器根据这个理解去认识那个事物，认识它的本质，而不是它的表面。我这个想法也是一个不成熟的想法，在这提出是想大家对我这个想法进行批评和指正，或许它并不适合作为人机交互的一个切入点，也不适合于人机融合，但是我会尽力去对它进行完善或者说是将其进行改善。人机交互的一个时机也是一个非常重要的因素，选择何时进行交互对最后的结果的影响是非常大的，因而我们要注意人机交互的时机。

   以上是我对人工智能下一站的一些思考，最后感谢各位的包容和阅读。