作者 | Harper
审核 | gongyouliu
编辑 | gongyouliu
在1939年的世界博览会上,最受欢迎的景点之一是一个250磅重的机器人Elektro。他一边抽烟,一边吹气球,甚至还会讲笑话,让观众眼花缭乱。许多消费者认为,他们离拥有自己的能打扫房子和洗碗的Elektro只有几年时间了。
然而,尽管Elektro给人留下了深刻的印象,但他有一个严重的局限性:他是自动化的,而不是智能化的。当你按下一个按钮, 他可以吹爆一个气球,但他没有能力决定什么时候吹气球或当气球用完了想出如何得到更多的气球。他没有能力学习新的技能,甚至没有能力在所知道的事情上做得更好。
即使到今天,你仍然可以看到自动化和智能化之间的界限不够清晰。有些模棱两可是人为的,许多软件和硬件供应商急切地推销他们的产品,并称之为人工智能产品,而实际上并非如此。事实上,作为客户,你可能会一直处在这种情况下。税务软件可能会宣传它使用人工智能来检查你的报税表,但这个系统并没有真正为你找到新的方法来节省税收。它只不过是在完善的税码上执行例行的自动化操作。
另一个混淆自动化和智能化的来源是机器人流程自动化领域的不断发展,它涉及使用软件和机器学习来训练计算机处理高级日常任务。该软件观察人是如何完成一项工作的,并试图以相同的顺序重复相同的步骤。这些系统有时看起来像人工智能应用程序,但它们实际上只是标准的自动化。这些软件机器人完全按照显示的步骤进行操作,几乎就像一台老式的录音机。 它们从不学习或者自动适应环境变化。
StuartRussell和Peter Norvig在其著作《人工智能:一种现代方法》中明确区分了自动化和人工智能,他们解释说,与自动化系统不同,人工智能将“设计师的触角延伸到未知环境中”。换句话说,衡量人工智能系统的一个基本标准是,该系统可以学习和改进,而无需人工培训师的输入或指导。
当计划构建机器学习系统或人工神经网络时,首先要问的一个问题是你需要它是智能的还是自动化的。你需要一个可以自己学习的系统,还是一个仅复制一种能力的系统来完成可以编程或训 练的任务?如果你需要一个自动化系统, 基本的机器学习或编程可以处理这项工作。另一方面,如果你需要一个能够学习和适应的系统,一个能够将“设计师的触角延伸到未知环境”的系统,可能需要构建深度学习人工神经网络。
在机器学习的世界里,深度是很重要的,而深度通常表现在节点和层中,更大的网络通常表现得更快、更加善于发现数据中的模式。
如今,机器学习的行业领导者,包括google和IBM,已经真正接受了深度学习。谷歌建立了一个深度学习网络,学习如何在电子游戏中赢得高分,如何成为围棋高手。
为什么谷歌要花这么多时间研究如何制造出在电子和棋盘游戏方面可以击败大多数人的机器呢?因为它可以使用相同的技术来更好地了解用户和客户的行为,并将其技术销售给同样希望这样做的客户。这很有价值。
如果一个Google构建的人工智能系统可以以95%的概率预测某个客户将购买某个特定的产品,并且愿意为其支付一定的金额,那么这就可能创造巨大的商业价值。
如果谷歌能够建立一个深度学习网络,学习如何掌握复杂的游戏,那么建立一个能够理解和预测客户行为或客户购买意愿的系统就相对简单了。其实不管具体应用是什么,底层技术都是一样的。
本文的视频版本可以直接点击下面视频观看,欢迎关注数据与智能视频号获取更多精彩视频。