那些想轉(zhuǎn)行AI的人：送你一份人工智能入門完全指南

你可能會(huì)從網(wǎng)上知道人工智能如何為亞馬遜和Google的虛擬助理提供支持，或者人工智能如何一步步地取代所有的工作（有爭(zhēng)議的），但是這些文章極少很好的解釋人工智能是什么（或者機(jī)器人是否將要接班）。本文將對(duì)人工智能做出解釋，這份簡(jiǎn)明指南將隨著領(lǐng)域的發(fā)展和重要的概念出現(xiàn)進(jìn)行更新和改進(jìn)。

人工智能是什么？

人工智能是具有學(xué)習(xí)機(jī)制的軟件或計(jì)算機(jī)程序。人工智能使用這種知識(shí)在新的情況下做出決定，就像人類一樣。構(gòu)建該軟件的研究人員嘗試編寫(xiě)可以讀取圖像，文本，視頻或音頻的代碼，使得人工智能從中學(xué)習(xí)一些東西。 一旦機(jī)器學(xué)到了，知識(shí)就可以在別的地方使用。 如果一個(gè)算法學(xué)會(huì)識(shí)別某人的臉，那么可以在Facebook照片中找到它們。 在現(xiàn)代AI中，學(xué)習(xí)通常被稱為“訓(xùn)練”（將在后文進(jìn)行介紹）。

人類自然會(huì)學(xué)習(xí)復(fù)雜的想法：我們可以看到像蘋(píng)果這樣的對(duì)象，然后在以后識(shí)別一個(gè)不同的蘋(píng)果。 機(jī)器是非常字面化的 - 電腦沒(méi)有對(duì)“類似”的靈活概念。人工智能的目標(biāo)是使機(jī)器減少僅基于文本而形成的概念。 機(jī)器很容易判斷兩張?zhí)O果的圖像或兩個(gè)句子是否完全相同，但人工智能旨在從不同的角度或不同的光線識(shí)別同一蘋(píng)果的圖片; 它捕捉視覺(jué)角度去識(shí)別蘋(píng)果。這被稱為“泛化”或基于數(shù)據(jù)的相似性形成想法，而不僅僅是基于AI所看到的圖像或文本。 更普遍的想法可以應(yīng)用于AI以前沒(méi)有看到的事情。

卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)科學(xué)教授亞歷克斯·魯?shù)履崞妫ˋlex Rudnicky）說(shuō)：“人工智能的目標(biāo)是將復(fù)雜的人類行為降低到可以計(jì)算的一種形式。 “這反過(guò)來(lái)又使得我們能夠建立對(duì)人類有用的可以從事復(fù)雜活動(dòng)的系統(tǒng)?！?/p>

今天距離人工智能還有多遠(yuǎn)？

人工智能研究人員仍在努力解決這個(gè)問(wèn)題的基礎(chǔ)。 我們?nèi)绾谓屉娔X來(lái)識(shí)別他們?cè)趫D像和視頻中看到的內(nèi)容？ 之后，識(shí)別如何進(jìn)入理解 - 不僅產(chǎn)生“蘋(píng)果”這個(gè)詞，而且知道蘋(píng)果是一種與桔子和梨相關(guān)的食物，人類可以吃蘋(píng)果，可以用蘋(píng)果做飯，并用它們來(lái)制作蘋(píng)果餡餅，并且聯(lián)系到約翰尼·蘋(píng)果派的故事，諸如此類。 還有一個(gè)理解語(yǔ)言的問(wèn)題——詞根據(jù)語(yǔ)境有多重含義，定義總是在演變，每個(gè)人的說(shuō)法都有一點(diǎn)點(diǎn)差別。 電腦如何理解這種不固定的，千變?nèi)f化的語(yǔ)言構(gòu)造？

由于介質(zhì)不同，人工智能的進(jìn)展速度也不相同?，F(xiàn)在，我們看到了在理解圖像和視頻能力的驚人增長(zhǎng)，這是一個(gè)業(yè)界稱之為計(jì)算機(jī)視覺(jué)的領(lǐng)域。但是，這一進(jìn)步對(duì)其他人工智能的理解并沒(méi)有多大幫助，這是一個(gè)被稱為自然語(yǔ)言處理的領(lǐng)域。這些領(lǐng)域正在發(fā)展有限的智能，這意味著人工智能在處理圖像、音頻或文本方面具有強(qiáng)大的功能，但卻無(wú)法從這三者中學(xué)習(xí)到同樣的方法。一個(gè)不可知論的學(xué)習(xí)形式是一般智力，這是我們?cè)谌祟惿砩峡吹降摹ＴS多研究人員希望，各個(gè)領(lǐng)域的進(jìn)步將揭示更多關(guān)于我們?nèi)绾巫?a target="_blank">機(jī)器學(xué)習(xí)的共享真理，最終融合成統(tǒng)一的人工智能方法。

人工智能為什么重要？

一旦人工智能學(xué)會(huì)了如何從圖像中識(shí)別出一個(gè)蘋(píng)果，或者從音頻片段中轉(zhuǎn)錄出一個(gè)語(yǔ)音片段，它就可以被應(yīng)用于其他軟件中，做本應(yīng)該需要人類來(lái)做的決策。它可以用來(lái)識(shí)別和標(biāo)記你的朋友在Facebook的照片，你(一個(gè)人) 本應(yīng)該手工做的事情。它可以從自動(dòng)駕駛汽車或者你的車的倒車影像里識(shí)別出另一輛車或者一個(gè)街頭標(biāo)志。它可以用來(lái)定位農(nóng)業(yè)生產(chǎn)中應(yīng)該移除的劣質(zhì)農(nóng)產(chǎn)品。這些任務(wù)，僅僅基于圖像識(shí)別，通常是由用戶或公司提供軟件的人完成的。

如果一個(gè)任務(wù)節(jié)省了用戶的時(shí)間，它是一個(gè)功能，如果它能節(jié)省了公司里工作的人的時(shí)間甚至完全消除了一份工作，那么它就是一個(gè)極大節(jié)約了成本。有一些應(yīng)用程序，比如在銷售分析的幾分鐘內(nèi)處理數(shù)百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)，如果沒(méi)有機(jī)器，是不可能實(shí)現(xiàn)的，這意味著以前從未有過(guò)的新信息的潛力。這些任務(wù)現(xiàn)在可以通過(guò)機(jī)器在任何時(shí)間和任何地點(diǎn)快速、廉價(jià)地完成。它是人類曾經(jīng)完成的任務(wù)的復(fù)制，對(duì)于無(wú)限可伸縮的低成本勞動(dòng)力來(lái)說(shuō)，這是不可否認(rèn)的經(jīng)濟(jì)利益。

卡內(nèi)基梅隆大學(xué)人類計(jì)算機(jī)交互實(shí)驗(yàn)室的教授Jason Hone說(shuō)，雖然人工智能可以復(fù)制人類的任務(wù)，同時(shí)它也有能力開(kāi)啟新的勞動(dòng)?！捌囀邱R的直接替代品，但在中長(zhǎng)期內(nèi)，它還帶來(lái)了許多其他用途，比如用于大型運(yùn)輸?shù)陌肟ㄜ?，家具搬運(yùn)貨車，小型貨車，帶折蓬的汽車?！盚ong說(shuō)“同樣地，人工智能系統(tǒng)在短期內(nèi)將直接取代常規(guī)任務(wù)，但在中長(zhǎng)期內(nèi)我們將看到它和汽車一樣的戲劇性使用。”

就像Gottlieb Daimler和Carl Benz沒(méi)有考慮到汽車將如何重新定義城市的建造方式，或者污染或肥胖的影響，我們還沒(méi)有看到這種新型勞動(dòng)力的長(zhǎng)期影響。

AI為什么現(xiàn)在這么火爆，而不是30（或者60）年前？

關(guān)于人工智能應(yīng)該如何學(xué)習(xí)的許多想法實(shí)際上已經(jīng)超過(guò)了60年。上世紀(jì)50年代，像Frank Rosenblatt、Bernard Widrow和Marcian Hoff這樣的研究人員首先研究了生物學(xué)家認(rèn)為大腦的神經(jīng)元是如何工作的，以及他們?cè)跀?shù)學(xué)上做的事情。我們的想法是，一個(gè)主要的方程可能無(wú)法解決所有問(wèn)題，但是如果我們像人腦那樣，使用了很多連接起來(lái)的方程會(huì)如何呢？最初的例子很簡(jiǎn)單:通過(guò)數(shù)字電話線路分析1和0，然后預(yù)測(cè)接下來(lái)會(huì)發(fā)生什么。（這項(xiàng)由Widrow和Hoff在普林斯頓大學(xué)完成的研究，仍然被用來(lái)減少電話連接的回聲）。

2006年，達(dá)特茅斯會(huì)議五十年后，當(dāng)事人重聚達(dá)特茅斯。左起：摩爾，麥卡錫，明斯基，賽弗里奇，所羅門諾夫

數(shù)十年來(lái)，計(jì)算機(jī)科學(xué)界的許多人認(rèn)為，這個(gè)想法永遠(yuǎn)不會(huì)解決更復(fù)雜的問(wèn)題，而現(xiàn)如今它是主要科技公司的實(shí)現(xiàn)人工智能的基礎(chǔ)，從谷歌、亞馬遜到Facebook，再到微軟?；仡欉^(guò)去，研究人員現(xiàn)在意識(shí)到，計(jì)算機(jī)還沒(méi)有復(fù)雜到足以模擬我們大腦中的數(shù)十億神經(jīng)元，而且我們需要大量的數(shù)據(jù)來(lái)訓(xùn)練這些神經(jīng)網(wǎng)絡(luò)，正如我們了解的那樣。

這兩個(gè)因素，計(jì)算能力和數(shù)據(jù)，在過(guò)去的10年里才得以實(shí)現(xiàn)。在2000年代中期，圖形處理器單元(GPU)公司NVIDIA表示，他們的芯片非常適合運(yùn)行神經(jīng)網(wǎng)絡(luò)，并開(kāi)始使得AI在其硬件上運(yùn)行變得更加容易。研究人員發(fā)現(xiàn)，如果能夠使用更快、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)，就可以提高準(zhǔn)確度。

然后在2009年，人工智能研究員Fei-Fei Li發(fā)布了一個(gè)名為ImageNet的數(shù)據(jù)庫(kù)，它包含了超過(guò)300萬(wàn)個(gè)有組織的圖片，在里面還添加了標(biāo)簽。她認(rèn)為，如果這些算法有更多的例子來(lái)尋找到模式之間的關(guān)系，那么它就能幫助他們理解更復(fù)雜的想法。她在2010年開(kāi)始了一場(chǎng)ImageNet的競(jìng)賽，到2012年，研究人員Geoff Hinton使用了數(shù)百萬(wàn)張圖片來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以超過(guò)10%的準(zhǔn)確率的巨大優(yōu)勢(shì)戰(zhàn)勝了其它的應(yīng)用。正如Li所預(yù)測(cè)的，數(shù)據(jù)是關(guān)鍵。Hinton還把神經(jīng)網(wǎng)絡(luò)堆在另一個(gè)上面，一個(gè)只是找到了形狀，而另一個(gè)則看了紋理，等等。這些被稱為深度神經(jīng)網(wǎng)絡(luò)，或深度學(xué)習(xí)，也就是今天你在新聞中聽(tīng)到的關(guān)于人工智能的消息。一旦科技行業(yè)看到了結(jié)果，人工智能的繁榮就開(kāi)始了。數(shù)十年來(lái)，一直致力于深度學(xué)習(xí)的研究人員成為了科技行業(yè)新的搖滾明星。截止2015年，谷歌有超過(guò)1000個(gè)項(xiàng)目使用了某種機(jī)器學(xué)習(xí)技術(shù)。

我們應(yīng)該恐懼人工智能嗎？

看過(guò)終結(jié)者這樣的電影后，人們很容易就會(huì)害怕像天網(wǎng)這樣的全能的邪惡的AI。在人工智能研究領(lǐng)域，天網(wǎng)被稱為一般的超級(jí)智能，或者人工通用智能，這類軟件在各個(gè)方面都要比人腦更強(qiáng)大。

由于計(jì)算機(jī)能夠擴(kuò)展，這意味著我們能夠制造出更強(qiáng)、更快的計(jì)算機(jī)，然后把他們連接起來(lái)?？謶质莵?lái)自于這些機(jī)器人大腦的計(jì)算能力可能會(huì)增長(zhǎng)到一個(gè)深不可測(cè)的水平，如果他們真的聰明到那個(gè)地步，他們就會(huì)無(wú)法控制，并會(huì)繞過(guò)任何試圖關(guān)閉他們的人。這就是埃隆馬斯克和史蒂芬霍金這樣極其聰明的人所擔(dān)心的世界末日。正如馬斯克所言，雖然它們?cè)谀承╊I(lǐng)域的確擁有智能，但大多數(shù)主流人工智能研究人員都對(duì)召喚惡魔的說(shuō)法不以為然。盡管研究人員把學(xué)習(xí)的基本原理打破了，例如他們改變了如何去理解模式背后的意義，然后把這些新的理解組織成一個(gè)功能性的世界觀，目前還沒(méi)有證據(jù)表明電腦會(huì)有需求，欲望或著意志來(lái)存活，F(xiàn)acebook 人工智能研究中心的領(lǐng)導(dǎo)Yann Lecun說(shuō)道。

“當(dāng)我們受到威脅，我們嫉妒，我們想要獲得資源，比起陌生人我們更喜歡我們的近親，等等這些行為時(shí)，我們會(huì)變得更暴力，這些都是進(jìn)化中為了我們的生存而建立起來(lái)的。除非我們很明確的把這些基本行為建立到智能機(jī)器里，否則它們不會(huì)有這些行為?！彼赒uora上寫(xiě)道。

沒(méi)有證據(jù)表明計(jì)算機(jī)會(huì)認(rèn)為人類是一個(gè)威脅，因?yàn)闆](méi)有給計(jì)算機(jī)定義這樣的威脅。也許人類能夠定義它，并告知機(jī)器在一些參數(shù)中運(yùn)作，這些參數(shù)在功能上就像一個(gè)生存的意志，而這個(gè)意志并不存在。

谷歌公司的創(chuàng)始成員、百度前人工智能負(fù)責(zé)人吳恩達(dá)說(shuō)，“我說(shuō)過(guò)，我不擔(dān)心人工智能變邪惡的原因跟我不擔(dān)心火星上人口過(guò)多的原因是一樣的。” 但是有一個(gè)原因讓我們害怕人工智能：人類。

有證據(jù)表明，人工智能對(duì)從它學(xué)習(xí)的數(shù)據(jù)中獲取人類偏見(jiàn)很敏感。這些偏見(jiàn)可能是無(wú)害的，比如識(shí)別圖片中的貓比狗更常見(jiàn)，因?yàn)樗潜桓嗟呢垐D片訓(xùn)練出來(lái)的。但是，它們也可能會(huì)把刻板印象延續(xù)下去，比如相比其他性別或種族，AI更多的把醫(yī)生和白人男性聯(lián)系起來(lái)。如果一個(gè)有這種偏見(jiàn)的人工智能負(fù)責(zé)招聘醫(yī)生，那么它可能會(huì)對(duì)那些非白人男性的員工造成不公平。ProPublica的一項(xiàng)調(diào)查發(fā)現(xiàn)，用于判決那些被判有罪的人的算法存在種族偏見(jiàn)，因?yàn)槠鋵?duì)有色人種的人提出了更嚴(yán)厲的判決。衛(wèi)生保健數(shù)據(jù)通常不包括婦女，尤其是孕婦，這樣在向這些人提出醫(yī)療建議時(shí)，會(huì)導(dǎo)致系統(tǒng)功能不完整。由于這些機(jī)制之前是由人類來(lái)做的，而現(xiàn)在我們擁有一臺(tái)速度更快的超級(jí)強(qiáng)大的機(jī)器，我們就要確保它們能夠在我們的道德規(guī)范中公平而一致地做出這些決定。

要判斷一個(gè)算法是否有偏見(jiàn)并不容易，因?yàn)樯疃葘W(xué)習(xí)需要數(shù)以百萬(wàn)計(jì)的連接計(jì)算，通過(guò)所有這些小的決策來(lái)計(jì)算出它們對(duì)更大的決策的貢獻(xiàn)是非常困難的。因此，即使我們知道人工智能做出了一個(gè)糟糕的決定，我們也不知道它是什么原因，也不知道它是怎么做的，所以在它實(shí)施之前很難建立起一個(gè)機(jī)制來(lái)捕捉到偏見(jiàn)。

在自動(dòng)駕駛汽車這樣的領(lǐng)域，這個(gè)問(wèn)題尤其不穩(wěn)定。在自動(dòng)駕駛汽車上，每一項(xiàng)決定都可能事關(guān)生死。早期的研究表明，我們很有希望能夠逆轉(zhuǎn)我們所創(chuàng)造的機(jī)器的復(fù)雜性，但現(xiàn)在幾乎不可能知道為什么Facebook、谷歌或微軟的人工智能做出了任何決定。

功能性AI術(shù)語(yǔ)表：

算法：一套計(jì)算機(jī)要遵循的指令。一個(gè)算法可以是一個(gè)簡(jiǎn)單的單步程序也可以是一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)，但是通常被用來(lái)指一個(gè)模型。

人工智能：這是一個(gè)統(tǒng)稱。廣義上說(shuō)，軟件意味著模仿或取代人類智能的各個(gè)方面。人工智能軟件可以從圖像或文本、經(jīng)驗(yàn)、進(jìn)化或其他研究人員的發(fā)明等數(shù)據(jù)中學(xué)習(xí)。

計(jì)算機(jī)視覺(jué)：人工智能研究探索圖像和視頻識(shí)別和理解的領(lǐng)域。這個(gè)領(lǐng)域從了解蘋(píng)果的外觀，到蘋(píng)果的功能用途，以及與之相關(guān)的理念。它是被用作自動(dòng)駕駛汽車、谷歌圖像搜索以及Facebook上自動(dòng)貼標(biāo)簽的主要技術(shù)。

深度學(xué)習(xí)：一個(gè)神經(jīng)網(wǎng)絡(luò)被分層來(lái)理解數(shù)據(jù)中的復(fù)雜模式和關(guān)系的領(lǐng)域。當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)的輸出成為另一個(gè)神經(jīng)網(wǎng)絡(luò)的輸入時(shí)，有效地將它們疊加起來(lái)，由此產(chǎn)生的神經(jīng)網(wǎng)絡(luò)就是“深度”了。

普通智力：有時(shí)被稱為“強(qiáng)人工智能”，一般智能將能夠在不同的任務(wù)中學(xué)習(xí)和應(yīng)用不同的想法。

生成式對(duì)抗網(wǎng)絡(luò)：這是一個(gè)包含兩個(gè)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，一個(gè)是用來(lái)生成輸出的，另一個(gè)是用來(lái)檢驗(yàn)這個(gè)輸出的質(zhì)量是否是想要的輸出的神經(jīng)網(wǎng)絡(luò)。例如，當(dāng)試圖生成一個(gè)蘋(píng)果的圖片時(shí)，生成器將生成一個(gè)圖像，而另一個(gè)(稱為鑒別器)如果不能識(shí)別圖像中的一個(gè)蘋(píng)果，會(huì)使生成器再次嘗試生成。

機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)(ML)常常與術(shù)語(yǔ)人工智能結(jié)合在一起，是使用算法從數(shù)據(jù)中學(xué)習(xí)的慣例。

模型：模型是一種機(jī)器學(xué)習(xí)算法，它可以建立自己對(duì)某一主題的理解，或者它自己的世界模型。

自然語(yǔ)言處理：用于理解語(yǔ)言中思想的意圖和關(guān)系的軟件。

神經(jīng)網(wǎng)絡(luò)：通過(guò)連接起來(lái)的數(shù)學(xué)方程式的網(wǎng)絡(luò)，模擬大腦處理信息的方式以建立起來(lái)的算法。提供給神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)被分解成更小的塊并根據(jù)網(wǎng)絡(luò)的復(fù)雜性分析其基礎(chǔ)模式成千上萬(wàn)次。當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)的輸出被輸入到另一個(gè)神經(jīng)網(wǎng)絡(luò)的輸入時(shí)，這兩個(gè)神經(jīng)網(wǎng)絡(luò)就會(huì)鏈接到一起成為分層，成為一個(gè)深層的神經(jīng)網(wǎng)絡(luò)。通常，深度神經(jīng)網(wǎng)絡(luò)的層會(huì)分析越來(lái)越高的抽象層的數(shù)據(jù)，這意味著，在得到最簡(jiǎn)單和最準(zhǔn)確的數(shù)據(jù)表示之前，它們會(huì)將有用數(shù)據(jù)從沒(méi)有必要的數(shù)據(jù)中提取出來(lái)。

卷積神經(jīng)網(wǎng)絡(luò)：一個(gè)主要用來(lái)識(shí)別和理解圖像、視頻和音頻數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，因?yàn)樗軌蛱幚砻芗臄?shù)據(jù)，比如數(shù)百萬(wàn)像素的圖像或數(shù)千個(gè)音頻文件樣本。

遞歸神經(jīng)網(wǎng)絡(luò)：一種用于自然語(yǔ)言處理的神經(jīng)網(wǎng)絡(luò)，它可以周期性地、連續(xù)地分析數(shù)據(jù)，這意味著它可以處理像單詞或句子這樣的數(shù)據(jù)，同時(shí)在句子中保持它們的順序和上下文。

長(zhǎng)短期記憶網(wǎng)絡(luò)：一種周期性的神經(jīng)網(wǎng)絡(luò)的變體，它的是用來(lái)根據(jù)數(shù)據(jù)來(lái)保留結(jié)構(gòu)化的信息。例如，RNN可以識(shí)別句子中的所有名詞和形容詞，檢查它們是否被正確使用，但LSTM可以記住一本書(shū)的情節(jié)。

強(qiáng)化學(xué)習(xí)：一種能夠從經(jīng)驗(yàn)中學(xué)習(xí)的深度學(xué)習(xí)算法。是可以控制環(huán)境的某些方面的算法，比如視頻游戲的角色，然后通過(guò)反復(fù)試驗(yàn)和錯(cuò)誤來(lái)學(xué)習(xí)。由于它們是高度可重復(fù)的，作為三維世界的模型，并且已經(jīng)在電腦上玩了，許多強(qiáng)化學(xué)習(xí)的突破都來(lái)自于玩視頻游戲的算法。在DeepMind的AlphaGo中，RL是機(jī)器學(xué)習(xí)的主要類型之一，它在圍棋中擊敗了世界冠軍Lee Sedol。在現(xiàn)實(shí)世界中，在網(wǎng)絡(luò)安全等領(lǐng)域已經(jīng)證明了這一點(diǎn)，軟件學(xué)會(huì)了欺騙反病毒軟件，使其認(rèn)為惡意文件是安全的。

超級(jí)智能：比人腦還要更強(qiáng)大的人工智能。很難定義它因?yàn)槲覀內(nèi)匀粺o(wú)法客觀地衡量人類的大腦能做什么。

監(jiān)督式學(xué)習(xí)：在被訓(xùn)練的過(guò)程中，給其提供的數(shù)據(jù)是已經(jīng)組織好的、已經(jīng)被貼好標(biāo)簽的機(jī)器學(xué)習(xí)。如果你正在建立一種監(jiān)督式的學(xué)習(xí)算法來(lái)識(shí)別貓，你就可以在1000張貓的圖片上訓(xùn)練這個(gè)算法。

訓(xùn)練：通過(guò)提供數(shù)據(jù)來(lái)讓算法學(xué)習(xí)的過(guò)程。

無(wú)監(jiān)督學(xué)習(xí)：機(jī)器學(xué)習(xí)算法的一種，沒(méi)有給出任何關(guān)于它應(yīng)該如何對(duì)數(shù)據(jù)進(jìn)行分類的信息，并且必須找到它們之間的關(guān)系的算法。像Facebook LeCun這樣的人工智能研究人員將無(wú)人監(jiān)督的學(xué)習(xí)視為人工智能研究的圣杯，因?yàn)樗c人類自然學(xué)習(xí)的方式非常相似?！霸跓o(wú)人監(jiān)督的學(xué)習(xí)中，大腦比我們的模型好得多”，LeCun告訴IEEE光譜，“這就意味著我們的人工學(xué)習(xí)系統(tǒng)缺少了一些非常基本的生物學(xué)習(xí)原理”。

智創(chuàng)未來(lái) 發(fā)現(xiàn)智能新經(jīng)濟(jì)

第四4屆中國(guó)IOT大會(huì)，高通、微軟、華為、MathWorks、和而泰等大BOSS都來(lái)了，趕快報(bào)名吧。

“人工智能論壇”會(huì)議亮點(diǎn)

● 150位業(yè)內(nèi)人士與會(huì)，共同探討業(yè)界熱點(diǎn)與設(shè)計(jì)難點(diǎn)

● 知名專家介紹如何尋找AI應(yīng)用新場(chǎng)景

● 知名大公司分享AI最前沿研究和應(yīng)用成果

● 業(yè)內(nèi)專家揭秘人工智能在中國(guó)新趨勢(shì)

● 與業(yè)內(nèi)大咖面對(duì)面 ，遇見(jiàn)你的“中國(guó)合伙人"

掃描下方二維碼

立即報(bào)名中國(guó)IoT大會(huì)人工智能分論壇