数字经济头条 > 人工智能产品应用现状总览与未来思考(上)

人工智能产品应用现状总览与未来思考(上)

作者:数科邦 发布时间:2017-10-14 1633 0 0

【真假】“人工”智能

先从用户的角度,谈一下,现如今已经满大街都飞扬着的“人工智能”。

总结一下: 说自己是AI产品的,大部分都是人工的AI;你感受不到的,却处处有AI。

我觉得上面的总结形容地应该很贴切了,由于很多普通用户对技术实现上没有太大的概念,所以总是被一些带有迷惑性质的AI宣传所欺骗,最后自己使用之后,评价基本都是:“什么破人工智能,真笨!”。而真正的人工智能技术,其实已经进入我们的生活,只是我们未曾察觉,而好的技术就是这样,不需要大张旗鼓的宣扬,却真真切切的提高了我们生活的效率。

先说说我们能看到的那些“假”人工智能

很多所谓的“智能硬件”设备,它们通过人工的一些设定,达到自动的作用,但是如果情况有变, 我们希望更改设置时,就还需要人工的去设定,就非常的不智能了 。

但其实,是否需要人工设定,这个界限是有点模糊的,因为很多人工智能系统需要一个冷启动,但很多这样的智能硬件设备确实是一点AI的相关技术都没有用到,靠的是传感器显示和人工程序设定。

不过这类产品,可能也没想往AI上设计,但只是介于智能和普通之间,找不到其他好听的修饰词,所以便取了“智能”。就像刚出来的智能手机一样。 这里就再不细谈这些产品是否可以算入“假”的人工智能(因为人家也没有明确自己是AI产品),但是,确实,会给用户带来一定的混淆。

【弱】人工智能产品的前因后果

不过,真正使用了”Machine Learning”的【弱】人工智能产品,才是让用户说出“什么破人工智能”的祸首。

智能机器人: 现在市面上的机器人基本可以用能动的和不能动的来区分价位。在交互上,有纯语音交互的,也有视觉+语音的。这些产品集成了大量的机器学习和深度学习技术,一开始的亮相惊艳无比,但是慢慢的新鲜感就会下降。

其实出现这样的现象,根本的原因是这些产品无法自学习。虽然对比不同的交互,会有不同的设定,甚至在出现训练时没有输入过的陌生指令,也可以很好地拆解并做出反应。但是,这些算法始终都无法自学习(无监督学习),所以,某种意义上来讲,就是【弱】人工智能。

还有类似的:“智能推荐”、“个人语音助手”等,我们会发现都是在一定程度上的“智能”。这也是监督学习的一个弊端。机器无法自学习,在某种意义上就是【弱】人工智能。虽然,现在也有些“智能推荐”应用,可以根据用户的使用数据,不断学习用户行为迭代更新模型参数,但是,由于还是偏向学习用户历史行为数据,所以,这类的产品也会因为无法适应人类多变的兴趣和情感需求,而被诟病。

而对于,“聊天机器人”来讲,很多用户在使用过程中很容易跳戏,或者觉得并不智能。

清华大学的黄民烈博士表示,想要让机器像人一样与用户交流,还要需要几个关键点:


  • 需要给机器一个固定的人格和属性。

  • 要让机器知道交谈的话题是什么, 并且是在跟谁交谈。

  • 要考虑对话时的一些其他环境信息,甚至考虑多方面的综合感知信息:如语音、语调、姿态和表情。


不过,以上说的这些,都是人工智能呈现一个完整的闭环产品形式在展现, 涉及到的使用场景是非常广泛开放性的,所以用户无法真切地感受到AI给我们生活中的细节末梢带来的巨大变化。

系统化、闭环形式的产品,总是难以打造的。当技术未成熟时,人工智能,很难作为一个独立的载体,开放式地为人类服务。 但是,由于深度学习近几年的飞速发展,在一些细分领域上,人工智能已经可以胜任人类的工作,例如:人脸识别、智能安防、语音识别等等。

所以接下来,我们就来看看,应用了AI技术的产品都有哪些,如今的AI+ 是如何改变我们生活方式和产品形态的。

这些年我们遇见的人工智能

这一块的内容思前想后了半天,写了又删,删了又写,主要是不知道该如何逻辑清晰地把概况都总结下来。最后还是觉得用【产品形式】和【应用行业】这两个角度进行总结,虽然有交叉的地方,但是大部分都还是有区别的,尽量全面的了解一下AI的各种应用。

AI应用中的产品形式展现

首先,先上一个导图。我按照产品的输入形式分为了4种:文字、语音、图像、视频。接下来,按照AI技术如何处理这些输入或产品的输出形式进行了举例。

人工智能4.jpg

AI产品——产品形式

首先要提一下,由于深度学习大量地应用到这些领域的研究中,所以从2012年到现在,在上述的大部分领域中,学术界大幅地提升了算法的精度,这给产品化的应用带来了前提条件。因为,在学术界,可能提高1%就可以发论文;但是在工业界,需要有一个很高的精度,才能投入使用。并且,值得一提的是,在有些领域里,机器的准确率已经比人类还要高。

这里我们需要感谢软件硬件技术的不断发展,让我们得到了巨大的计算能力 。也要感谢互联网的不断发展,让我们积累了庞大的数据。最后,也得感谢Geoff Hinton、Yann LeCun等学术泰斗,他们的坚持和创造让学术界重新看到了深度学习的无限潜力。


标签:

评论:

您还可以输入0/300个字
        • 无搜索结果