人工智能的演講稿
演講稿可以按照用途、性質(zhì)等來(lái)劃分，是演講上一個(gè)重要的準(zhǔn)備工作。現(xiàn)如今，很多地方都會(huì)使用到演講稿，寫(xiě)起演講稿來(lái)就毫無(wú)頭緒？以下是小編幫大家整理的人工智能的演講稿，歡迎大家分享。
人工智能的演講稿1
尊敬的老師，親愛(ài)的同學(xué)們：
大家好！剛才大家對(duì)機(jī)器人開(kāi)車(chē)有一點(diǎn)想法，好像總是感覺(jué)不靠譜。汽車(chē)——這個(gè)曾經(jīng)被稱(chēng)之為改變了世界的機(jī)器，今天受到了人們的質(zhì)疑，最大的問(wèn)題是，汽車(chē)成了人類(lèi)的第一殺手。我們做一個(gè)簡(jiǎn)單的調(diào)查，你的親人、朋友、親人朋友的朋友，在這個(gè)大朋友圈里，你有沒(méi)有發(fā)現(xiàn)，其中會(huì)有一個(gè)人曾經(jīng)受到過(guò)汽車(chē)事故的傷害？我看到有人點(diǎn)頭了，人類(lèi)開(kāi)車(chē)，更多的情況下，不是汽車(chē)的動(dòng)力學(xué)性能不好，而是人有更多的智能要釋放，他要看路邊的美女好看不好看，結(jié)果壞事了，這叫做注意力轉(zhuǎn)移。情緒不穩(wěn)定，不是我們注意一點(diǎn)就可以的，因?yàn)槿耸莻�(gè)認(rèn)知主體，他一定要開(kāi)小差的，他一定要睡眠的，他一定會(huì)疲勞的，所以車(chē)禍的百分之八十左右都是人為事故，不是車(chē)子不好，所以人們對(duì)這個(gè)人類(lèi)殺手是耿耿于懷的。我們發(fā)明了汽車(chē)，為什么讓它造成我們的不幸呢？
人們對(duì)汽車(chē)的最大意見(jiàn)應(yīng)該是把駕駛者的活，交給計(jì)算機(jī)、交給人工智能、交給科學(xué)技術(shù)。所以我們就千方百計(jì)地提高無(wú)人駕駛的可靠性、安全性。經(jīng)過(guò)我們的初步估算，人開(kāi)車(chē)的可靠性是十的負(fù)三次方，千分之一；而如果改成機(jī)器人開(kāi)車(chē)，計(jì)算的結(jié)果是十的負(fù)五次方，比人開(kāi)車(chē)的事故率會(huì)降低百分之一，所以安全問(wèn)題就解決了。
大家都比較關(guān)注剛才看到的那些攝像頭，這些攝像頭大概跟手機(jī)的那個(gè)攝像頭的價(jià)格差不多，一兩百塊錢(qián)就可以了。但是，要想看紅綠燈，看高速行駛的障礙物，這個(gè)攝像頭還是需要有一些特殊能力的，比如說(shuō)高動(dòng)態(tài)。大家知道攝像頭的一個(gè)最大問(wèn)題就是光照，夜間要開(kāi)車(chē)，大霧天也要開(kāi)車(chē)，所以攝像頭的難度很大。我想告訴大家光有傳感器還不夠，這就是認(rèn)知的作用，智能車(chē)本質(zhì)上就是駕駛認(rèn)知的形式化，需要一個(gè)腦子來(lái)認(rèn)知。
重點(diǎn)是要講一下駕駛腦。我們?nèi)ツ暧靡惠v大客車(chē)和幾輛小轎車(chē)，從鄭州到開(kāi)封實(shí)現(xiàn)了全程的無(wú)人駕駛。我們課題組利用這么多年的時(shí)間專(zhuān)門(mén)從事駕駛腦、駕駛認(rèn)知的形式化，還是嘗到了一些興奮點(diǎn)，這件事情不是那么容易的。鄭州到開(kāi)封的實(shí)驗(yàn)成功之后，美國(guó)一個(gè)叫做“連線”的網(wǎng)站給我們做了個(gè)評(píng)論，它說(shuō)：谷歌那個(gè)小車(chē)子叫smart car，固然性感，大車(chē)子也性感，我才知道智能公交車(chē)，還可以用“性感”這個(gè)詞來(lái)形容。在智能駕駛當(dāng)中，我們實(shí)際上走了很多的路程，20xx年，我們從北京到天津，在高速公路封閉的道路上做無(wú)人駕駛，大家可以看一看這段視頻，是三四年前的事情了。
當(dāng)時(shí)的媒體也很震驚，覺(jué)得我們從北京到天津無(wú)人駕駛很了不起，其實(shí)震驚的不應(yīng)該是這件事，而是我們汽車(chē)的頭頂上沒(méi)有頂美國(guó)的64線激光雷達(dá)。我們用的比較簡(jiǎn)單的雷達(dá)就把它做到了，我覺(jué)得這一點(diǎn)還是值得驕傲的。很多開(kāi)車(chē)的朋友都說(shuō)開(kāi)車(chē)是個(gè)樂(lè)趣，是人追求驚喜歷險(xiǎn)的樂(lè)趣，我們用上海汽車(chē)集團(tuán)的一輛新概念車(chē)叫iGS，做了一個(gè)賽車(chē)考駕照的科目，叫做十八米繞樁，既要快又不能碰到錐形標(biāo)。你看，又要快又不能碰到這個(gè)錐形標(biāo)。智能駕駛是個(gè)不可改變的方向，我們?nèi)艘谲?chē)?yán)锩娓墒裁茨兀績(jī)?yōu)雅地享受移動(dòng)生活呀，這多好呀。
人工智能六十年了，今天我們來(lái)看人工智能在我們這一代人身上到底發(fā)生了多大的變化。今年AlphaGo圍棋跟九段圍棋手李世石下了五盤(pán)，四比一贏了，震撼了全世界。不知道在座的有沒(méi)有看看這個(gè)圍棋現(xiàn)場(chǎng)，我想問(wèn)一問(wèn)，圍棋是我們中國(guó)的傳統(tǒng)文化，在座的會(huì)下圍棋的舉下手，還是少了一點(diǎn)。AlphaGo圍棋能贏，反映了我們?nèi)斯ぶ悄茉诒寂艿牡缆飞弦呀?jīng)有了一個(gè)新的里程碑。我想了一下，你到汽車(chē)裝配廠，到很多生產(chǎn)線去看，都是工業(yè)機(jī)器人在干活，這是一個(gè)方面，所以我們國(guó)家提出了智能制造20xx。另外還有一個(gè)方面，就是農(nóng)業(yè)。大家知道由于現(xiàn)在我們國(guó)家的城鎮(zhèn)化，使得很多農(nóng)村人到城里來(lái)了，尤其是青年人。中國(guó)的下一代農(nóng)民的平均年齡你們想過(guò)沒(méi)有，可能是多少歲？
我先告訴你們兩個(gè)數(shù)字，日本的農(nóng)民的平均年齡是65歲，美國(guó)的農(nóng)民的平均年齡是60歲，中國(guó)的農(nóng)民將來(lái)可能是50歲。年輕人都出來(lái)了，那靠什么呢？下一代的新農(nóng)民就是無(wú)人拖拉機(jī)、無(wú)人收割機(jī)、農(nóng)用無(wú)人機(jī)。所以我們可以憧憬一下，人工智能給我們的精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)展示了很好的前景。尤其是服務(wù)機(jī)器人，我家里有個(gè)鬧鐘，六點(diǎn)鐘就響，在一定程度上也可以叫作叫醒機(jī)器人，只不過(guò)比較簡(jiǎn)單。如果你家里有很多家務(wù)活，而一個(gè)人有十個(gè)機(jī)器人為你服務(wù)，我們不是可以更加有尊嚴(yán)、更加優(yōu)雅、更加有智慧地生活嗎？所以我的觀點(diǎn)是：大家對(duì)人工智能還要多想一點(diǎn)，就像我們對(duì)科學(xué)要有一顆敬畏之心一樣，對(duì)人工智能也要有一顆敬畏之心。我們一定可以與機(jī)器人共舞，而且在共舞的過(guò)程當(dāng)中，我想人類(lèi)還是領(lǐng)舞者。
人工智能的演講稿2
尊敬的老師，親愛(ài)的同學(xué)們：
大家好！我們不難發(fā)現(xiàn)，在這個(gè)人工智能已悄然來(lái)臨的時(shí)代，比起去擔(dān)心我們會(huì)不會(huì)被人工智能所“統(tǒng)治”，我們更應(yīng)該擔(dān)心的，是自己會(huì)不會(huì)被其“同化”
蘋(píng)果公司總裁庫(kù)克，對(duì)人工智能的降臨會(huì)不會(huì)使人類(lèi)像計(jì)算機(jī)一樣思考而失去了價(jià)值觀和同情心從而導(dǎo)致罔顧后果也表達(dá)了同樣的擔(dān)心。從庫(kù)克的擔(dān)憂中我們很容易就可以分析出，他認(rèn)為人類(lèi)于人工智能而言所擁有的絕對(duì)優(yōu)勢(shì)就是人類(lèi)的價(jià)值觀與同情心。用更通俗一點(diǎn)的話來(lái)說(shuō)，就是人情味兒。而若從哲學(xué)的角度上說(shuō)，人類(lèi)所具有的判斷事物價(jià)值從而決定自己行為與對(duì)人或事的關(guān)愛(ài)，這是人工智能所無(wú)法達(dá)到的。但可怕的是，如果有一天，這些東西從我們的生活中離開(kāi)，那我們所面對(duì)的，不就是一個(gè)冰冰冷的世界了？
其實(shí)也不用那么悲觀，這不是一道單選題，非要人類(lèi)與人工智能之間拼個(gè)你死我活。在羅振宇的跨年演講《時(shí)間的朋友》中，他提出的五只黑天鵝概念之一就是人工智能時(shí)代。他認(rèn)為有一部分人對(duì)于人工智能太負(fù)面了。我們都說(shuō)事物是具有矛盾性的，人工智能亦是如此。而更重要的是我們要抓住其中的主要矛盾方面，我們一定不能忘記人工智能給我們帶來(lái)的“利”。前不久阿里巴巴在線下嘗試開(kāi)辦了一個(gè)”自助超市“，體驗(yàn)過(guò)的人無(wú)不驚嘆其高效、快捷。通過(guò)人臉識(shí)別掃描等操作就可以完成自助購(gòu)物。在今后的生活中，這樣的自助模式會(huì)越來(lái)越常見(jiàn)。比起生活更便捷，也許有很多人擔(dān)心會(huì)不會(huì)有越來(lái)越多的崗位被人工智能所頂替，失業(yè)率會(huì)上升。其實(shí)我們完全可以把人工智能變成一種資本，讓它為我們服務(wù)，而我們?yōu)樗鼈儎?chuàng)造價(jià)值。
前不久同樣令人關(guān)注的還有阿爾法GO擊敗人類(lèi)，記得在《開(kāi)學(xué)第一課》上，節(jié)目組請(qǐng)到柯潔，他說(shuō)被阿爾法GO擊敗這其實(shí)沒(méi)什么，它的成功是人類(lèi)創(chuàng)造程序后輸入無(wú)數(shù)數(shù)據(jù)再進(jìn)行統(tǒng)計(jì)計(jì)算所得到的�？晌覀儾灰粯�，我們是有思想的血肉之軀，我們的世界并不是人工智能那樣非黑即白、冷酷無(wú)情的，我們是帶有主觀情感的高級(jí)生物。我們與人工智能是有本質(zhì)區(qū)別的，但同時(shí)，我們也都有自己存在的意義。
在人工智能不斷發(fā)展的這個(gè)時(shí)代，我們對(duì)人工智能的前景充滿希望。而在對(duì)于未來(lái)人工智能會(huì)帶給我們什么還未可知的情況下，我們?nèi)詰?yīng)保持積極的心態(tài)去面對(duì)，將兩者放于一個(gè)平等的地位。此時(shí)我們能做的，就是堅(jiān)持自己的價(jià)值觀，保持著自己的這顆同情心，做事三思而后行，而不是像人工智能那樣用冰冷的程序代碼計(jì)算后再得到結(jié)果。
人工智能的演講稿3
大家好，今天非常高興、非常榮幸能參加這樣一個(gè)盛會(huì)。今天我給帶來(lái)的演講是我的一點(diǎn)學(xué)習(xí)心得，題目叫做自學(xué)習(xí)的人工智能。首先大家都知道在60周年之際，我們首先應(yīng)該記住的是這位人工智能的先驅(qū)，圖靈。在他的問(wèn)題的感召下，我們就有了今天這樣的一個(gè)盛會(huì)和今天人工智能的飛速發(fā)展。他的問(wèn)題，機(jī)器可以思維嗎?可以從不同的維度來(lái)解釋?zhuān)敲词紫热祟?lèi)對(duì)人工智能的一個(gè)探索也可以圍繞對(duì)問(wèn)題不同解釋的探索。
第一個(gè)探索，應(yīng)該說(shuō)是在邏輯層面的探索。60年代人工智能的這些先驅(qū)就考慮用邏輯和搜索來(lái)研究人工智能，比如下棋、推理，比如說(shuō)可以去做路徑規(guī)劃等等。那么他們有一個(gè)很強(qiáng)的假設(shè)，這個(gè)假設(shè)應(yīng)該說(shuō)從某種程度上來(lái)說(shuō)是非常直觀的。智能包括計(jì)算機(jī)可能賦予的智能，是來(lái)自于計(jì)算物理符號(hào)的排列組合，我們只要能很聰明的把這些物理符號(hào)排列組合的話，人類(lèi)是可以從一系列的零和一的組合來(lái)得到。有了一些成就之后也發(fā)現(xiàn)這樣的假設(shè)是有它的瓶頸的。在之后大家又有一部分人著力于研究能夠有學(xué)習(xí)功能的人工智能，就有不同的學(xué)習(xí)算法，機(jī)器學(xué)習(xí)的計(jì)算法被研究出來(lái)。其中包括大家都熟悉的人工神經(jīng)網(wǎng)絡(luò)。
人工智能的幾個(gè)里程碑我們現(xiàn)在也很熟悉，第一個(gè)大家公認(rèn)的是里程碑是深藍(lán)，這個(gè)比賽意味著幾件事。一個(gè)是說(shuō)在大規(guī)模的搜索的狀態(tài)下，在可能的狀態(tài)空間的搜索，實(shí)際上是一個(gè)在物理符號(hào)的空間的排列組合。也就是說(shuō)在60年代人們的那些假設(shè)有一部分是正確的，我們確實(shí)可以從這種搜索和物理符號(hào)的排列組合獲得很多的智能。
緊接著的階段是，知識(shí)就是力量，這是隨著互聯(lián)網(wǎng)和大數(shù)據(jù)到來(lái)的一個(gè)熱潮，從網(wǎng)上，從不同的媒體我們會(huì)獲得很多數(shù)據(jù)，把這些數(shù)據(jù)經(jīng)過(guò)沉淀變成知識(shí)，我們就可以贏得像這樣一個(gè)電視大賽中的人機(jī)對(duì)戰(zhàn)。
這個(gè)之后，剛剛芮勇博士也深入的回顧了一下最近的人工智能的突破，就是深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)的突破從計(jì)算上來(lái)說(shuō)有幾個(gè)好處，其中一個(gè)好處是說(shuō)它把一個(gè)全局計(jì)算的需求變成一個(gè)本地計(jì)算的需求，在做到這樣的一個(gè)同時(shí)呢，又不失掉很多的信息，這個(gè)是計(jì)算機(jī)里面無(wú)數(shù)成就的一個(gè)中心點(diǎn)。這樣的一個(gè)成功就使得我們能夠在不同的層次來(lái)觀察同一個(gè)數(shù)據(jù)，同樣就可以獲得我們所謂的大局觀。就像這個(gè)圖，我們?cè)诓煌膶哟慰梢缘玫讲煌奶卣鳌?/p>
這里我們要特別強(qiáng)調(diào)的是人工智能也在另外一個(gè)方面潛移默化的默默的在耕耘，這個(gè)就叫做強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)應(yīng)該說(shuō)是用來(lái)做人工智能規(guī)劃的有力工具，但不是唯一的規(guī)矩。規(guī)劃這個(gè)領(lǐng)域相對(duì)深度學(xué)習(xí)應(yīng)該說(shuō)更古老，研究的力度也很多。但在很長(zhǎng)時(shí)間一段處于靜默狀態(tài)，這個(gè)原因是因?yàn)樗谟?jì)算上有很大的瓶頸，不能有很大得數(shù)據(jù)量。一個(gè)例子就是強(qiáng)化學(xué)習(xí)在很長(zhǎng)時(shí)間以來(lái)只能解決一些玩具型的問(wèn)題，非常小的數(shù)據(jù)。但是最近的一個(gè)突破是Google的DeepMind，把深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)合在一起，這樣的一個(gè)議題使得很多強(qiáng)化學(xué)習(xí)所需要突破的瓶頸，就是狀態(tài)的個(gè)數(shù)能隱藏起來(lái)。這種隱藏就使得強(qiáng)化學(xué)習(xí)能夠大規(guī)模的應(yīng)付數(shù)據(jù)，就是說(shuō)應(yīng)付大數(shù)據(jù)。它突出的一點(diǎn)叫做端到端的學(xué)習(xí)，就是說(shuō)我們?cè)谶@里看到一個(gè)計(jì)算機(jī)的游戲，這個(gè)游戲的影像是輸入端，輸出端就是你要進(jìn)行的下一個(gè)動(dòng)作。這個(gè)動(dòng)作是正確還是不正確，到最后會(huì)獲得一個(gè)反饋，這個(gè)反饋不一定是現(xiàn)在得到，也許是后面幾步得到的。這一點(diǎn)和我們剛剛講的深度學(xué)習(xí)在圖像上面的應(yīng)用，就大不一樣。就更加復(fù)雜，更加契合人的行為，所以強(qiáng)化學(xué)習(xí)也是下一個(gè)突破。
我們看到這種端到端的深度學(xué)習(xí)，應(yīng)用在強(qiáng)化學(xué)習(xí)上，使得DeepMind到今天在很古老的單人的計(jì)算機(jī)游戲上已經(jīng)把人類(lèi)完全擊倒，它做到這樣是通過(guò)完全的自學(xué)習(xí)，自我修煉、自我改正，然后一個(gè)一個(gè)迭代。這個(gè)就是它迭代的一些結(jié)果，從左到右是一個(gè)時(shí)間軸，從下到上是它得到的效果。我們看到每一個(gè)游戲它的要求都是在不斷成長(zhǎng)的，就像我們一個(gè)學(xué)生在學(xué)習(xí)的過(guò)程當(dāng)中學(xué)到的知識(shí)越來(lái)越多，這個(gè)完全是自我實(shí)現(xiàn)，一個(gè)自學(xué)習(xí)的過(guò)程。
包括現(xiàn)在的AlphaGo也應(yīng)用了很多自學(xué)習(xí)的這種效果，使得我們現(xiàn)在終于認(rèn)清原來(lái)人工智能從60年代到20xx年的物理符號(hào)的假設(shè)，也就是說(shuō)以搜索為中心，以邏輯為中心的這種努力并沒(méi)有白費(fèi)，這種努力也是需要的。另外學(xué)習(xí)也是必不可少的，像我們熟知的深度學(xué)習(xí)。所以AlphaGo對(duì)我們的啟示，就是我們把兩者結(jié)合起來(lái)，才是一個(gè)完整的智能機(jī)器。這個(gè)我們可以叫做人工智能的通用性，也就是說(shuō)我們對(duì)于這兩個(gè)技術(shù)的某種結(jié)合，比方說(shuō)多一點(diǎn)搜索，少一點(diǎn)機(jī)器學(xué)習(xí)，或者反之我們夠可以得到用來(lái)解釋不同的人類(lèi)的智能行為。這種通用型，端到端的學(xué)習(xí)，可以用這個(gè)例子來(lái)表達(dá)。就是這個(gè)雞可以吃不同的食物，但是它下的蛋都是對(duì)人類(lèi)有用的。
這里我要特別提到一點(diǎn)，我們并不是找到了最后的目標(biāo)，這也是在不同的人工智能、強(qiáng)化學(xué)習(xí)，等等之類(lèi)的實(shí)驗(yàn)當(dāng)中我們發(fā)現(xiàn)一個(gè)特點(diǎn)。就是我們不能完全的依靠機(jī)器去全部自動(dòng)化的自我學(xué)習(xí)，至少到現(xiàn)在我們還沒(méi)有摸索出這樣一個(gè)路徑。這里是大學(xué)的例子，中文是永動(dòng)機(jī)器學(xué)習(xí)，就是說(shuō)這個(gè)機(jī)器不斷的在網(wǎng)上爬一些網(wǎng)頁(yè)，在每個(gè)網(wǎng)頁(yè)里面都學(xué)到一些知識(shí)，把這些知識(shí)綜合起來(lái)，變成幾千萬(wàn)條知識(shí)，這些知識(shí)又會(huì)衍生新的知識(shí)。那么我們看到從下到上是隨著時(shí)間，知識(shí)量的增長(zhǎng)。那么它到了某一個(gè)程度實(shí)際上是不能再往上走了，因?yàn)橹R(shí)會(huì)自我矛盾。這個(gè)時(shí)候就需要人進(jìn)來(lái)進(jìn)行一部分的調(diào)節(jié)，把一部分不正確的知識(shí)去掉，讓它繼續(xù)能成長(zhǎng)。這個(gè)過(guò)程為什么會(huì)發(fā)生呢?是因?yàn)闄C(jī)器學(xué)習(xí)一個(gè)很?chē)?yán)重的現(xiàn)象，就是自我偏差，這種偏差就可以體現(xiàn)在這種統(tǒng)計(jì)學(xué)的一個(gè)重要的概念，就是我們獲得的數(shù)據(jù)也許是一個(gè)有偏數(shù)據(jù)，我們可能建了一個(gè)模型，對(duì)大部分的數(shù)據(jù)都有用，但其中有一些特例。我們?nèi)绾蝸?lái)處理這些特例，如何來(lái)處理我們訓(xùn)練數(shù)據(jù)和應(yīng)用數(shù)據(jù)之間的偏差，這個(gè)是我們下一步要研究的內(nèi)容。
一個(gè)非常有希望的技術(shù)叫做遷移學(xué)習(xí)，比方說(shuō)這個(gè)是在深度學(xué)習(xí)的模型上，在上面這一部分是一個(gè)領(lǐng)域已經(jīng)訓(xùn)練好的模型。那么在一個(gè)新的領(lǐng)域，如果這兩個(gè)領(lǐng)域之間有某種聯(lián)系、某種相似性的話，我們就不一定在新的領(lǐng)域需要那么多的數(shù)據(jù)來(lái)學(xué)習(xí)，你只需要一小部分。我們之所以能做到這一點(diǎn)是我們可以把大部分的模型給遷移過(guò)來(lái)，我們?nèi)擞羞@種能力，但是我們?cè)谧鲞@種數(shù)據(jù)遷移的過(guò)程中，我們一定要牢記把這種有偏的數(shù)據(jù)偏差給消除掉。如果能做到這點(diǎn)我們就能做到不同形式的數(shù)據(jù)之間的知識(shí)遷移，比方說(shuō)我們可以讓一個(gè)計(jì)算機(jī)來(lái)讀很多文字，這樣的一個(gè)計(jì)算機(jī)去識(shí)別圖像，應(yīng)該比沒(méi)有讀這些文字，直接去學(xué)習(xí)圖像來(lái)的要容易。這個(gè)就更像我們?nèi)祟?lèi)的學(xué)習(xí)。這種學(xué)習(xí)也離不開(kāi)從下到上，從粗到細(xì)這樣的一種特征的選擇。
所以我們又得到另外一個(gè)概念，就是特征工程。深度學(xué)習(xí)給我們的一個(gè)有力的工具是能夠自動(dòng)的進(jìn)行不同層次，進(jìn)行大規(guī)模的新特征的抽取和特征的制造。那么這種特征在搜索引擎、廣告系統(tǒng)上面，可以達(dá)到萬(wàn)億級(jí)，也就是說(shuō)這個(gè)已經(jīng)完全不是人類(lèi)所可以控制的級(jí)別了。那么智能在這樣的級(jí)別上才可以產(chǎn)生。
但是現(xiàn)在人工智能仍然有一些困境，比方說(shuō)如何能夠讓人工智能來(lái)深層的理解文字，有一個(gè)著名的類(lèi)似于圖靈測(cè)試的比賽，深層次理解文字，這個(gè)是在自然語(yǔ)言上問(wèn)一些有歧異的問(wèn)題，計(jì)算機(jī)如果要能正確的回答這個(gè)問(wèn)題，那個(gè)模型不僅僅理解這些文字，而且要理解深層的背景文字，要理解周邊的文字，有很多文化在里面，如何能達(dá)到這一點(diǎn)?也是我們需要解決的。
同時(shí)深度模型還可以把它反轉(zhuǎn)，成為一種生成膜型。它不僅可以去對(duì)數(shù)據(jù)做一個(gè)決策，它還可以自己產(chǎn)生數(shù)據(jù)，可以產(chǎn)生新的數(shù)據(jù)。比方說(shuō)這個(gè)是Google的一些研究員把一個(gè)深層模型里面的感知最深刻的那些圖像給描述出來(lái)，結(jié)果是這樣的，就非常有趣的生成膜型。
剛剛講的不同數(shù)字格式之間，文字和圖像之間，如果在深層實(shí)際上它們的區(qū)別已經(jīng)消失了。那這樣我們就可以對(duì)圖像去問(wèn)文字的問(wèn)題，甚至對(duì)文字去問(wèn)圖像的問(wèn)題。這樣數(shù)據(jù)的形式也就不重要了。
如果我們達(dá)到了遷移學(xué)習(xí)的要點(diǎn)，我們想問(wèn)下一步是不是可以把所有人類(lèi)經(jīng)歷過(guò)的這些學(xué)習(xí)的任務(wù)給沿著時(shí)間軸串起來(lái)，能夠讓機(jī)器向人一樣的，它的學(xué)習(xí)能力，它的智能在不斷的增長(zhǎng)，隨著時(shí)間。那么它所需要學(xué)習(xí)的努力程度，樣本數(shù)也是逐漸減少的。這個(gè)也是我們?cè)谂Φ囊粋�(gè)方向。
另外最近發(fā)表了一篇文章也說(shuō)明了遷移學(xué)習(xí)的重要性。這個(gè)文章叫做bayesianprogram learning，這是從一個(gè)例子就能學(xué)會(huì)，我們知道深度學(xué)習(xí)是千萬(wàn)個(gè)例子的。實(shí)際上它用了我們過(guò)去沒(méi)有涉及到的概念，就叫做結(jié)構(gòu)，如果我們了解了一個(gè)問(wèn)題的結(jié)構(gòu)，那么這個(gè)結(jié)構(gòu)的一個(gè)具體的形式只用一個(gè)例子就可以學(xué)會(huì)了。其他的部分，需要很多例子的那一部分可能是參數(shù)、統(tǒng)計(jì)，這一部分我們實(shí)際上可以通過(guò)遷移學(xué)習(xí)來(lái)學(xué)習(xí)。也就是說(shuō)整個(gè)這個(gè)圓就圓滿了，就是一個(gè)閉環(huán)了。
同時(shí)人工智能的應(yīng)用也不僅僅是在圖像方面，這里的一個(gè)例子是亞馬遜的倉(cāng)儲(chǔ)機(jī)器人。亞馬遜的倉(cāng)儲(chǔ)機(jī)器人是在一個(gè)很大的空間，這些機(jī)器人會(huì)把這些貨架，每個(gè)貨架上面都有不同的貨品，把這些貨架偷到工人的面前，讓工人從貨架上面拿所需的貨品到箱子里面，然后快遞給客戶。為什么是這樣呢?因?yàn)楝F(xiàn)在的機(jī)器人技術(shù)在選擇，從貨架上選擇物體還遠(yuǎn)遠(yuǎn)不如人的熟練程度，但是它在路徑規(guī)劃，在機(jī)械的啟動(dòng)、抬起、放下已經(jīng)超過(guò)人了。所以亞馬遜的就很聰明的把機(jī)器的優(yōu)點(diǎn)和人的優(yōu)點(diǎn)結(jié)合在一起，變成一個(gè)新的商業(yè)模式。如果過(guò)去建一個(gè)倉(cāng)儲(chǔ)在支持這個(gè)城市亞馬遜所有的物流的話，需要三個(gè)月時(shí)間，他用了這個(gè)把所有的傳送帶拆掉，變成機(jī)器人以后只用三天時(shí)間，這個(gè)收益是非常巨大的，也就是我們可以借鑒，可以拓展的一個(gè)經(jīng)驗(yàn)。
下面要講的，不僅在機(jī)器人，在圖像識(shí)別，實(shí)際上在我們的生活當(dāng)中，人工智能已經(jīng)深入了。這里舉的一個(gè)例子是我和我的一個(gè)學(xué)生戴文淵，建的一個(gè)公司，第四范式，這個(gè)公司可以讓過(guò)去在金融領(lǐng)域只能由人來(lái)服務(wù)重要的客戶，由人工智能來(lái)把這個(gè)能力拓展到幾千萬(wàn)人，讓每個(gè)人都享受到優(yōu)質(zhì)的金融服務(wù)。這是一個(gè)非常大的工程。它背后的技術(shù)就是機(jī)器學(xué)習(xí)，我們所熟知的深度學(xué)習(xí)、知識(shí)學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。
最后我要說(shuō)幾點(diǎn)，我們看到這么多人工智能的努力，人工智能的有失敗的時(shí)候，有成功的時(shí)候，我們到現(xiàn)在能總結(jié)出什么經(jīng)驗(yàn)?zāi)?我覺(jué)得現(xiàn)在的人工智能的成功離不開(kāi)高質(zhì)量的大數(shù)據(jù)，但是并不是未來(lái)的人工智能的成功一定需要大數(shù)據(jù)。那么我們下面要問(wèn)是不是在未來(lái)有小數(shù)據(jù)也可以讓人工智能成功，這就是今天我覺(jué)得在大學(xué)里面應(yīng)該做的一個(gè)研究，在工業(yè)上大家還在開(kāi)疆拓土，利用大數(shù)據(jù)的優(yōu)勢(shì)在發(fā)現(xiàn)新的應(yīng)用利于。
第二個(gè)，就是要培養(yǎng)出更多的人工智能的人才。這些人才才可以來(lái)設(shè)計(jì)算法，這個(gè)也是我們今天在大學(xué)里面需要努力的一個(gè)方向。當(dāng)然這些都離不開(kāi)計(jì)算能力。
所以從這幾點(diǎn)上來(lái)看人工智能的努力也不是像有些人說(shuō)的，今天的人工智能的發(fā)展完全在工業(yè)，人工智能的發(fā)展也應(yīng)該一部分依靠大學(xué)，一部分依靠工業(yè)。就像我們所說(shuō)的大數(shù)據(jù)和人才的培養(yǎng)，小數(shù)據(jù)的研究。那么大數(shù)據(jù)的開(kāi)疆拓土更多的應(yīng)用，和更多的計(jì)算能力，確實(shí)來(lái)自于工業(yè)。所以這兩種結(jié)合我覺(jué)得是我們今后發(fā)展的一個(gè)方向。
最后我要說(shuō)一點(diǎn)，就是說(shuō)我們應(yīng)該說(shuō)已經(jīng)了解很多深度學(xué)習(xí)了，這個(gè)可以作為我們昨天的一個(gè)成就。那么今天我們?cè)趧倓傞_(kāi)始去獲得強(qiáng)化學(xué)習(xí)的一個(gè)紅利，那么這個(gè)可能還不是在很多的領(lǐng)域得到應(yīng)用的，但是我要告訴大家的是，強(qiáng)化學(xué)習(xí)比大家想象的要更有用，比方說(shuō)它不僅僅是在圍棋或者是在計(jì)算機(jī)游戲上。在金融，在我們?nèi)粘Ｉ町?dāng)中，甚至在教育上，機(jī)器人的規(guī)劃都離不開(kāi)強(qiáng)化學(xué)習(xí)。那么這些應(yīng)該說(shuō)都是富人的游戲，也就是說(shuō)只有富人才能有這么多的大數(shù)據(jù)，有這么多的計(jì)算量去支持深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)這樣的實(shí)際應(yīng)用。那么我們明天要看到的應(yīng)該是遷移學(xué)習(xí)，因?yàn)檫w移學(xué)習(xí)能夠讓我們把大數(shù)據(jù)得到的模型遷移到小數(shù)據(jù)上面，使得千千萬(wàn)萬(wàn)的人都能夠受益，也就是說(shuō)人人都能享受人工智能帶來(lái)的紅利。我今天講到這兒，謝謝大家。
人工智能的演講稿4
尊敬的老師，親愛(ài)的同學(xué)們：
大家好！我在的部門(mén)在百度叫做深度學(xué)習(xí)實(shí)驗(yàn)室，這是20xx年的時(shí)候在百度成立的專(zhuān)注于深度學(xué)習(xí)的實(shí)驗(yàn)室，應(yīng)該是全世界在工業(yè)里面第一個(gè)專(zhuān)注于深度學(xué)習(xí)研究的實(shí)驗(yàn)室。我今天要和大家分享的首先是看一下最近幾年來(lái)人工智能在圖像語(yǔ)言方面的最新的進(jìn)展，以及分享一下我對(duì)人工智能目前它缺少的東西，以及以后我們未來(lái)可以去繼續(xù)工作的方向。
人工智能這個(gè)概念最近幾年非�；�，我們看到人工智能傳統(tǒng)的一些研究方向，像計(jì)算機(jī)視覺(jué)，還有語(yǔ)音識(shí)別，這些方面在最近幾年都有了過(guò)去幾十年不可想象的巨大進(jìn)展。尤其是上個(gè)月Googel的AlphaGo和李世石下的那盤(pán)棋以后，更是激起了大家對(duì)人工智能高度的熱情。為什么人工智能在最近幾年有快速的發(fā)展呢?一個(gè)最重要的原因就是我們通過(guò)了幾十年的積累，我們現(xiàn)在已經(jīng)有了非�？捎^的計(jì)算能力，同時(shí)在這個(gè)計(jì)算能力的基礎(chǔ)上，可以在一個(gè)可接受的時(shí)間內(nèi)處理大數(shù)據(jù)。我們最近幾年因?yàn)樯疃葘W(xué)習(xí)的發(fā)展，給我們提供了一個(gè)非常靈活的，非常具有建模能力的學(xué)習(xí)系統(tǒng)，正是因?yàn)檫@兩者的結(jié)合，它能夠把我們大數(shù)據(jù)后面蘊(yùn)藏各種豐富復(fù)雜的關(guān)系，能夠把它提取出來(lái)。從而成為我們?nèi)斯ぶ悄芸焖偾斑M(jìn)的巨大推動(dòng)力。
因?yàn)榭吹缴疃葘W(xué)習(xí)的巨大潛力，百度也投入了非常多的力量來(lái)開(kāi)發(fā)一個(gè)深度學(xué)習(xí)的訓(xùn)練和運(yùn)算平臺(tái)。這個(gè)平臺(tái)叫做PADDLE。那它的目的就是為了把深度學(xué)習(xí)更好的應(yīng)用到百度的各種產(chǎn)品里面去，讓它更方便的，更好的提高我們的用戶體驗(yàn)，提高智能度。我們這個(gè)深度學(xué)習(xí)的平臺(tái)能支持各種豐富的數(shù)據(jù)類(lèi)型，比如說(shuō)像二維圖像數(shù)據(jù)，或者是詞的訓(xùn)練數(shù)據(jù)，尤其像工業(yè)界非常重要的上千億的稀疏數(shù)據(jù)，也能非常有效的支持。
另外也提供了非常靈活的建模表達(dá)能力，能非常方便地根據(jù)他應(yīng)用的需求，配置出不同的深度學(xué)習(xí)的模型。比如說(shuō)一個(gè)循環(huán)網(wǎng)絡(luò)，或者是處理圖像的卷積網(wǎng)絡(luò)，任何靈活的組合都可以在我們這個(gè)平臺(tái)上面很方便的配置出來(lái)。
因?yàn)樵诎俣任覀冇蟹浅４罅康倪\(yùn)算資源，為了能夠充分的應(yīng)用我們的運(yùn)算資源，我們這個(gè)平臺(tái)也非常高效的進(jìn)行多機(jī)的訓(xùn)練，這樣也能很有效的處理我們的大量的數(shù)據(jù)。
因?yàn)橛辛诉@么一個(gè)非常高效，非常靈活的計(jì)算深度學(xué)習(xí)的平臺(tái)。百度最近幾年把深度學(xué)習(xí)運(yùn)用到了產(chǎn)品的方方面面。比如說(shuō)核心的搜索和廣告這樣的產(chǎn)品，還有可能不太想到的'，像數(shù)據(jù)中心的智能控制，病毒的查殺，這種產(chǎn)品里面我們都成功的把深度學(xué)習(xí)應(yīng)用到上面去，提高我們產(chǎn)品的體驗(yàn)。
隨著深度學(xué)習(xí)的逐步在各種人工智能問(wèn)題里面的更深入的使用，我們現(xiàn)在開(kāi)始看到機(jī)器在一些很特定的感知問(wèn)題上，它的能力已經(jīng)在逐漸接近甚至超過(guò)了人類(lèi)的水平。比如語(yǔ)音識(shí)別，我們百度的語(yǔ)音搜索，在比較短的文字，和上下文沒(méi)有太大關(guān)系的語(yǔ)音識(shí)別這種任務(wù)，我們百度的語(yǔ)音識(shí)別系統(tǒng)做到明顯比人好的程度，錯(cuò)誤率不到6%，而人的任務(wù)上的錯(cuò)誤率可以是接近了10%。因?yàn)閷?shí)際上在沒(méi)有上下文關(guān)系的情況下，這是非常難的任務(wù)。
還有另外一個(gè)例子就是人臉識(shí)別，也是隨著深度學(xué)習(xí)的使用，人臉識(shí)別這個(gè)東西也是最近幾年有了非常大的提升。人臉識(shí)別一個(gè)最核心的任務(wù)，就是給兩幅圖，你要判斷是否來(lái)自同一個(gè)人，包括百度在內(nèi)的很多公司還有研究團(tuán)體，都取得了明顯比人好的水平。能看到我們的機(jī)器錯(cuò)誤率現(xiàn)在非常低，只有0.23%，而人的任務(wù)率是0.8%，現(xiàn)在已經(jīng)不及機(jī)器了。
還有像其他一些圖像識(shí)別的任務(wù)，在最近幾年也都有了非�？焖俚倪M(jìn)步。比如說(shuō)細(xì)粒度圖像識(shí)別，在一類(lèi)物體里面我們還要區(qū)分它子類(lèi)，比如說(shuō)在狗里面要區(qū)分各種不同的狗。這樣的任務(wù)實(shí)際上是比更普通的物體識(shí)別更難，因?yàn)橐獙?duì)物體細(xì)致的特征有區(qū)分。這樣一個(gè)任務(wù)上在20xx年的時(shí)候，我們最好的系統(tǒng)錯(cuò)誤率都還是50%，到了20xx年錯(cuò)誤率就降到20%，可到今年最新的結(jié)果錯(cuò)誤率就降到10%幾。像這種細(xì)粒度的物體是別人是很困難的，人是很難認(rèn)識(shí)200多種狗的。
下面我們談一些語(yǔ)言方面用深度學(xué)習(xí)的進(jìn)展。我們知道其實(shí)語(yǔ)言是人類(lèi)智力的核心的體現(xiàn)。我們是用深度學(xué)習(xí)的思想來(lái)處理語(yǔ)義理解的任務(wù)。傳統(tǒng)在語(yǔ)義理解的任務(wù)里面，基本上是要分好幾步走的過(guò)程。首先要通過(guò)詞法解析、語(yǔ)法解析，然后構(gòu)造各種人為的特征，然后得出語(yǔ)義分析的結(jié)果。深度學(xué)習(xí)的理念就是端到端的，從最原始的數(shù)據(jù)開(kāi)始的，這里就是一個(gè)詞的序列開(kāi)始的，我們不考慮任何的人為的特征構(gòu)建，就直接用一個(gè)完整的模型，得出我們想要的結(jié)果。我們?nèi)藢?duì)這個(gè)問(wèn)題的理解，主要是體現(xiàn)在我們模型的結(jié)構(gòu)當(dāng)中。這樣的思想，過(guò)去幾年在圖像識(shí)別、語(yǔ)音識(shí)別里面都給他們帶來(lái)了巨大的提升。我們?cè)谡Z(yǔ)音理解這樣的任務(wù)里面，也做到了比傳統(tǒng)方法好的結(jié)果。
另外一個(gè)非常好的，端到端的深度學(xué)習(xí)，在自然語(yǔ)言處理里面非常成功的應(yīng)用，就是機(jī)器翻譯。端到端的機(jī)器翻譯的做法，是20xx年的Google首次提出來(lái)了，因?yàn)槭且粋�(gè)新方法，大家認(rèn)為很有潛力的。但是剛提出來(lái)的時(shí)候還是比傳統(tǒng)的方法有明顯的差距。但僅僅過(guò)了一年以后，就能夠達(dá)到了傳統(tǒng)方法的質(zhì)量。今年的結(jié)果已經(jīng)比傳統(tǒng)的方法好了。一旦我們用好了以后，就可以對(duì)它各種效果有非�？焖俚奶嵘�。
除了語(yǔ)言其實(shí)最近和語(yǔ)言相關(guān)的比較熱點(diǎn)的研究方向，就是把語(yǔ)言理解還有圖像識(shí)別，語(yǔ)言生成這些傳統(tǒng)的人工智能比較隔離的研究方向，有機(jī)的組合起來(lái)，用一個(gè)完整的深度學(xué)習(xí)模型來(lái)處理。通過(guò)這樣的一個(gè)整體的模型，我們機(jī)器就可以比較更自然的學(xué)到語(yǔ)言和它感知到的物理世界的聯(lián)系。
像這樣的統(tǒng)一的視覺(jué)語(yǔ)言統(tǒng)一的模型，我們有一些例子。第一個(gè)就是看圖說(shuō)話，給了圖以后，說(shuō)出一個(gè)非常自然的描述，“一輛火車(chē)沿著森林間的鐵軌駛過(guò)”。也可以對(duì)圖像的自然語(yǔ)言的提問(wèn)，給出一個(gè)合適的答案。甚至也可以理解視頻，看到一段視頻以后也可以給對(duì)這個(gè)視頻做出描述。這個(gè)工作我們?cè)诎俣仁菍儆诒容^早的開(kāi)始，現(xiàn)在也有很多研究機(jī)構(gòu)在做這樣的視覺(jué)和語(yǔ)言統(tǒng)一的研究。
深度學(xué)習(xí)最近還有一個(gè)事，就是現(xiàn)在向更深的模式發(fā)展。在去年圖像識(shí)別比賽上面，我們看到獲獎(jiǎng)最好的一個(gè)模型是微軟開(kāi)發(fā)的深度達(dá)到150多層的深度模型。另外我們?cè)诜g上也發(fā)現(xiàn)，隨著模型深度的不斷加深，翻譯效果也是變得越來(lái)越好。
深度學(xué)習(xí)最近還有另外一些研究的熱點(diǎn)，就是所謂的推理、注意力、記憶，這方面是偏向于人類(lèi)認(rèn)知能力的，希望把這樣的一些機(jī)制能放在深度學(xué)習(xí)能力模型里面來(lái)。特別是在這里面注意力這樣的機(jī)制，在一些實(shí)際的應(yīng)用里面也取得了非常好的效果，比如細(xì)粒度的圖像識(shí)別，或者翻譯的任務(wù)。像記憶的機(jī)制，現(xiàn)在還是比較初期的階段。
深度學(xué)習(xí)給AI帶來(lái)了快速的進(jìn)展，但我們還有很多的路要走。人工智能這個(gè)概念是1955年的時(shí)候John McCarthy提出的，同時(shí)還有3位重量級(jí)的研究人物。他們說(shuō)了要用10個(gè)月花兩個(gè)月時(shí)間，對(duì)人工智能做一個(gè)非常巨大的進(jìn)步，實(shí)際上我們現(xiàn)在看到他這個(gè)是遠(yuǎn)遠(yuǎn)低估了人工智能的難度�，F(xiàn)在的人工智能還有很多的缺陷，人類(lèi)智能一個(gè)最核心的點(diǎn)就是自我學(xué)習(xí)和創(chuàng)造的能力，我們看到現(xiàn)在有很多具體的智能的系統(tǒng)，比如說(shuō)AlphaGo，它還缺乏一種自我學(xué)習(xí)和創(chuàng)造的能力。比如說(shuō)來(lái)了一個(gè)新的棋給他學(xué)，還需要大量的人參與工作，才可以改造。而人就不需要，人可以自己主動(dòng)的學(xué)習(xí)各種新的任務(wù)。
最重要的一點(diǎn)就是說(shuō)現(xiàn)在人工智能還缺少一種從少量標(biāo)注數(shù)據(jù)學(xué)習(xí)的能力，一個(gè)例子比如說(shuō)圖像識(shí)別，ImageNet里每個(gè)物體種類(lèi)有幾百幅圖，一個(gè)小孩要認(rèn)識(shí)一種東西可能幾幅圖足夠了。還有英法翻譯的訓(xùn)練數(shù)據(jù)，人可能需要幾萬(wàn)個(gè)小時(shí)能閱讀完，但如果你是說(shuō)英語(yǔ)的，掌握法語(yǔ)的話可能只需要幾百小時(shí)。所以看到現(xiàn)在的深度學(xué)習(xí)缺乏少量標(biāo)注學(xué)習(xí)的能力。
那么最核心的一點(diǎn)就是我們需要有對(duì)環(huán)境的一個(gè)非常好的表示，就是說(shuō)我們需要通過(guò)非常大量的數(shù)據(jù)太能學(xué)習(xí)出來(lái)，非監(jiān)督學(xué)習(xí)的機(jī)制，才能讓我們有效的利用到大量的非標(biāo)注的數(shù)據(jù)，進(jìn)行非監(jiān)督學(xué)習(xí)方式的一個(gè)最行之有效的方法，就是用它來(lái)預(yù)測(cè)未來(lái)。我們知道預(yù)測(cè)未來(lái)的能力是人智力的核心體現(xiàn)。比如說(shuō)物理學(xué)是一個(gè)對(duì)簡(jiǎn)單系統(tǒng)的預(yù)測(cè)，人類(lèi)的智力包括機(jī)器學(xué)習(xí)，是一個(gè)復(fù)雜系統(tǒng)的近似預(yù)測(cè)。如果我們通過(guò)這種預(yù)測(cè)未來(lái)的學(xué)習(xí)方式，就可以有效的掌握環(huán)境的規(guī)律，所以得到有效的表示。
我們現(xiàn)在的人工智能系統(tǒng)缺乏常識(shí)，剛才李院士也講了很多的自動(dòng)車(chē)，我們?cè)谧暮芏嗳碎_(kāi)車(chē)可能開(kāi)幾百公里就非常好了。但大家知道我們現(xiàn)在最好的Google的自動(dòng)駕駛車(chē)，現(xiàn)在已經(jīng)開(kāi)了超過(guò)了200多萬(wàn)公里，但既使是這樣，現(xiàn)在還是不能夠去駕車(chē)。最核心的問(wèn)題是缺乏一種像人這樣的常識(shí)，就是說(shuō)它遇到很多路況對(duì)人是非常簡(jiǎn)單的，人看到就知道怎么做。但機(jī)器缺乏常識(shí)性的理解，就只能通過(guò)人一條一條把每種路況導(dǎo)入系統(tǒng)里去。要想解決這樣的問(wèn)題，我覺(jué)得有效的方式就是放到真實(shí)的環(huán)境里面學(xué)習(xí)，像這樣的概念最近在Facebook和微軟也提出了這樣的想法，他們提出創(chuàng)造一個(gè)虛擬的模擬環(huán)境，讓人工智能體在這個(gè)環(huán)境中自己去探索，然后就可以在這樣和環(huán)境的交互中，就能比較有效的建立它常識(shí)一樣的東西。
還有另外一個(gè)主要的局限之處，就是通過(guò)數(shù)據(jù)來(lái)學(xué)習(xí)。我們現(xiàn)在所有的東西首先要考慮搜集數(shù)據(jù)。我們?nèi)藖?lái)學(xué)習(xí)，比如說(shuō)要區(qū)分這樣兩種不同的鳥(niǎo)，需要收集大量的數(shù)據(jù)，從數(shù)據(jù)里面自動(dòng)總結(jié)出規(guī)律出來(lái)。實(shí)際上我們?nèi)藭?huì)告訴他，可以看到這兩個(gè)圖的區(qū)別，人可以用非常精煉的語(yǔ)言告訴其他人。而現(xiàn)在的機(jī)器學(xué)習(xí)還非常缺少有效的能夠利用人的知識(shí)的途徑。
我認(rèn)為如果要解決這樣的問(wèn)題，我們需要把語(yǔ)言作為機(jī)器學(xué)習(xí)系統(tǒng)一個(gè)基礎(chǔ)的能力，否則的話我們就很難做到能夠把人類(lèi)大量的知識(shí)傳遞到機(jī)器里面去，然后同時(shí)來(lái)說(shuō)我們需要這個(gè)機(jī)器能夠理解語(yǔ)言，這樣我們才能夠表達(dá)人類(lèi)的需求，能夠幫助他的理解。旁邊這就是一個(gè)電影里面的人在教機(jī)器人來(lái)學(xué)習(xí)讀書(shū)。
我們要做真正像人這樣的非常強(qiáng)大的人工智能，可能我們需要從最基礎(chǔ)的東西開(kāi)始做起。我們需要做的是像幼兒一樣，讓他自主在一個(gè)環(huán)境里面去學(xué)習(xí)感知，學(xué)習(xí)他的行動(dòng)的一些基礎(chǔ)的技能，同時(shí)把學(xué)習(xí)語(yǔ)言作為一個(gè)最核心的東西，包含在這樣的一個(gè)系統(tǒng)里面。這些就是大概我的分享，我們還有非常多的困難，但是我覺(jué)得也給我們帶來(lái)非常多的機(jī)會(huì)，我也希望有更多人和我們一起探索人工智能非常有意思的問(wèn)題，去創(chuàng)造我們?nèi)斯ぶ悄艿奈磥?lái)，謝謝大家。
【人工智能的演講稿】相關(guān)文章：
人工智能10-18
人工智能歷史10-08
什么是人工智能10-17
筆試題（人工智能）10-15
走近人工智能10-08
人工智能原理與應(yīng)用10-08
人工智能概述（原創(chuàng)）10-12
人工智能語(yǔ)言--PROLOG10-07
人工智能觀后感11-29
《人工智能》觀后感04-24