在华盛顿特区。,在一个红砖建筑,医生Shantanu Nundy运行考试从一个房间到另一个考场,他计划在30个病人看到薄熙来大多数时候,其中有5人需要寻求专家的指导帮助。但是很有可能,他们永远不会不到。经过长时间的等待一年,100英里的驱动,以及巨大的付现费用。这意味着最需要帮助90%的人不能从他们的初级保健医生的专业指导。

但是Nundy病人,另一方面,他们可以访问大多数人都无法获得的东西:数字智库6000多名医生组成的人工智能平台,专家们的意见是巧妙地收集、排序和病人。这被称为“人类诊断项目”(人类诊断项目,以下简称人类Dx)在线系统,可以成为一个初级保健医生到集体医疗超级智能系统,使用它作为一个工具来帮助,或者开一些他们不得不外包的药物。这意味着在大多数情况下,患者为了得到结果和靶向治疗,只需要等待几天,而不是在过去的几个月,甚至几年。

在不太遥远的未来,没有医疗保险或医疗补助,这可能是一个医疗补助标准。最近,人类Dx宣布七个顶级医疗机构与美国的合作,为了扩大项目规模,并计划招募100000名专家在未来五年,同时采用专家评估。其目的是:在2022年到三百万年美国人狭窄的专业护理之间的差距。

今年1月,30多岁的单身母亲找到Nundy看病,她最近因为手的关节刚度和忍受痛苦。事情变得如此糟糕,她不得不停止管家的工作,和她变得越来越绝望。当Nundy拿出她的情况下,他意识到,在几个月前,她的另一个医生在他的诊所医生,医生推荐去看她。但是当病人意识到她必须拿出几百美元的费用,她没有去。相反,她试图在公立医院数字,但她不能阅读相关文件,因为英语不是母语。

现在病人将再次回到起点,检查病人的严重的炎症Nundy手中。他认为这可能是类风湿性关节炎,但由于标准治疗可能对患者有害,所以他犹豫了一下当他们的处方。所以他打开人类Dx门户,和创建了一个新的用例描述:“35华氏温标,伴随着疼痛,他的手僵硬的关节,已经6个月,疑似常见染色体隐性遗传性皮肤病(AR)。”然后他贴她的手的照片,并发给了问。几小时后,一些风湿病学家开始介入,第二天他们证实了他的诊断。他们甚至提出一些建议随访检查,和建议提供治疗。他说:“这种情况下诊断,用我的专业知识,我没有信心。”

创始人Jayanth Komarneni招募他尝试平台的核心技术,Nundy在2015年加入了人类Dx。但我们的目标是总规模。他网络,维基百科和Linux相比,不同之处在于,这个平台对医学专业知识的贡献。当初级保健医生不能诊断病人,他们将描述背景,历史和症状——可能会附加一个x射线照片,一幅皮疹,或肺声音录音。Dx的人类自然语言处理算法将通过输入关键词挖掘每个条目的情况下,将其分配给专家,这些专家可以创建一组疑似疾病诊断和治疗建议。

现在,得到10到20个不同的医生诊断病人,像20个朋友通过电子邮件回复一个邀请函有用,分别。因此,人类的Dx机器学习算法将梳理所有响应,和存储测试所有先前的案例报告。网络使用这些数据来验证每一个专家的诊断,根据专家的自信程度来评估每个诊断、诊断及其结合其他专家诊断。每解决一个情况下,人类的Dx会变得更聪明。“在现实生活中,你帮助一个病人是一个病人。和在线工具不同的是,对病人提出的想法可以帮助很多人。我们工作不使用人工智能代替或减少成本,但是在你使用它提供的支持和帮助,没有更有效率,而且更便利,精度也更高。”

Komarneni估计,电子咨询可以处理35%到40%的专家咨询,真正需要留出时间来治疗病人。整个系统基于综合医院和加州大学旧金山、洛杉矶、卫生系统和模型实现布莱根妇女医院和其他地方。旧金山综合医院”eReferral系统将首次咨询从112天平均等待时间缩短到49天。

系统已经成为惯例在医院里每个专家,其取决于特定的评论者,这些人得到很多,可以及时响应情况。然而,人类Dx和没有经济回报,其服务是免费的。然而,通过与美国医学专业委员会的合作,人类的Dx现在可以提供继续教育,可以满足医生每四年至少200小时的工作。美国最大的美国医学协会的医生已经承诺让其成员自愿参与,验证了平台的医生来支持项目的完整性。

让美国加入是一个大问题。纵观历史,医生一直在人工智能工具来替代或补充其小心谨慎的工作。但重要的是,请不要错误将加入组织的行为他们站在人工智能和经常的正式支持人工智能还没有正式的政策,美国医学协会,没有授予任何特定的公司,产品或技术在特权,当然包括人类的Dx专有算法。医学人工智能领域仍然年轻,面临着许多潜在的意想不到的后果。

如不同的护理质量。旧金山健康首席医疗官、通道和质量创新中心陈爱丽丝担心,类似人类Dx会导致分层的医疗系统,有些人会去看专家,而其他人只能通过捕获计算机生成的专家建议。“这是医学的前沿,”陈说。“你只需要找到最合适的地方,用专业的知识和经验,克服传统渠道,以确保高质量的服务同时。”

约翰霍普金斯大学、哈佛大学和加州大学的研究人员已经评估的准确性平台,最近还提交了同行评议的结果。下一个大的障碍是钱。的8组,项目目前由麦克阿瑟基金会(约翰·d·和凯瑟琳·t麦克阿瑟基金会)建立一个1亿美元的基金。如果人类的Dx获胜,他们将为全国的花钱。虽然项目的成功或失败并不取决于1亿美元的奖金,但必须是一个好的开始启动项目,尤其是在现在,超过一半的人去看医生都需要专家访问的建议。

所以,如果下次你尴尬的普通医生,不用去找专家,不需要旅行,五到十全国专家为你访问。只需要几分钟,在午餐时间或在电梯里与福尔摩斯的帽子,在云上,医生可以作为侦探诊断病人的病情。诊断:(从科学编译器:媒体评论:编译机器人沮丧地)

作为“神经网络”这个词来让公众无限遐想,粒子物理学家从80年代开始就挖在人工智能。因为几乎每个测试是非常类似的发现在复杂粒子探测器无数数据中发现微维模式——这就是AI擅长,所以人工智能和机器学习自然适合粒子物理。“我们花了很多年来让人们相信这不是魔术,没有帽子,也不是黑盒操作。”波阿斯Klima说,巴尔的摩,伊利诺伊州费米国家加速器实验室(费米实验室)物理学家首先使用的技术之一。

了解宇宙的奥秘,亚原子粒子和粒子物理学家需要粉碎,同时以巨大的力量被炸毁的新的异常物质(在物理学中,指的是异常材料不同于普通物质,具有独特性能的材料的统称)。在2012年,例如,科学家利用世界上最大的质子对撞机(瑞士的大型强子对撞机(LHC))发现了传说中的希格斯玻色子。瞬态粒子物理学家解释所有其他基本粒子获得质量的关键。

异常的材料,然而,很难描述。在大型强子对撞机,大约每10亿个质子碰撞发生一个希格斯玻色子,在十亿分之一秒和皮肤,它会衰变为其他粒子,例如一对光子或季度粒子称为μ介子。为了“重建”希格斯玻色子,粒子物理学家们必须找到更常见,是否可以从相同的父母材料匹配一致的方式,在一个典型的碰撞过程中,大量的不相关的粒子群,使工作更加困难。

费米实验室的物理学家Pushpalatha·巴特说,神经网络算法优于直接从原始数据筛选信息。在粒子探测器——这通常是一个巨大的桶结构组成的各种传感器,光子通常被称为电磁量热计的子系统是在喷雾粒子形成的。虽然电子和粒子称为强子,但他们的集群和光子略有不同。机器学习算法可以检测到这种集群识别的差异,在同一时间多个变量之间的相关性也可以帮助区分任何一双希格斯粒子衰变之后产生的光子。“这就像找海里捞针,“Bhat说,“所以最从数据中提取信息是非常重要的。”

在机器学习领域尚未征服。物理学家仍主要取决于底层的理解物理学发现新粒子的相关数据。但AI可能会变得越来越重要,加州伯克利分校劳伦斯伯克利国家实验室的一名计算机科学家保罗Calafiura说。2024年,研究人员计划升级大型强子对撞机碰撞率会增加10倍。Calafiura说,在这一点上,跟上这一趋势数据的机器学习是非常重要的。

算法是如何分析公众情绪

社交媒体每年数十亿的用户和数千亿twitter和岗位为社会科学带来了大量的数据。心理学家Martin Seligman,意识到这是使用人工智能研究大众传播提供了一个前所未有的机遇。在宾夕法尼亚大学积极心理学中心世界福利项目(世界——项目),有超过20个心理学家、医生、和计算机科学家使用机器学习和自然语言处理的方法来过滤数据,检测公众身心健康。

这通常是通过问卷调查。然而,社交媒体数据“小型、廉价、数量级大”,塞利格曼说。这些,当然,首先需要大量的数据预处理,但AI还提供了一个强大的可视化工具。

在最近的一项研究中,塞利格曼和他的同事研究了29000名参加了抑郁症自我评估的facebook用户每日跟踪更新。使用数据从28000用户,词汇中使用机器学习算法找到更新的抑郁症之间的联系。成功预测其他用户可以根据其抑郁症的内容更新。

在另一项研究中,团队成员通过第100000000条的分析,4890年twitter预测心脏病死亡率县。单词相关的-愤怒和被列为危险之间的关系。通过社会媒体信息的数据比所谓的传统印象十大重点激励,如吸烟和糖尿病,接近真实的死亡率。通过社会媒体的信息,研究人员也可以预测人格,收入、政治倾向;同时也研究医疗、过去的经验和定向模式。通过twitter数据,团队根据幸福,甚至抑郁,信任和五人格特质,创造了一个美国地图县。

“交叉分析语言和心理一定会有革命”。在奥斯丁的德州大学的社会心理学家James Pennebaker说,他关注的不是内容而是散文风格。例如,通过大学功能的应用程序中使用可预测的结果。冠词和介词代表了辩证思维和更高的分数,代词和副词表示叙事思维和较低的分数。传闻,1782年戏剧“扔”(双谎言)大多数莎士比亚,Pennebaker还发现相关证据:机器学习算法,如认知复杂性和稀有元素,如单词将与莎士比亚的其他作品。”你之前和现在我们可以发布和写的所有内容进行分析。”Pennebaker说,因此,“越来越多的拼凑的照片你。”

梳她的自闭症基因

遗传学家,自闭症是一个恼人的挑战。遗传图谱表明,它有一个强大的先天遗传因素。但扮演一个角色在自闭症许多遗传变异只能解释大约20%的病例原因。25000年人类基因和其他相关的DNA数据找到其他变体可能完成解释自闭症有一定的帮助。普林斯顿大学计算生物学家,奥尔加Troyanskaya Simons和纽约基金会(Simons基金会在纽约)也拿起了武器的人工智能。临床医学科学家在纽约洛克菲勒大学基因组中心创始人和罗伯特·达内尔解释说:“我们只能做到像一个生物学家,发现自闭症等疾病所隐藏的秘密。一台机器可以搜索到兆问题同时,科学家只能找出10。它完全改变了游戏规则。”

Troyanskaya收集了数以百计的数据集,包括特殊数据在人类细胞中活跃的基因,蛋白质相互作用和转录因子和其他关键基因特征点位置数据。和她的团队利用机器学习方法是构建一个开发的基因相互作用,和少量的基因已知能够导致自闭症的高风险与其他成千上万的基因相比,找出相似之处。他们在去年的《自然神经科学》(《自然神经科学》)2500年发布的可能与孤独症相关基因。

最近科学家们意识到,但基因不是孤立的。他们的行为是由数以百万计的非编码基因附近的关节,和与DNA结合蛋白,和其他因素。识别可能影响附近的自闭症基因非编码变化比找到疾病基因本身的问题,特洛伊,在实验室,研究生剑周试图使用AI来解决这个问题。

一周的深度学习系统培训,将用于系统从DNA序列元素的百科全书,表观基因学收集的数据。这两个项目列出了成千上万的非编码DNA水平会影响附近的基因。学什么特色应该抓住这个系统,因为它的预测潜在的活动未编码DNA。

在周和特洛伊城,2015年10月,深海研究的发表在《自然》杂志上,加利福尼亚大学的计算机科学家阿尔文,晓惠谢称赞它是“深度学习的应用基因组项目的里程碑”。现在,普林斯顿大学的团队运行通过深海自闭症患者的基因组,影响非编码基因。

谢还准备人工智能应用于基因组,并专注于更广泛的比自闭症。他希望通过任何遗传进化的概率有害基因对基因突变进行分类。但他意识到,在基因组学、深入学习系统只能在训练数据集非常好。他说:“人们怀疑这样一个系统可以可靠地解析基因组。但我认为越来越多的人会接受深度学习。”

专业从事普罗维登斯的机器

今年4月,天体物理学家Kevin沙文斯基(Michael肖文斯基说道)在Twitter上发一些模糊的星系图片,并要求任何同事帮助区分四个星系。同事们说,图像看起来很像椭圆螺旋星系与银河系相似。

一些天文学家怀疑这是诀窍,肖文斯基说道直截了当地问,这些是真正的星系或计算机仿真建模?事实上并非如此。在瑞士苏黎世理工学院肖文斯基说道,计算机科学家张垫Ce,和其他合作伙伴,不知道任何关于物理的这些星系是由神经网络。

肖文斯基说道只是想表明,神经网络生成的Twitter如何现实的东西。但他更大的目标是创建一些类似技术在电影中,可以神奇地使模糊监控图像变得清晰。可以使模糊神经网络图看起来像用高性能的望远镜,然而,实际使用的望远镜也许不太好。它还允许天文学家理解细节,”用于天文观测的钱多达数千万甚至数十亿美元,“肖文斯基说道说道,“在这项技术的帮助下,我们可以立即获得更多的信息。”

这幅画是一幅生成的反对网络(生成对抗网络)生成的,它是一个机器学习模型,两个神经网络交互的战斗。一个是产生图像发生器,另一个是试图减少生成的缺陷图像鉴别器,用于提高发电机的功能。肖文斯基说道团队花了成千上万的星系的真实图像和人为地降低分辨率,然后研究人员更智能发电机图像,这样你就可以通过微分鉴别器。最后,神经网络对银河系图像降噪处理可能优于其他方法。

费米实验室的天体物理学家布莱恩·诺德(Brian Nord)”肖文斯基说道前卫的方法是一个具体的例子中使用的机器学习天文学,但绝不是唯一的一个。1月份美国天文学会会议上,诺德提出一种机器学习方法来跟踪强引力透镜:在遥远的星系的图像传输到地球时空经验曲线的过程中,形成了罕见的光弧在空中,镜头可以用来测量宇宙的距离,并发现无形的超级凝聚态。

强引力透镜在视觉上是非常独特的,很难用简单的数学描述规则。这使得传统的电脑艰难的选择,但它很容易掌握。Nord等意识到成千上万的摄像机训练的神经网络可以获得相似的看法。在接下来的几个月里,“事实上已经有超过10的文件使用机器学习找到强大的镜头。大多数匆忙进入战斗。”北说。

这只是一个越来越多的天文学认知的一部分。人工智能(ai)提供了一种有力的方法寻找有趣的pb的数据和分类的对象。肖文斯基说道,“我认为这次真的会成为一个“噢,上帝,有太多数据的时代。”

神经网络的学习化学

有机化学家的专家都回头。从考虑完成的外观像一个厨师菜那么具体步骤做饭,许多化学家,因为他们想要建立的合成分子,然后考虑如何组装。明斯特大学的研究生“他(赛格勒)Marwin说:“你需要正确的组合的成分和配方。“他和其他人介绍人工智能厨房。

他们希望AI分子生成的关键挑战:从数以百计的潜在选择模块,与成千上万的化学连接规则。几十年来,化学家已经保存电脑预装响应的能力,希望能够创建一个可以快速计算系统的极简主义的分子式。然而,他表示,化学”是非常微妙的,二进制难以覆盖所有规则。”

所以插头,明斯特计算机科学家迈克&迈克Preuss)和他们的导师马克沃勒(马克沃勒)越来越多地转向人工智能。他们通过深层神经网络模型代替努力快速化学反应的编程规则,从数以百万计的例子来研究化学反应的过程。“数据可以提供,越多越好,”他说。随着时间的流逝,模型是学会预测最佳反应合成所需的步骤。最后,它可以从头开始构建分子。

三个人用40种不同分子测试机器学习程序,结果与传统的分子生成器。在今年的一次会议上,他们与说话。常规过程在2小时窗口中只有22.5%的时间用于提出的解决方案的合成目标分子,和AI是95%。将前往伦敦塞的制药公司工作希望利用这个方法来提高制药领域。

斯坦福大学有机化学家保罗风(保罗走),说还为时过早判断塞格勒方法了。但他认为可能会产生深远的影响,不仅合成已知分子的结构,但从生成新的分子。塞,他补充说,有机化学家不会很快取代了人工智能,因为他们的能力如何做更多比预测的反应。但像GPS导航系统,人工智能可以试点,但它不自己设计并实现一个完整的化学合成。当然,所有AI开发人员必须实现掌握通过一个全面的研究。

在过去的许多年,人工智能,更经常出现在我们面前的科幻电影,但现在这种尖端技术似乎已经逐渐成为人们日常生活的主要元素。包括,例如,苹果Siri,亚马逊Alexa,IBM的沃森和谷歌大脑理解人类语言的认知能力极高。

应该说,近年来,大量的出现可以连接到设备和新的机器学习算法的结合使得越来越多的人工智能技术来实现。业内人士研究,甚至担心,科幻电影机器自主学习的能力,自我提高,恐怕很快就会成为现实,然后人类的重要性将大大削弱。

“我认为普遍的人工智能技术的发展甚至可能结束人类的延续。”物理和著名的英国天文学家斯蒂芬·霍金(霍金)说。

对于这个观点,霍金特斯拉总裁伊隆麝香——(Elon Musk)和微软联合创始人比尔•盖茨(Bill Gates)也同意了。

对于这个话题关注外面的世界,美国媒体最近邀请Skype创始人让——塔林(扬Tallinn),IBM的沃森研究中心的副总裁古像des -奥利维亚(IBM印度实验室主任Guruduth Banavar)和大学(帕多瓦大学)计算机教授弗兰斯卡-罗西(弗兰西斯卡罗西)与我们一起分享他们对人工智能技术发展的看法。

记者:人工智能(ai)对人类构成威胁?

像古代des -奥利维亚:由于科幻电影的影响,人们大多把问题归咎于人类和机器之间的冲突。智能机器的目的是帮助人们完成人类并不擅长的工作,如处理、过滤、大规模的数据流。出于同样的原因,一些人类地区智能机器有许多缺点,例如简单的意义理解,创造性思维,因此我们认为将人类的智慧和机器在一起的基础是“认知计算”的概念,并将彻底改变我们解决复杂问题的能力。

目前,基于人工智能系统改善了我们的生活在许多方面,如飞机的自动驾驶功能,自动推荐模块的系统和应用领域的工业机器人等等。在过去的五到十年的时间,机器自学习算法和先进的计算机基础设施帮助我们创造许多新的应用程序。

但必须指出,我们必须明白这种“机器学习算法”作用是有限的,因为即使是现在最先进的神经科学和认知科学的成就只是人类智慧表面。

现在让-塔林:人工智能技术恐怕不足以构成威胁,但当我们进入所谓的超级智能的时代,我们真的会出现。

记者:什么是所谓的“超级智能控制问题”(超智控制问题)?

让-塔林:即使是最聪明的机器人将会有一个开关,让人们最终的控制。然而,开关可以工作,因为它属于机器人的控制。例如下棋,电脑只会集中在下棋,不知道他们的竞争对手可以拔掉电源在任何时候结束游戏。

然而,如果超级智能机器可能会生成一个认知世界的状态,和把后果,所以它可以阻止人们这么做。

记者:所以这个问题有多严重?

让-塔林:现阶段而言,这是一个纯粹的理论问题,我们相信超级智能机器将最有可能总是按照设计师的编程语言或一些物理定律。但是就你的问题而言,我认为超级智能机器开始阻止人们对“权力”是一个非常严重的问题,因为我们需要至少保留超级智能机器有一定的权利。

弗兰斯卡-罗西:在一个狭窄的ai已经在某些领域比人类更聪明。从人工智能的人类不受到威胁,但它有感觉的影响。因此,有必要探讨人工智能领域的特殊威胁对人类可能产生,并使他们更安全,友好,和掌握人类价值观。这不是一个简单的工作,因为即使是人类自己有时不遵守规定。

记者:你认为在特殊领域的人工智能会对人类产生什么威胁?

弗兰斯卡-罗西:如自动交易系统,自动驾驶汽车。尤其是后者,如果错误的人工智能,甚至威胁人的生命安全。

记者:奥利维亚,你认为这种威胁?

古代像des -奥利维亚:问题的威胁总是分为两个方面。现在我们已经知道由于信息不足,或业余爱好者和错误的决定会导致的损失数亿美元或成千上万的人的生命。根据IBM Watson应用在许多领域,我想到人工智能领域的特殊的威胁是非常有限的。

我个人的观点是,我们经常低估了人工智能技术的复杂性,因为它有太多的不确定因素。

记者:IBM的超级计算机沃森是更好的帮助医生诊断病人,沃森如果有缺陷的诊断应该负责呢?

像古代des -奥利维亚:华生不给诊断,但仅仅是作为一个医生提供参考数据和信息。人类在特定的诊断,医生可以根据给出沃森和一些其他因素做出具体的判断。总之,医生诊断是最终决定。

事实上,IBM团队的目标是让沃森可以根据病人的病史,分析提供了重要的信息和可能的诊断结果去看医生,以缩短诊断时间。

弗兰斯卡-罗西:医生会总是让一个错误的诊断,这并不是说他们不够好,而是因为他们不可能了解所有方面的疾病。然而,人工智能机器如沃森可以减少出错的几率。

古代像des -奥利维亚:总的来说,我相信从华生医生可以获得信息是有益的。就我个人而言,我更希望都能得到这样的诊断服务。

人工智能可以准确地识别物体的图像,或理解人类的语言,但是它的应用不像人类的大脑工作这意味着人工智能不像人类可能防止作弊。

据《新科学家》报道,以色列巴伊兰大学的杂质和Facebook ai团队的研究表明,可能轻微调整音频剪辑,人类可以理解,但是人工智能可以识别完全不同的声音。这个方法的原理是将一层添加到声音片段db小噪音、声音片段都是不同的,它可以模仿神经网络和其他一起讲话。

团队将新算法程序命名为“胡迪尼”,并将它应用到一系列的音频片段,然后通过谷歌语音转录。一个原始声音片段:

Herbearingwasgracefulandanimatedsheledhersonbythehandandbeforeherwalkedtwomaidswithwaxlightsandsilvercandlesticks。

她带她的儿子的手,优雅,充满活力。两个女佣走在她的面前,手里拿着一根蜡烛灯和银烛台。

原创内容通过谷歌语音转录时,它已成为:

Thebearingwasgracefulananimatedshelethersonbythehandandbeforehewalkstwomaidswithwaxlightsandsilvercandlesticks。

适用版本,通过听力测试,人耳听到没有区别,是转录的:

MarywasgratefulthenadmittedshelethersonbeforethewalkstoMayswouldlikeslicefurnacefiltercountsix。

团队的成果可以应用到其他机器学习算法程序。调整人的形象,可能会使人工智能算法应用障碍,人工智能将造成错误的男人站在错误的位置。街景图片,通过添加噪音的团队能够欺骗汽车应用人工智能算法程序。这种算法通常是用来区分交通和道路标志。这些研究成果的基础上,图像,和去年OpenAI和谷歌大脑机器学习机构的研究人员发表了类似的结果。

这些所谓的计数器样本似乎是一个奇怪的领域,但他们可以使用机器学习算法进行压力测试。更令人担忧的是,恶意使用,人工智能也可以想听到的东西不存在,例如,自动驾驶汽车在路上看到错误的道路交通,或使虚假智能语音提醒听到指令。当然,事实上,在现实生活中,通过使用这些方法和实验在实验室里是不同的。不仅仅是因为获取数据是一个棘手的问题。

也许最有趣的是找到一种方法来保护困境的人工智能,但它是相当困难的。当我们解释过去,我们不能真正理解有多深神经网络的内部操作,这意味着我们不知道为什么人工智能会觉得声音片段或图像细微变化。在我们这么做之前,对于人工智能算法,计数器样本将依然存在。

编者按:“人工智能研究所”推出了网易智能通道,网易杭州研究所等机构参与,每天,专注于人工智能行业研究和深入分析,并提供通信技术的应用程序。转载请联系我们的授权,男性smartman163。

一些世界最知名的公司投资数百万美元的信息安全。当然,他们的对手也是如此。但也有一些恶意的人希望你的防御系统主要由人类控制,和所有的防御系统控制方法是相同的。

当你搬出去,你将改变锁或使用共享锁和你所有的邻居?想象一下,如果小偷只知道一个共享锁密码,会发生什么?出于某种原因,世界的信息安全同样有一个锁的精神状态。一些“客户”是恶意的,他们试图侵犯别人的财产安全。考虑这种情况下,即使企业投入了大量的金钱,安全保护仍然是失败,对于这样的结果我们也不应感到惊讶。

网络防御者有机会获胜,我们必须开始公平竞争。供应商重复他们的安全相关产品给客户,因为这种方式是很容易的,而不是因为他们的客户更好的行为。

一个反病毒公司应该为每个恶意软件样本生成多少品种?所有的人工智能(AI)基于宿主防御可以研究在一个病毒?在过去,它是为每个企业解决方案定制这些并不可行。幸运的是,网络安全研究逐渐出现了一些新技术,他们可以为每一位客户提供独特的病毒检测软件,这些技术可以帮助维护公平竞争环境,甚至帮助企业在商业竞争中取胜。

这些新兴技术领域的广泛发生的人工智能和机器学习。任何系统是人工智能的核心学习能力。一些人工智能解决方案从当地环境中学习,而另一些人则从全球环境中学习。谁能赢得那些使用只存在于客户的数据在网络环境中,并创建一个移动防御的环境类型的数据,根据建筑的部分或全部数据的威胁检测能力enterprise.Including:

一个本质上是不同的从当前企业间的防御方式;

一个是随着时间的推移,它将国防发展与环境的变化;

最重要的是防御系统,不会让攻击者事先知道,他们得出的结论是,攻击者是注定要失败的。

类似于密码再次设置的密码保护信息完整,部署网络安全解决方案,使用网络环境和所有其他的复制和帮助保护企业。

使用人工智能系统来建立一个移动防御系统

人工智能可以使用成千上万的特点来决定是否有恶意网络中的内容,或用户或系统的行为。每个特性提供了一点点证据,以确定是否有病毒。

但这仅仅是有用的在复杂的组合。机器学习算法通过专门培训一段时间,试图找出如何结合特性产生准确的洞察力和预测。

根据每一个人工智能系统,该方法的训练数据可以来自当地环境,全球环境,或者两者的混合。但是,与传统的方法,生成的模型从来都不是一个模型基于简单的规则或容易理解。这些模型不透明的本质及其动态结构提供了一个有效的移动防守的基础

你可以调整训练集或时间改变的人工智能模型。额外的培训数据仅仅是添加或用来取代旧的训练数据并不重要,因为结果都是一样的。

新的模型使用现有的功能或使用新创建的函数。人工智能和机器学习方面的,定制的测试解决方案的成本可以忽略不计。但是,必须有一个解决方案提供商,使这种方法。一些使用机器学习和人工智能网络安全厂商仍在传统的方式来部署他们的模型,而无法使用本地数据来调整他们的解决方案。移动防御还面临着一个挑战,当然,不仅仅是那些将继续试图击败他们恶意行为的挑战。最重要的挑战是确保平价自定义解决方案的问题。没有人想要“次佳”检测模型。重要的是要注意,任何技术在实际应用的过程中会产生一种模型有统计学意义,在所有自定义变量,检测精度和误差几乎是一致的。

很难找到一个比移动国防安全的概念。“改变你的锁”是一种最完美的安全建议。然而,在网络安全领域,一些锁锁比其他人更容易改变。

源(英语/ VB编译/机小容易审查/雨蛋)

我们将创建一个新的生命形式,这一事件是一个进化突破的迹象,不仅可能威胁到人类的生存。

“欢迎幼儿园,机器人”Pieter Abbeel一边说,打开机器人学习实验室的门。北部的新建筑位于加州大学伯克利实验室实际上是相当混乱的7楼:自行车去了墙,杂乱无章的房间呆在室内十几个研究生,白板写普通人无法理解的公式。38 Abbeel是一个瘦长的男人,他穿着一条牛仔裤,上面是一个宽松的t恤。2000年,他从比利时,来到美国斯坦福大学博士学习计算机。现在,在了解机器人智能思考教会所面临的挑战,他是全世界最重要的专家之一。但首先,他必须教他们“思考”。这就是为什么我们称这里为幼儿园,”他开玩笑说。他把我介绍给布雷特,仿人机器人是6英尺的一次著名的破产“柳树车库”的硅谷机器人制造商的产品。几年前,让布雷特实验室实验。布雷特的意思是“伯克利机器人是用来完成枯燥的任务(伯克利机器人消灭的乏味任务)”,看起来友好创造扁扁的,单独的遥远与相机的眼睛,矮矮胖胖,像人一样,它也有手有脚,其手爪,车轮是它的脚。他已经下班,现在站在实验室的中间,旁边是另一个神秘的和平机器人还没有电。一个盒子在地板上附近的玩具,有一个木锤,塑料玩具飞机,和一堆乐高积木,这是Abbeel布雷特和他的学生教学道具。但他只是一个在众多的机器人实验室。在一个单独的隔间,靠背挂在一个18英寸高的吊带。在地下室和下面的一个工业机器人,它每天都在一个机器人相当于沙箱东西玩几个小时,只是想看一看的什么可以自学。街对面的另一个实验室,一个手术机器人正在学习如何缝合一个身体,与此同时,研究生无人机(uav)被教如何巧妙地避免对象。“我们不想无人机(uav)撞到东西从天上掉下来,“Abbeel说:“所以我们要教他们学会看问题。”

一直是可编程工业机器人执行特定任务:将机械手臂移动到左6英尺,抓起模块,然后向右转,PC版印刷电路模块。然后重复300次每小时。机器的机械作用和除草机智能化程度。但近年来,机器学习(能够模仿人类的大脑大约和做一些机器学习算法)的机器的语音识别的突破和显著提高视觉模式的能力。Abbeel目标是开发一个机器人的一般智力理解世界的一种方式,这样机器人可以自主学习完成任务。他仍有很长的路要走。“机器人甚至还没有2岁儿童学习能力,”他说。说他已经学会了做一些简单的任务,像一个结或折叠的衣服。但有些人可以很容易地完成,如识别揉成一个球在桌子上,事实上,毛巾织物,尤其困难的一个机器人,这部分是因为机器人缺乏常识,不叠毛巾的经验记忆之前,最重要的是,没有毛巾的概念。它只看到大量的颜色。

为了规避这个问题,一盒磁带启发儿童心理学,Abbeel创建了一个通过不断调整自学方法的方法来完成这个任务。现在,当布雷特整理衣服,也做类似的事情:它使用钳子拿起一条毛巾,试着感觉它的形状,试试看如何折叠。看原来的权利,它是。但你又想:机器人在叠毛巾,先生

弗兰肯斯坦类型所有的东西看起来有点令人毛骨悚然。智能机器可以执行任务的复杂性正以指数的速度增长。这最终将带我们去吗?如果一个机器人能学会秋季毛巾,如果有一天也可以做饭,手术,甚至发动战争吗?人工智能可能有助于解决人类面临的最复杂的问题,比如癌症、气候变化,等等,但它也可能在不久的将来在监测、侵犯隐私,不知疲倦地进行电话营销。此外,还有一个更大的问题是:有一天,机器可以认为自己吗?可以进行理性分析问题?甚至给情感吗?没有人知道答案。智能机器的崛起并不等同于其他的技术革命,因为它是最终危及人类的问题——我们可以创建将创建一个新的生命形式,这种形式的生活不仅是一种进化的突破也可能威胁到我们作为一个物种生存下来。

无论如何,革命已经开始。去年夏天,伯克利团队一系列短期记忆系统嵌入在一个机器人模拟。参与项目的计算机科学家谢尔盖·莱文说,他们注意到一个奇怪的事情。为了测试机器人的记忆项目,他们向机器人发出指令,要求把钉子放在一左一右两个洞之一。控制原因,他们再一次的情况下移除程序内存测试一遍,令他们吃惊的是,这个机器人还知道把钉子放在正确的洞。没有存储是如何记得指甲应该在哪里?“最后,我们意识到,只要机器人接收指令,它将旋转机械手臂到正确的洞。”命令消失之后,就看你的身体什么位置来确定应该放在哪个洞的指甲。也就是说,机器人本身,事实上,执行命令已经找到了正确的方法。“很奇怪,”莱文说:“也不安。”

Abbeel带我去他的办公室,这是一个没有窗户的房间。在办公室里,他和我讨论了DeepMind(通过谷歌2014年的约4亿美元收购AI初创企业)最近做了一个突破。几年前,因为教会电脑玩太空入侵者如雅达利视频游戏和玩比人类下滑,DeepMind震惊了每个人。但是更令人震惊,DeepMind不在程序告诉计算机条件下的游戏规则. .它不像深蓝击败人类的国际象棋游戏,游戏规则是写在程序里面。只知道一点电脑:我们的目标是得到高分。计算机使用的强化学习方法要做到这一点,就像训练狗,不管有多难,只要你赞美一个“好狗”,计算机可以使用这种机制探索游戏,学习规则为自己的反馈。几小时内,电脑是掌握了超人的技能。这是人工智能的一个重大突破——计算机自己“社会”,第一次一个复杂的技能。

突破Abbeel实验室研究人员感到着迷,他们决定用它来编写自己的类似的强化学习算法来做实验,试图帮助机器人学习游泳、跳和走。还是玩游戏?令他们吃惊的是,所谓的TRPO(信赖域策略优化,信赖域策略优化)算法的实现结果DeepMind算法几乎是一样的。TRPO显示,换句话说,与学习能力的一般方法。“我们发现TRPO不仅能教机器人行走,“Abbeel说:“我们可以击败了人类在一个电子游戏。”

Abbeel弹出一个关于机器人的视频模拟器。视频开始时你可以看到一个机器人落在地上的白色和黑色的。“记住,这个算法与研究视频游戏是一样的,”他说。机器人是安排三个目标:走多远多远,不踩你的脚,树干是高于一定的高度。“它不知道走的意思,“Abbeel说:“不知道自己有手有脚。它只知道自己的目标。然后想办法实现目标。”

仿真Abbeel按一个按钮,就开始工作。机器人沉重的落在地上,不知道你在做什么。“原则上,它应该能够决定你想继续还是跳,“Abbeel说。但算法实时“理解”只要抬起他的腿,它可以促进他们的未来前进。机器人可以分析你的表现,更好的解读什么样的行动,然后相应的改变。机器人很快开始跌倒,错开像醉酒。它会突然下降,爬起来,走了几步,然后摔倒了。但慢慢开始提高其性能,学习如何运行跌跌撞撞地朝着目标在过去。你几乎可以感觉的信心增加,腿就像一个跑步的速度更快(运行)。机器人不知道自己在跑,因为没有设置过程。但现在它已经运行。复杂的平衡自己的学习和身体控制的物理知识。这是惊人的,它是魔法。好像他们是在40秒见证了鱼人。

“移动机器人,开始走让它看起来像一个生活的方式,”我说。

Abbeel笑了笑:“几乎”。

尽管有各种各样的书籍和电影呈现的人工智能,但这个东西不是暂停蓝色液体箱大脑的合成。是人工智能算法,一个数学方程,它告诉计算机执行任何功能(受欢迎点你可以理解它作为机器的食谱;更深入的主题可以看到基于算法来寻找生命)。21世纪的算法就像19世纪煤矿:是我们的经济引擎,是现代生活的燃料。没有算法,你的电话不工作,也不会有脸谱,谷歌,亚马逊。算法编程飞行,然后引导飞机飞行,帮助医生诊断疾病。“如果每个算法突然停止工作,我们知道世界即将结束,“机器学习通俗文学作家的主要算法,佩德罗·多明戈(见有主宰世界的主要算法)。在人工智能的世界,圣杯是发现算法可以让机器理解这个世界,它可以让物理学家解释宇宙标准模型的运行机制,但前者是数字世界。

数学算法有几千年的历史,输入数据是现代计算的基础,计算机处理,那么该算法的结果。但是现在科学家开发了算法可以逆转这个过程,也就是让计算机编写自己的算法。假设你想让直升机向后飞:你告诉计算机写算法直升机控制信息(输入数据),然后你告诉你如何想让直升机飞,飞角(结果),宾果!电脑将会搬出他们的算法,然后告诉直升机怎么做。这个过程称为机器学习,它是人工智能的核心理念:如果机器自学可以让直升机飞向后,它还应该教其他的东西,比如如何找到一个情人在易燃物,或者当你跟iPhone认出你的声音,或将来设计一个创建终结者天网。DeepMind创始人黛米斯说过:“人工智能是机器智能的科学。”

当然,事实上,我们一直在智能机器包围。您使用的是谷歌地图,你画的算法最快的路线,根据实时数据来计算交通延误和交通状况做出预测分析。当你跟谷歌语音,它可以识别你的声音是这样的基于神经网络的机器学习算法,它使得电脑把你的话听起来咬,然后比较与其他部分,理解你的问题。Facebook扫描数十亿的图像通过图像识别程序,将斩首有害内容,如视频、JB照片。

智能机器正在加速,他们在哪里呢?地球上的生命从出生到实现更高的智能花了30亿年。电脑只有60年,相比之下,从一大块硅晶片可以开车在美国或在人群中一张脸。每一个在过去的一周中,会有一个新的突破宣布:今年1月,DeepMind透露他已经开发了一个算法,这个算法击败欧洲冠军(算法称为AlphaGo,3月9日开始,它就会与韩国顶级球员的象棋大战李se-dol)。快速进化,当然,也在人类的控制,但很难不去想我们是否已经达到一个转折点的智能机器的进化。我们将见证一个新物种的诞生?机器比人更加聪明多长时间?

谷歌的未来学家Ray Kurzweil提出的“奇点”理论,然后奇点比碳硅基机器变得更聪明机(人类),到那时,进化的平衡将会倾向于前者。在未来我们可以认为在一个巨大的云,”他在几年前一个技术会议。他甚至预测准确的时间的到来奇点:2045。在最近的一次会议上,即兴演讲,特斯拉和Elon Musk渡轮的创始人人工智能的发展被称为“魔鬼的呼唤。尽管这一点之后,他告诉我,他自己的头,但他说:“智能机器的兴起对我们提出了一个严重的问题,我们需要考虑,作为人类我们是谁?我们希望建立一个什么样的未来?”他指出,我们现在严重依赖于机器:“我们赛车的(cyborg)。不相信你看我的手机,你就会知道是什么样子的幻肢综合症”。

这并不是说超智机成为超级邪恶将构成威胁。“真正的人工智能的风险不是恶意,但在于其能力,”物理学家斯蒂芬·霍金最近说:“超智AI非常擅长实现他们的目标,如果目标不同意我们,我们就有麻烦了。你可能不是邪恶的蚂蚁仇恨,而不是出于恶意踩蚂蚁,但如果你负责一个绿色能源的水电项目,然后需要时淹死一个蚁巢区,蚂蚁的情况太糟糕了。我们不让人落在蚂蚁。”

虽然有更多的智能算法,能够更多的机器人,但超智机器的未来比科学更像科幻小说。Facebook说人工智能研究主管Yann LeCun(现在“AI智能水平远低于鼠标。”是的,IBM已经编程和闪闪发光的银色的华生,2011的机器测试击败了人类最聪明的球员,现在,它的基础是公司“认知计算”行动第二它可以阅读8亿页的信息,吸收整个维基百科语料库,更不用说几十年的法律和医学杂志。但是他们不教你如何骑自行车,因为它的情报是狭窄的,它不知道任何关于世界是如何工作的。西雅图艾伦人工智能研究所贵族是其中一个最复杂的人工智能程序,但对于“空气”是对这句话感到困惑。因为要理解这句话,你需要一些常识,但这台机器没有常识。甚至通过语言常识可以定义,也不知道是否需要呼吸空气生存;也不知道是一种呼吸一分钟或一辈子只有一次。

一些令人印象深刻的特性,比如实时Skype可以让用户在不同的语言对话翻译(或预览)目前,还有很长的路要走。在谈话中与一个男人在意大利,我对天气的评论已被翻译成《圣经》的解释。

当然,这并不是说的兴起,智能机器只是一种幻想,也并不是说,正义不会在我们难以想象的突然出现的数据点集。自动武器,例如,可以根据数据如人脸识别技术任务无人机杀手(见无人机BaiNianShi)是一个真正的威胁。但他们不是不会威胁到人类的生存。朝鲜黑客突然创建一个让金三个能力的终结者类型攻击的世界新算法的可能性也非常低。在这种背景下,人工智能不像iPhone,你写一个新应用程序工作。这更像是自己使互联网,只能慢慢积累长期发展。百度首席科学家吴在最近告诉我:“担心杀手机器人就像人口过剩在担心火星,我们有足够的时间来解决这个麻烦。”

事实上,杀手机器人夸大我们面临的问题是,它涵盖了真正的风险——智能机器的崛起是因为工人被机器人所取代,失业率的增加使用自动武器在战争中,这个简单的事实,我们越是依赖机器,有什么不对劲的地方,风险越高。我们生活在这样一个世界的问题在于人际关系的异化,我们的谈话与机器比与人聊天(你可以看到电影“电子病历”),是艺术成为一个和谐算法输出(看到机器学习艺术,Facebook的深度学习系统可以创建令人信服的形象)。人工智能时代的隐私,会造成深远的挑战不只是智能监控你的无人机在天堂,企业还可以跟踪你的动作好卖给你。作为伦理研究所首席技术官马塞洛Rinesi认为:“未来不是一个机器人脚踩人的脸永远(注:原句从奥威尔的《1984》:如果你想想象未来的一幅照片,想象一下一个脚踩人脸-永远)。但你看到里面,有一个小世界电话销售员,了解你的一切,永远不要停止出售你的世界。”

它也涵盖了与机器深联盟的好处。大部分的研究者,如DeepMind黛米斯认为,如果我们给机器智能,他们可以帮助我们解决一个问题如疾病和卫生保健,还可以帮助科学家们征服气候变化和物理学的难题。预览微软的Eric Horvitz AI更加雄心勃勃的:“对于人类来说,一个很大的问题是,我们的经验可以计算吗?如果是这样的话,对我们更好的理解思维方式,你能告诉我们一些关于我们作为地球上的生命是什么样的新发现?与自我,我们要做什么?”

对机器人来说,历史是在2016年,Facebook等主要平台推出了机器人用于信使,亚马逊和谷歌推广他们的数字助理。展望2017年,我们邀请了21个机器人专家、企业家和高管,分享他们的机器人发展对未来一年的预测。

1。自动售货机公司的首席执行官安迪?马罗(Andy Mauro)

“2017年,该公司将意识到,相比之下,今天的数字营销,营销是一种更好的理解和对话建立客户关系,这是一种饼干,像素,搜索引擎和社交数据来了解他们的客户。我们会看到一些强劲的案例研究数据,这些数据表明,在谈话的过程中对客户信息的质量已经远远超出了电子邮件营销、营销自动化和应用。”

2。为塔尼亚麦科马克Flowdock聊天应用程序产品

“机器人将更有帮助人类,更直观,最重要的是,更多的人。”在Flowdock聊天应用程序平台,我们的目标是允许用户与机器人互动,喜欢与周围的人交流,为了得到我们需要的信息。最重要的是,机器人也会让工作有趣,使我们大笑。

3所示。蝴蝶公司联合创始人大卫·韦茨(David Mendlewicz)门

“我们将看到越来越多的机器人像人类一样帮助我们发展和成长。”到目前为止,机器人仍然被视为一个新的工具,一种可以更快地完成任务或更快地掌握信息的方法。在未来,机器人将帮助我们缩小我们之间的差距和同行学习。换句话说,机器人将教育的福音。

4所示。辛烷艾未未的首席营销官和珍珠(Ben Parr)的创始人之一

“将会有一种独特的内容和经验,成为一个障碍机器人制造和管理。但是这些障碍会给机器人带来突破。有些人以他们的机器人而闻名。”

5。Growbot创始人贾斯汀想知道黑色(Justin Vandehey)

“2017年,制造标准或使用,我相信我们的机器人将有很大的进步。有一些核心工作流程需要改善。机器人制造商可以识别工作流和参与,而不需要改变他们的行为…这些机器人可以叫钱。

6。Inbenta公司首席执行官和创始人杨晨多哈(Jordi肾脏病)

“采用更先进的人工智能算法和机器学习,机器人将会变得越来越聪明。但是他们也可以关注一些具体问题,如网上购物,客户支持或在线咨询。我们将尝试第一次聊天机器人的交互性能,如Siri或Alexa,连接到专业企业机器人,让他们来执行特定的任务。传统搜索引擎执行的功能将越来越多地由机器人完成。

7所示。军队公司的联合创始人兼首席执行官丹瑞奇(Dan帝国)

“机器人将会慢慢消失,因为人们会意识到它的价值不是简单的对话与电脑或机器人,而在于智能工作流的对话平台。

8。Chatfuel公司合作伙伴经常迪米卡(他在克钦)

当机器学习发展到一个更高的水平,NLP的功能很复杂,我们在与机器人互动的过程中,你将看到一些有趣的变化的机器人。当你的机器人变得更强大,它可以通过客户关系管理系统,仓库管理系统,订单跟踪,等等帮你做生意,你将会有更多的动力去完成你的工作。由此产生的各种电子商务的比例增加,相应的用户流量应该值得关注。因此,我们将看到机器人的整体人气。”

9。要罗Bomei公司首席执行官和创始人之一

“今年,我们会看到那些大公司正在使用机器人。在使用过程中,我们可以看到富豪榜排名1000强企业内使用机器人搜索的内容,他们将使用机器人。这是人们想要的工作方式,我们也取得了他的设想。我们正处于一个转折点,机器人已经开始跨越式发展。所以我们会看到,综合生态系统将继续产生更健壮的解决方案。”

10。首席执行官Pandorabots劳拉·奎因(劳伦Kunze)

“现在,该行业急需的成功故事来作为宣传的想法。今年,一些机器人应用程序将越来越多地产生真正的商业结果。“这将有助于品牌过滤不必要的噪音,并区分初创企业和行业领导者。2017年之后,我预测,机器人将品牌的人,人与物之间的交互主要媒介。”

11。松弛发展关系总监阿米尔(Amir希伯来历的五月)

“我们将会看到改进的对话接口促进高效的业务流程。”消费者使用的过程中,我们也会发现机器人方面的文本和声音增加了我们的生活经验。

12。DigitalGenius首席信息官和米哈伊尔·诺莫(Mikhail Naumov)的创始人之一

“2017年,公司将会了解何时使用机器人脚本,以及何时使用机器学习算法。与深度学习和人工智能的发展,客户服务功能将会明显改善。人工智能将无缝结合,为客户创建一个伟大的经验。”

13。Kasisto公司首席执行官兼联合创始人佐尔格罗夫

“我们预计机器人将在三个重要领域:扩大盈利,安全,和综合能力。在市场上受欢迎的平台将支持内幕交易的发现和应用。它将提高安全标准,尤其是在工业为中心与隐私,如银行、保险或医疗保健行业。领域的机器人,参与企业和用户来说,机器人的进程将会更快的越多,他们就会变得更实际。”

14。TOPBOTS首席风险官砝码莉娜(玛琳·贾)

“机器人将用于一个特定区域,促进消费者的使用。2016年机器人与品牌体验和用户体验的一年,今年可以给我们很多学习经验。2017年,您将看到该品牌机器人和机器人的创造者将定义用例和机器人可以实现小目标做得更好。我们不能保证ai将会出现在舞台上,让机器人变得足够聪明,但我们能做的就是知道机器人应该做的,并根据目标来设计。”

15。Betaworks公司合伙人马太哈特曼(马太福音哈特曼)

“我们将开始看到一系列的机器人,他们可以用独特的方式找到并解决问题。我们也将开始看到信息服务实现商业。”

16。拉线,奥伦首席执行官雅克布(奥伦雅各)

“我们将会看到Alexa听起来很多方面的优化使用,接触和复杂性。Alexa平台将有很多神奇的事情。”

17所示。MoNage创始人杰夫的意志(Jeff粉末)

“我们使用互联网的方式正在改变,和改变沟通的方式将带来巨大的损失。现在,我们正处于一个转折点,机器人发展不会逆转,转折点在我们使用互联网的方式将会改变。应用程序可能会随着时间的流逝逐渐消失。网站将不再那么重要,网站信息将存储在云中,并在需要时你可以访问。信息的形式将更和谐的过程中自己的搜索和分享。人工智能的影响下,通信将成为更好、更容易。此外,这一变化将使我们的个人和商业关系更好,这意味着将会有新的商业机会和模式可以探索。总之,人类和计算机之间的接口是迅速从“操作”界面(网站应用程序)到一个“对话”界面(bot、语音接口)。这是一个革命性的变化,因为自从第一台电子计算机,“操作”界面一直是人类和计算机交互的标准方法。为了实现这一根本转变,我们有很多工作要做。”

18岁。Dashbot公司联合创始人和丹尼斯·杨(丹尼斯·杨)

“我们看到,在2017年,第一阶段,强劲的发展领域的机器人。”我预计,到2017年底,我们将会看到一些常用的机器人的数量将达到100万。此外,我们将看到更多的机器人,它们是完全合适的会话功能的用户界面,我们使用自己的网络和移动体验。

19所示。消息。IO的首席执行官汤姆·哈德菲尔德(汤姆·哈德菲尔德)

“2017年将是一年和机器人一起工作。今年前四个月,松弛公司企业网格,微软团队,谷歌视频聊天和在工作场所使用,企业消息空间机器人主要应用。2017年将是对话界面改变一年,价值6200亿美元的企业软件行业将使用对话界面,像80年代的一个图形用户界面,90年代的网络,移动应用程序最近也在研究这个项目。”

20.Botmetrics创始人Sandeep Chivukula

“多,少的力量。”现在,机器人可以应对客户的指令。2017年最好的机器人可以预测消费者需要什么,并帮助他们购物。

21。Kip首席执行官和创始人的ROM

之间的界限”软件机器人和机器人和无人驾驶飞行器(无人机)将模糊,因为纯物理机器人将被集成到聊天平台。很快,你可以通过信使和操纵无人机(uav)控制你的房间!”

源(英语/ VB编译/机小容易审查/雨蛋)

许多人认为,经过多年的积累,人工智能技术在前夕的爆炸式增长——也许他们的判断没错,但随着信息技术领域的从业者,同事和我更关心,为什么突然从“地狱”人工智能在“法庭”,成为万众瞩目的焦点吗?在人工智能可以指定谁?

想象以下场景—

人工智能助理成为了一些基本服务,如数字支付,地图。

它跨平台。电脑和手机,或智能电器和无人驾驶车辆,它是隐藏在幕后,随时准备应对主人的“电话”。

它跨应用程序。用户是否拍照,玩游戏,或者去国外旅行的的语言,开始一个新的健身训练,正伴随着它。

这是整个场景,感觉声音。就是说,听和写,也就是说,它将大大增强宿主的能力,帮助人类更好地应对工作和生活中的挑战。

人工智能技术:爆炸倒计时吗?

尽管人工智能的行业不是一个产品可以达到这个水平——既能对接企业产品数据库,并基于用户数据的长期积累,达到一定程度的理解宿主客观条件,但是我们有类似的目标越来越近了。

预计在几年内,通过嵌入在各种硬件、软件和服务,人工智能可以收集更多的实时生成的用户数据,类似于体重、体脂、体温、心率、血氧饱和度和其他生理指标的健康和健身,他们的数据,例如体育等长度的指数,和用户的饮食禁忌,消费习惯、品牌偏好,如外部数据,加上时刻更新信息实时企业的商品和服务,可以为用户提供最亲密,最符合需要的生活技巧和消费的建议。当然,所有用户数据加密存储在云中,就不会有泄漏问题。

许多人认为,经过多年的积累,人工智能技术在前夕的爆炸式增长——也许他们的判断没错,但随着信息技术领域的从业者,同事和我更关心,为什么突然从“地狱”人工智能在“法庭”,成为万众瞩目的焦点吗?在人工智能可以指定谁?

这三个力量

尽管人们很久以前就开始想象能力独立思考和行动的机器,和60年前(达特茅斯会议)建立了“人工智能(人工智能)”的概念,但经历了几十年的探索,沮丧,复苏,直到最近,近年来,学术界、工业似乎看到黎明将人工智能的愿景变成现实。

深度学习算法,高质量的大数据和高性能计算资源,这是人工智能技术的研究和发展加速了三个力量,推动人工智能从实验室到人们工作和生活,同时也促进相关技术孵化和裂变出越来越多的应用。

首先,深入学习算法相结合的推理算法和机器学习算法。典型的深度学习模型通常需要建立深层次的神经网络,通过加强模型的复杂性提高机器学习能力,和模型的复杂性,需要增加宽度(即。隐藏的神经元的数目)和深度的增加(即。隐层的数量)。

接下来,研究人员还必须不断提高数据的大小和质量,增强机器的学习效果。在过去的几个月里AlphaGo的声誉作为一个例子,16000倍的去计划人类六到九大师游戏分析数据上涨3000万点,和数据用于训练“政策网络”(政策网络)。

第三,高性能计算资源是必不可少的。值得信赖的评级方法(值得评级)是由匈牙利路径德埃罗博士美国物理学家亚珥拔(值得)创建一个类级别的球员得分方法调用。值得信赖的评级,AlphaGo不同的硬件配置,在异步模式下运行(Asyncdivonous)和分布(分布式)当相应的分数,如图1所示:

图1:AlphaGo值得评级,报价从谷歌深

显然,分销模式下,从1202年的176 CPU、GPU – 1920的280 CPU、GPU,计算性能的线性增长只有28分分数增长,这表明一个线性增长,计算资源的分数是不可能相同的线性增长。未来越多,每一点成绩的发展都需要大量的计算资源的支持。

从长远来看,我不认为人类棋手与机器重量占上风,无论多少空间和棋类游戏的规则很复杂,机器,只要证明算法是有效的,所以,在一个日益增长的大量数据资源、计算资源的与时俱进的祝福下的优势相对于人类只会变得越来越大。

大数据:比大

一个有趣的问题是,人工神经网络和深度学习理论和实践尝试有几十年的历史,但直到今天,为什么的深度研究没有揭示出非凡的力量?

联合服务协会(历史)数据科学部长罗伯特·威尔伯恩(罗伯特·Welborn)认为2015年是一个机器学习的商业化发展迅速。存储市场大范围的价格和存储设备制造成本降低起飞是机器学习领域的关键。

但是当大数据和云满足深度研究,计算机科学家渴望几十年的技术终于不再是不存在的。深度学习的潜在技术是完全释放,弈棋好项目的胜利,我们是完成图像识别领域的一个突破,语音识别等是一件很自然的事情。

大数据是多少?根据IDC的数据,2014年发布的一份报告,仅在2013年,人类一代,复制,和消费的数据量4.4 ZB,即44亿TB -可以看到,这些数据需要多少硬盘打扮,到2020年,这一数字将达到40 ZB,年增长率为40%。

显然,云计算、移动互联网和社交网络是螺旋桨的三大数据。一组数字对比知道:

1997年,整个中国电影的消费大约是1.2亿年,当时的人口是12.36亿。在每一卷胶卷可以24-36图片,总共约40亿照片,中国消费者每年大约每1卷胶卷,3拍照。

一天2015年,小米手机用户只有1亿册的新照片,和微信用户上传新照片,每天超过10亿册,小米手机用户每一个半月,每四天,超过1997个新微信的照片,所有的中国照片。

相比之下显示,在过去的20年中,个人计算设备产生的数据量显著增加。为了处理这些数据,需要强大的云存储和计算平台。处理小米手机每日新照片,例如,1亿张照片云相册缩略图过程需要2400核,2.6 GHz CPU和200 TB的存储空间。

和电话这种设备支持一些很酷的看起来很聪明的特性,如人脸检测,根据特征脸识别和分类目录,等等,没有一流的云平台的背后,是不可思议的。

小米手机相册加入一些为用户很方便和人性化的功能,如:

用户可以找到每一脸的照片和看到年龄标签。

点击“面子”列,所有包含字符的照片被归类为“名字”系列。

选择一个图片,图片的应用程序也可以签在每一个人的名字……

”的功能受到面临失明和健忘症的朋友很有用,但也让手机看起来很“聪明”。但事实上,相关操作过程不是在手机硬件平台,但是在一个遥远的“小米云相册”——至于小米云相册,支持金山云组。

深度学习:让机器比一个人好

因为在几何激增的数据量,从事研究工作,如机器学习神经网络,科学家们曾经认为培训不可能完成的任务,今天可以相对容易完成。

我自己之前做的研究背景,专业方向的视频和图像内容分析和检索,计算机视觉和信息系统。在人脸识别上,早在20年前,我和我的团队已经收到专利——还记得1996年,我开始研究我在惠普实验室的硅谷,1997年申请专利,2000年批准(如图2,图3),这是一个分布式架构,数据从客户端生成,传输到后端系统,经过一系列的处理,那么结果推到前端。事实上,现在学术界和产业界的人脸识别,云-端图像处理研究与20年前相比,原则上是相似的,只有在数据资源和算法大大改善。

图2

图3

在过去的20年,原则上变化不大的前提下,应用程序开发进展非常缓慢,原因是后面对图像数据库的大小,或计算本身,只能使用“贫瘠”来描述。

为什么研究人脸图像数据库是不足以支持任何形式的技术突破?数字证明了这一点:1990年前后,ORL数据库和耶鲁大学实验室和B E AR面对图书馆面对样品数量不到130人,首选识别率在95%到99%,直到2007年,LFW(标记为脸在野外)的脸在图书馆,5749年只有5749颗恒星。

在一些IT领导企业大规模数据资产加入人脸识别研究阵营后,这种情况明显改善。在2014年,Facebook DeepFace脸库包含4030个样本的4400万张照片,算法通过多达1.2亿网络,8楼培训系统支持的参数。和谷歌FaceNet数据库规模更大,800万个样本的能力从2亿年的字符图像,和22深度网络和1.4亿参数算法系统。同样的国内公司,公司已建立你的角色多达7000万个样本(每个1身份证照片,1图片)的图像库,拥有超过30层深度网络,20英伟达M40 GPU训练6天,取得了相当不错的成果。

许多大规模的数据是大数据?当更多的数据可以完全覆盖几乎整个样本空间,从而减少依赖理论和模型,数据是足够大的。问题,如预测扔硬币样本空间为{ 0,1 },1000个样本甚至大数据,就足以让更高程度的信心的预测。机器翻译,图像识别,这个话题而言,在样本空间的顺序是太多——在去年年底第六ImageNet图像识别,微软团队打败谷歌图像识别系统设计,如英特尔、高通强劲对手,使许多名字。据我所知,微软已经训练图像识别系统是使用152网络层的深度。这表明研究:我们如何能促进传统方法是一个小的数据量+复杂的模型,在一定阶段,很难提升系统性能,与大数据、行业使用大量数据+简单的模型可以获得更好的结果比传统方法;接下来,当大量的数据和复杂的模型,结合培训应该能够创建最好的结果。

从上面的案例也可以看出,算法和系统领域的学术水平与行业差距较大,学术水平的理解应用程序性能的行业也存在较大的差距,一直在人脸识别领域,这个行业的应用任务有两种模式:1:1也面临选择两块识别、1:N选择面临着更多的认可。在不同的测试条件下,企业要做的:1:1的任务,性能达到误报率超过一百万分之一;处理1:N,N =成绩表现意识到必须查询条件,首选的约90%。是因为这个行业的参与,两年前,机器识别人脸有超人的能力。类似的电视剧“嫌疑犯跟踪”人脸识别在现场随时将成为现实。

在实际应用中,主流推进技术,行业效率远远高于在学术界,不难理解,不仅因为前现金充裕,而且,更重要的是,该行业在结婚储备,使用用户数据与学术界相比具有明显的优势,和巨大的,像Facebook,Google可以使用无限的云计算资源加速开发过程。

云将越来越重要

我的前同事,图灵奖获得者,数据库大师吉姆·格雷在他的杰作“第四范式:数据密集型科学发现”范式的科学发展有着非常深刻的总结:一千年前,科学是基于一个简单的实际经验来描述这一现象。数百年来,科学家们一直试图建立分支学科和理论,建立和使用模型来概括。近几十年来,新分支计算的计算来模拟复杂的现象。现在是依靠大型数据探索这种现象。

收集从云计算资源,创新和大数据应用程序的算法创造了无限的可能性,在过去的五年中,我们见证了云计算是如何促进消费产品和创新领域的企业产品,目睹了云计算是如何毫无根据的怀疑从一个过度投机,逐渐成长为一个基础平台的概念,整个IT行业和各行各业的见证了云计算技术的支持下(基于“增大化现实”技术,如人工智能、虚拟现实等)和应用爆炸模型(如游戏、O2O、广播、等等)。

整个中国的IT产业在未来十年增长最快的,很可能是云计算公司。回顾过去,快速增长的新力量巨大的美国公司只有一个,就是集中在AWS云计算(如图4所示),其轨迹几乎是从事ToC Facebook重叠。此外,更快的发展,更高,而美国市场成熟云计算在中国市场仍在增加等级类型的演变垂直飙升节点(如图5)。

图4。

图5

总而言之,算法,数据,计算资源,使科幻小说成真,人工智能可以分配。人工智能的三大力量,在不久的将来将成为行业领域的有远见的企业标准。根据一项调查,到目前为止,超过60%的IT公司,业务和专业服务公司的48%,47%的金融服务公司,制造公司的38%,29%的零售和物流运输公司使用云平台和建立大数据的决策。大数据不再仅仅是一个机会,它成为必要的竞争企业的未来。在人工智能在干预后,可以进一步减少人工分析的数据,判断,如干扰,使企业以更低的成本实现更快和更准确的决策。

我们确信,人工智能已经成为一个主流信息技术产业和传统产业的转型升级和改变的关键。、大数据、计算资源和算法不仅构成了人工智能的稳固的支点,也将成为现实我们构建之路的新“智能”的能源。

作者:金山词霸云组博士和集团首席执行长hong-jiang张

在本文中,作者:易建联鑫

导语:吴辞职,让雷锋的网络再一次在百度AI丹尼尔,他们现在或创业,或在其他公司占有重要地位,但仍在人工智能领域。

雷锋网3月22日消息,百度首席科学家吴(Andrew Ng)中,一个开放的微博和推特宣布他的离开,百度即将开放的人工智能领域的新篇章。

虽然吴En的意见各有不同,但毫无疑问,他的离开对百度是人工智能的顶尖人才的流失。吴辞职,让雷锋的网络再一次在百度AI丹尼尔,他们现在或创业,或在其他公司占有重要地位,但仍在人工智能领域。雷锋网络AI技术审查列出了所有的百度AI团队“逃跑”,连同818年的那些认识到百度人工智能。

业务代表:yu吴任正非,詹姆斯彭宇

初始状态:百度的创始人深度学习研究所(IDL),常务副院长

出发日期:2015年6月

:创建机器人地平线

于2012年4月加入百度,百度(MMT),多媒体部门负责百度在语音、图像、音频和其他领域的研究和开发工作。明年7月,由于百度建立了深度学习研究所,2014年5月邀请吴邦国在加入百度首席科学家。

当于离开自己一手创建了IDL,自然也猜测。雷锋网的采访后,yu表示感激,百度和认为他们的创业毕业于百度喜欢追求,希望有更多的自由去做人工智能芯片。

如今,机器人的视野面向“平台”的大脑已经完成了家居环境的“安徒生平台”和“雨果平台”自动驾驶。在今年年初的CES 2017年会议上,地平线面向机器人引入了自动驾驶仪的嵌入式处理器体系结构的IP -高斯架构,人工智能和自动驾驶平台“雨果1.0”。

吴任

初始状态:百度IDL杰出的科学家

起飞时间:2015年6月

:创建Novumind

吴任正非是著名的电脑游戏专家,早期曾在美国和CUDA惠普实验室首席研究员。2013年9月他不再担任首席软件架构师,AMD异构系统,加入IDL负责计算平台的建设。然而在2015年,是指在百度ImageNet违规行为存在在国际计算机视觉挑战,吴头任异构计算集团被迫离开。

立即同年8月,吴任形成异构智能公司(Novumind),计划充分利用更强大的异构高性能计算能力,帮助人们解决具体应用,人工智能在现实生活。

James peng

初始状态:百度首席架构师

起飞时间:2016年12月

:成立了小马。人工智能

詹姆斯·彭毕业于斯坦福大学,已经在谷歌工作了七年,主要负责广告业务。金王的邀请,在2012年,詹姆斯·彭与谷歌的广告团队一起Lv人士成为百度美容研究中心前两个员工。自2015年以来,詹姆斯·彭无人驾驶车辆重点研发项目,并担任首席架构师的自动操作,并在2016年9月,作为百度T11工程师,詹姆斯·彭也在百度世界大会介绍无人驾驶汽车业务。他的城市和建筑的同时,共同创立的小马。Ai,根据该网站,这是一个机器人公司:提供人工智能的解决方案。

更好的派代表:工作张通,二阶,贾庆林Lei张通

初始状态:百度,学院副院长

起飞时间:2016

:腾讯人工智能实验室主任

张通是一个大学的教授新泽西国家统计,IBM T.J.前W atson研究所研究员和研究所首席研究员雅虎。2013年9月,加入了IDL张通从事机器学习算法的研究和发展。谣言张通2016年9月,她加入了腾讯,但后者没有正式发布官方声明2017年3月,担任执行董事AI实验室证实张通。

二阶

资深科学家原始位置:IDL,百度无人驾驶汽车,团队的负责人

起飞时间:2015年12月

:快乐的超级汽车驾驶,副总统

根据数据显示,在LinkedIn上二阶毕业于清华大学和佐治亚理工学院,在微软HoloLen项目工作。2013年11月加入百度之后,作为一个团队和无人驾驶无人机项目总监。

在明显宣布2016年3月,原百度,无人驾驶的二阶加入一个汽车,任正非勒看到超级汽车(中国)智能驾驶副总统。

贾庆林Lei

初始状态:声音百度首席架构师

起飞时间:2015

:猎豹

贾庆林Lei自动化博士在2003年中国科学院,获得了学校,2011年加入百度,百度主要负责语音识别技术的研究和发展。百度在2012年2月,在线语音搜索系统的自主研发,在百度的语音技术的发展,可以看到雷锋网络(公共数量:雷锋网络)之前报道的评论SwiftScribe,百度七年来积累的语音技术,贾庆林lei。2013年,百度将最高奖项贾庆林Lei团队数百万美元。

王“缺口”代表:金

金王

初始状态:百度高级副总裁、前自治分公司总经理

起飞时间:2017年3月

目的地:未知

金王在2010年4月加入百度,2013年12月,晋升为百度副总裁。Wang Jin就职期间,分别建立了包括百度移动云计算业务,大数据,百度百度基础设施(云计算)部门,研发中心在美国,百度百度深圳研发中心,研发部门,成立于2015年12月,百度自动驾驶集团,作为一个部门经理。

2017年3月2日,王指出,百度内部邮件金离开因个人和家庭原因。

除了百度上面AI的牛人,有不少人在百度已经离职,包括:

原来百度jong:当前的头条新闻今天科学家李雷,精神科学和技术内容,顾加威的创始人之一,现在办公室在AWS nervegrowold;

原来百度IDL,资深科学家,目前情况下精神深学生CTO邓小平Yafeng;

现在戴在第四范式北京工作,陈昱和胡伟;

原来的地板城,百度最年轻的T10工程师詹姆斯彭小马。人工智能…

回顾百度AI丹尼尔加入和离开一个接一个,一遍又一遍地目睹了在百度在人工智能公路风,无论是商业,是加入其他公司,或暂时从公众视线中消失,雷锋网络仍然相信他们的选择是值得尊重和肯定,也期待他们无论在哪里,都可以为用户带来更好的产品。

通过educationpost头图

科技新闻在3月12日,据英国“金融时报”报道,谷歌总部位于伦敦,讨论了人工智能(AI)实验室DeepMind与英国国家电网公司如何利用人工智能技术来帮助平衡英国电力的供应和需求之间的矛盾。

DeepMind首席执行官杰米吗?哈萨比斯(黛米斯)向英国《金融时报》表示:“我们正在与国家电网公司和其他大型电力供应商进行初步探讨,看看我们如何能帮助解决他们面临的各种问题。如果你不需要任何新的基础设施,只有通过优化,可以帮助节省用电的10%在英国,结果会令人惊讶,也很兴奋。”

英国国家电网公司运营和电力基础设施在英国。在任何时间,以确保有足够的电力来满足需求的英国,公司起着至关重要的作用。

然而,近年来,英国国家电网公司扮演的角色之间的矛盾供需平衡的电网变得更加困难,因为间歇性可再生能源如风能和太阳能,已成为英国能源结构的重要组成部分。

DeepMind算法能更准确地预测需求模式,更有效地平衡供给和需求之间的矛盾的国家电力系统。

DeepMind发言人说:“预测机器学习技术有助于减少电力系统的环境影响有很大潜力。的前景非常有趣的是,我们是否可以使用机器学习技术来预测峰值功率需求和供给,从而帮助英国国家电网公司最大化的使用可再生能源。“他补充说,该公司在探索可能的伙伴关系”的过程。

英国国家电网公司发言人说:“我们是在早期阶段的勘探潜力与DeepMind合作和研究他们可以提供我们一个机会。”

他说:“我们总是高兴看到最新的进展领域的技术如何提高我们的能力,以确保我们可以充分利用可再生能源,并帮助比尔支付为了省钱。”

DeepMind宣布去年7月,座落在伦敦,机器学习算法将谷歌数据中心的能耗降低15%。

DeepMind智能算法能够有效地预测Google数据中心冷却系统和负载的控制设备,它将用于冷却能力降低了40%。分析师估计,在未来几年内可以节省数亿美元的谷歌。

哈萨说:“因为它的效果是非常好的,我们将扩大该技术的应用对整个谷歌,但我们希望看到它可以用于英国国家电网的规模。我们相信你可以用于数据中心技术没有理由不能应用于一个国家的电网。”