人工智能现状与未来-经典.pptVIP

一只乌鸦的启示 图b：找到了坚果，砸不开。它就发现一个诀窍，把果子放到路上让车轧过去 图c：靠近红绿路灯的路口，车子和人有时候停下了。 图d：选择了一根正好在斑马线上方的一根电线蹲下来 图e：把坚果抛到斑马线上，等车子轧过去，然后等到行人灯亮了 日本新喀乌鸦 一个完全自主的智能。感知、认知、推理、学习、和执行。远远超过任何机器人，乌鸦向我们证明了，这个解存在。 无大数据学习，无人工标注好的训练数据，没人教它 乌鸦头不到人脑的1%大小。人脑功耗大约是10-25瓦，它就只有0.1-0.2瓦 启示 Q2：AI+ 还是 +AI？ 在AI技术成熟之前，这个行业、产品从未存在过。比如自动驾驶，亚马逊的Echo智能音箱、苹果的Siri语音助手。在人工智能技术未突破前，不存在这样的产品。因为AI，创造出了一条全新的产业链。 AI+行业：从0到1 行业本身一直存在，产业链条成熟；以前完全靠人工，效率比较低，现在加入AI元素后，使得行业效率有了明显提高。比如安防、医疗等领域。 行业数据控制比AI技术更重要，例如医疗+AI，最重要的是大量准确的被医生标注过的数据。在国内，医疗数据拿出来非常困难。 行业+AI：从1到n AI应用需要积累足够的数据和经过充分的学习才两个起作用 当一个AI应用找到第一批用户时，他们使用的行为和记录被后台记录下来；开发者再对这种行为和记录进行迭代的改进，当再把该应用投向第二批用户的时候，其行为已经比第一代提升了 涟漪效应 基于人工规则的语义理解 神话是孙楠和谁合唱的？ 文法 解析 知识库 查询 SPARQL查询语句生成 答案生成 孙楠和韩红合唱了神话 韩红 歌手 6万 歌曲 260万 专辑 44万 标签 2000类 param:singer孙楠 #param:song神话 #predicate:chorusWith 神话是孙楠和谁合唱的 查询神话这首歌曲的演唱者，演唱者要包括孙楠，输出还包括的另外一个演唱者 文法 规则 模板 歌手 6万 歌曲 260万 专辑 44万 标签 2000类 互联网 各种音乐相关信息 下载 融合 知识图谱的成功应用：现代搜索引擎 半结构化信息抽取 半结构化数据 结构化数据 文本数据 实体对齐 推理补充数据 异构数据整合 重要度计算 实体抽取属性抽取 属性值决策 关系建立 知立方数据 本体 生成系统 索引生成 检索系统 实体识别 本体库 Pattern挖掘 标签消岐 SPARQL查询语句 排序 推理 推荐 统计 Query 检索系统 索引生成 面向知识图谱的Sogou搜索技术 Gene Ontology LOD 企业对知识图谱根据内部数据有大量的业务需求 从两方面来建设知识图谱体系: 知识实体，算法 企业知识图谱的建立 语义理解 智能检索与问答 数据关联探索 业务动态扩展 非结构化数据计算机难以理解 数据使用专业程度过高 多元异构数据难以融合 数据模式动态变迁困难 结构化数据 数据融合 自由扩展数据模式 行业智能问答 业务需求 技术方案 数据挑战 知识图谱助力企业商业智能 通用知识图谱 + 行业知识图谱 通用知识图谱的广度，行业知识图谱的深度，相互补充，形成更加完善的知识图谱 通用知识图谱中的知识，可以作为行业知识图谱构建的基础；而构建的行业知识图谱，再融合到通用知识图谱中 通用知识图谱 行业知识图谱 通用知 识图谱 创投 专利 深度学习与智能围棋 第二节 从AlphaGo Lee/Master讲起 蒙特卡洛树式搜索 AlphaGo的实现原理 AlphaGo Zero 精品文档 01 人机大战：深度学习算法的标志性成果 最复杂（注：状态复杂度与博弈复杂度）的智力游戏：看似简单，实为复杂，具有10的170次方状态复杂空间 涉及逻辑推理，形象思维，优化选择等多种人类智能（注：国际象棋只有逻辑推理，没有形象思维） 02 接近人类 公认是人工智能领域长期以来的重大挑战 03 标志性 国际学术界曾经普遍认为解决围棋问题需要15-20年时间 04 挑战 为什么做围棋AI？ 创新性 投入力度 业内龙头 目前技术优势：起步早，算法新，技术强，资源雄厚 最近一年专注于强化学习研究 拟于近期公布新论文和数据，并从此退出围棋AI领域 Google Deepmind 简介 精品文档 深度学习与智能围棋 第二节 从AlphaGo Lee/Master讲起 蒙特卡洛树式搜索 AlphaGo的实现原理 AlphaGo Zero 精品文档 传统围棋AI算法 — MCTS （蒙特卡洛树搜索） 双人 一人一步 双方信息完备（棋类—完全信息,牌类—不完全信息） 零和 动态博弈问题