期待人工智能突破鲁棒性可解释性局限.docxVIP

PAGE 1 PAGE 1 期待人工智能突破鲁棒性可解释性局限  近些年，人工智能受到了极大的关注，其主要还归功于深度学习的兴起，极大地推动了机器人掌握、计算机视觉、语音识别、自然语言处理等领域的进展，使得许多传统的AI任务取得了一些突破性的进展。例如，在大规模图像数据分类上，1000个类别的分类任务等一些指定的任务，前五个结果的识别错误率深度学习的算法甚至低于人类的水平。当然，最具影响力人工智能系统还数DeepMind公司推出的AlphaGo围棋系统，数度战胜了人类的九段棋手。另外，还有一些人工智能系统，在某些特定的任务上，如写诗、作画、音乐生成、写字上甚至通过了图灵测试（注：图灵测试中的测试用户组的专业水平会很大程度影响测试的最终结果和结论）。例如DeepMind的唇语识别系统，甚至也超过了人类唇语识别专家的水平。本文将对当前人工智能的现状做一些初步的思索和探讨。  强化学习带来AI新时代  关于AlphaGO的技术争论和分析已经随处可见，深度强化学习的应用是其成功的关键，这里我们争论的是其对人类智能的一些启发和思索。首先，这样的AI系统跟人类的学习机制是有很大不同的。AlphaGO可以利用计算机强大的计算能力和建模算法的学习能力，短时间内提升其对弈的水平，这在人类的学习过程中是不可能实现的。围棋本质是一个策略搜寻问题，有明确的评价标准，利