2016 AI 技术发展回顾

合集下载

2016年全球及中国人工智能产业发展分析报告

2016年全球及中国人工智能产业发展分析报告

2016年2月出版正文目录1、人工智能是利用人工计算实现人类智能 (4)1.1、本质:人工智能的本质是对人类智能的模拟甚至超越 (4)1.2、原理:利用一系列算法驱动电脉冲模拟人脑神经元的运作过程 (5)2、全球人工智能千亿市场爆发在即,AI+引领未来商业模式新风向 (6)2.1、人工智能起源于上世纪50 年代,2006 年起进入加速发展的新阶段 (6)2.2、发达国家火热布局,2040 年或有可能实现广义人工智能 (7)2.2.1、欧盟:人脑工程项目(HBP) (8)2.2.2、美国:大脑研究计划(BRAIN) (8)2.2.3、日本:大脑研究计划(Brain/MINDS) (9)2.3、下游应用需求迫切+上游技术基础成型,人工智能全球市场规模超千亿 (10)2.3.1、下游应用需求倒逼、上游技术成型推动,人工智能技术加速发展 (10)2.3.2、人工智能逐渐受到机构重视,2020 年全球市场规模超千亿 (11)2.4、人工智能推动传统产业变革,AI+将成为未来普遍的商业模式 (13)3、人工智能领域风云迭起,科技巨头雄霸天下 (14)3.1、北美及西欧地区公司数量激增,科技巨头和初创企业是主要玩家 (14)3.2、感知层技术领域竞争白热化,机器学习等空白蓝海已成大势所趋 (15)3.3、投资+收购+顶级人才招聘、科技巨头动作频频上演实力争夺 (17)4、2020年我国人工智能市场规模近百亿,有望实现弯道超车 (19)4.1、受益四大利好因素,人工智能发展势头良好有望实现弯道超车 (19)4.2、投资机构青睐有加,2020 年中国人工智能市场规模近百亿 (20)4.3、感知智能试点阶段,预计我国将在5~10 年内实现感知智能全面普及 (22)5、行业火爆:企业数量激增发展迅猛,机器人等是典型应用场景 (24)5.1、巨头基础层切入引发技术革新,创业公司应用层进入带来产业升级 (24)5.2、机器人、虚拟服务等是目前的典型应用场景,未来将进入各行各业 (26)5.3、产业投资偏爱应用类企业,软件服务和机器视觉是热门细分领域 (29)6、海外人工智能企业一览 (29)6.1、人工智能基础平台领域:IBMWatson (29)6.2、机器学习领域:Wise.io 实现高效大数据分析 (31)6.3、语音识别和自然语言处理领域:Facebook、Apple、Microsoft (32)6.4、图像识别领域:Clarifai 超越传统图像识别界限 (35)6.5、预测分析领域:Google 云计算能力打造顶级预测API (35)6.6、先发优势、技术实力、下游爆发潜力是人工智能企业的核心竞争力 (37)7、我国人工智能投资机遇 (38)7.1、投资逻辑:短期看好应用开发领域,长期技术研究是投资大势 (38)7.2、主要公司分析 (39)7.2.1、科大讯飞 (39)7.2.2、东方网力 (40)7.2.3、佳都科技 (41)7.2.4、新松机器人 (42)图表目录图表 1:人工智能的本质是对人类智能的模拟甚至超越 (4)图表 2:人脑中神经元的运作能够通过数字电路中的信号运作模拟 (5)图表 3:算法是决定数字电路运作、实现人工智能的核心方法 (6)图表 4:人工智能发展 (7)图表 5:美国大脑研究计划投资预算 (8)图表 6:牛津大学预测2040 年左右可能实现广义人工智能 (9)图表 7:人工智能技术下游应用需求迫切,上游技术基础成型 (10)图表 8:2010-2015 人工智能领域全球投资总额 (11)图表 9:2010-2014 人工智能领域全球风险投资总额 (11)图表 10:BBC 预测2020 年全球人工智能市场规模超过千亿 (12)图表 11:人工智能将完成人体自身、企业和产业的三层智能化重构 (13)图表 12:“人工智能+”将成为未来普遍的商业模式 (14)图表 13:2013 年全球人工智能领域公司一览 (14)图表 14:人工智能领域公司全球分布 (15)图表 15:人工智能领域公司类别及各类别技术成熟度分布(只选取了主要的类别)16 图表 16:各类别公司获得的投资关注度和融资额度 (16)图表 17:科技巨头加速投资研发人工智能 (17)图表 18:人工智能领域巨头收购如火如荼 (18)图表 19:中国人工智能发展环境:较多利好因素,基础条件已经具备 (19)图表 20:我国人工智能领域投资金额、数量、参与投资机构数量均大幅增加 (21)图表 21:预计 2020 年中国人工智能市场规模将达到 91 亿元人民币 (21)图表 22:人工智能发展的三个阶段 (22)图表 23:人工智能各个应用普及阶段的特点 (23)图表 24:2015 年 Gartner AI 相关技术成熟度曲线 (23)图表 25:国内人工智能企业一览 (24)图表 26:巨头企业和初创企业的感知智能切入方式比较 (25)图表 27:目前典型应用场景之智能硬件及机器人 (27)图表 28:目前典型应用场景之安防 (27)图表 29:目前典型应用场景之虚拟服务 (28)图表 30:未来人工智能将改造各行业的生产方式 (28)图表 31:2011-2015 年人工智能领域获得投资企业所属细分领域分布 (29)图表 32:全球主要的人工智能基础平台 (29)图表 33:通过兼并收购,Watson 在人工智能驱动的医疗领域拥有明显的竞争优势 . 31 图表 34:机器学习的方式是模仿人类学习过程,是人工智能的核心技术 (31)图表 35:Wise 的测试错误率(左)和训练时间(右)远低于其他机器学习模型 (32)图表 36:Siri 懂你所说、知你所谓,能够帮你打理日常生活的点点滴滴 (33)图表 37:Microsoft 基于WP8.1 平台推出的虚拟语音助理Cortana (33)图表 38:Face Book 试图以“真人”模式颠覆现有的语音及自然语义处理服务 (34)图表 39:Clarifai 可以理解视频中的图像并为其智能匹配广告 (35)图表 40:Google 预测API 可以实现的功能 (36)图表 41:目前来看较有爆发潜力的人工智能方向 (37)图表 42:2006-2015 年科大讯飞营业收入、净利润增长情况 (39)图表 43:东方网力提供面向行业的视频应用解决方案 (40)图表 44:佳都科技在人脸识别最关键的三大方面均处于领先地位 (41)图表 45:新松智能服务机器人产品线丰富涵盖了智能服务机器人的各个领域 (42)图表 46:2006-2015 年新松机器人营业收入、归母净利润增长情况 (43)1、人工智能是利用人工计算实现人类智能曾经以5:0 完胜欧洲围棋冠军Fan Hui,同时也击败了目前最好的围棋程序中99.8%的对手的谷歌人工智能机器人DeepMind,将在3 月9 日-15 日征战韩国,对决韩国九段、世界冠军李世石。

AI发展史

AI发展史

人工智能发展史2016-12-03 06:23 来源:卡布奇诺甜布丁今年,可以说是人工智能大爆发的一年,年初谷歌AlphaGo战胜世界围棋冠军李世石的事件,引起了全球人类对于人工智能的兴趣。

一时间,人们茶余饭后的谈资都围绕着人工智能这一领域展开。

其实,人工智能早在上世纪中叶就已经诞生,与所有高新科技一样,探索的过程都经历反复挫折与挣扎,繁荣与低谷。

所以,我们今天就来谈谈关于人工智能发展的那些事儿。

人工智能的起源其实,人工智能早在上世纪中叶就已经诞生。

1950年,一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起,建造了世界上第一台神经网络计算机。

这也被看做是人工智能的一个起点。

巧合的是,同样是在1950年,被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。

按照图灵的设想:如果一台机器能够与人类开展对话而不能被辨别出机器身份,那么这台机器就具有智能。

而就在这一年,图灵还大胆预言了真正具备智能机器的可行性。

1956年,在由达特茅斯学院举办的一次会议上,计算机专家约翰·麦卡锡提出了“人工智能”一词。

后来,这被人们看做是人工智能正式诞生的标志。

就在这次会议后不久,麦卡锡从达特茅斯搬到了MIT。

同年,明斯基也搬到了这里,之后两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。

尽管后来两人在某些观点上产生分歧导致他们的合作并没有继续,但这都是后话了。

人工智能的第一次高峰在1956年的这次会议之后,人工智能迎来了属于它的第一段Happy T ime。

在这段长达十余年的时间里,计算机被广泛应用于数学和自然语言领域,用来解决代数、几何和英语问题。

这让很多研究学者看到了机器向人工智能发展的信心。

甚至在当时,有很多学者认为:“二十年内,机器将能完成人能做到的一切。

”在研究人工智能的初期,受到显著成果和乐观精神驱使的很多美国大学,如:麻省理工大学、卡内基梅隆大学、斯坦福大学和爱丁堡大学,都很快建立了人工智能项目及实验室,同时他们获得来自APRA(美国国防高级研究计划署)等政府机构提供的大批研发资金。

AI技术的发展历程与趋势

AI技术的发展历程与趋势

AI技术的发展历程与趋势一、AI技术的发展历程AI技术(人工智能技术)是指拟人智力通过计算机等工具来模拟和实现的技术。

虽然目前AI正处于快速发展的阶段,但其研究始于上世纪50年代初期。

AI 技术在经历了几个关键时期的迭代之后取得了重大突破。

1. 早期探索与符号主义早期的AI研究主要集中在逻辑推理和专家系统的开发上。

符号主义方法成为当时最主流的AI方法,该方法以逻辑规则为基础,试图用形式化语言表示知识并进行推理。

2. 连接主义与神经网络20世纪80年代初,连接主义作为一种全新的学习方法崛起。

神经网络被广泛应用于模式识别、语音识别等领域,并取得了显著进展。

然而,由于当时计算机硬件性能和数据量受限,这种方法受到了严重局限。

3. 统计学习与机器学习随着计算机硬件性能的提升和大数据时代的到来,统计学习和机器学习取得了巨大的突破。

机器学习方法可以基于大数据进行训练和模型优化,提高了AI系统的准确性和智能化程度。

此外,支持向量机、朴素贝叶斯等算法也被广泛研究和应用。

4. 深度学习与AI热潮近年来,深度学习作为机器学习的一个分支迅速崛起,并在图像识别、自然语言处理等领域取得了很多重要的突破。

深度学习使用深层神经网络模拟人类神经元之间的连接方式,具有强大的表达能力和泛化能力。

二、AI技术的发展趋势AI技术发展并不会止步于当前进展,未来仍然有许多趋势将对其产生重要影响。

1. 更加大规模和高性能计算随着云计算和边缘计算技术的发展,AI系统可以借助更多计算资源实现更复杂的任务。

大规模和高性能计算将成为推动AI发展的关键因素。

2. 跨领域融合与跨学科合作以解决实际问题为导向,不同领域的知识和技术将相互融合,形成更加高效、智能的AI系统。

跨学科研究和跨领域合作将推动AI技术的创新。

3. 强化学习与自主决策强化学习是一种通过试错过程使机器逐渐优化策略的方法,它在游戏、机器人等领域具有巨大潜力。

未来,强化学习将帮助机器实现更加复杂的自主决策。

了解AI技术的发展历程与里程碑事件

了解AI技术的发展历程与里程碑事件

了解AI技术的发展历程与里程碑事件一、AI技术的发展历程人工智能(Artificial Intelligence,简称AI)是指通过模拟、延伸和扩展人类智能的机器或计算机系统。

自从上世纪50年代以来,AI技术经历了多个阶段的发展与突破,取得了一系列重要的里程碑事件。

以下将对AI技术的发展历程进行详细介绍。

1.早期阶段:符号主义与推理20世纪50年代至70年代初是AI技术的早期阶段,在这个阶段以符号主义为基础,研究人员尝试通过符号逻辑来模仿人类推理能力。

在1956年举办的达特茅斯会议中,该领域首次被正式命名为“人工智能”。

随后,诸如逻辑推理程序Logic Theorist和专家系统Dendral等被开发出来,并取得了一定成果。

2.知识库和专家系统的兴起在1970年代中期到80年代初,AI技术进入了一个新的发展阶段。

由于许多问题需要大量领域专家知识进行解决,知识库和专家系统成为当时热门研究方向。

专家系统是利用专家知识库进行问题求解的计算机系统,其代表性项目包括MYCIN 和R1等。

这也是AI技术在实际应用中取得突破的重要时期。

3.连接主义与神经网络20世纪80年代中期至90年代初,连接主义和神经网络成为AI技术发展的热点。

根据人类大脑的工作原理,研究者设计并构建了模拟神经元之间连接关系的计算模型。

这种基于神经网络的方法具有自学习、自适应能力,并在图像处理、语音识别等领域取得显著进展,如提出的反向传播算法对于优化神经网络起到了重要作用。

4.统计学习与机器学习随着20世纪90年代以后数据爆炸式增长和计算能力不断提升,统计学习和机器学习成为了AI技术的新方向。

通过从数据中发现模式,并建立相应的数学模型进行预测和决策,机器学习使得AI系统能够更好地处理复杂问题。

其中,支持向量机(SVM)、决策树、随机森林等成为常见的机器学习算法。

此外,深度学习的兴起也是机器学习领域的重要进展,其在图像与语音处理、自然语言处理等方面取得了极大突破。

人工智能技术发展历史大事件

人工智能技术发展历史大事件

人工智能技术发展历史大事件人工智能技术的发展可以追溯到20世纪上半叶,经历了多个重要的里程碑事件。

本文将依时间顺序介绍人工智能技术的历史发展大事件,以及对人工智能技术演进的重大影响。

1. 1956年达特茅斯会议在1956年,人工智能的奠基石被打下,这是因为达特茅斯会议出现了该术语,并且于是将其纳入了学术研讨会议的议程当中。

此次会议吸引了当时AI领域的许多关键人物与领导者,他们对于人工智能的重要性与前瞻性达成共识。

2. 1958年首个人工智能编程语言诞生在1958年,人工智能领域的首个编程语言,LISP诞生了。

LISP语言为人工智能研究者提供了一种更加方便和高效的工具,开放了人工智能研究的新篇章。

3. 1966年ELIZA问答系统1966年,魏茨曼研究所的约瑟夫·魏茨曼教授开发出了第一个模仿心理咨询师的人工智能问答系统ELIZA。

这个系统使用模式匹配技术来对话,以一种类似自然语言的方式与用户进行交互,为后来的自然语言处理和对话系统的发展奠定了基础。

4. 1973年WINTER评估报告1973年,James A. Anderson等人发布了WINTER(任务选择解决方案的综合性技术评估)报告。

该报告详细评估了当时人工智能技术的局限性,提出了相应的解决方案,对于人工智能技术的未来发展方向起到了重要影响。

5. 1997年深蓝击败国际象棋世界冠军1997年,IBM的深蓝计算机在比赛中击败了国际象棋世界冠军加里·卡斯帕罗夫,此事件引起全球范围内的广泛关注。

深蓝的胜利标志着人工智能技术在为复杂问题提供解决方案方面取得显著进展。

6. 2011年IBM的沃森赢得“危险边缘”的游戏表演2011年,IBM的沃森计算机以令人惊叹的方式参加了著名电视智力竞赛节目“危险边缘”,并最终以优势获胜。

沃森的出色表现再次引起了公众对人工智能技术在广泛应用中的潜力的关注。

7. 2016年AlphaGo击败围棋冠军2016年,DeepMind(谷歌的子公司)开发的AlphaGo人工智能系统在围棋比赛中击败了当时的世界冠军李世石。

我国人工智能的发展历程

我国人工智能的发展历程

我国人工智能的发展历程近年来,随着人工智能技术的快速发展,我国在这一领域也有了长足的发展。

下面,就让我们一起回顾一下我国人工智能的发展历程。

阶段一:起步阶段(1955年-2005年)中国于1955年启动了第一批电子计算机的研制工作,之后也陆续开展了人工智能的相关研究。

1978年,清华大学成立了计算机科学系,成为国内最早的一家培养专业计算机科学与技术人才的高校之一。

此后,中国的计算机科学取得了很大的进展。

1983年,清华大学在图像处理方面取得了国际领先水平,1994年国防科工委实验室也取得了自主研制的卫星图像处理成果。

此外,中国还成立了中国人工智能学会,用于推动机器学习、自然语言处理、计算机视觉等重要领域的研究。

阶段二:发展阶段(2006年-2016年)在2006年,中国的模式识别、声音识别等技术有了较大的进展。

2010年,AlphaGo等围棋程序的研发受到人们的广泛关注。

2012年,随着深度学习算法的兴起,人工智能研究也步入深度学习时代。

2015年,谷歌公司发布了TensorFlow,标志着人工智能技术进入了更加高度的智能化时代。

而在2016年,人工智能领域不断取得重要进展。

谷歌旗下的AlphaGo击败了人类职业棋手李世石,成为了业界的一大里程碑。

阶段三:加速发展阶段(2017年-至今)随着互联网、大数据和云计算技术的不断发展,人工智能领域也进入了全面加速发展的时期。

2017年,阿里巴巴达摩院的深度人工智能顶会获得了超过100篇的论文发表。

同年,国家发改委公布了《新一代人工智能发展规划》,提出到2020年,我国人工智能核心领域坚持自主创新,实现世界领先水平。

此后,国内企业也加速投入到人工智能的研发和应用中。

例如,华为公司成立了AI实验室,腾讯公司开展了多项人工智能技术研究。

总的来说,我国的人工智能发展经历了起步阶段、发展阶段、加速发展阶段,取得了长足的进展。

相信在未来的发展过程中,我国的人工智能技术能够不断进步,不断推出更多的人工智能产品和服务,为国家和社会的发展做出更大的贡献。

人工智能技术发展历史回顾

人工智能技术发展历史回顾

人工智能技术发展历史回顾人工智能(Artificial Intelligence,简称AI)是一项基于计算机科学的技术,旨在使机器能够模拟和执行类似人类智能的任务。

自20世纪50年代以来,人工智能技术经历了多个阶段的发展,取得了令人瞩目的进展。

本文将回顾人工智能技术的发展历程,并展望其未来的前景。

1. 初期阶段(1950年代-1960年代)人工智能的起源可以追溯到上世纪50年代,当时计算机科学家们开始探索如何开发智能机器。

1956年,达特茅斯会议标志着人工智能作为一个独立领域的诞生。

在此期间,早期的人工智能研究主要集中在逻辑推理、问题解决和语言理解等领域。

例如,早期的象棋程序可以处理一些简单的象棋问题,但在处理更复杂的问题时遇到了困难。

然而,由于计算机处理能力的限制和对人类智能理解的误解,人工智能在这一阶段并未取得太大的进展。

随着计算机硬件和算法的发展,人工智能进入了一个新的阶段。

2. 知识表示和推理阶段(1970年代-1980年代)在上世纪70年代和80年代,人工智能技术逐渐开始重视如何表示和推理知识。

专家系统成为这一时期最重要的研究领域之一。

专家系统通过收集和整理领域专家的知识,并在计算机上进行推理和解决问题。

专家系统的发展使得人工智能在一些特定领域取得了一些应用成果。

例如,医疗领域的专家系统可以帮助医生做出诊断和治疗决策。

然而,专家系统依赖于人类专家提供的知识,无法适应复杂多变的实际情况,限制了人工智能的进一步发展。

3. 机器学习和深度学习阶段(1990年代-至今)进入上世纪90年代,人工智能的研究重点逐渐转向了机器学习和深度学习的领域。

机器学习是一种基于数据构建模型并进行预测和决策的方法。

通过让机器从海量数据中学习规律和模式,人工智能得以实现更复杂的任务。

深度学习则是机器学习的一个子领域,着重于构建多层次的神经网络模型。

深度学习的出现极大地提升了计算机在图像识别、语音识别等领域的能力。

例如,人工智能在图像识别方面取得了突破性的进展,可以准确地识别和分类数字、物体和人脸等。

2016年人工智能发展研究报告

2016年人工智能发展研究报告

2016年人工智能发展研究报告2016年12月目录前言 (1)1 AI发展前景广阔,商业化进程加快 (3)1.1深度学习效果未见天花板,非监督学习将走向实用 (3)1.2科技巨头在竞争与合作中,共同开启AI时代 (5)2海外科技巨头围绕主业打造AI生态,加速AI向其他业务扩散 (10)2.1F ACEBOOK——重点布局语义识别、图像识别及智能助理 (10)2.2微软——语音识别、图像识别技术领先,将AI技术融入每一类产品 (17)2.3苹果——AI技术与保护用户隐私并重,改善用户体验 (31)2.4亚马逊——云计算、智能家居成为盈利亮点 (36)2.5M OBILEYE——ADAS芯片和自动驾驶解决方案 (42)图表目录图1:AI+大数据深刻改变传统产业结构 (4)图2:非监督式学习整体优化数据处理全过程 (4)表1:科技巨头争相招募人才,建立AI实验室 (6)图3:科技巨头结合主业布局AI,推动AI渗透传统行业 (8)表2:科技巨头典型AI产品、AI战略、AI重点领域一览图 (8)图4:Facebook营收、净利润增速强劲 (11)图5:Facebook用户数量稳步增长 (11)图6:Facebook未来三大战略:人工智能、虚拟现实和增强现实、互联互通 (13)图7:Facebook人工智能发展路径 (14)图8:FAIR负责人、深度学习鼻祖——Yann LeCun (15)表3:Facebook陆续开源系列AI工具,打造AI产品生态 (17)图9:Microsoft操作系统全球份额占比高达88.71% (18)图10:2016年Q2,微软智能云营收占比高达29.35% (18)图11:微软在人工智能领域持续发力 (20)图12:微软将AI融入每一类产品,打造AI生态 (20)表4:微软在AI领域频繁进行重磅收购 (21)图13:微软智能助理——Cortana (23)图14:微软聊天机器人——小冰 (24)图15:微软Project Catapult V1芯片 (25)图16:A-eye芯片结构示意图 (25)图17:微软分布式机器学习工具包DMTK框架图 (26)图18:微软分布式机器学习工具包(DMTK) (27)图19:微软认知服务提供APP供开发者调用 (29)图20:微软Azure覆盖视觉、语音、语言、知识、搜索 (29)图21:苹果公司四大产品系列 (31)图22:2016年Q2苹果公司营业收入占比(%) (32)图23:在隐私保护前提下,打造AI生态,提升用户体验 (34)图24:苹果在AI领域进行大规模收购 (34)表5:苹果虚拟助理Siri推出时间早,用户体验高 (36)图25:亚马逊占2015年全球电商交易额份额达13% (37)图26:2016年Q2亚马逊营收占比(%) (37)图27:全球云计算市场增速强劲 (38)图28:亚马逊AWS占全球云计算市场份额高达31% (39)图29:亚马逊Echo智能音箱销量爆发式增长 (41)图30:亚马逊Echo智能音箱 (42)图31:2011-2015年,Mobileye营收增速高达65.90% (43)图32:2020年ADAS市场将高达600亿美元 (43)表6:美国高速公路安全管理局(NHTSA)划分汽车自动化的5个阶段 . 44图33:Mobileye EyeQ3芯片实物图 (45)图34:Mobileye EyeQ芯片发展蓝图 (46)前言深度学习效果未见天花板,未来非监督学习将走向实用,AI发展迎来热潮。

简单回顾一下AI的发展史

简单回顾一下AI的发展史

简单回顾一下AI的发展史
 我们常听说的AI人工智能,指的是根据对周围环境的感知,能够做出与人类相似的反应的计算机程序。

2016年引起轰动的AlphaGo击败李世石等围棋高手事件,令AI技术又一次进入大众视野当中,掀起一波不小的AI热潮。

但其实早在世界上第一台计算机诞生之际,AI就已经开始悄悄萌芽。

 第一次AI热潮
 1950年10月,“计算机之父”艾伦·图灵发表论文《计算机械和智能》(Computing Machinery andIntelligence),探讨了机器具备智能思维的可能性,并提出一个有趣的测试方法:如果一台机器能够与人类展开对话而不被识破机器身份,称这台机器具有智能思维,这就是着名的“图灵测试”。

 艾伦·图灵
 1956年8月,约翰·麦卡锡、马文·闵斯基、克劳德·香农等科学家在达特
茅斯开展了一场学术会议,会议的主题是:用机器模仿人类学习以及其他方面的智能,并将这一学科命名为“Artificial Intelligence”——人工智能。

达特茅斯会议被认为是全球人工智能研究的起点,在之后的十几年中,数学证明系统、语言学习、人机对话系统等技术的开发应用掀起了第一波AI热潮,然而。

全球人工智能发展报告2016

全球人工智能发展报告2016

在第三届世界互联网大会上,乌镇智库以乌镇指数为名,联合网易科技发布了《乌镇指数:全球人工智能发展报告(2016)》。

该报告从产业、学术与投融资三个维度切入,分析了全球人工智能产业发展现状及趋势。

新创速度接近肯德基 美AI企业数领先全球乌镇指数显示,目前全球人工智能(AI)企业分布呈现三足鼎立之势,主要集中在美、欧、中等国家。

其中,美国AI企业总数为2905家,全球第一。

仅美国加州旧金山湾区、大洛杉矶地区两地的企业数量即达到1155家,占全球的19.13%。

中国AI企业数量虽然不及美国,但北上深三城AI企业数也占到全球总数的7.4%,在全球AI企业城市排名中分列第3、第6、第8位。

从增速上看,全球AI企业虽然在2015年出现小幅度回落,不过仍然达到了806家,平均每10.9个小时就有一家AI企业诞生,而目前肯德基在全球的开店速度是8小时/家,足见AI企业的火热程度。

欧美资本投资较活跃 我企业或能弯道超车AI已经成为2016年最热门的投资领域之一。

全球范围内美国与欧洲投资较为密集,数量较多,其次为中国、印度、以色列。

具体到各国,美国总共获得3450多笔投资,位列全球第一;其次是英国,共获得274笔投资;中国有记录的总投资为146笔,排名第三。

乌镇指数显示,鉴于中国巨大的资本以及对这一领域的关注,未来中国AI 企业或许能弯道超车。

但就当前而言,仍是欧美机构企业占据优势。

无论是从投资机构的数量、专注度,或是最活跃的VC、孵化器/加速器、并购较多的企业等榜单排名上看,美国投资机构占据了大部分的席次,中国仅有真格基金、维港投资进入专注度榜单。

就并购方面而言,大部分的收购都是综合性公司水平并购专注技术型公司,而不是更大的垂直并购。

同时,通过AI领域的IPO或并购案例可以发现,目前互联网广告行业、Fintech是人工智能应用的重要行业,而健康医疗则被视为AI 领域的下个风口。

网易杭州研究院执行院长汪源认为,目前AI还处于初级阶段,比如在机器人方面,从感知到决策再到行动落实的话,还会有更多的应用出来。

意义深远!盘点2016人工智能爆发元年的九个重大事件

意义深远!盘点2016人工智能爆发元年的九个重大事件

意义深远!盘点2016人工智能爆发元年的九个重大事件2016年已悄然离我们远去,虽然在历史的长河中,一年是及其平常和短暂,但是对人工智能的成长来说2016年可谓是机器人崛起的“黄金年”。

继德国工业4.0以后各国都相继提出了智能制造相关的国家级暂略规划,将人工智能的发展提高到了一个前所未有的高度,各种重大成果和突破性的进展不断涌现,下面就请跟着本文一起回味一下16年人工智能发展的大事记吧。

1谷歌阿尔法狗打败世界围棋冠军李世石谷歌是人工智能领域的领军者,由该公司研发的深度学习人工智能项目AlphaGo在2016年1月份掌握了围棋技术,3月份即以4:1的比分击败了世界围棋冠军李世石。

要知道,围棋是人类发明的最复杂的专业游戏,现在人工智能已然把它掌握,而且还这么厉害,不得不让人赞叹。

2谷歌 WaveNet可以合成更逼真的人声目前常见的电脑合成人声,大致上可以分成两种:一种是利用一个庞大的样本资料库来做组合,另一种是用小的样本资料(各别的音节),但透过电子的方式去修改它的音调和语速。

第一种听起来会比较自然,但需要大量的时间和精力来准备资料库,而且也很占空间;第二种则是虽然比较不占空间,但用合成的去修改音调,听起来还是比较不自然。

3微软人工智能设备的语言理解能力击败人类以前,我们一直诟病很多语音识别设备,因为它们对于人类语言的理解力一直不如人意。

而在2016年,微软在这个领域取得了重大突破。

微软研发的Echo等虚拟助理受到了很多人的欢迎,这是因为,里面包含的自动识别系统已经可以达到人类的水平,甚至超过了人类。

而这套系统也仅仅是接受了2000个小时的数据训练而已。

4人工智能在医疗领域取得重大突破很多人都在期盼科技的发展能带来医疗水平的进步,而人工智能已经在医疗领域崭露头角了。

由IBM研发的人工智能医疗机器人竟然诊断出了一位被医生漏诊的白血病患者。

而美国德州某研究所给出的数据是:人工智能程序对于癌症的诊断比人类快30倍,而且准确率高达99%。

了解AI技术的发展历程与里程碑

了解AI技术的发展历程与里程碑

了解AI技术的发展历程与里程碑引言人工智能(AI)是科学技术领域中一项令人着迷的技术。

它旨在为机器赋予类似人类思维和行为的能力。

自20世纪50年代以来,AI取得了巨大的进步。

本文将回顾AI技术的发展历程,并介绍其中一些重要的里程碑。

一、早期探索阶段1.1 阿兰·图灵和图灵测试1948年,阿兰·图灵提出了“图灵测试”,该测试用于评估机器是否拥有智能。

这标志着研究人员开始探索如何使计算机拥有类似人类思考和决策能力。

1.2 逻辑推理20世纪50年代,美国逻辑学家约翰·麦卡锡开创了符号逻辑推理,并使用LISP语言在计算机上进行演示。

这极大地促进了逻辑推理在AI中的发展。

1.3 学习机器1956年,美国达特茅斯会议上,首次提出了“学习机器”的概念。

会议聚集了当时最优秀的数学家、计算机科学家和认知科学家,探讨如何使计算机拥有学习能力。

二、知识导向的AI2.1 专家系统20世纪70年代至80年代,专家系统成为AI技术的主要推动力。

专家系统通过将领域专家的知识编码到计算机程序中,实现了在特定领域中具有高级决策能力的机器。

2.2 自然语言处理20世纪70年代末至80年代初,自然语言处理开始得到更多关注。

研究人员致力于开发使计算机能够理解和使用人类语言的技术,这为后来的智能助手和聊天机器人打下了基础。

2.3 知识表示与推理20世纪80年代,在知识表示和推理领域取得了重要突破。

研究人员提出了新方法来建模和运用领域知识,并进行复杂推理,使机器能够在不确定性环境中做出准确决策。

三、神经网络与深度学习时代3.1 神经网络再次兴起20世纪80年代末至90年代初,神经网络重新受到关注。

研究人员发现,通过模拟人脑神经元之间的连接和交互方式,可以实现机器学习、模式识别和数据挖掘等任务。

3.2 卷积神经网络1998年,捷克科学家雅恩·勒库恩提出了卷积神经网络(CNN)的概念。

CNN 在图像处理方面取得了巨大成功,并被广泛应用于计算机视觉领域。

AI的发展历程从无到有从有到优

AI的发展历程从无到有从有到优

AI的发展历程从无到有从有到优人工智能(Artificial Intelligence,简称AI)是指通过计算机和相关技术实现类似人类智能的一种技术和应用领域。

AI的发展可以追溯到上世纪50年代,经历了从无到有再到优化的过程。

本文将详细介绍AI 的发展历程,揭示其从无到有再到优化的变迁。

一、AI的起步(从无到有)上世纪50年代,人工智能的概念开始引起人们的关注。

当时,科学家们开始尝试用计算机模拟人类的思维过程。

他们开发了基于规则和逻辑的专家系统,利用逻辑推理和专家知识来解决问题。

这标志着AI从无到有的起步阶段。

在接下来的几十年里,AI技术逐渐得到发展和应用。

人们开始研究机器学习和模式识别等技术,尝试构建能够自主学习和适应环境的智能系统。

然而,由于计算能力和数据量的限制,AI的发展进展缓慢。

二、AI的崛起(从有到优)随着计算能力的提升和大数据时代的到来,AI开始进入一个新的发展阶段。

计算机可以处理大规模的数据,而机器学习算法也取得了突破性的进展。

这使得AI应用更加广泛和普及。

在图像识别领域,AI技术取得了巨大的突破。

计算机可以通过深度学习算法从图像中识别出物体和人脸,这为安防、医学、自动驾驶等领域带来了革命性的变化。

同时,在自然语言处理领域,AI的应用也变得更加智能和便捷。

语音识别和机器翻译等技术的发展,使得AI在语言交互和智能助手方面取得了显著进展。

三、AI的优化(从优化到更优化)虽然AI取得了显著的进展和应用,但仍然存在一些限制和挑战。

例如,AI系统在复杂环境下的泛化能力仍然有限,机器学习算法可能会受到偏见和误导。

因此,针对这些问题,科学家们正在不断努力进行研究和优化。

在AI的优化过程中,数据质量和算法的改进被认为是关键。

数据质量的提升将有助于提高模型的性能和鲁棒性,而算法的改进将有助于解决现有算法的局限性。

此外,透明度和可解释性也是AI优化的重要方向。

只有通过透明的机器学习算法和决策过程,人们才能更好地理解和信任AI系统。

AI技术的发展历程与现状分析

AI技术的发展历程与现状分析

AI技术的发展历程与现状分析一、引言在当今科技高速发展的时代,人工智能(Artificial Intelligence,简称AI)技术成为了许多领域的热门话题。

AI技术的出现带来了无数可能性和机遇,并且已经深刻影响了我们的生活和工作方式。

本文将对AI技术的发展历程进行回顾,并分析其当前的现状。

二、AI技术的起源与发展1. 早期探索与推动人工智能这一概念最早可以追溯到1956年达特茅斯会议,此次会议正式将“人工智能”作为一个研究领域进行讨论和探索。

从那时起,许多科学家开始致力于构建具备智能行为与思维能力的机器。

2. AI发展曲线在上个世纪末至本世纪初,计算机硬件设备迅速发展,使得人们可以处理更大规模和更复杂的数据集。

同时,理论基础也逐渐完善。

例如,逻辑推理、机器学习以及统计建模等方法不断被提出并应用于AI系统中。

3. 大数据与云计算推动近年来,大数据和云计算技术的迅速发展为AI技术的应用带来了全新的机遇。

数据量的爆炸式增长和计算能力的提升,使得AI系统可以从大规模数据中进行学习与训练,实现更加准确和智能的决策。

三、AI技术进步与突破1. 机器学习机器学习是AI技术中最为重要和常用的方法之一。

通过对大量数据进行分析和学习,机器可以提取出隐藏在数据背后的规律和特征,并且根据这些特征做出预测和决策。

深度学习(Deep Learning)作为机器学习领域中最为热门的分支之一,在图像识别、自然语言处理等领域取得了巨大成功。

2. 自然语言处理自然语言处理是指使得计算机可以理解和处理人类自然语言的技术领域。

近年来,随着大数据、深度学习等技术手段的发展,自然语言处理在机器翻译、智能客服、情感分析等方面取得了显著进展。

3. 计算机视觉计算机视觉使得计算机可以“看”懂图像或视频中的内容,并进行识别、理解和分析。

随着深度学习方法的出现,计算机视觉在人脸识别、物体检测、图像生成等方面取得了重大突破。

例如,谷歌公司开发的人脸识别系统在LFW(Labeled Faces in the Wild)数据集上的准确率超过了99%。

AI的发展历程从无到有从有到优

AI的发展历程从无到有从有到优

AI的发展历程从无到有从有到优人工智能(Artificial Intelligence,简称AI)的发展历程从无到有,从有到优,展现出了惊人的进步和创新。

本文将对AI的发展历程进行探讨。

一、AI的起始阶段(从无到有)人工智能的起源可以追溯到上世纪50年代,当时的科学家们开始探索模拟人类智能的可能性。

起初,人们对于AI的认识和理解还非常有限,只是雄心勃勃地希望能够创造出能够模拟人类智能的机器。

在这个阶段,AI的发展受到了技术水平和计算机硬件的限制。

科学家们的研究重点主要放在了逻辑推理和问题求解方面,例如早期的专家系统(Expert System)就是利用逻辑规则和知识库来解决特定问题的一种AI应用。

然而,尽管在理论方面取得了一些突破,但在实际应用中,AI仍然面临诸多挑战,无法实现真正的智能。

二、AI的发展阶段(从有到优)随着计算机技术的快速发展和算法的提升,AI逐渐进入了一个新的阶段,从“有”逐渐向“优”发展。

在这个阶段,机器学习(Machine Learning)成为了AI领域的重要研究方向。

机器学习通过让机器自动学习和改进,从而提高其执行特定任务的能力。

该领域的代表性算法包括决策树、支持向量机、神经网络等。

另一方面,数据的爆炸使得深度学习(Deep Learning)成为AI发展的重要推动力。

深度学习利用多层神经网络模拟人脑的工作方式,通过大量的数据训练,可以实现更加准确和高效的模式识别和数据分析。

同时,在硬件方面,图形处理器(GPU)的发展为深度学习技术提供了强大的计算能力,大大加速了AI应用的推广和发展。

三、AI的优化阶段随着AI技术的日益成熟和应用的广泛普及,人们对AI的要求也越来越高,AI进入了一个优化的阶段。

在这个阶段,强化学习(Reinforcement Learning)成为了AI研究的热点之一。

强化学习是一种通过试错来优化行为的学习方式,类似于人类在实践中学习的过程。

通过不断与环境交互,AI可以不断改进自己的策略和行为。

AI的发展历程从无到有从有到优

AI的发展历程从无到有从有到优

AI的发展历程从无到有从有到优关键信息项:1、 AI 发展的起点和初始阶段的特征2、 AI 从初始到发展阶段的重要事件和突破3、 AI 发展中的技术创新和关键技术4、 AI 优化阶段的主要表现和成果5、 AI 发展对社会、经济、行业等方面的影响6、 AI 未来发展的趋势和展望11 AI 发展的起点AI 的概念最早可以追溯到古代,但现代意义上的 AI 研究始于 20世纪中叶。

早期的理论探索为后来的发展奠定了基础。

111 理论基础的建立数学、逻辑学和计算机科学等领域的理论为AI 的诞生提供了土壤。

例如,图灵测试的提出引发了对智能机器的思考。

112 早期的研究尝试一些科学家开始尝试通过编程实现简单的智能行为,如解决逻辑谜题和数学问题。

12 初始阶段的特征在初始阶段,AI 面临着诸多技术和理论上的限制。

121 计算能力的不足当时的计算机硬件性能有限,无法处理大规模的数据和复杂的计算任务。

122 算法的初级性早期的算法相对简单,难以实现真正意义上的智能表现。

21 AI 从初始到发展阶段的重要事件和突破随着时间的推移,一系列重要事件和突破推动了 AI 的发展。

211 专家系统的出现这是一种基于知识库和推理规则的系统,能够在特定领域提供专家级的建议和决策支持。

212 机器学习的兴起使得计算机能够从数据中自动学习模式和规律,大大提高了 AI 的能力。

22 技术的不断进步221 硬件的升级更强大的处理器、更大的内存和更快的存储设备为 AI 算法的运行提供了有力支持。

222 算法的优化深度学习算法的出现,如卷积神经网络和循环神经网络,极大地提升了 AI 的性能。

31 AI 发展中的技术创新311 自然语言处理技术的进步使计算机能够理解和生成人类语言,实现更自然的人机交互。

312 计算机视觉技术的发展让计算机能够对图像和视频进行分析和理解,应用于自动驾驶、安防等领域。

32 关键技术的突破321 强化学习的应用通过与环境的交互和奖励机制,使AI 系统能够自主学习最优策略。

2016年人工智能行业全记录人工智能大事件盘点

2016年人工智能行业全记录人工智能大事件盘点

2016年人工智能行业全记录!人工智能大事件盘点社社会在大步向前发展,人工智能日新月异。

茶余饭后,人们会一起讨论人工智能相关的问题,毕竟,人工智能早已进入了人们的生活,与我们密切相关。

不过,到底要怎么去定义人工智能,这似乎是一个很难的问题。

事实证明,人们已经在人工智能领域尝试了很长时间,也做了很多的事情,不过目前还尚不清楚超级计算机还能做些什么事情。

本文是我们机器人2025对2016年国内外人工智能行业的回顾,文章选取了15个较为重大的人工智能事件,虽然并不能解决几十年来困扰科学家、心理学家和哲学家们的人工智能问题,但却是人工智能技术发展历程上不可磨灭的印记。

1、人工智能先驱Marvin Minsky去世Marvin Minsky,二十一世纪人工智能和计算机行业最重要的人物之一,于2016年1月24日去世,享年88岁。

Marvin Minsky老先生是计算机科学和认知科学的先驱,是定义了计算和计算研究的最早那批人之一。

在微处理器和超级计算机出现前,他就为人工智能打下了基础,他证明了将常识推理传授给计算机是可能的。

老先生非常谦逊,1981年,他告诉The New Yorker,我也不记得我做过什么值得纪念的事情了。

主要成就:提出关于思维的基本理论二次世界大战以前,图灵正是在这里开始研究机器是否可以思考这个问题的,明斯基也在这里开始研究同一问题。

1951年他提出了关于思维如何萌发并形成的一些基本理论,并建造了一台学习机,名为Snare。

Snare 是世界上第一个神经网络模拟器,其目的是学习如何穿过迷宫,其组成中包括40个'代理'(agent,国内资料也有把它译为'主体'、'智能体'的)和一个对成功给予奖励的系统。

组织发起人工智能会他与麦卡锡、香农等人一起发起并组织了成为人工智能起点的'达特茅斯会议',在这个具有历史意义的会议上,明斯基的Snare,麦卡锡的α-β搜索法,以及西蒙和纽厄尔的'逻辑理论家'(10sicTheorist)是会议的三个亮点。

AI发展历程与里程碑

 AI发展历程与里程碑

AI发展历程与里程碑人工智能(Artificial Intelligence,简称AI)是指机器能够模拟和表达类似人类智能的能力。

随着科技的不断进步,AI在过去几十年里得到了迅猛的发展,并达到了一些重要的里程碑。

本文将介绍AI的发展历程以及其中的几个重要里程碑。

一、AI的起源AI的概念起源于1956年的达特茅斯会议,会议宣称可以通过机器模拟智能行为。

此后,AI研究开始在学术界和工业界兴起,并获得了不少政府和企业的支持。

在此基础上,AI的发展历程以及重要里程碑开始逐渐形成。

二、早期AI的发展1. 逻辑推理:早期的AI主要关注于逻辑推理,研究如何用符号逻辑来模拟人类的思维过程。

这一阶段的重要成果是逻辑推理的定理证明器,包括1955年的Logic Theorist和1965年的Prolog 等。

2. 专家系统:20世纪70年代至80年代,专家系统成为AI研究的热点。

专家系统运用专家知识来解决特定领域的问题,其中最著名的是1980年代的MYCIN系统,它可以诊断细菌感染并提供治疗建议。

三、AI的进一步发展1. 机器学习:20世纪80年代以后,机器学习成为AI研究的主流方向。

机器学习通过让机器从数据中学习和改进,使其具备更强的智能。

1997年,IBM的深蓝超级电脑在国际象棋比赛中击败了世界冠军卡斯帕罗夫,引起了全球对AI的关注。

2. 深度学习:随着计算机性能的不断提高,深度学习成为机器学习领域的重要分支。

2012年,谷歌的深度学习算法在ImageNet 图像识别大赛中取得了突破性的成果,将错误率降低到了人类水平以下。

四、AI的里程碑事件1. 语音助手:2011年,苹果公司推出了语音助手Siri,成为人们熟知的AI应用之一。

Siri可以通过语音交互回答问题、发送短信等,极大地提高了人机交互的便利性。

2. 自动驾驶:2016年,特斯拉公司推出了全自动驾驶功能,标志着自动驾驶技术进入了实用化阶段。

自动驾驶技术利用大量传感器和AI算法,实现了车辆的智能感知和决策能力。

2016年人工智能AI+分析报告

2016年人工智能AI+分析报告

2016年人工智能AI+分析报告2016年4月目录一、人工智能AI +:开辟智能创新时代 (4)1、AI产业核心在于应用环节 (4)2、AI全球市场规模2020或将超千亿 (5)二、AI+ X :改变人类生活方式,重点关注八大应用场景 (7)1、AI+飞行器:消费级无人机 (7)2、AI+汽车:无人驾驶技术 (9)3、AI+虚拟场景:虚拟助手、游戏 (10)4、AI+医疗:医疗大数据、医疗设备 (11)5、AI+教育:智能教学系统开发 (12)6、AI+电子商务:安全支付 (13)7、AI+硬件设备:可穿戴智能设备 (14)8、AI+工厂:工业 4.0(智能工厂) (14)三、AI+时代的A股投资机会分享 (15)1、两条主线 ..........................................................................................................15172、相关公司 ..........................................................................................................人工智能:开辟智能创新时代。

人工智能研究领域涵盖智能控制、数据挖掘与知识发现、智能检索、以及神经网络等众多技术领域,其核心在于应用环节,将改造各个行业的生产方式。

目前AI 细分技术在众多领域(如工业制造、地质勘探、石油化工、军事、医疗诊断等)已获得广泛应用,预计全球市场规模2020 约200 亿美元(2015-2020年复合增长率近20%)。

我们认为,人工智能应用于各行各业并改造生产方式将是人工智能的发展引擎,目前全球大批人工智能应用创新公司正在崛起。

人工智能+X:改变人类生活方式,重点关注8大应用场景。

从AI 产品形态来看,AI 应用主要包括硬件产品类应用和软件产品类应用。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2016 AI 技术发展回顾
聊天助理(Conversational AI)
聊天机器人或者语音助理是2016年被热炒的一个AI概念。在这个市场竞争的有已 经比较成熟的聊天机器人产品如Google Now、苹果的Siri、亚马逊的Echo和 Alexa,也有围绕这个概念诞生的创业公司如Operator、api.ai和Viv等。虽然应 用场景各异,但大家的想法是一致的,那就是想在这股风潮中抢得先机,占领一 个新的,有别于手机、桌面浏览器的用户入口。从技术层面上讲,聊天助理成为 可能,实际上是借助于这两年语音识别技术的突破。从输入理解上,对话成为了
DeepMind的学者把深度学习和强化学习巧妙结合在一起以后,越来越多的学术工作和技
术发展已经着眼于考虑如何把强化学习的整套理论和实践应用到更多的领域,特别是利 用深度学习和强化学习的结合。传统的监督学习(Supervised Learning)、无监督学习 (Unsupervised Learning)以及半监督学习(Semi-supervised Learning)其实并不是真 正意义上的“智能”。原因在于这些机制并不能对反馈进行有效地建模。而强化学习则 是解决反馈的自然选择工具。如果说阿尔法围棋本身是一个现象级的进步,那么强化学 习在这个过程中大放异彩则为今后很多研究方向的发展提供有利的技术平台。相信很快 就会有学术和科技成果把相应的技术应用到其他领域,比如搜索和推荐系统。
总结
• 深度学习继续在各个领域深耕发芽。现在的问题不是是否使用深度 学习来推动某一个领域的发展,而是如何更好理解深度学习所带来性 能提高后的结果,如何使用这些结果来更进一步引领我们对这些领域 的理解。 • 平台竞争日渐白热化。各大IT平台供应商都意识到了AI是下一波浪潮 的核心战场。各个厂商都在人才和技术的竞争中积蓄力量摩拳擦掌。
验。
大规模AI平台(AI Platforms)
2016年,越来越多公司投入到AI系统构建的风潮中。几大云平台公司都开始组建AI平台 事业部,并且引进关键人才,确保自己能够在这样的竞争中抢得先机。亚马逊(Amazon )在年中引入了在卡内基梅隆大学如日中天的Alex Smola,担任亚马逊云(AWS)机器 学习主管。Alex随后从学术界以及工业界引进了好几位资深AI专家,期望能够建立一个有 竞争力的团队。之后,AWS频频出手,先在9月推出了新的支持深度学习的机器实例,又 在11月正式宣布MXNet成为其官方指定的深度学习框架,让其平台成为了行业领头羊。
献是发现了一条能够训练深层次网络而不损失模型性能的有效途径。在此之前,
神经网络的层数一旦增多,训练方法很难有效得到优化的网络,模型性能不能得 到提高,甚至有下降的可能性。残差网解决了这个问题,使得深度神经网络真正
能够发挥多层的优势。目前,机器视觉的研发依然处于希望借助深度学习的各项
成果带动视觉研发进一步发展的阶段。虽然各类问题都使用了深度学习来达到更 好的模型性能,但这些技术是否帮助了整个领域更好地理解视觉问题,则是一个 需要思考的话题。
一种可能。不过,聊天助理除了在一些狭小的应用领域可能短期内能达到自然流
畅的效果以外,在普通的应用场景中依然有很长的路要走。微软研究院在Twitter 上公布的聊天机器人,因为学习了粗俗的对话语言,导致开发人员不得不把聊天
机器人撤下,并且道歉。这一例子说明,在语言领域,现状离真正的智能还有一
段距离。
机器视觉(Computer Vision)
语音识别(Speech Recognition)
和机器视觉类似,今年语音识别技术也再次被微软研究院的学者刷新了数字在几个月前举办的语音识别顶级会议Interspeech上才被IBM的 团队刷新至6.6%。接踵而至的最新成果,使得人们有理由相信在未来 几年的发展中,语音识别有可能会被最快达到“人工智能”的标准。和 机器视觉一样,微软及IBM的方法都广泛采用了深度学习技术。这是深 度学习在近年来被广泛应用的桥头堡领域之一。值得一提的是,一些深
度学习技术,比如CNN、ResNet以及类似LSTM,已经在视觉和语音
识别同时被使用。究竟这些模型只适合于特定领域,还是它们最终能够 解决绝大多数其他领域的问题,目前还没有研究能够回答。
阿尔法围棋(AlphaGo)
2016年AI领域发展的重头戏无疑要数阿尔法围棋(AlphaGo)。这是AI领域继1996年深 蓝(DeepBlue)战胜卡斯帕罗夫、2011年Watson赢得“危险边缘”(Jeopardy!)之后 ,又一里程碑事件。阿尔法围棋的成功当然是一系列技术成熟被应用的产物,但是这里 面最直接的贡献则得益于AI领域中强化学习(Reinforcement Learning)和深度学习( Deep Learning)这两个方向在最近几年发展中开花结果。强化学习曾经长期只在有限的 一些应用中得以使用,并且并没有得到主流学术圈的足够重视。然而,在Google
在竞争对手方面,Google的云服务也不甘落后。虽然在具体的技术层面,依然十分依赖
TensorFlow等Google的系列工具,但是在人才方面,11月份Google宣布从斯坦福大学和 Snapchat分别挖来了AI专家Li Feifei和Li Jia两人,希望依靠两人的声望来组建团队,能 够后来居上醒二期技术和长语音方案等AI服务,供其他应用公司使用。微软则在今 年9月份成立了AI研究中心由沈向阳担任领军人物,负责在AI的研发方面的人才、技术的 整合。目前看来,在AI系统平台化的步伐上,Google和亚马逊是走在前面,另外公司则 从应用的角度入手,希望通过开放特定的API来抢得这个市场的份额。
推荐系统(Recommender Systems)
推荐系统在过去一年的发展平平淡淡。一方面有不少公司和技术方法已经非常 成熟,在此基础上还要做出飞跃发展,近期不太容易从算法层面达到。另一方
面,推荐系统又需要更多研究考虑如何提供更加成熟的优化对象,如何更好地
描述推荐系统的有效性,这些基础工作依然方兴未艾。今年在推荐技术上比较 有看头的发展,主要还是各种使用深度学习技术来提高推荐效果的尝试。其中 值得一提的是来自Google使用TensorFlow的尝试。Google工程师发现,单纯使 用深度神经网络并不能很好地抓住需要推荐的上下文,很多有效信息在复杂的 转换中丢失了。于是,他们提出了一种叫“宽而深”(Wide and Deep)的模 型,用于解决同时抓住深度神经网能够很好泛化的能力,而“宽”的线性模型 则能有很好的记忆能力。这样的框架在手机应用(App)推荐场景有了不错的 效果。不过这样用比较“粗暴”的手段来混合传统的线性模型和深度神经网络 是不是就是今后深度学习技术在推荐系统上的发展道路,我们还需要时间的检
在机器视觉的技术和研究领域,今年的亮点无疑是“深度残差学习”(Deep Residual Learning )以及残差网(ResNet)。这一在ILSVRC 2015大赛中赢得 诸多第一名的方法,不仅正式夺得计算机视觉领域的顶级会议CVPR 2016的最 佳论文,也奠定了其在一段时间内成为视觉领域标准算法的事实。无论是今年的 ILSVRC 2016还是其他类似的机器视觉竞赛,各个参赛队都广泛使用了该技术。 而残差网的论文也在短短一年之内就获得了超过700多次引用。残差网的主要贡
• 强化学习以及深度学习的结合可能会在更多的领域得到应用,阿尔 法围棋的成功使大家看到如何对反馈信息建模和这样建模的功效。 不过在这方面,依然有很多理论性工作需要完成。
快乐分享 快乐生活
相关文档
最新文档