人工智能三法寶

　　當(dāng)前人工智能主流應(yīng)用是基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，或者換種說法，以神經(jīng)網(wǎng)絡(luò)為代表的算法由于大數(shù)據(jù)結(jié)合，通過計算力加持，成為當(dāng)前主流人工智能的演進(jìn)路徑。

　　因此，算法、大數(shù)據(jù)、計算力是AI成功的三大法寶。

　　黃開竹教授認(rèn)為，當(dāng)前人工智能爆發(fā)實際是應(yīng)用驅(qū)動爆發(fā)，技術(shù)欠缺特別是算法欠缺是制約人工智能行業(yè)發(fā)展的現(xiàn)狀和突出問題。當(dāng)前深度學(xué)習(xí)的成功更像是暴力計算的成功，比如AlphaGo使用了1920塊處理器+280塊 GPU，每小時耗能達(dá)到440千瓦，而人腦每小時消耗20瓦能量。

　　深度學(xué)習(xí)之對抗樣本問題

　　目前，提及AI總會聽到一個次“深度學(xué)習(xí)”，深度學(xué)習(xí)的發(fā)展帶動了一系列的研究，尤其是在圖像識別領(lǐng)域。在一些標(biāo)準(zhǔn)測試集上的試驗表明，深度模型的識別能力已經(jīng)可以達(dá)到人類的水平。但是，對于一個非正常的輸入，深度模型是否依然能夠產(chǎn)生滿意的結(jié)果。

　　我們先來看結(jié)論吧：對抗樣本將會被大多數(shù)當(dāng)前最好的深度學(xué)習(xí)分類器識別錯誤!

　　一個對抗樣本，修改一張熊貓的圖片，讓機(jī)器學(xué)習(xí)模型將它識別成一只長臂猿。

　　當(dāng)加入對抗干擾，干擾增大時，AI識別數(shù)字發(fā)生變化。

　　人工智能生物識別

　　目前看，生物識別與AI在人臉識別與語音識別方面有了結(jié)合，生物識別與AI是一種怎樣的關(guān)系呢?袁聰先生指出：“生物識別與大數(shù)據(jù)有著密不可分的關(guān)系，大數(shù)據(jù)的最終目的是數(shù)據(jù)挖掘，聲、光、電、壓等信息在AI看來，只是數(shù)據(jù)，并通過機(jī)器學(xué)習(xí)等算法實現(xiàn)識別的功能?！?/p>

　　在蘋果推出只有面部識別功能的iPhone X后，“指紋識別是否還有春天”引起了業(yè)內(nèi)的熱議。袁聰反復(fù)強(qiáng)調(diào)“安全有界限”，未來趨勢必將是多種生物識別組合的模式，比如指紋識別與虹膜識別相搭配等。