
深度学习+大数据? “人工智能”标准有待厘清
人工智能现在是一个大热的词儿,彭博信息研究公司的调查结果表明,最近两年,人工智能在很多公司的电话会议记录中出现的频率大幅上升,收购人工智能的意向也开始增多。不过,人们对人工智能的认识却莫衷一是,但凡和自动化沾边的软件、机器等,常常被放进人工智能这个大筐里。
当地时间2017年6月7日,瑞士日内瓦,在国际电信联盟(ITU)举办的“人工智能”全球峰会上,汉森机器人公司研发的类人机器人Sophia亮相。
目前人们对人工智能的认识,其实大多来自小说、电影中的艺术形象,从电影《异形》中的冷血仿真人大卫,到《星球大战》中萌感十足的机器人C—3PO。这些形象往往具有与人类相仿的外形、思维方式甚至感情,并且在力量等方面超过人类。基于这种认识,人工智能常常被等同于机器人;“阿尔法狗”则让一些人把人工智能与计算机程序画上了等号;甚至推特之前对内容进行简单的优化,也被一些人认为推特在努力“让人工智能变得更加智能”……
讨论人工智能的标准,得从计算机的诞生说起。上世纪50年代以来,“图灵测试”普遍被认为是判断机器能否称为人工智能的标准。但在很长一段时间里,人工智能仅停留在研究阶段,2006年开始的第三次人工智能热潮,将人工智能从实验室推向了实际应用,并创造出真正的价值,人工智能成为一个新的投资风口。
人工智能的核心在于三大技术汇流:一是以深度学习为核心的算法的演进;二是计算机处理能力和运算速度的提高,能高效识别文字,能听声辨图;三是互联网技术的发展,产生广泛、海量的数据。“机器”凭借卓越的计算能力、利用深度学习方法、以海量数据为素材进行训练,智能程度显著提高。就如美国佐治亚理工学院研究者查尔斯·伊斯贝尔所描述的:真正的人工智能要求计算机程序或机器展示出自我管理能力、表达情绪和创新性。因此,当前的人工智能=深度学习+大数据,这是一个最具时代精神、也最为普遍接受的认识。
人工智能并不总以机器人的形态出现,在很多情况下,它甚至是以不可视的形态存在的。苹果手机的语音助手“Siri”就是只闻其声、不见其形。相反,以机器人甚至人形机器人形态出现的机器,有许多并未达到人工智能的程度,而且,人工智能也不是超级人脑,因为它与人类大脑的工作原理存在巨大差别。
明确界定人工智能,为的是让人工智能更加有序地发展。我们既不能将人工智能泛神化,让产业失去起码的准入门槛,企业可以随便蹭“热点”,随心所欲为自己五花八门的产品贴上“人工智能”的标签;另一方面也无需将其妖魔化,至少在可见的未来,人工智能并不能凌驾于人类之上,更不会出现毁灭人类的可怕后果。在人工智能本性问题的讨论上,佐治亚理工学院交互计算教授伊恩·博戈斯特的观点或许更加接近真相:它们是人类制造的装置,运行人类编写的软件,充斥着二者的优缺点。当然,这样的观点并不能改变人工智能成为下一个技术前沿和产业风口的现实,也削弱不了其打破世界秩序的潜力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13