人工智能就在你我身边

未来如何定义

是科技之光还是毁灭之剑

它会有哪些前沿运用？

基本事理是什么？

目前还存在哪些技能局限？

机器又是怎么学习的？

严洪院长做客《世编年夜讲堂》

揭开人工智能的神秘面纱

【高朋先容】严洪，喷鼻香港城市大学科学及工程学院院⻓，曾在耶鲁⼤学从事医学成像研究并得到博士学位，也曾在网络公司从事研发事情。
严洪教授研究⽅方向包括笔墨识别、图像剖析技能，他也展开跨学科互助，在探索基因功能、探求肺癌靶向治疗药物耐药性的机理等方面做了⼤量研究。
严洪教授做客《世编年夜讲堂》，为我们剖析人工智能技能的应⽤与局限。

节目完全***

人工智能的运用

人工智能在许多的领域，如在商业、工程、自动化、保健、娱乐等方面都有广泛的运用。
人工智能究竟能做什么事情？先来看四个实验室中的例子。

口型仿照

第一个，便是将人工智能运用于语音跟口型的匹配。
在做动画的时候，手工调度动画角色的口型是很困难的。
而人工智能，通过数据剖析、机器学习的方法，可以达到以下三点哀求：首先，人工智能可以处理多种措辞，不管是外语还是汉语里的方言对它来说都是小菜一碟；其次，打算机的操作更加灵敏快捷。
在***制作时，常会涌现1秒钟就有20帧的情形，以是匹配口型时速率是非常必要的；第三，人工智能使能开口讲话的动画角色不再限于人物和动物，连车也可以说话。
这就增加了动画的娱乐性。

表情识别

第二个运用是面部的表情识别。
经由导入数据，剖析数据，机器学习，人工智能就可以找出人脸位置，然后识别面部表情。
基于这项技能，就可以自动为一张人像照片配上相应的音乐或符号，对这张照片进行加工或标记。

细胞分裂过程

第三个运用是对细胞分裂和基因功能的剖析。
要剖析细胞分裂过程，就须要人工智能的帮助。
在细胞分裂的过程中，实验职员用激光扫描丈量其不同的深度，构成三维的图像；每隔一段韶光都要对其进行扫描丈量，将不同韶光下得到的图像进行比拟，就得到了四维信息。
而在这些冗杂的四维信息中，要对每一单个细胞进行跟踪，追踪子细胞跟母细胞的关系，将子细胞与母细胞进行匹配。
这就须要大数据剖析，在这项研究中有20TB的数据，这统统单靠人脑是很难完成的。

此外还有在研究癌症的靶向治疗的抗药性方面的运用。
肺癌是癌症当中去世亡率最高的癌症。
倘若此时有位肺癌患者，我们采纳让他服用靶向治疗的药物的治疗办法，一开始患者的病情确实会好转，但一年往后，病景况态常又会恶化。
导致这个问题的罪魁罪魁便是抗药性。
什么是抗药性呢？药分子与致病蛋白质结合，蛋白质就无法致病。
但是蛋白质也很灵巧，随着韶光推移，它会变形，药分子无法再与变形后的它结合，它就可以连续致病。
这便是抗药性。
现在有了人工智能，研究职员就可以对不管是国外那些揭橥过的，还是在喷鼻香港本地采集到的所有变体进行剖析；将变体与药的匹配，它们的三维的构造都进行比较。
然后按照剖析出的数据，年夜夫可以去调换药物，或者通过数据剖析可以帮年夜夫制订一个很好的治疗方案。

人工智能的事理

现在大家比较感兴趣的，用的比较多的是基于机器学习的人工智能系统。
机器学习有三个紧张的部分：分别是特色提取，降维，还有分类器。
基本的事理都很大略，并不那么神秘。

一张图有大量像素，如果图的大小是1000×1000，那像素就有100万个。
实际上，我们只须要取最主要的那一部分信息，拿这部分信息来做分类。
要实现这一目的，有两个方法，一个是特色提取，其余一个便是降维。

人脸表情识别

什么是特色提取？以人的表情识别举例，表情跟头发、耳朵、脖子和衣服都没紧要，实际上，这个表情只与眼睛、嘴附近点的移动有关。
以是我们只须要把这些点取出来。
这便是特色提取。

那什么是降维呢？如图，一些点要用两维的坐标来表示，A跟B，要用X1、X2来表示。
由于你要描述位置信息。
但是现在把坐标轴转一转，变成U1、U2。
要描述这些点的位置就只须要U1，不须要U2，U2起不了什么浸染，在U1中间划一条分边界，两类就分开了。
以是这就降了一维。
如果说，要处理的数据维数很高，达到百万，那么降的维数就也会很高。
也便是说，数据量就会减少很多。

机器学习的第三个观点便是分类器。
例如要调查景象冷不冷，在不同的温度和风速下我们网络了一些数据，A代表不冷，B代表冷。
我们画一条分边界，A与B就被区分出来了，这就建立了一个分类器（如左图所示）。
但如果我们调查更多的人，或者在更多的情形下去调查，数据多了（如右图所示），分边界必须调度往后，分类才会更加准确。
以是结论便是，要供应很多的数据，去“演习”和“校准”分类器。
准确度才会高。

A：不冷，B：冷

人工智能是无敌且万能的吗？

多层神经网这个观点在八十年代就已经涌现了，现在的“深度学习”只是再进一步，可以调度更多的参数。
深度学习确实会比其他的方法更好，也得到了很多的运用。
但是它也是有一定的局限性的。
例如，机器对因果关系，逻辑推理问题就非常难处理；有时候它还会发生莫名其妙的缺点；其余机器学习必须哀求有大量的数据去演习，十分繁杂。

机器人确实可以帮人干事。
但是并不是每件事都可以做。

把人类智能跟人工智能进行比较，就会明白机器人不会打败人类。
打算机在数值剖析、加减乘除、解方程方面很厉害，而人算数字能力实际上还是有限的。
在处理大数据方面，打算机的能力人类也难以企及。
但是，人可以分辨低质量的图片，而打算机做不好。
人类拥有灵巧性，知识，和创造力。
但打算机是不是有创造力仍旧存在争议。
实在，打算机的程序是人写的，那么创造力终归是要归结于人的。

未办理的问题

第一个问题便是图像的特色提取。
在研究方面，降维跟分类器技能相比拟较成熟，但是特色提取，我们知道的还是很少的。
实际上，对如何实现打算机的“看”这个问题，许多领域的科学家都有研究。
什么是看？你可能以为这个问题大略得莫名其妙，但打算机去完成这个事情却是很困难的。
“看”就必须把相对应的数学公式写出来，这个数学公式仅对一张图有用是弗成的，即要有“普遍性”。
但我们在这方面的研究还远远不足。

第二个问题是高阶数据剖析。
从正负数到向量再到矩阵，在上个世纪五十年代，六十年代到八十年代，打算机科学家花了很多的精力将矩阵打算研究清楚。
更高阶的数据，称为张量，它们可以对机器学习供应新的模型。
关于张量的许多问题还不是很清楚，值得研究和磋商。

人工智能和打算机技能发展的比较

人工智能和打算机技能发展过程有很大的不同。
第一台数字打算机是1943年开始建造的，当时这个打算机霸占了180个平方米的面积，重量达50吨，花费很多人力物力。
但是当时人们对打算机的期望是很低的。
只要做加减乘除就行了。
打算机实现放音乐、看电影、做自动掌握，都是后来逐渐开拓的功能。

天下上第一台打算机

人工智能不一样。
一开始声势浩大，观点很好。
很多人去做，但是对它寄予的期望太高，希望它直接达到人类智商的水平。
但事实上，人工智能几上几下都没有达到这个目的。
仍旧有很多的问题还没有办理，须要我们进行进一步的创造性研究，也须要在理论上或者技能上有重大的打破。

总之，为了使人工智能提高性能，我们须要超越现有的方法，进行高风险的研究；除了大数据剖析之外，还须要研究与详细问题干系的基本事理。

编辑：二丫、张尧、蒙小度