白琰昕弈
當人工智能用10分鐘學會了一個科學家50年的知識，會不會量變成質變，引起科技爆發？
首先我們需要明白一個概念，人工智能分弱人工智能和強人工智能。強人工智能是表現出與人類同等智慧、甚至超越人類的智慧，能具有正常人類的所有智能行為。弱人工智能則是隻能處理特定的問題，它不需要有人類完整的認知能力，甚至可以沒有任何的感知能力，只需要能表現出來有智能即可。很遺憾的是，我們目前能聽到的大熱詞彙，如機器學習、深度學習等，都是在弱人工智能範疇。那麼基於此，目前我們談論的人工智能是無法自主學習的，他需要我們人類的參與才可以。
為了更好的讓你理解弱人工智能，讓我以經典的識別貓的例子來說吧，我會試著以最淺顯易懂的話語來闡述，避免深度學習的各種專業術語。這個問題是如何教機器識別出來貓？傳統的編程做法是編寫程序，告訴計算機貓就是這個樣子的，然後有圖片數據過來，我們就通過程序去嘗試尋找同類的數據信息。然而這有個很大的問題，貓有很多種，同時貓甚至可以背對轉身過去，我們人類都可以識別出來，而這通過程序直接編寫相當相當的困難，甚至無法實現。那麼，深度學習技術則是從來不告訴計算機貓是什麼樣子，不甚至任何具體的邊界，而是讓計算機從數據中自己學習，自己領悟貓的概念。如我們嬰兒時期一樣，我們其實每一天都會接收大量的圖片輸入，來訓練我們自己，然後識別這是什麼東西，我們依賴的是我們強大的神經系統。把這個道理推廣到計算機，我們也是給計算機非常非常多的圖片，然後訓練計算機，讓它從大量的重複圖片中領悟這是什麼，它所依賴的是計算機強大的計算能力，然後來模擬我們的神經系統是如何工作的。那麼，這一步訓練完成以後，就涉及到教育，如我們三歲時，我們看了很多很多的貓的圖片，但是父母告訴我們這是狗，那麼我們以後遇到貓時，我們也會脫口而出這是狗。這對於計算機其實也是如此，如果它最後歸納了這些圖片信息，但是我們告訴它，你得到的這些歸納信息的正確答案是狗，那麼我們給計算機一張貓的圖片，它給出的答案也會是狗。所以，這就是我開頭強調的，目前是需要我們人類參與的。
所以，目前我們的人工智能還很弱，它還不具有自主學習的能力，需要我們人類的配合。也正是如此，我們目前不需要驚慌人工智能替代我們人類，它其實如同工業革命一樣，出現新的、更好的工具來幫助我們人類，然後我們人類可以更好的去做更多的事情，人工智能與人不是互斥，而是共存。
熱點爆爆爆
首先，我們回顧一下過去的幾次人工智能浪潮，可以給我們的這一次的物聯網浪潮有所啟迪。
"人工智能"這一名詞的誕生於1956年，由四位圖靈獎得主、信息論創始人和一位諾貝爾獎得主，在美國Dartmouth會議上，一起將人工智能的名詞定義出來。
(1956年的Dartmouth會議)
當時很多人認為人工智能來了，要超過人類了，但後面，大家發現，人工智能只是萌芽，只能做最基礎的事情。這便是人工智能的第一波浪潮，隨後便進入了人工智能的冬天。
隨後，隨著1982年Hopfield神經網絡和BT訓練算法的提出，大家又在討論人工智能的春天又來了，因為這一次，計算機的計算能力已經得到了很大的飛躍，以及算法上也有了突破，而這一波的人工浪潮持續了10多年。這便是人工智能的第二次浪潮，然後隨著2000年的互聯網泡沫，一同再次破裂。
而現在，我們正在經歷的第三次人工智能浪潮，與前兩次有什麼區別呢？為什麼這一次的“人工智能”浪潮，能夠將人類帶入“物聯網”時代呢？
我認為，這是基於“三個基礎，一個奇點”：
三個基礎指的是：互聯網，大數據，算法。
第一個基礎是互聯網。互聯網大家都再熟悉不過，而正是因為互聯網，使得我們實現了“信息的高速公路”，而這也給之後我們提到的大數據提供了支持，也使得物聯網變成了可能。
而我們看到，互聯網本身也正在進行一次自我進化，為物聯網做準備：互聯網正從IPv4進化到IPv6的時代。這是因為，在IPv4時代，一共可分配的IP有約43億，而這個數字並不能很好的支撐未來的萬物互聯。所以，在2011年的互聯網大會就覺得互聯網將使用IPv6，而在2017年7月，通過IPv6使用Google服務的用戶百分率也首次超過20%。
第二個基礎是大數據。由於互聯網的到來，使得我們的數據真正意義上變成了大數據。現在，每天人類產生的數據，比互聯網之前的幾千年總共的數據還要多。在2012年時，IBM曾對此做過研究，整個人類文明所獲得的全部數據中，有90%是過去兩年內產生的。
而未來，人類數據還將繼續爆炸式增長，國際數據公司（IDC）的研究結果表明，在2020年，數據量將會是40ZB，是2005年數據量的400倍。
這些大數據，將會給人工智能的算法的實現與完善變得可能。這一點，我想學過統計學的都應該有很深刻的體會。
第三個基礎便是算法。我們目前已經看到，machine learning的算法已經有了長足的進步，並且已經可以在垂直應用領域得到突破。比如，DNN算法在2010年在語音識別中有突破，使得語音識別的準確率達到了95%以上，CNN算法在2012年在圖片識別中有了突破，這也使得人類在使用此算法來診斷肺結核的準確率達到了94%。
而一個奇點，指的是即芯片的運算能力將超過人腦的運算能力。
人腦大概是擁有300億個神經元（也有數據說是600億個神經元），而芯片大概在2018年左右，會達到300億個電子元器件，即芯片會和人腦在計算能力上相媲美。
這意味著，就在2018年的前後，芯片的運算能力將會超過人類，而一旦超過後，將會指數級的超過人類，這也意味著，未來，人類將不再是世界最聰明的物種。
正是基於“三個基礎，一個奇點”，這使得這一次的物聯網浪潮將不同於之前的兩次人工智能浪潮，而當這“三個基礎，一個奇點”與現實生活的需求結合起來的時候，物聯網的時代就會到來，而那將是一個萬物互聯，萬物智能的時代。
錢真理
今天大部分被稱為“AI”的東西，特別是在公共領域，被稱為“機器學習”（ML），過去幾十年來一直是這樣。 ML是一個算法領域，它將來自統計學，計算機科學和許多其他學科（見下文）的想法融合在一起，設計算法來處理數據，做出預測並幫助做出決定。就對現實世界的影響而言，ML是真實的，而不僅僅是最近。事實上，ML將會在20世紀90年代初期變得非常清晰，到20世紀之交，亞馬遜等具有前瞻性的公司已經在他們的業務中使用了ML，從而解決了欺詐行為中的關鍵任務後端問題檢測和供應鏈預測，以及建立創新的面向消費者的服務，如推薦系統。隨著數據集和計算資源在接下來的二十年中快速增長，很明顯，ML不久將為亞馬遜提供支持，但基本上任何公司都可以將決策與大規模數據聯繫在一起。新的商業模式將會出現。 “數據科學”這個短語開始被用來指代這種現象，反映了ML算法專家需要與數據庫和分佈式系統專家合作構建可擴展的，強大的ML系統，並且反映了更大的社會和環境範圍導致系統。
從歷史上看，“人工智能”這個詞在1950年代後期被創造出來，指的是在軟件和硬件中實現具有人類智能的實體的強烈願望。我們將使用“人類模仿人工智能”一詞來指代這一願望，強調人工智能實體似乎應該是我們中的一員，即使身體上至少在精神上（無論這可能意味著什麼）。這主要是一個學術企業。雖然運籌學，統計學，模式識別，信息理論和控制理論等相關學術領域已經存在，並且常常受到人類智能（和動物智能）的啟發，但這些領域可以說是集中在“低層次”信號和決策上。例如，松鼠能夠感知它所居住的森林的三維結構，並在其分支之間跳躍，這對於這些領域來說是鼓舞人心的。 “人工智能”旨在關注不同的事物 - 人類“理性”和“思考”的“高級”或“認知”能力。然而，60年後，高層推理和思想仍然難以捉摸。目前被稱為“人工智能”的發展主要出現在與低級別模式識別和運動控制相關的工程領域。
順便說一句，如果你想知道更多硅谷或者美國科技的前沿信息，可以關注微信號“硅發佈”。
硅發佈
首先我們需要明白一個概念，人工智能分弱人工智能和強人工智能。強人工智能是表現出與人類同等智慧、甚至超越人類的智慧，能具有正常人類的所有智能行為。弱人工智能則是隻能處理特定的問題，它不需要有人類完整的認知能力，甚至可以沒有任何的感知能力，只需要能表現出來有智能即可。很遺憾的是，我們目前能聽到的大熱詞彙，如機器學習、深度學習等，都是在弱人工智能範疇。那麼基於此，目前我們談論的人工智能是無法自主學習的，他需要我們人類的參與才可以。
為了更好的讓你理解弱人工智能，讓我以經典的識別貓的例子來說吧，我會試著以最淺顯易懂的話語來闡述，避免深度學習的各種專業術語。這個問題是如何教機器識別出來貓？傳統的編程做法是編寫程序，告訴計算機貓就是這個樣子的，然後有圖片數據過來，我們就通過程序去嘗試尋找同類的數據信息。然而這有個很大的問題，貓有很多種，同時貓甚至可以背對轉身過去，我們人類都可以識別出來，而這通過程序直接編寫相當相當的困難，甚至無法實現。那麼，深度學習技術則是從來不告訴計算機貓是什麼樣子，不甚至任何具體的邊界，而是讓計算機從數據中自己學習，自己領悟貓的概念。如我們嬰兒時期一樣，我們其實每一天都會接收大量的圖片輸入，來訓練我們自己，然後識別這是什麼東西，我們依賴的是我們強大的神經系統。把這個道理推廣到計算機，我們也是給計算機非常非常多的圖片，然後訓練計算機，讓它從大量的重複圖片中領悟這是什麼，它所依賴的是計算機強大的計算能力，然後來模擬我們的神經系統是如何工作的。那麼，這一步訓練完成以後，就涉及到教育，如我們三歲時，我們看了很多很多的貓的圖片，但是父母告訴我們這是狗，那麼我們以後遇到貓時，我們也會脫口而出這是狗。這對於計算機其實也是如此，如果它最後歸納了這些圖片信息，但是我們告訴它，你得到的這些歸納信息的正確答案是狗，那麼我們給計算機一張貓的圖片，它給出的答案也會是狗。所以，這就是我開頭強調的，目前是需要我們人類參與的。
所以，目前我們的人工智能還很弱，它還不具有自主學習的能力，需要我們人類的配合。也正是如此，我們目前不需要驚慌人工智能替代我們人類，它其實如同工業革命一樣，出現新的、更好的工具來幫助我們人類，然後我們人類可以更好的去做更多的事情，人工智能與人不是互斥，而是共存。
藍色Zero
據外媒報道，DeepMind創建了一套能自發開發機器學習的AI技術。這家位於英國的谷歌姊妹公司似乎一直在專注於機器學習實驗以此來確定AI是否能瞭解神經網絡。DeepMind在近期發表的論文中展示了一套神經網絡，它在試圖解決導航問題的時候開發出了一種模仿哺乳動物創建“網格細胞”的空間意識方法。
於2005年發現的網格細胞是一種鮮為人知的哺乳動物大腦用來幫助導航的現象。人們能夠通過自己走的路程和方向來理解自己所在的位置是由這些特殊的細胞管理，它們會形成六邊形模式，當穿過它們的時候神經元就會被激活。這對於所有的哺乳動物來說都一樣，就像是一個內置的啟動器。
\n
{!-- PGC_VIDEO:{"thumb_height": 360, "thumb_url": "83ec00134c93f8d0a9ef\
cnBeta
會，人工智能並非某個單一技術，其涉及各個垂直領域，例如語音識別、自然語言理解、圖像識別、機器翻譯等等。每一個垂類領域又可以繼續細分，例如圖像識別可以分為貓的圖像識別、植物的圖像識別，表面上都是圖像識別，背後所用到的海量數據，以及算法策略，未來AI當然會引爆科技。
南七道
你好，我是區塊鏈藍海小編淘氣包，很高興受邀回答您的問題。首先，我們對人工智能得有一個明確的定位，從人工智能出現在我們人類生活，已經演變了近幾十年，實際所在科技上的突破並不多。只是近幾年，這個領域又迎來了爆發期，才在一次把“人工智能”推向了風口浪尖。
就拿我們生活中的一些實際應用來講，比如說生活中常見的學習機器人、掃地機器人等，這些都是人類智慧的成果，也就是弱人工智能。從當前的形勢來看，人工智能還是得依託人類的發明和創造，並不是獨立的個體。其次，人工智能的廣泛應用上，還存在諸多的Bug，這些都得靠人工來維護。由此可見，人工智能的發展還有一段很長的路需要走。
至於引爆科技，個人認為並不一定會是人工智能引爆科技。隨著現在一些科技領域新名詞的誕生，我們可以看到，雲計算、大數據等這些都會帶來一定的科技成果。因此，不論是從概念上，還是技術上，引爆科技絕不是一種技術所帶來的，而是多種技術的融合創新，所創造的時代產物。
如需瞭解更多詳情，可以關注“區塊鏈藍海”。
區塊鏈藍海
目前“人工智能”領域並未發展到特別厲害的程度，“人工智能”現在的發展主要還是低級識別模式和計算智能及運動控制智能相關的工程領域，認知智能的算法仍然尚未突破。隨著時代進步我們們也在逐漸發現“人工智能”的利與弊，它的崛起對於人類來說就像是一把雙刃劍，有好處也有壞處。比如好處：關於“人工智能”戰勝圍棋專業棋手，難道不是很正常的麼？不然發明出來幹嘛？人類製造“人工智能”替代人類部分職業不是很正常的麼？歸根結底，都是在幫助我們。劣勝優汰的世界，強者生存，弱者淘汰。這樣，人們的競爭與意識便得到了進一步提升，在不斷地開始逼自己的同時，也在進一步的進化著自己的思想與能力。 
對於會不會引爆科技這種問題，我只想說，近五十年甚至百年內是不存在的，且不說“人工智能”這概念本就是人類想出來的，隨著時代與科技共同進步，我們必定會走向像電影般的科技時代。人類才是引爆科技的關鍵！
隨著人們的生活水平不斷提高，教育、醫療、娛樂等專業化服務的人工智能和智能無人設備的應用也更加廣泛。只能說目前人工智能已經發展到一個新的階段了。在今後，我們需要人工智能的幫助，不能固步自封，許多東西是需要變革的，而最好的變革就是在今後利用好人工智能。
黑貓小科技
天文學會認為：人工智能的發展可以幫助我們預測其他行星的生命可能性。該研究使用人工神經網絡（ANN）將行星分為五類，估計每種情況下的生命概率，這可用於未來的星際探測任務。
複合圖像顯示了土星衛星泰坦的紅外視圖
複合圖像顯示了土星衛星泰坦的紅外視圖，取自NASA的卡西尼號航天器。有些措施表明，根據諸如能源可用性，各種地表和大氣特徵等因素，泰坦的地球可吸收能力評分最高。
根據位於普利茅斯大學的一個團隊的新研究，人工智能的發展可能幫助我們預測其他星球的生命可能性。該研究使用人工神經網絡（ANN）將行星分為五類，估計每種情況下的生命概率，這可用於未來的星際探測任務。4月4日，Christopher Bishop先生在利物浦的歐洲天文與空間科學周（EWASS）上發表了這項工作。
人工神經網絡是試圖複製人類大腦學習方式的系統。它們是機器學習中使用的主要工具之一，尤其擅長識別對於生物大腦來說過於複雜的模式。
這個團隊位於普利茅斯大學機器人和神經系統中心，他們已經測試了他們的網絡，把行星分類成五種不同的類型。基於他們是否最像現在的地球，早期的地球，火星，金星或土星的衛星泰坦，將行星分為五種不同的類型。所有這五個都是具有大氣的岩石體，是我們太陽系中最有可能居住的物體之一。
Bishop先生評論說：“我們目前對這些人工神經網絡感興趣，以便優先探索一個假設的，智能的星際航天器探測範圍外的系外行星系統。”
他補充說：“我們也在研究如何使用大面積，可展開的平面菲涅耳天線將數據從大距離的星際探測器傳回地球，如果未來將這種技術用於機器人航天器“。
將五個太陽系天體的大氣觀測稱為光譜，作為網絡的輸入，然後按要求用行星類型對它們進行分類。由於目前僅知道生命存在於地球上，所以該分類使用“生命概率”度量，這是基於五個目標類型的相對較好理解的大氣和軌道性質。
Bishop用超過一百種不同的光譜輪廓調試了這個網絡，每一個光譜都具有幾百個有助於可居住性的參數。到目前為止，網絡在呈現前所未見的測試光譜配置文件時表現良好。
“鑑於迄今為止的結果，該方法可能證明對於使用地面和近地觀測站的結果對不同類型的系外行星進行分類非常有用，”項目主管Angelo Cangelosi博士說。
考慮到即將到來的太空任務，例如歐空局的阿里爾太空任務和美國宇航局的詹姆斯韋伯太空望遠鏡預計的光譜細節的增加，該技術也可能非常適合選擇未來觀測的目標。
物聯網圈子
提到人工智能，就不得不提到一個假說，技術奇點。在很多的科幻小說以及在美劇《生活大爆炸》都有所提及。
什麼叫做技術奇點呢？通俗地講，就是當人工智能的能力發展到一個閥值之後，所有技術發展速度在人工智能的幫助下，成指數持續增長，並且所需的時間非常的短，而且這種技術發展的過程和速度是人類無法理解。
在理論上，這種發展是在短時間極大發展的接近了無限的進步。就好像黑洞引力無窮大的性質一樣，所以稱之為技術奇點。
人類不能理解，以及無法預測其發生。人類的科技水平會在一個很短的時間內，科技能力呈光速發展。
舉個簡單例子，技術奇點的速度就是，第一天你還剛學會鑽木取火，然後幾日過去，你已經在掌握了開拓建設外星球的技術。
但是到達這個層次，起碼人工智能要
強人工智能非常成熟以及要到達比強人工智能還要高的層次。
