常州苹果5s手机电池更换_如何看待人工智能的发展现状和未来可能

展望前沿技术探索，常州苹果5s手机电池更换未来三到五年最有可能出现突破的就是半监督的学习方法。现在深度卷积神经网络很好，但是它有缺点，即依赖于带标签的完备大数据，没有大数据喂食就不可能达到人类水平，但是要获得完备的大数据，需要付出的资源代价太大，很多应用场景甚至得不到，比如把全世界的火车照片都搜集起来，这是不可能的事。我们希望能够做一些小数据、小样本的半监督学习，训练数据不大，但是还能够达到人类水平。
我们做过很多实验，人为地去掉一半甚至去掉1/4的标签数据去训练深度卷积神经网络，希望网络能够具有举一反三的能力，通过小样本或小数据的学习同样能够达到人类水平。这方面的研究不管是利用生成式对抗网络，还是与传统统计机器学习方法相结合，或者是与认知计算方法的结合，证明难度都挺大。比如我们看到了土狗的照片，从来没见过藏獒、宠物狗，但通过举一反三就能够识别出来。这靠什么?靠推理。人类不完全是基于特征提取，还靠知识推理获得更强的泛化能力。而现在的深度卷积神经网络是靠多级多层的特征提取，如果特征提取不好，识别结果就不好，就达不到人类水平。总之，特征提取要好就必须要有完备的大数据。但不管怎样，相信具有“特征提取+知识推理”的半监督或者无监督的深度卷积神经网络三到五年会有突破，而且还是基于端到端学习的，其中也会融入先验知识或模型。相对而言，通用人工智能的突破可能需要的时间更长，三到五年能不能突破还是未知，但是意义非常重大。

在半监督、无监督深度学习方法突破之后，常州苹果5s手机电池更换很多行业应用包括人工智能场景研发都会快速推进。实际应用时我们一般都通过数据迭代、算法迭代向前推进。从这个角度来说，AlphaGo中体现的深度强化学习代表着更大的希望。因为它也是基于深度卷积神经网络的，包括以前用的13层网络，现在用的40层卷积神经网，替代了以前的浅层全连接网络，带来的性能提升是很显著的。

为什么深度强化学习更有意义?首先它有决策能力，决策属于认知，这已经不仅仅是感知智能了。其次AlphaGo依赖的仅仅是小数据的监督学习。3000万的6-9段人类职业棋手的棋局，对人类来说已经是大数据了，但对围棋本身的搜索空间来讲则是一个小数据。不管柯洁还是聂卫平，都无法记住3000万个棋局，但19x19的棋盘格上，因每个交叉点存在黑子、白子或无子三种情况，其组合数或搜索空间之巨大，超过了全宇宙的粒子数。对具有如此复杂度的棋局变化，人类的3000万个已知棋局真的就是一个小数据，AlphaGo首先通过深度监督学习，学习人类的3000万个棋局作为基础，相当于站在巨人的肩膀上，然后再利用深度强化学习，通过自我对弈、左右互搏搜索更大的棋局空间，是人类3000万棋局之外的棋局空间，这就使AlphaGo 2.0下出了很多我们从未见过的棋谱或者棋局。
总的来说，深度强化学习有两大好处，它寻找最优策略函数，给出的是决策，跟认知联系起来。第二，它不依赖于大数据。这就是前面说的小数据半监督学习方法。因为在认知层面上进行探索，而且不完全依赖于大数据，因此意义重大，魅力无穷。相信深度强化学习非常有潜力继续向前发展，将大大扩展其垂直应用领域。但是它本身并不是一个通用人工智能。AlphaGo只能下围棋不能同时下中国象棋、国际象棋，因此还只是专注于一个“点”上面的，仍属于弱人工智能。

实现通用人工智能，常州苹果5s手机电池更换把垂直细分领域变宽或者实现多任务而不是单任务学习，对深度神经网络而言，沿什么样的技术途径往前走现在还未知，但是肯定要与基于学习的符号主义结合起来。通用人工智能现在没有找到很好的线索往前走，原因一是因为神经网络本身是黑箱式的，内部表达不可解析，二是因为传统的卷积神经网络本身不能完成多任务学习。可以考虑跟知识图谱、知识推理等符号主义的方法结合，但必须是在新的起点上，即在已有大数据感知智能的基础上，利用更高粒度的自主学习而非以往的规则设计来进行。另外从神经科学的角度去做也是可能的途径之一。