问题|对话崔兴龙：脑神经科学+AI，真·究极体的人工智能( 二 )_人类|大量的|知识|兴龙|对话

这个阶段典型的应用就是专家系统，专家系统方法通过构建大量的判别规则来进行问题的推断。而判断规则则需要“录入”庞大的人类知识库，瓶颈是无法让机器自动学习。
第二个阶段则是连接主义，它的理论基础来自于神经科学。他们认为建立在神经网络基础上的亚符号处理是人类智能行为的基础，依据这个理论可以模拟人类感性行为（感觉、情感与直觉等），通常又称为数据驱动的人工智能方法。
数据驱动的人工智能方法基于概论统计加机器学习，重点研究则是从“推理”为重点到“知识” ，然后到现在的“学习” 。
只不过，如今算力已经不再是瓶颈，而随着移动互联网产生了大量数据，在特定领域的“学习”其实更依赖更多标记数据集。

文章图片

图源：点金大数据
在崔兴龙看来，过去几波人工智能技术的爆发本质上应该同属一类。 AI本身的诞生，依赖于大量的数据的产生，而数据本身，其实需要一个相对清晰的和完整的数据标记集。
他解释称，最早的神经网络可以追溯到1962年Hubel和Wiesel的文章，在那篇文章中已经出现了多层的神经网络，包括卷积、池化等后来在神经网络中非常重要的概念也已经出现，但是囿于时代的限制，这一成果没有让更多人注意到。而后来在1980年前后， Kunihiko Fukushima提出的一种分层多层人工神经网络，可以用于日语手写字符识别和其他模式识别任务，这也成为了卷积神经网络（CNN）的灵感来源。
而在上世纪末， LeCun提出的LeNet让计算机视觉的准确率大幅度提升，计算机视觉逐渐得到越来越多的关注。而CNN也在那之后逐渐被证明可以有效的处理各种计算机视觉和自然语言处理的问题，因此得到了广泛的使用。
步入2010之后，人工智能的大数据时代悄然降临，标志性的事件有两个。其一是李飞飞和她的ImageNet ，超过150万的训练样本和1000个不同分类，使得大家用来训练的样本量足够大。其二是GPU的大量普及，使得计算机的算力有了极大的提升。
随之而来的是人工智能辉煌的十年， 2015年何凯明提出的Resnet横空出世，再一次提升了AI的准确性和效率；2016年AlphaGo击败李世石，在围棋这个项目中终于击败了最强的人类选手。
但“今天的AI更像工程学的方法，更像计算工程了” ，他补充说。
尽管过去十年，随着移动互联网的成熟，科学家能获取和处理的数据量越来越大，这促进了人工智能的极大发展， ResNet/Gan/DenseNet等优秀的想法喷涌而出，但是这些众多优秀的办法并没有从底层逻辑上改变人工智能的本质。

问题|对话崔兴龙：脑神经科学+AI，真·究极体的人工智能( 二 )

推荐阅读

如何找寻自我

缝纫机调线器怎么安装平车方法如何

强组词强字组词

火笋鸡翅的做法（增肥食谱）

闺女生日快乐祝福语朋友圈

LV请来潮牌设计师做艺术总监，看中的是啥

老虎豆怎么做好吃老虎豆图片怎样弄来吃

暖气有流水声是什么原因

皮球是什么体

手机怎样开通QQ空间

男生发mua说明 mua是什么意思

手指盖凹陷怎么回事

对自己的生活失去掌控咋调整

小米10s怎么没有月亮模式

我想找个偏僻的地方搞养殖！有没有推荐的地方？

南京养老金认证上门服务怎么申请南京市养老金认证

如何评价猪场阉割猪？

最后一个字是豹的成语

泰山散酒怎么样

猫发情的声音(猫发情的叫声)