但是实际上,绝大部分人,包括写新闻的人们,并不清楚AI到底发展到了什么程度、最先进的AI技术大概到了什么层次。(写新闻的人总有夸大其词的职业习惯,这是「新闻」的特征。学过通信的同学,可以回顾一下《资讯理论》中有关信息定义的内容,所谓「意外性越强,信息量就越大」。)
比如根据X光片判断患某种病的可能性,一名医学专家也是根据观察图片特征、对照权威资料、总结经验,得出思考加直觉的结论。而AI系统也是一样的,要通过几万乃至几十万个标记为「有病」或「没病」的X光片样本进行学习,将判断特征转化为参数,记录在复杂的「神经网路」之中,最终得到一个足够好的判定系统。
4、最通用的神经网路模型叫做「全连接神经网路」,理论上可以用于所有问题。但是在解决具体问题的过程中,科学家发现由于数学和计算机的局限性,针对不同问题必须设计不同的网路模型。
例如针对图像类问题,要使用「卷积网路」,针对翻译和声音转换问题,要使用「循环网路」,对于AlphaGo这种棋类AI,还需要专门设计系统来赋予其「按时间和步骤」做决策的能力。
5、要点一:一个成功的AI系统的出现,是工程师精心设计结构、用大量数据「喂养」的成果,而不是AI自己随便就能学出来的。问题发生本质变化的时候,比如从音频处理变成图像处理的时候,系统结构要彻底重新设计。
6、要点二:专一性弱化时,AI就会遭遇挑战。例如对人类来说「识别10种照片,包括火车、飞机、房子、车等等」,和「识别人脸」这两个问题相比,其实前者应该更简单些。但是对AI来说,前者是一个巨大的挑战。下图为普适物体识别项目Cifar-10的介绍: