但是實際上,絕大部分人,包括寫新聞的人們,並不清楚AI到底發展到了什麼程度、最先進的AI技術大概到了什麼層次。(寫新聞的人總有誇大其詞的職業習慣,這是「新聞」的特徵。學過通信的同學,可以回顧一下《資訊理論》中有關信息定義的內容,所謂「意外性越強,信息量就越大」。)
比如根據X光片判斷患某種病的可能性,一名醫學專家也是根據觀察圖片特徵、對照權威資料、總結經驗,得出思考加直覺的結論。而AI系統也是一樣的,要通過幾萬乃至幾十萬個標記為「有病」或「沒病」的X光片樣本進行學習,將判斷特徵轉化為參數,記錄在複雜的「神經網路」之中,最終得到一個足夠好的判定系統。
4、最通用的神經網路模型叫做「全連接神經網路」,理論上可以用於所有問題。但是在解決具體問題的過程中,科學家發現由於數學和計算機的侷限性,針對不同問題必須設計不同的網路模型。
例如針對圖像類問題,要使用「卷積網路」,針對翻譯和聲音轉換問題,要使用「循環網路」,對於AlphaGo這種棋類AI,還需要專門設計系統來賦予其「按時間和步驟」做決策的能力。
5、要點一:一個成功的AI系統的出現,是工程師精心設計結構、用大量數據「餵養」的成果,而不是AI自己隨便就能學出來的。問題發生本質變化的時候,比如從音頻處理變成圖像處理的時候,系統結構要徹底重新設計。
6、要點二:專一性弱化時,AI就會遭遇挑戰。例如對人類來說「識別10種照片,包括火車、飛機、房子、車等等」,和「識別人臉」這兩個問題相比,其實前者應該更簡單些。但是對AI來說,前者是一個巨大的挑戰。下圖為普適物體識別項目Cifar-10的介紹: