2018AI最佳應用回顧

時間 2019-12-05

標籤 2018ai 最佳應用回顧简体版

原文原文鏈接

譯者說

AI商業化迅猛發展，即使如此，普通大衆對AI仍然缺乏專業性、科學性的認識。做者在本文中精選了7篇2018年關於AI應用的文章，並對內容作了簡短、啓發性的介紹，旨在幫助公衆瞭解AI能作的事情，幫助你們瞭解AI在將來能達到的成就。本文仍是更偏向學術性，內容比較前沿，對科研人員瞭解行業應用幫助較大。git

毫無疑問，人工智能正在飛速發展，2019年極可能帶來許多新的、意想不到的飛躍，好比開發出具備真實、相似人類的通用人工智能機器。咱們知道咱們遠未到達這一目標，可是因爲那裏有大量與人工智能相關的故事，咱們很難跟上過去一年裏咱們取得的成就，以便了解咱們未來能實現的目標。話雖如此，這裏列出了過去一年中人工智能和機器學習這個不斷髮展的世界的一些亮點。github

讀心AI

去年衆多有趣進展中的一個即是AI能夠「閱讀」你的想法。雖然乍一看這可能使人不安，但另外一方面，這些技術可能會幫助殘障人士更好地溝通或觀察，甚至幫助改善圖像搜索（想象一下僅經過可視化來查找特定圖像）。爲了展現這種可能性，一個來自日本京都大學的團隊開發了一種重建算法，它可以解碼和優化人們觀察物體造成腦電波中的視覺信息，讓咱們離「機器能精確讀取人們想法」更進一步。算法

詳情見：Mind-Reading AI Optimizes Images Reconstructed from Your Brain Waves網絡

具有「視覺預見」的機器

深度學習是機器學習的一個特殊子領域，它啓發於生物大腦的結構和功能，旨在開發更好的人工神經網絡，這些網絡將成爲像人同樣學習和思考的機器的基礎。今年早些時候，加州大學伯克利分校人工智能研究實驗室（BAIR）的研究人員創造了一種可以直觀可視化將來的機器，使用他們所謂的「視覺預見」。靈感來自人類嬰兒，嬰兒在環境中實驗和操縱的傾向，以便學習而後將這些知識應用到新的未知情境中，這對人類而言理所固然，但實際上機器難以掌握。這樣的研究能夠爲機器「視覺想象能力」鋪平道路，使它們可以自主地與周圍環境進行交互。機器學習

詳情見：This Robot Can Visualize Its Immediate Future with Deep Learningide

具有社交技能的合做機器

人們可能會認爲合做和社交技能是隻有人類才具有的領域，但最近的實驗代表，機器也能夠被賦予一套人的社交技能，使它們可以與其它類型的機器以及人協做。在爲機器合做的社交技能建立一個算法過程當中，一個國際團隊的研究人員指出：「最終目標是咱們理解與人合做背後的數學知識以及人工智能發展社交技能須要具有的屬性。AI須要迴應人類並清楚地表達它正在作什麼事情。它必須可以與人互動。」oop

詳情見：AI Algorithm with ‘Social Skills’ Cooperates Better Than Humans學習

從錯誤中學習的AI

沒有什麼比從錯誤中吸收教訓讓咱們更像人。人們可能會在機器的強化學習中找到相似的結論，但OpenAI的研究人員指出，設計強化學習模型背後的獎勵系統可能會愈來愈很是複雜，實際上可能會抑制機器探索超出任務目標的可能性。相反，這個團隊提出了一個開源替代方案，他們稱之爲Hindsight Experience Replay（HER）。優化

詳情見：OpenAI Algorithm Allows AI to Learn from Its Mistakesui

自我複製AI

傳遞成功經驗的能力是生物有機體區別其它事物的決定性特徵。今年早些時候，來自哥倫比亞大學的兩位研究人員找到了將這一原理應用於人工智能系統的方法-建立稱爲「quines)」的自我複製神經網絡。自我複製、自我進化的AI能夠自動採用前幾代的成功經驗，這個想法很是誘人，具備許多潛在有用的應用場景。

詳情見：AI Researchers Create Self-Replicating Neural Network

AI中的文化偏見

冷血機器的絕對可靠性是一個容易被人接受的謬誤。但正如專家所言，咱們的算法中存在大量隱祕的文化和性別偏見，當這些算法用於自動化決策系統時，會影響人們的生活。例如人力資源部門或刑事司法系統。在2019年開展AI工做時，咱們必須找到解決這種算法偏見的方法，這樣才能避免長期存在的偏見和社會不公正現象延續到機器中。

詳情見：Cultural Bias in Artificial Intelligence