-
UX设计在5年内将在哪里?
最近发布的2017年设计岗工资调查(2017DesignSalarySurvey–O’ReillyMedia)显示,不仅在UX中工作的设计师工资最高(89,000美元),而且采用Sketch等新工具和敏捷的迭代工作方式能吸引最高的薪酬。在本文中,我们将探讨更广泛行业中UX设计的未来发展方向,并解释为什么我们认为在未来几年将继续雇用UX专业知识人才的趋势。背景:UX设计的兴起设计界伟大的DieterRams曾经说过,“如果你不明白人,你就不能理解好的设计;设计是为了人而产生”。那么,所有设计最终都是用户体验设计吗?有人会在任何地方体验我们创造的任何产品的效果,不管他们是否与该产品进行直接交互。无论我们是什么学科,我们在人类社会的背景下进行设计,我们追求项目,因为有人相信这些有价值。在广义上,用户体验是所有设计的本质。“用户体验设计”一词大约在25年前由加州大学圣地亚哥分校设计实验室主任DonNorman创造。对于他来说,“UX设计”意味着一个可以在产品体验的各个方面(包括产品本身周围的所有内容)中对用户需求进行优先排序的设计流程。例如,AppleMac的用户体验不仅限于在操作系统打开时与操作系统的交互。Mac的UX设计包括广告、商店布局、购买过程、盒子、文档、感觉如何、拥有它的崇敬感和社会意义等等。然而,如果我们今天为UX设计师寻找一个典型的工作描述,可能会得到一个更窄的定义。在最近5-10年中,UX设计获得了更为有限的含义,通常具体为网站和移动应用设计。这一转变主要反映了那些媒体传播的巨大商业价值:根据最新的“尼尔森全球观众报告”(TheNielsenTotalAudienceReport:Q32016),现在美国成年人每天使用智能手机、平板电脑和个人电脑上的应用和网站平均花费近4个小时的时间。今天的UX设计DonNorman提醒人们不要太狭义地理解UX设计,或者仅限于理解为设备UI设计:“现在这个[用户体验]词被滥用,有人说“我是用户体验设计师,设计网站”,或者是“我设计应用程序”,他们不知道他们在做什么,他们认为“体验”是简单的设备(网站或应用程序或谁知道什么)。但它应该是一切,是你体验世界的方式,是你体验你生活的方式,是你体验服务的方式,或是也是一个应用程序或一个计算机系统,但它是一个系统的一切。明白了吗?”当我们在今天看待UX设计的现状并考虑它的未来时,请记住UX不会在设备或应用程序的前面开始或停止,即使这是我们当前需要设计的情况。最常见的UX设计师的工作是超越界面,并解决这个更大的问题。不管你信不信,我们已经生活在一个有智能手机、移动应用和社交媒体的世界上十几年了。特别是考虑到我们现在使用这些产品的时间,变化的步伐是非常显著的。这使得制造商能够更多地优化他们的产品(想到iPhone或Google的materialdesign),而通过这些平台交付产品的公司也不得不去尝试并快速找出如何从中提取最大价值。可以说,我们现在看到的证据表明设备产品发展的速度(尤其是智能手机)已在放缓。制造商花了十年时间来改进他们的产品,这样智能手机现在基本上是一个已被解决的设计问题。现在我们在如iPhone这样的产品中看到的变化是微小的和渐进式的:它们使现有的解决方案变得略微更好,但不要将产品带到一个全新的位置。同样,网站和应用程序中的交互设计模式也正在解决问题。例如,当设计网站或应用程序的导航时,UI设计师可能现在可以参考在线图书馆的导航交互模式,至少可以作为起点。实际上,正是因为UX设计为满足用户需求和期望的使用方式而建立的,所以会采用普遍接受的交互模式,除非有很好的理由不要这么做。那么,UX设计下一步是什么?UX设计的未来新市场我们知道UX设计不仅因为智能技术(电视,PC,智能手机)的普及而发展,而且还因为发达经济体越来越重视服务行业,所以用户体验变得至关重要。更重要的是,随着印度和中国等大型发展中经济体越来越富有,全新的市场将开放给UX设计师。例如,建立卫生基础设施将需要有针对这些经济体财政和社会经济状况的解决方案。对于国际开发感兴趣的UX设计者来说,为人群诊断和治疗提供新型技术解决方案的设计有巨大潜力的价值。技术新旧近几年来,一直在谈论虚拟现实和增强现实平台的出现,但是这些突破主流设计文化的迹象并不多见。GregMadison(Google实验室VR设计师)在接受FastCoDesign采访时,表示怀疑VR会给人留下深刻的印象:“对我来说,懒惰是预测未来会发生什么的更好方法。30年来我们没有取代鼠标和键盘,因为使用它们可以用尽量少的努力做很多事情。在虚拟现实中,我们需要考虑的不是因为我们可以做什么,而是我们需要这样做。”就像一个例子,GoogleGlass(一种增强现实的眼镜)在2015年销售不佳和一系列安全隐私问题后退隐江湖。这告诉我们,技术是否成功最终不会仅由其创新水平或其执行标准决定。对于用户而言,它也需要是可取的并且以一种重要的方式来增强人们的生活。目前,很少有人认为智能手机、平板电脑和个人电脑的优势在不久的将来会发生变化。人类的主要经验模式是视觉化的,对我们目前的屏幕和基于文本的信息消费似乎没有什么不满。对于许多用户来说,基于屏幕的设备也建立了重要的界限,允许我们进行多任务操作,在不同焦点之间快速引起关注,甚至关闭它们。人工智能和机器学习当前很多行业都在寻找核心节点(soul),例如现在高科技的、可靠的、廉价的人工智能(AI)和自动化技术在各个行业都成为现实。目前已有将使用AI来尝试提供设计商业化。这种趋势聚焦于要求设计人员执行结合许多视觉约定设计的领域中。例如,Logojoy提供基于AI的标志设计服务。特别对于UX设计师的工作而言,许多任务不太可能很快就会变得自动化。例如,有效的用户研究和用户测试是复杂的,需要情商,而且重要的是了解哪些需求和行为不存在的能力。理解人们没有说或做的事情的意义对AI来说还有很长的路要走。人类UX设计师也善于发掘看穿人类需求的“内在”。在2017年,我们在哲学上不知道如果机器能够产生同情或知道同情的意思意味着什么-所以我们可能是使这样的机器成为现实的一种方式。同样,当涉及视觉设计时,了解不同人种复杂的文化和情感内涵及其无限组合,并创造一种有意义的、情感上吸引人去看和感受的产品可能一直是需要人类设计师参与。然而,AI可以在加速和增加以人为本的设计过程中更早地发挥作用。例如,可以在数秒内计算出数百种布局、配色方案和徽标,从而使设计人员更快地识别有吸引力或可行的想法。策略师罗素·戴维斯(RussellDavies)在本月的“AI问题创建回顾”(Twonon-botschataboutchatbots–CreativeReview)上表示:“让机器产生千次选择可能会更有效率、更有趣,然后再让人来做选择。”语音用户界面(VUIs)语音用户界面(VUI)已经在一系列科技公司中部署。苹果有Siri,Google已经可以Google了,微软有Cortana,而Amazon拥有Alexa。例如,亚马逊已经将语音UI纳入其FireTV和Echo产品。用户在使用视觉注意力的情况下(例如在驾驶汽车时),或不可能或不需要进行触摸交互或打字的情况下(例如在观看电视时),发现语音可能非常有价值。但是,语音用户界面也可能继续与屏幕UI一起共存,因为没有人想要在列车上充满了给他们的电脑发出语音命令的人。未来技术方向的一个不足因素也将是人们对已学到内容的固有偏好。智能手机上的键盘布局仍然是QWERTY(这是1868年最初设计的一个配置),以最大限度地减少用户在手动打字机上的使用冲突。合理更好的键盘布局,像Dvorak,很久以前就设计了但还没有被广泛采用。iPhone和iPod是成功的,因为它们为早期的产品提供了巨大的改进-那些提供糟糕用户体验的产品(手机和音乐播放器);相比之下,Dvorak并不成功,因为总体而言,QWERTY键盘的UX是没有问题的,而且这不是用户想要或需要的改变。明天UX设计师的素质适应性强虽然不能看到未来,但我们可以对此进行一些有根据的猜测。过去十年的变化表明,设计作为一个学科必须不断适应环境,以满足新的客户、买主和用户需求。“UX设计师”的职称可能会持续一段时间,但即使UX设计角色变得更加专业化和分散化,今天的UX设计师也需要有一个技能使他们具有适应性和多功能性。他们必须懂得用户研究、用户旅程设计、线框图、原型、高保真视觉设计、用户测试,甚至会一些代码。无论何时何地设计,UX设计师都将处于适应状态。面向细节,但能够看到大局CharlesEames曾经说过:“细节不是细节。他们做出设计。”随着设计和互动模式变得越来越标准化,企业将更加关心如何使产品比竞争对手更好。这意味着越来越多的关注UX设计的细节,在任何意义上:产品的视觉外观和行为;以及它的反应速度、它可以预期用户下一个要求的程度等等。企业将寻找能够在微观层面提供改进的面向细节UX设计师。部分原因是市场力量将会发生这种情况,因为优化其产品的UX设计公司可能会取得成功,而不会有可能停产。重要的是,破坏性新技术总是会有快速和深远的潜在变化。因此,这不仅要求UX设计师进行重点突出的细节产品优化,还要评估更广泛的设计、技术和市场趋势,并细看产品或服务需要达到的可能范式转变的范围并为其用户服务。用户信任的设计师最后,看一下任何一个探索AI的电影、文学或电视节目,大多讲的可能是反乌托邦的,涉及到技术流氓。随着AI成为现实,特别是在诸如自动化汽车等高风险应用中,未来UX设计师的关键工作之一将是设计从用户到机器之间建立信任的产品。人类需要感觉到对环境的控制,设计师必须设法满足这一需求,同时也提供AI的潜力来增强人体健康、安全和决策。UX设计在未来5年内的5项预测1.除了新奇的原因,还是几乎没有人会使用虚拟现实产品。我们将开始看到一些有用的增强现实应用程序,例如添加诸如谷歌地图之类应用程序的额外导航功能,并帮助文化和语言之间的翻译。2.语音用户界面在与电视机、音乐播放器、车载电话和仪表板的交互中将变得更加重要,但在智能手机、平板电脑和个人电脑上仍然会被忽视。聊天机器人将开始有一些有用的应用程序,例如在线客户服务。但是,这些产品用户的沮丧感意味着提供“真正人类”的公司将能够以这种附加值进行交易。3.大多数服务将不再需要您记住密码,而是使用验证码和其他安全身份验证方法。随着轻松认证成为用户期望,公司将需要对认证过程的UI设计进行大修改。4.网站和应用仍将是主流,且仍将主要通过智能手机和个人电脑使用,尽管用户隐私权丑闻将迫使公司对其使用数据更加透明,并为用户提供更多的控制权。新立法可能要求更严格的隐私保护(例如预计在2018年的欧盟一般数据保护条例)。5.对UX设计的要求将扩大到创新者,以应对日常生活中的微小刺激,例如记住药物,不得不努力找到钥匙到前门,或选择洗衣机上的100个程序之一。无论您在日常生活中发现什么令人沮丧,这都可能是下一步需要UX设计师的地方!
-
5家初创公司打造人工智能芯片
当我们开始这个小众市场的时候,我们的第一个问的问题是:什么是人工智能芯片?最好的办法是先思考人工智能软件需要什么:很好的处理速度,以及高处理速度所需的大功率。然而,处理器的运行方法也很重要。这段从MITTechnologyReview引用的文字解释了为什么我们不能仅仅用高端的英特尔处理器芯片来实现人工智能:
-
为什么人工智能现在这么火?你知道原因吗?
旧金山:今年,人工智能进入了主流业务,至少,已经成为了一个市场度很高的卖点。周日,出售在线软件的公司Salesforce.com将人工智能加入到他们的产品中。他们的系统叫Einstein,据称可以给客户提供有关销售的数据分析,例如什么产品具有市场潜力,什么将会是下一个卖点。Saleforce此举抢占了先机。Oracle——世界上最大的软件业务公司,在周日晚上于旧金山开始了全球客户大会。大会最大的亮点是大数据的实时分析。Oracle称它为OracleA.I.另外,通用电气发布了叫做Predix的A.I.业务。IBM发布了Watson。这些大型科技公司和咨询公司的类似业务,背后都是数十亿的投资和多年的工作。人工智能在农业,制造业,航空和经济的几乎所有其他的部门都有涉及。这一切都非常令人兴奋,充满了无限可能。充满了伟大的口号。但是这些公司清楚这其中的价值吗,知道人工智能能给他们带来什么吗?“没有人知道真正的价值,”MarcBenioff,Salesforece的CEO说。“我认为我知道,它可以帮助人们做人类擅长的事情,解放劳动力。”Benioff并不是在推销自家产品,而是在讲人工智能的长期价值——一项全新的科技,大家都高看了它的能力,而且起步比较难。隐藏在其中的是深度学习和机器智能,人工智能只是基于一系列的统计数据,回顾过去,预测未来,通过目前顾客的选择分析出哪些更有价值。也许对于高级数据分析来说,“为什么是现在”这个问题比“价值在哪里”更好,因为它反映了机遇和挑战。今天的AI之热可以追溯到2006年亚马逊开始在网络上销售廉价的计算机芯片的时候。这些设备最后成为了亚马逊、Google、IBM等公司的公有云的基础单元。同年,Google和Yahoo发布了人类行为大数据的分析统计方法。2007年,苹果发布了第一代iPhone——能够收集庞大的数据。很快,被人忽视的人工智能实验被联系起来,很多资金和数据资源被拿来资助开发新的算法。十年过去了,计算机从未如此廉价,公司存活在线上,在手机app中,无处不在的传感器开始收集庞大的数据。Amazon,Google以及其他一些公司出售一些优秀的人工智能资源,但是很多老公司不想把数据交给他们,同时又害怕竞争对手占领先机。做第一个吃螃蟹的人,有时候是尝试新事物的强大动力。Salesforce出售的Einstein是一个智能预测系统,可以不看你的数据做出预测。Benioff称之为“民主化”,让非工程师创建出百万人工智能用户。他在全国参加了很多顾客小组会议,发现很多人都不明白他们的系统,虽然这些人愿意尝试。Accenture的项目经理MichaelBiltz说:“人们恐惧Google或Microsoft这些大公司控制一切,又渴望应用人工智能。人们将继续在这方面探索,难免要面对一些例如安全性和产品市场方面的痛点。”那么什么时候人工智能就算发展成熟了呢?一项科技消失的时候,也许就是它的成熟之时。比如,我们现在不会对房间里的电能感到惊讶,也不会对开车去上班感到惊奇。现在我们的手机有NASA级别的处理能力,可以用无人机和专业的摄像头来摄影。AI也许正朝着相同的方向发展,等到我们注意不到它,它却时时刻刻处理着大量的数据,影响着我们的生活的时候,就算成熟了。天知道那时候我们又热衷于什么新技术呢。
-
人工智能知人知面需知心,论人工智能技术在推荐系统中的应用
在电子商务、个性化阅读、社交网络(媒体)以及共享经济高速发展的今天,发现用户的需求、了解用户的行为并为用户筛选出最相关的信息和产品已经是互联网服务的一个核心环节。互联网上的信息是海量的:YouTube用户每分钟上传超过400小时的视频;微信上超过1000万个公众账号每天产生丰富的自媒体内容;Instagram用户每天贴出超过800万照片;Snapchat用户每天生成5亿多“故事”(Story),全部看完需要158年……类似的例子数不胜数。因此,在帮助用户寻找信息,帮助服务商寻找客户的环节,推荐系统扮演了举足轻重的地位。一方面,推荐系统从互联网应用的配角成为了诸如雅虎、LinkedIn和Netflix等大型网站的主角,为用户和系统交互提供各类个性化服务。时至今日,已经很难想象一个新的互联网应用没有利用推荐系统来优化用户体验。另一方面,从早期的协同过滤(CollaborativeFiltering)算法到由Netflix大赛所推动的隐语义模型(LatentFactorModels),再到更加复杂的深度学习模型,推荐系统的技术已经在过去十多年里有了长足的进步。推荐系统的最终目标也从准确预测用户的喜好,逐渐演变成在用户、模块以及系统中达到动态平衡,使得整个系统健康运行。本文尝试从历史的角度,剖析人工智能技术在推荐系统中的应用,探索前沿课题以及未来的发展方向,让读者能够了解到技术发展的宏观过程。“人工”和“非智能”时代在算法及模型在推荐系统领域占有统治地位之前,据有领域知识(DomainKnowledge)的专业编辑往往充当“人工推荐系统”的角色,主观选择并推送出用户可能喜欢的内容。“人工推荐”的好处在于能够高质量地定制内容。很多传统内容媒体(如《纽约时报》、《华尔街日报》)的核心竞争力就是依靠一批高水平编辑精心撰写和推荐内容,从而能够常年吸引了大批订户。今天,微信公众号所呈现出的自媒体现象,本质上也是“人工推荐”在移动互联网时期的再次蓬勃发展。后来,一些优秀推荐系统,比如雅虎首页的“今日模块”(TodayModule),将“人工”和“机器算法”相结合,在编辑们每天优选出一百篇左右高质量文章的基础上,由系统采用“联系上下文的多臂老虎机”(ContextualMulti-ArmedBandit)算法平衡Exploitation与Exploration,极大地提升了推荐效果。由此可见,“人工”和“机器算法”的协调使用常常能够弥补彼此的不足。实际上,早期的推荐系统更多依靠一些从直觉引导出的简单模型或者算法。比如基于信息检索(InformationRetrieval)的推荐思路,把用户信息当作是查询词组(Query),用各类信息来把待推荐物品(Item)表达成“文档”(Document)。于是,推荐最相关的一组物品的问题就被转换成了信息检索里的寻找最相关文档的问题。再比如,早期的协同过滤算法有两个核心思路。其一,就是为一个用户A找到一群类似的用户,从这些类似的用户里寻找可以推荐的物品;其二,就是两个用户都喜爱物品A,那么系统就把原本只有其中一个用户喜欢的物品B推荐给另一个用户。后面这个思路常常被称为Item-Item协同过滤,是非人工智能时代行之有效的推荐算法,也是亚马逊(Amazon)购物系统早期使用的经典算法。“人工”或“非智能”推荐的一些弊端让它们已不能适应现代互联网应用的需求。比如,这两种方案都很难明确“优化目标”。推荐的效果只能通过长期的经验获取而不能有一个系统的方法论来引导系统不断进步。其次,一个成熟的推荐系统需要考虑很多复杂的因素,如时间因素、突发事件因素或者新用户、新物品因素,而这两种方案都无法把诸多方面的因素系统性地糅合到推荐结果中去。因此,使用更加灵活的框架来解决推荐问题成为了很多工程师和研究者在21世纪最初几年的一大课题。机器学习时代2006年到2009年的NetflixPrize大赛在推荐系统的发展史上是一次里程碑式的事件。为了方便竞赛,Netflix把推荐电影的问题简化为预测电影评分的准确度,为方便应用人工智能技术提供了台阶。这次大赛至少为推荐系统的长远发展带来了三个成果。而这三个成果都与人工智能的子领域机器学习有着密切关系。第一个成果,就是以矩阵分解(MatrixFactorization)为基础的机器学习算法最后脱颖而出,赢得了冠军。矩阵分解的成功主要有三个方面的原因:第一,观测到的评分矩阵(RatingMatrix)过于稀疏,采取“降维表示”(DimensionReduction)能够有效地增强模型的“泛化能力”(Generalization);第二,把用户的评分分解成为用户偏好向量和物品偏好向量的点积,直观易懂;第三,分解的目标函数直接优化评分准确度,从而能够更好地利用大量数据,优化得到用户和物品偏好。在此基础上,矩阵分解框架也很容易加入各种建模元素,使得模型能够更加充分地表达数据。因此,矩阵分解以及其更广义的形式隐语义模型成为了此后多年推荐系统研究的有力武器。数年之间学术界和工业界产生了数百篇关于这个方向的研究成果,并且多个顶级学术会议的最佳论文都授予这类模型的相关应用。第二个成果,就是机器学习的另一个工具——集成学习(EnsembleLearning)被各参赛队伍广泛地应用于提高参赛成绩。集成学习的基本思路是学习多个不同的模型(或相同模型的不同参数),然后再学习另外一层模型来融合不同底层模型之间的预测结果。这个方法的流行使得参赛队伍在关注单个模型效果的同时,也开始探索如何能够更有效地利用优势互补的不同模型,从而达到整体更优。这一思路也在工业界推荐系统中得以发扬光大。比如,一些复杂的子系统往往只负责推荐结果的某一方面,而最后整体系统则由一个相对简单的模型来学习各个子系统之间的结果融合。较为典型的实际系统应用是Facebook对“新闻流”(NewsFeed)的建模:底层采用各个子系统所收集的信号,然后通过GradientBoostedDecisionTree(GBDT)学习高层次的特性,最后用简单的线性模型学习高层次特性的组合。总而言之,集成学习在Netflix大赛之后成为了机器学习在推荐领域乃至整个数据科学领域非常重要的工具。第三个成果,则是各类推荐系统大赛在Netflix大赛之后陆陆续续举办,进一步吸引各方研究人员投入到改进推荐系统算法和实践的工作中,甚至不久之后催生了专业的数据科学比赛公司Kaggle。而数据挖掘和机器学习类的顶级会议KDD在2011年和2012年连续两年举办的KDDCup比赛的主题均与推荐系统有关,这一举动把以推荐系统为背景的数据科学比赛推向了高潮。除了这三个成果以外,在这段时期,推荐系统的研究和开发还有三个趋势。第一,隐语义模型与复杂的概率图模型(ProbabilisticGraphicalModel)特别是话题模型(TopicModel)结合起来,能够把现实问题中的各类假设方便地设计到模型中去。这类模型的一大优势是既可以做评分预测,又可以同时对文本内容建模,使得通过内容来进行推荐的效果得到较大提升。此方向代表作有话题模型的领军人物、哥伦比亚大学统计学和计算机科学教授DavidBlei的学生ChongWang的KDD2011最佳论文。第二,推荐系统和信息检索特别是LearningToRank技术的结合,为直接优化返回结果列表而不是预测单个物品的评分提供了可能性。这方面的代表作有卡内基梅隆大学教授AlexSmola等人在NIPS2007年发表的CofiRank以及SteffenRendle在UAI2009年发表的BPR。第三,因为应用场景的需要,张量分解(TensorFactorization)、多矩阵协同分解(CollectiveMatrixFactorization)以及分解机(FactorizationMachine)等技术先后被开发出来。这类模型的特点是它们都尝试在一个通用的框架下把更多元化的信息融合进来,使得推荐结果能够基于除了评分以外更为广阔的数据。除此以外,推荐系统技术也与社交媒体、多媒体数据如图像、音频和视频结合,成为了互联网信息提供商的基础设施。准人工智能时代机器学习时代推荐系统研发的核心是如何提高针对单一问题的算法方案的准确度,而忽视了人机交互的时间性和系统性,从而很难对变幻莫测的用户行为以及瞬息万变的外部环境进行完整的建模。典型问题之一就是推荐系统容易产生千篇一律的结果。比如,一个用户喜欢娱乐新闻,于是推荐系统就反复推荐娱乐类文章;另一个用户平时不那么关注足球,在世界杯期间了解了一些比赛结果,系统就误以为这个用户喜欢足球,从而开始推荐类似信息。虽然不少学者和工程师都尝试在经典的框架下通过改进算法来规避这些因素以提高推荐结果的质量,但本质上,基于监督学习(SupervisedLearning)的大多数推荐模型都很难彻底解决这类问题。人工智能在推荐系统领域应用的重要任务,就是把推荐系统不再看作是一次一次推荐结果的运行片段,而当做是一个人机交互的整体行为,从而在时间维度上达到系统和用户的动态优化。在这方面探索的一个主要研究方向与Netflix大赛几乎同时期开始。当时在雅虎研究院工作的JohnLangford、LihongLi和DeepakAgarwal开始探索如何把人工智能技术的另一方向——强化学习(ReinforcementLearning)的一些算法应用到推荐系统的场景中来。强化学习和监督学习的最大区别在于,强化学习算法常常代表一个“回路系统”(FeedbackSystem),用户和系统通过交互来达到某个目标的最优化。系统和用户的交互流程,不再是“一锤子买卖”,而是在时间的维度上通过一系列结果,来达到一个系统与用户的动态平衡。前面提到的雅虎首页“今日模块”的推荐工作就较早采用了强化学习。最开始的模型是一个简单的“多臂老虎机”(Multi-armedBandit)算法Epsilon-Greedy,对于每个页面请求,系统以较大的概率选择当前点击率最高的文章显示给用户,而以较小的概率随机在一百多篇文章中选择一篇来显示。Epsilon-Greedy的优点是非常容易实现,也和很多在线系统的A/BTesting环境吻合,所以至今仍然是简单情况下做强化学习的首选。后来,Epsilon-Greedy被一类特定的“联系上下文的多臂老虎机”算法LinUCB所取代。LinUCB的基本思想是对每个文章的点击率的估计及其置信区间同时建模,然后每次选择点击率的估计值与其标准差的和最大的那个文章。于是LinUCB能够较好地平衡显示用户已经喜欢的某类文章和对其他没怎么看过的类别的文章,从而引导用户对未知类别的探索。在实际系统中,LinUCB比Epsilon-Greedy表现出了更加稳定的效果,之后成为雅虎诸多推荐系统中的基准系统(Baseline)。DeepakAgarwal从雅虎跳槽到LinkedIn之后则更进一步,使用基于贝叶斯方法(BayesianMethods)的汤姆森采样(ThompsonSampling)来估计点击率,替代了LinUCB的置信区间估计。这类算法的特点是随机性更强,参数估计更加稳定化,并且应用在LinkedIn的广告推荐中达到了更好的效果,为LinkedIn的广告系统提供了更加健康的环境。从雅虎新闻推荐到LinkedIn的首页信息流推荐,在物品集合不太多的情况下(在几百个物品这个范围内),“联系上下文的多臂老虎机”技术已经被证明对系统和用户的长期交互流程优化有显著效果。此后,在这方面的研究工作如雨后春笋般出现。然而,在更加复杂的线上大规模推荐系统实践中,“联系上下文的多臂老虎机”算法并没有受到垂青,很多产品并不愿意接受这类算法。原因是,这类算法在理论中有很美的证明和数学性质,但在现实操作中往往有不可逾越的产品体验障碍。比如,大多数此类算法因为在最开始的一段时间里并不熟悉和了解用户,于是算法会倾向于多Exploration一些物品从而达到了解用户的目的。因此,这段时期里,用户可能会面对不少没那么相关的物品。在学术论文的假设中,只要度过了这段时间,算法就能够比较好地学习到用户的偏好,提供更加“靠谱”的推荐结果。然而,这种假设场景在现实中是不成立的。新用户或者是黏性不高的用户,往往使用产品的频度并不高。这些用户在少有的几次使用中发现一些不那么相关的推荐结果后,很有可能会永久地放弃产品。而另一方面,高度黏性的用户才可能有容忍度看一些不那么相关的推荐结果。所以,从这个例子看来,现有的理论和算法与实际应用还有不小的距离,而“联系上下文的多臂老虎机”算法所带来的模型更新还远没有给推荐系统带来真正的“智能”。与强化学习类似的另一种思路则是从控制论或系统论的角度来看待推荐系统,为用户和系统的回馈闭合系统建模。UniversityCollegeLondon的TamasJambor等人于2012年的WWW会议上发表论文,率先阐述了如何设计PID控制器(原始思路来自控制论)来稳定推荐系统的运行使其能够保持推荐高质量内容。在此基础上,WeinanZhang等人在2016年的WSDM会议上把类似的思路扩展到了广告系统的实时竞价上,展示了相关算法的稳定性和优化性。尽管把控制论引入推荐系统研究是对把推荐系统看做是用户系统整体系统优化这一思想的进一步推动,且具有开创精神和建设性意义,然而这个思路在现代工业级推荐系统中还鲜有应用。不过,强化学习与控制论之间的内在逻辑联系,很可能会为下一个阶段这一方面的研究提供新的思路。所以,不管是强化学习还是控制论,从大背景来看,虽然利用人工智能技术改善推荐系统的研发和探索方兴未艾,但目前的主流算法和模型还远没有让推荐系统达到“自动驾驶汽车”或者“无人机”的“智能”程度。人工智能时代的前哨站从2006年开始的深度学习(DeepLearning)浪潮对整个人工智能领域产生了颠覆性影响,不少学者和公司也开始尝试采用深度学习模型解决传统模型很难甚至无法解决的问题。第一类探索包括利用深度学习模型替代传统模型在已知问题上提高推荐效果,如看能否利用深度学习的模型替代矩阵分解。比较新的代表工作有香港科技大学的HaoWang等人(论文发表在KDD2015)以及SimonFraserUniversity的YaoWu等人(论文发表在WSDM2016),都尝试扩展StackedDenoisingAuto-encoder来提高评分预测的精准度。更加简单的思路,则是利用深度学习技术来提取高层次(HighLevel)特征(Feature),然后和传统模型融合以提高推荐系统的整体性能。这一思路可以在短时期内不改变现有的推荐框架,又可以最大限度地利用深度学习技术现有的优势,所以很受工业界的青睐。比如很多公司(公开的有Google、LinkedIn、雅虎等)都开始利用神经语言模型(NeuralLanguageModel)来提取文字特性,从而能够更好地表达文字信息。再比如音频和视频推荐问题,因为近期深度学习在这些媒体上的成功应用,推荐比以前变得相对容易。典型应用就是YouTube采用深度学习来提取视频特征,有效地推荐用户喜爱的视频。总体说来,这类探索容易实现,可以视为机器学习时代的自然扩展。第二类尝试主要是利用深度学习技术探索以前不容易解决的一些问题。如著名的音乐播放平台Spotify利用递归神经网络(RecurrentNeuralNetwork)来预测下一首推荐的歌曲,取得了不错的在线效果。递归神经网络的特点是能够把长距离的依赖关系给很自然地表达在模型中,而传统基于矩阵分解的方法则比较难以抓住这样的特征。与此类似的场景是西班牙TelefonicaResearch学者在ICLR2016发表的论文,应用递归神经网络来对整个用户会话(Session)进行建模,从预测用户对单个物品的喜爱到预测用户在整个会话中的行为。所用方法在Netflix数据集上,推荐精度明显好过传统方法。另外,GoogleDeepMind组最近也开始把深度强化学习(DeepReinforcementLearning)的思想扩展到推荐系统领域。前文提到传统的“联系上下文的多臂老虎机”算法目前最好的应用场景还在于几百到几千这个数量级的物品池(ItemPool),对于大量的物品池还没有很好的解决方案。DeepMind最新发表的一篇技术报告尝试对非常大的离散选择空间(DiscreteActionSpaces)问题提出解决方案,成为解决这类问题的一个有意义的尝试。随着AlphaGo的成功,深度强化学习成为当下非常火热的研究方向。然而这个方向的算法离真正的生产应用还有不小的距离,主要的障碍在于强化学习在推荐系统中的一般应用还并没有完全普及,有产品和技术方面的鸿沟需要解决。总体来说,深度学习在推荐系统领域的应用依然在初级阶段。不管是算法还是解决问题的思路,均没有从根本上改变机器学习时代和准人工智能时代的推荐系统研发。真正的人工智能不仅需要更加灵活强大的模型,也需要科研人员对推荐系统的问题范畴有更进一步的思考,从更加准确预测用户的喜好,提升到如何优化用户、系统、市场(MarketPlace)的整体健康。比如,很多互联网应用,都在内容推荐的页面上插入很多广告内容。传统上这些子系统都是分开设计和实现的,它们之间的依赖关系很模糊,最后的用户体验也不稳定。如何在广告利润和整体用户体验之间平衡是很多推荐系统需要考虑的问题。另外,用户在一个应用中的整体体验是由一系列的行为组成的,在此之上,用户还有更高层次的需求。比如在一个电子商务网站上,用户除了希望快捷地买到合适的东西,可能还希望了解到时尚的信息,以及与有类似兴趣的朋友交流。优化单一目标的推荐系统是无法满足如此复杂的需求的。如何挖掘出用户的潜在需求,如何整体优化这些目标,是推荐系统迈向智能系统的一个重要步骤。结语人工智能技术对于推荐系统的影响是巨大的。从人工推荐到深度学习模型,在日新月异的技术浪潮中,推荐系统已经成为了诸多互联网应用的基石。过去十多年的研究和开发,使得这个领域迅猛发展,推动了人工智能很多方向的前进。从现实来看,推荐系统要成为智能系统,还有很长的路要走。我们需要站在更高的维度来看待和思考推荐系统,提出更加具有挑战的问题,基于这些问题才能引领我们去革新方法论,创新出一整套能够大幅度丰富用户体验与提高产品价值的推荐系统理论与实践。
-
对市场营销行业来说,人工智能是一场甘霖
人工智能成为本世纪最抢眼的技术,这种技术与市场营销相结合将碰撞出怎样的火花?本文作者SaneLebrun将为我们讲解新时期的营销者应当在哪些方面积极运用人工智能技术。自动驾驶汽车、智能无人机、机器人或其他更多:人工智能从互联网初始之时就被预计会成为数字领域中一场最大的革命。正如憎世者喜爱的那套说词,从斯坦利·库布里克(《2001太空漫游》导演)到斯蒂芬·霍金,许多人都已经警觉人工智能超越人类的危险性,因此AI也许也会是最后一场革命。而从市场营销的角度,人工智能更像是一个巨大的机遇,而不是一场阴霾。市场的未来将充斥着对人工智能的有效运用。这里是一些当前已经可以运用到的方法:1.在正确的时间促成一笔交易预测调度算法追踪工具已经变得越来越世故。这些工具能够追踪,从第一次访问开始,网站上访客的所有动作。但是对于营销者来说,切实地总结他们获得的现象型的大量数据成为了他们的挑战。“大数据”只在可能利用它进行切实的措施之时才能够发挥它的作用。这也就是AI存在的地方:它能够回顾过去的所有数据并且预测未来的趋势,或者预测未来顾客可能出现的行为。这就使得营销者确切地知道何时何地去投入时间与精力,以实现人生的最大价值化。目前,Agilone是最先进的结合精准追踪与提供反馈的平台。该公司帮助销售者利用其客户分析,提供切实可行的活动方案。Agilone在2016年9月进行最新更新,宣布实现了各渠道信息(数字渠道、实体渠道与移动渠道)的整合。这也意味着所有客户与品牌之间的所有交流与互动,无论发生在哪里,都能够得到发现与追踪。这种“全方位渠道”的途径是客户在所有渠道中能够被给予一个品牌的个性化体验的最好方法。最后,感谢机器学习的能力,算法才能在预测行为方面变得越来越好。营销者才能够在正确的时刻,提供给客户最有可能实现交易的确切的产品。这种供给与拓展能够随着自动化的发展自动实现。2.建立视觉识别个性化美学市场中现有的图片识别技术已经令用户惊叹不已:Snapchat中的面孔交换功能促进了这个软件的成功,即使其背后的技术仅限于基础的面部识别;Google可以自动把用户的照片和智能相册里的图片进行分类。它在营销方面的具体应用是怎样的呢?一个真实品牌形象的建立不仅只是一个logo就能做到的。保持公司形象的始终如一也是一项视觉挑战。大多数成功的品牌都对其视觉交流有清晰的参考标准,但是品牌经理可能会花费大量时间与精力去寻找这样一些符合这些标准的图片。照片管理可以解决这个问题,但其价格高昂且耗时长。在EyeEm,我们能够为这个过程提供自动化。基于选择出的一系列有代表性的照片,EyeEm视觉科技能够检索一个拥有超过8000万照片的目录并且找出一组符合预期视觉类型的照片。该技术目前已经成熟,像波士顿咨询集团这样的客户已经成功运用了个性化美学来搜寻照片。对这种技术是怎么实现的感到好奇吗?3.获取信息,做出决定虚拟助手聊天机器人通过经营一些与客户之间最基本的交流大力改革了用户支持。它们很快将可以协助你作为一个市场经理的日常工作。首要的应用在于信息搜索方面。Hubspot的首席技术官DharmeshShah为这种需求开发了一款机器人。GrowthBot专为营销人员设计,并且可以在Slack或Facebook的Messenger上回答它们的问题:客方面最热门的文章是什么?Hubspot用什么软件?上周的自然流量如何?在Slack上,你需要添加GrowthBot到你的#市场营销频道中,这样你团队中的任何成员都可以问他问题。它的能力仍然有限,但每周都在变得更加智能。最终,更智能的机器人将预先提供完整的报告,阅读大量的数据,并且给出应立即采取的相关措施。到那时谁还会需要一个人工业务分析师呢?4.完善社区管理自动化与机器人随着有机覆盖面的消亡,除非你定期将预算用于购买广告(例如在Facebook上的推广宣传贴),在社交网站上吸引关注者的注意变得越来越难。这将使得社交媒体管理的成本越来越昂贵,而收益能力却是不确定的。许多社交媒体经理已经开始使用像IFTT这样的自动化工具。在这种工具的帮助下,他们可以自动发布一些特定内容,比如,自动在所有社交页面上发布一个帖子。一些工具致力于服务特定平台。在Instagram平台上,Instagress就是一个可以全天候点赞、评论、关注与取关的机器人。它可以做到人类都不能做到的事,因此可以加快你的社交成长速度。未来,人工智能将可能找出对你的关注人群来说最有吸引力的内容并且自动重复发表这些内容,举行短期的小竞争并和你的用户进行互动。社交媒体必然将获得更多互动与交流。目前,该领域最著名的实验是微软公司的Tay机器人。目前至少能说,它的结果是好坏混杂的,但在一个可行的解决方案变得可能之前所需要的只是时间。这个表并不详尽,人工智能还存在于更多领域:从动态与个性化价格定位到广告目标投放甚至到语音识别。市场营销将会在人工智能之下实现一次颠覆。然而,我们没有理由感到恐惧,因为这种改变不会是像批评家们最初担心的那样。我们不是满含敌意的机构,而是可以创造分析大数据、向数据“学习”并且提供反馈的提供可用的解决方案的高级分析平台。积极快速地运用AI技术的公司在接下来的十年内将能够最好地实现快速增长、脱颖而出。最主要的挑战仍然将会是在合理利用那些新型AI技术引导的机遇的同时忠于人类目光,尊重实际。人工智能仅仅是一种可以增加想法、增强能力的奇妙工具,这就是最成功的活动背后还是有一位市场营销者存在的原因。
-
人工智能时代来了!赶紧来了解一下这些知识!
去年以来关于人工智能(AI)的讨论非常火热,最近读到一篇这个主题的文章觉得非常不错,翻译过来分享下。这不是一篇烧脑的关于人工智能技术文,而是一篇开阔的思辨性文章。下面是原文:是的,数百万低报酬、低技能的工作岗位将面临风险,但人工智能革命还是会带来很多好处的。1周二,白宫发布了一份关于人工智能与经济的令人寒心的报告。报告以如下推断开头:“可以预计机器将在越来越多的任务上达到甚至超越人类的表现。”,之后它警告了大量人工岗位的消失。然而,为了应对这种威胁,政府做出了一个可能听起来很荒谬的建议:我们必须加大对人工智能的投资。美国生产力和竞争优势的风险实在太高,以至我们不得不加倍投入。这个方法不仅有意义,而且是唯一有意义的方法。担忧数百万的工作职位,像小车或卡车司机,将会被自动驾驶革新,这是有道理的,但我们也有巨大的需求鸿沟需要机器学习来帮助填平。我们的医疗系统是有深度缺陷的,智能终端可以在更多的地方向更广的人群传播更实惠的、支付得起的更高质量医疗服务。我们的基础教育设施还不足以覆盖以让学生准备好面对阴然逼近的经济动荡。在这方面,人工智能系统可以切入到教师力量薄弱的地区。我们也可能通过开发更智能的基础设施来获得能源独立性,就像Google子公司DeepMind为其母公司的电力使用所做的事一样(译注:DeepMind利用人工智能技术使得Google数据中心制冷消耗的电力账单降低了40%)。这里面的机会实在大到不能忽视。更重要的是,我们必须超越这种狭隘的思考方式——受到人工智能威胁的工作岗位。因为今天的人工智能领导者(在Google这样的公司或其他地方)已经为一个更加雄心勃勃的愿景(曾经幻想的通用人工智能)奠定了基础。要探访人工智能降临的前沿阵地,那就去观察机器学习系统在狭窄的受限领域是如何完败人类的。今年,最瞩目的人工智能与人类的对决就来自Google。三月份,世界级围棋选手(李世乭九段)对决DeepMind的AlphaGo遭遇屈辱的惨败。DeepMind的研究人员还制作了一个可以针对视频读唇的系统,其精确度相对人类而言一骑绝尘。几周前,Google的计算机科学家和医学研究人员合作推出了一个算法,该算法可以像眼科医生一样通过眼睛图像检测发现糖尿病性视网膜病变。这是许多公司目前正在追逐的目标——通过自动分析医疗扫描来帮助医生——的一个早期步骤。也是在今年秋天,微软公布了一个可以转录人类语音的系统,相比专业的速记员它的准确度高的多。语音识别是Cortana(微软)、Alexa(亚马逊)和Siri(苹果)这些语音助手系统的基础,并且在这项任务中达到人类的表现水准已是数十年的目标。对于微软首席语音科学家黄学东(XDHuang)来说:“这本身就像一个梦,在三十年后变成了现实。”然而,人工智能在2016年碾压人类的一系列胜利仅仅是个开始。最新研究表明,我们很快将从这些“狭义”(受限于特定领域,应用范围相对窄)人工智能转变到“广义”(更丰富和复杂的应用领域)的人工智能。虽然离一个真正的通用人工智能至少还有几十年,但因为这些人工智能系统不断扩张的应用领域,社会仍将见证巨变。这就是为什么白宫(好吧,至少奥巴马还在位时)没有缩减投入人工智能的预算。我们正在发展一种强大的力量来彻底改变曾经我们创造的一切。忽略这种趋势,而非积极投身其中去理解、塑造和监控它,很可能是一个国家所能犯的最大错误。2之前提及的那些成功的人工智能产品选择的工具都是深度学习。人工智能技术的竞争进入白热化,它的特殊性体现了我们为什么处在通用人工智能的边缘。(译注:深度学习模拟的是人脑的思维过程,所以作者才特别提及它和过去方法相比的特殊性)虽然我们已经能够训练人工智能来完成任务数十年了,但是专家们不得不煞费苦心的为每一个应用手工打造许多定制组件。例如,在让人工智能识别图像中的物体这件事上,人类耗费了数年的工作积累,但在面对解析转录声音的问题时这些积累却毫无用处。换句话说,我们不得不预先咀嚼喂给人工智能的食物,一次,又一次,再一次。(译注:形象的形容过去训练人工智能的工作过程)过去四年的教训是,这类枯燥乏味的“预咀嚼”过程,从目前来看在很大程度上是不相关的。取而代之的是,本质上存在一个算法(包含很多微变量)可以直接从你喂给它的任意大小数据集开始,通过调整自身的结构来解决问题。结果带来的不仅是表现更好的系统,而且能更快的进行实验。“许许多多曾经让我们竭尽全力但却困顿不前的问题,如今,六个月内将迎刃而解。”Google副总裁与工程师FernandoPereira如是说。然而,与人类相仿的语音识别,唇读和图像标记质量一样令人印象深刻,深度学习是否是伟大而全能的人工智能的基石,这在目前并非显而易见。它稍微有点像你的孩子带回家的成绩单,其中涉及了像英语(母语课)、织袜子(手工课)、闪避球(体育课)和计算三角斜边(数学)的各类科目。你可能想知道这个聪明的孩子是否能够在这些领域之间建立联系,并成为一个批判性的思想家吗?那么,深度学习确定走在能够挑战真正人类智能的道路上吗?(译注:作者这段把人工智能比作小孩,其应用的各种领域就像孩子上学的各个科目)OpenAI联合创始人兼研究主管IlyaSutskever说:“我们目前所见的人工智能系统,之所以应用在非常窄的领域,是因为它们非常有用。良好的翻译是非常有用的,良好的癌症筛查是非常有用的,这正是人们所追求的。”但他补充说道:“尽管今天的人工智能系统看起来应用领域狭窄,但我们已经开始看到了通用智能的种子。原因是底层技术本质上是同一概念在不同应用领域上略有差异的反复重演。这些想法就像粘土一样可揉捏组合,你只需去混合和搭配它们就能工作起来。”通过揉捏组合今天这些狭窄领域的系统,我们将会登陆更宽广的明天——一种更明显的智能。3一个早期的诱人例子,更高级的智能看起来可能最终会出自Google的翻译研究。九月Google宣称,通过使用其神经机器翻译系统(GNMT:GoogleNeuralMachineTranslation,后文将使用这个英文简写),翻译的效果取得了巨大提升。Google的Pereira称:“翻译质量获得了飞跃,我从未想过会在此生的工作中得以见到。”(译注:Pereira就是前文提及的Google副总裁,另外,至少目前在中文翻译上貌似也还是不行,要不我也不用这么辛苦的手打翻译了,嘿嘿:-))他补充道:“曾经我们一直在稳步的前进,但现在这不再是稳步前进,而是突飞猛进。”。新的翻译系统在从一门语言到另一门语言之间逐步铺开,一些「谷歌人」决定更进一步。他们想知道是否可以构建一个单一的翻译系统来同时应对许多语言,并潜在的展现出人类智能的标志性能力——转移学习。转移学习是一种应用一种技能(比如,弹钢琴)来加速习得另一种技能(比如,指导学习管弦乐或另一种乐器)的能力。通晓音乐基础可以帮助一个钢琴家弹起尤克里里琴(一种四弦琴),这似乎是显然的,但对于语言的翻译而言却并非如此。在GNMT(Google神经机器翻译系统)中,一种深度学习系统必须吸收数百万从德语到英语的翻译,教会自己如何吃进“derroteHund”(这句是德语)并吐出「红狗」。一个孤立的系统独立学习如何在另一个方向上翻译,如从英语到德语。同样,从法语到英语,英语到法语,韩语到日语等等,每对语言都使用自己的独立系统,这就像翻译行为每次都被重新发明一样。为了支持100种语言之间的翻译,你最终可能得训练近10,000个独立的系统。这很费时。这些研究人员想知道是否他们可以针对多语言构建一个单一的模型,相对那些孤立的一次性系统保留自己的模型。首先,这样可能更有效率。而且把所有这些语言和词汇放在一个单一架构的内部相互碰撞,也许一些更有趣的事便会发生。他们从小处着手,用一个神经网络训练葡萄牙语和英语,以及英语和西班牙语。到目前为止还不错,这个单一的多语言系统做得很好,几乎和最先进的基于GNMT特定语言模型(从英语到西班牙或葡萄牙语)的翻译系统一样好。然后他们想知道,这个算法是否也可以用在西班牙和葡萄牙语之间的翻译?——即使它从未学习过任何一例从葡萄牙到西班牙语的翻译。正如他们在十一月份报道的,他们得到的结果是“符合预期且不错的质量”——还未到惊人的完美,但是对一个新手来说已不错了。然而当他们给机器喂了一小组从葡萄牙到西班牙语的句子对——一些数据开胃菜,系统突然就表现的和基于葡萄牙到西班牙特定语言模型的GNMT一样好了。而且它也适用于其他语言包。正如Google的作者们在论文中所写道的:“这是我们第一次认识到,真正的转移学习的一种形式体现在了机器翻译的工作中。”我们很容易忽略这里面的不同寻常之处。这个神经网络教会了自己使用间接信息这种非常原始的(相对人类)新技能。它几乎没有学习过从葡萄牙到西班牙语的翻译,然而现在它处理起这项工作时却非常得心应手。在系统深处的某些地方,系统作者似乎看到了一些词汇共同本质的迹象,这可是意义的要领所在。Google的Pereira这样解释道:“这个模型有一个共同层,用于从任意一门语言翻译到任意另一门语言。这个共同层代表了许多文本的含义,独立于语言,这可是我们从来没有见过的东西。”。当然,目前这个算法的推理能力还非常有限。它不知道企鹅是一种鸟,或者巴黎是在法国。但是它体现了一个即将到来的迹象:基于一套不完整的例子可以使认知产生飞跃的新兴智能。如果今天深度学习在你所在乎的某项技能上还没能击败你,别慌,等等,它终究会的。4训练一个系统来做许多事正是开发一个通用智能所需的,并且积极促进这个过程正是如今人工智能的热心拥趸们的核心关注点。本月早些时候OpenAI,ElonMusk(都认识吧,硅谷钢铁侠,特斯拉CEO)和SamAltman(YCombinator新任总裁)创造的研究联盟,发布了「宇宙」(Universe)——这是一个训练系统环境,它不仅仅完成单一任务,而是在不同活动之间跳跃转变,以让系统变得适应多样化的任务活动。正如OpenAI的另一位联合创始人Sustkever所说:“如果你期待看到我们所指的真正意义上的「智能」,它绝不仅仅解决一个问题,而是解决大量的问题。但是对于一个通用终端,到底什么才算是好且智能的?这些还不是那么完全明确的问题。”所以他和他的团队设计了「宇宙」这个系统来帮助其他人,将其作为度量通用人工智能终端解决问题能力的一种方式。系统里包含了上千的雅达利,Flash游戏和浏览器任务。如果你正在构建的人工智能想要在「宇宙」的训练场中输入任何东西,它会配备和人类操纵计算机同样的工具:一个观察动作的屏幕,以及一组虚拟键盘和鼠标。它的目的是让人工智能在一个「宇宙」环境——例如,游戏《银河飞将3》(WingCommanderIII)——中漫游学习,然后快速应用习得的经验加速在另一个环境——例如,另一个游戏《粘粘世界》(WorldofGoo)或者一些不同类型的东西,如WolframMathematica(Wolfram公司的一个现代技术计算系统)——的学习。一个成功的人工智能终端将会展示一些转移学习能力,并具有一定程度的敏捷性和推理能力。这个方法并非没有先例。在2013年,DeepMind公司透露了一个他们自己发现的单一深度学习算法,从七个雅达利游戏中挑了六个来进行“如何玩”的测试。在其中三个游戏里——Breakout(小时候玩过的打砖块游戏),Enduro(一个赛车游戏)和Pong(乒乓游戏)——该算法的表现超越了人类专家级玩家。而「宇宙」系统正是DeepMind成功案例的一个升级版本。随着「宇宙」的成长,人工智能受训者们可以开始学习无数有用的计算机相关技能。毕竟,它本质上是进入现代桌面电子处理工作世界的门户。「宇宙」环境的多样性甚至给了人工智能终端见识一些更广阔知识天地的可能,而在其他地方是很难收获这些知识的。从Flash和雅达利游戏的冠军到提升医疗服务质量的智能终端,这是一个鸿沟,但这是因为我们的人工智能系统还在幼儿园阶段。过去许多年,人工智能从未取得像今天这样的进步。现在它正走在通往一年级、中学以及最终的高级学位的道路上。是的,结果依然不确定。是的,这让我们害怕。但是如今我们有一个选择。我们可以尝试关闭这个我们既不能完全控制也不能预测的阴暗未来,并且冒着技术自发渗透和觉醒的风险,并引发大规模的替代潮。或者我们可以尝试积极的引导它走向社会效益的最大化,并鼓励促成我们想要看见的未来。在这一点上我站在白宫这边。一个深度学习推动的世界即将来临,我们也许可以赶紧跳进去。
-
什么是人工智能?人工智能能为我们带来什么
2016年3月,AlphaGo与李世石的一盘棋将人工智能带入了普通人的眼前,一时间人工智能大热,各个领域都在大谈人工智能.人工智能已经着实走进了我们的工作与生活中.北邮在线培训:虽然人工智能已汹涌而来,但是光知道人工智能这个名词还远远不够.你真的懂人工智能吗?人工智能是什么?人工智能在未来会为我们的生活带来怎样的改变?我们怎样拥抱人工智能?北邮在线培训了解这个时代,才能拥抱这个时代.虽然半个脚迈进了智能机器人的领域,但我对人工智能的了解也只是来自于ALphaGo的媒体报道而已,直到最近读了李开复老师的《人工智能:李开复谈AI如何重塑个人、商业与社会的未来图谱》,书中关于人工智能的介绍与展望,着实令人眼前一亮,解决了我关于人工智能的很多困惑,这绝对是一本很棒的关于人工智能的科普书籍,值得对人工智能感兴趣的小白一读,现用六千多字长文总结分享如下,希望我(http://www.cnitedu.cn)能够同样解决你关于人工智能的困惑一、人工智能是什么?1、目前存在的人工智能其实人工智能并不是什么触不可及的东西,包括苹果Siri、百度度秘、微软小冰等智能助理和智能聊天类应用以及美图秀秀的自动美化功能,都属于人工智能.甚至一些简单的,套路固定的资讯类新闻,也是由人工智能来完成的.当然,现在的主流搜索引擎以及翻译技术也都在尝试利用人工智能来为广大网友提供更为精准的搜索服务.至于以实物存在的人工智能,当属现在物流仓库的小黄机器人了.他们正代替人类完成繁重的商品摆放、整理,快速出库、入库等操作.但是需要注意的是,现在的人工智能,并没有发展到像《钢铁侠》里的管家一样的高智能化程度,今天的家庭机器人还远无法像大家奢望的那样,以人形外貌出现在主人面前.反倒越是追求与人长得一样,试图像人一样说话、做事的机器人项目,就越没有商业前景.这个道理很简单--机器人越像人,人类就越容易拿真人与"它"做比较.这时,技术的不足会暴露无遗,在"缺点放大镜"的作用下,这种机器人只会显得无比愚蠢和笨拙.真正容易打动家庭用户的是诸如亚马逊Echo这样的智能家电--功能相对简单,外形更像家电而不是机器人,智能功能只面向一两个有限但明确的使用场景.也就是说,大多数用户会更喜欢一个有一定沟通能力、比较可爱甚至很"萌"的小家电,而不是一个处处缺陷的全功能人形机器人.2、人工智能的三个级别1)弱人工智能也称限制领域人工智能(NarrowAI)或应用型人工智能(AppliedAI),指的是专注于且只能解决特定领域问题的人工智能.毫无疑问,今天我们看到的所有人工智能算法和应用都属于弱人工智能的范畴.AlphaGo其实也是一个弱人工智能.人们更愿意将弱人工智能看成是人类的工具,而不会将弱人工智能视为威胁.2)强人工智能强人工智能又称通用人工智能或完全人工智能,指的是可以胜任人类所有工作的人工智能.一般认为,一个可以称得上强人工智能的程序,大概需要具备以下几方面的能力:3)超人工智能假设计算机程序通过不断发展,可以比世界上最聪明、最有天赋的人类还聪明,那么由此产生的人工智能系统就可以被称为超人工智能.超人工智能的定义最为模糊,因为没人知道,超越人类最高水平的智慧到底会表现为何种能力.如果说对于强人工智能,我们还存在从技术角度进行探讨的可能性的话,那么,对于超人工智能,今天的人类大多就只能从哲学或科幻的角度加以解析了.当然,如果人工智能发展到这种程度,确实有必要担心来自于人工智能的威胁.但是,我们今天还没有到必须分配精力去为可能的机器威胁做准备的地步.即便以今天的标准看来,弱人工智能的发展还有很长的一段路要走,科研人员、技术人员、各行业的从业者、政府、教育机构、社会组织等,还有大量的工作需要做.至少在目前,人类离超人工智能的威胁还相当遥远.二、人工智能的主要技术:深度学习+大数据近年来人工智能包括语音识别和机器视觉取得了巨大突破的主要原因就是:深度学习1、什么是深度学习其实计算机深度学习的方式与小孩认字的过程相似.一个小孩要想认识一个字,必然要反复看这个字的多个写法,直到形成一个整体的印象,看的多了,下次见到这个字自然就认识了.要教计算机认字,差不多也是同样的道理.计算机也要先把每一个字的图案反复看很多很多遍,然后,在计算机的大脑(处理器加上存储器)里,总结出一个规律来,以后计算机再看到类似的图案,只要符合之前总结的规律,计算机就能知道这图案到底是什么字.用专业的术语来说,计算机用来学习的、反复看的图片叫"训练数据集";"训练数据集"中,一类数据区别于另一类数据的不同方面的属性或特质,叫作"特征";计算机在"大脑"中总结规律的过程,叫"建模";计算机在"大脑"中总结出的规律,就是我们常说的"模型";而计算机通过反复看图,总结出规律,然后学会认字的过程,就叫"机器学习".那计算机是怎么总结出规律来的呢?依旧拿认字来说,传统的机器学习会通过算法告诉计算机识别不同字的规律,比如:只需要认识一,二,三时,只需要告诉机器一笔是一,二笔是二,三笔是三.这样做的很大一个缺点就是:如果增加字的种类,就不凑效了.比如增加一个"土"字,机器就没有办法区别"三"和"土".这样势必要引入其他判定条件.自然界的很多事物是可以划分为无限的,即使科学家想了很多映射函数,但是这种有限的规律本质上就很难适应无限的自然.那怎么解决呢?深度学习出场了!简单地说,深度学习就是把计算机要学习的东西看成一大堆数据,把这些数据丢进一个复杂的、包含多个层级的数据处理网络(深度神经网络),然后检查经过这个网络处理得到的结果数据是不是符合要求--如果符合,就保留这个网络作为目标模型,如果不符合,就一次次地、锲而不舍地调整网络的参数设置,直到输出满足要求为止.这就好比输入一股水流,计算机只要调节中间层层阀门,如果可以在预期的管道出口看到水流,那么就说明这个管道符合要求.而我们要做的,只是告诉计算机输入和预期的结果,让他自己找规律.当然,新的输入进入时,我们也要保证已经调节好的管道不变化.也就是说,深度学习算法是有计算机自己凑出来的模型.这样反倒更加实用.更能够从本质上解决问题.2、深度学习的两个前提条件--强大的运算能力和高质量的大数据当然,搭建好的"管道"只有通过各种类型"水流"的检验,才能变得越来越接近真实的世界,值得一提的是,大数据正是为这些"管道"提供了源源不断的"水流".深度学习、大规模计算、大数据都是在2010年前后逐渐步入成熟的它们三位一体,神兵出世,一下子就可以摧城拔寨、无坚不摧.当然,在大数据发挥作用的同时,人工智能研发者也一定不要忘了,大数据的应用必然带来个人隐私保护方面的挑战.为了给你推送精准的广告信息,就要收集你的购买习惯、个人喜好等数据,这些数据中往往包含了许多个人隐私;为了获得以人类基因为基础的医疗大数据来改进疾病的诊疗,就要通过某种渠道收集尽可能多的人类基因样本,而这些数据一旦保管不善,就可能为提供基因样本的个人带来巨大风险;为了建立智能城市,就要监控和收集每个人、每辆车的出行信息,而这些信息一旦被坏人掌握,往往就会成为案犯最好的情报来源……三、人工智能用在哪?1、自动驾驶:最大的应用场景自动驾驶是现在逐渐发展成熟的一项智能应用.可以想象,自动驾驶一旦实现,可以带来如下改变:1)完全意义上的共享汽车成为可能.大多数汽车可以用共享经济的模式,随叫随到.因为不需要司机,这些车辆可以保证24小时待命,可以在任何时间、任何地点提供高质量的租用服务.这样一来,整个城市的交通情况会发生翻天覆地的变化.因为智能调度算法的帮助,共享汽车的使用率会接近100%,城市里需要的汽车总量则会大幅减少.需要停放的共享汽车数量不多,只需要占用城市里有限的几个公共停车场的空间就足够了.停车难、大堵车等现象会因为自动驾驶共享汽车的出现而得到真正解决.那个时候,私家车只用于满足个人追求驾驶乐趣的需要,就像今天人们会到郊区骑自行车锻炼身体一样.2)汽车本身的形态也会发生根本性的变化.一辆不需要方向盘、不需要司机的汽车,可以被设计成前所未有的样子.比如,因为大部分出行都是一两个人,共享的自动驾驶汽车完全可以设计成比现在汽车小很多,仅供一两个人乘坐的舒适"座舱",这可以节省大量道路空间.而且一辆汽车在路面上可以通过自己的传感器发现另一辆汽车的故障,及时通知另一辆汽车停车检修.3)未来的道路发生变化.它们也会按照自动驾驶汽车的要求来重新设计,专用于自动驾驶的车道可以变得更窄,交通信号可以更容易被自动驾驶汽车识别.道路上,汽车和汽车之间可以通过"车联网"连接起来,完成许多有人驾驶不可能完成的工作.比如,许多部自动驾驶汽车可以在道路上排列成间距极小的密集编队,同时保持高速行进,统一对路面环境进行侦测和处理,而不用担心追尾的风险.自动驾驶将是中国未来10年科技发展面临的最重要的机遇之一.中国有全球最大的交通路网、最大的人口基数,自动驾驶的大规模商业化和技术普及反过来会促进自动驾驶相关科研的飞跃式发展.这种从科研到应用,从应用再反馈到科研的良性循环,正是中国能否在未来10年内,建立起世界先进水平的人工智能科技体系的关键.但值得注意的是:一旦自动驾驶汽车达到了足够高的水平,车内乘客就会想当然地将所有操控权交给汽车.无论这时候自动驾驶汽车的软件是否还有风险,无论路面上那些极端的路况是不是能被自动驾驶汽车正确处理,车主都不会保持100%的高度警觉.未来汽车,拥有多种可能2、智慧生活目前的机器翻译水平,大概相当于一个刚学某种外语两三年的中学生做出的翻译作业.对于多数非专业类的普通文本内容,机器翻译的结果已经可以做到基本表达原文语意,不影响理解与沟通.但假以时日,不断提高翻译准确度的人工智能系统,极有可能像下围棋的AlphaGo那样悄然越过了业余译员和职业译员之间的技术鸿沟,一跃而成为翻译大师.那时候,不只是手机会和人智能对话,我们每个家庭里的每一件家用电器,都会拥有足够强大的对话功能,为我们提供方便的服务.其实,如果回到10年以前,2007年苹果才刚刚发布第一代iPhone手机,那时谁会想到只用了10年的时间,智能手机就无处不在了呢?类似地,从现在算起,再过10年,大家可以看看我们的生活细节发生了哪些变化.今天的我们绝对没法准确预测,未来10年中人工智能可以给我们的生活带来多么巨大的改变.3、智慧医疗:AI将成为医生的好帮手大数据和基于大数据的人工智能,为医生辅助诊断疾病提供了最好的支持.事实证明,就在今年2月,经过深度学习的神经网络在诊断某些皮肤病方面的表现比大部分医生还要好.在AI的帮助下,我们看到的不会是医生失业,而是同样数量的医生可以服务几倍、数十倍甚至更多的人群.医疗资源分布不均衡的地区,会因为AI的引入,让绝大多数病人享受到一流的医疗服务.四、人工智能做不到什么?1、跨领域推理人类强大的跨领域联想、类比能力是跨领域推理的基础.侦探小说中的福尔摩斯可以从嫌疑人的一顶帽子中遗留的发屑、沾染的灰尘,推理出嫌疑人的生活习惯,甚至家庭、婚姻状况,但现在的人工智能显然办不到.2、抽象能力目前的深度学习技术,几乎都需要大量训练样本来让计算机完成学习过程.可人类,哪怕是小孩子要学习一个新知识时,通常只要两三个样本就可以了.这其中最重要的差别,也许就是抽象能力的不同.比如,一个小孩子看到第一辆汽车时,他的大脑中就会像《头脑特工队》的抽象工厂一样,将汽车抽象为一个盒子装在四个轮子上的组合,并将这个抽象后的构型印在脑子里.下次再看到外观差别很大的汽车时,小孩子仍可以毫不费力地认出那是一辆汽车.计算机就很难做到这一点,或者说,我们目前还不知道怎么教计算机做到这一点.人工智能界,少样本学习、无监督学习方向的科研工作,目前的进展还很有限.但是,不突破少样本、无监督的学习,我们也许就永远无法实现人类水平的人工智能.3、知其然,也知其所以然拿谷歌的AlphaGo来说,它在下围棋时,追求的是每下一步后,自己的胜率(赢面)超过50%,这样就可以确保最终赢棋.但具体到每一步,为什么这样下胜率就更大,那样下胜率就较小,即便是开发AlphaGo程序的人,也只能给大家端出一大堆数据,告诉大家,看,这些数据就是计算机训练得到的结果,在当前局面下,走这里比走那里的胜率高百分之多少……人类基于实验和科学观测结果建立与发展物理学的历程,是"知其然,也知其所以然"的最好体现.想一想中学时学过的"一轻一重两个铁球同时落地",如果人类仅满足于知道不同重量的物体下落时加速度相同这一表面现象,那当然可以解决生活、工作中的实际问题,但无法建立起伟大、瑰丽的物理学大厦.只有从建立物体的运动定律开始,用数学公式表述力和质量、加速度之间的关系,到建立万有引力定律,将质量、万有引力常数、距离关联在一起,至此,我们的物理学才能比较完美地解释两个铁球同时落地这个再简单不过的现象.4、常识即使两岁孩童也能理解直观的物理过程,比如丢出的物体会下落.人类并不需要有意识地知道任何物理学就能预测这些物理过程.但机器做不到这一点.常识可以给人类带来直截了当的好处.比如,人人都知道两点之间直线最短,走路的时候为了省力气,能走直线是绝不会走弯路的.人们不用去学欧氏几何中的那条着名公理,也能在走路时达到省力效果.但同样的常识也会给人们带来困扰.比如我们乘飞机从北京飞往美国西海岸时,很多人都会盯着机舱内导航地图上的航迹不解地说,为什么要向北飞到北冰洋附近绕那么大个弯子呀."两点之间直线最短"在地球表面,会变成"通过两点间的大圆弧最短",而这一变化,并不在那些不熟悉航空、航海的人的常识范围之内.那么,人工智能是不是也能像人类一样,不需要特别学习,就可以具备一些有关世界规律的基本知识,掌握一些不需要复杂思考就特别有效的逻辑规律,并在需要时快速应用呢?拿自动驾驶来说,计算机是靠学习已知路况积累经验的.当自动驾驶汽车遇到特别棘手、从来没见过的危险时,计算机能不能正确处理呢?也许,这时就需要一些类似常识的东西,比如设计出某种方法,让计算机知道,在危险来临时首先要确保乘车人与行人的安全,路况过于极端时可安全减速并靠边停车,等等.虽然下围棋的AlphaGo里也有些可被称作常识的东西,比如,一块棋搭不出两个眼就是死棋,这个常识永远是AlphaGo需要优先考虑的东西.当然,无论是自动驾驶汽车,还是下围棋的AlphaGo,这里说的常识,更多的还只是一些预设规则,远未如人类所理解的"常识"那么丰富.5、自我意识6、审美和情感虽然机器已经可以仿照人类的绘画、诗歌、音乐等艺术风格,照猫画虎般地创作出电脑艺术作品来,但机器并不真正懂得什么是美.同样,每个人都因为情感的存在,而变得独特和有存在感.情感是人类之所以为人类的感性基础,但是显然这种能力机器无法习得.五、人工智能来了,我们该怎么办?1、人工智能会让人类大量失业吗?可以肯定的是,每一次变革,都会让人类产生大幅度的进步.当然,从短期看,这种转变会带来一定程度的阵痛,我们也许很难避免某些行业、某些地区出现局部的失业现象.特别是在一个适应人工智能时代的社会保障和教育体系建立之前,这一阵痛在所难免.但从长远来看,这种工作转变绝不是一种以大规模失业为标志的灾难性事件,而是人类社会结构、经济秩序的重新调整,在调整基础上,人类工作会大量转变为新的工作类型,从而为生产力的进一步解放,人类生活的进一步提升,打下更好的基础.2、我们该如何适应AI时代既然人工智能的趋势势不可挡,那我们要做的,并不是心理上抵制其的到来,视其如洪水猛兽.相反,不断提高自己,善于利用人类的特长,并善于借助机器的能力,并学会人--机协作的能力,才是未来社会里各领域人才的必备特质.机器可以快速完成数学运算,可以下出极高水准的围棋,可以独立完成量化交易,甚至可以从事一些最初级的诗歌、绘画等艺术创作.但人类总是可以借助机器这个工具来提高自己,让自己的大脑在更高层次上完成机器无法完成的复杂推理、复杂决策以及复杂的情感活动.借助车轮和风帆,人类在数百年前就周游了整个地球;借助火箭发动机,人类在数十年前就登临月球;借助计算机和互联网,人类创造了浩瀚缤纷的虚拟世界;借助AI,人类也必将设计出一个全新的科技与社会蓝图,为每个有情感、有思想的普通人提供最大的满足感与成就感.六、关于人工智能,我的一些思考其实每一次人工智能技术的本质突破,公众在短暂的震惊甚至恐慌之后,计算机是否具有智能的判定标准会不断被拔高.从会下跳棋就算智能,到会下象棋才算智能,再到会下围棋才算智能……今天我们管AlphaGo叫人工智能了,3年之后呢?5年之后呢?如果说前几年来人工智能热潮是学术研究主导的,而这次人工智能热潮是现实商业需求主导的.前几年人工智能热潮多是市场宣传层面的,而这次人工智能热潮是商业模式层面的.·前几年人工智能热潮多是学术界在劝说、游说政府和投资人投钱,而这次人工智能热潮多是投资人主动向热点领域的学术项目和创业项目投钱.·前几年人工智能热潮更多是提出问题,而这次人工智能热潮更多是解决问题.总之,人工智能和其带来的一场大变革浪潮,是真的来了.我们要做的,只是守在海边,每天打磨冲浪的本领,时刻准备着拥抱,而不是被冲死在沙滩上.。
-
内行低估了人工智能 外行高估了人工智能
今天人工智能如火如荼,新产品要是没有跟人工智能沾上一点关系,就好像落伍了。难怪有人说:“今天的人工智能项目当中,存在大量的“伪人工智能”,比例可能高达90%,或者99%!”人工智能好像是一夜之间冒出来的。智能机器人、智能炒股、智能服务员等一些装上简单预设程序的智能设备、软件,被披上人工智能马甲,马上就高大上起来,成了“吸睛”“吸资”的噱头。谁让人工智能风头正劲呢。大量天使资金的涌入,人工智能产业前景的一片叫好,利好政策的不断出台,让人工智能产业迎来爆发式增长。除了真正的科技巨头,跟风的创业公司都想趁机捞一笔,没有技术就做表面功夫,引起话题,吸引资金。就拿人工智能炒股软件来说。目前市场中出现的一些人工智能炒股软件,其实还只是用一种统计、量化的方法来做选股。听起来很神,但效果还要待时间检验。据厦门中小企业平台了解,此前《证券时报》报道过一个利用人工智能炒股的交易员,这位交易员还曾出过书,但当媒体再联系他时,他已经破产了。除了那些以人工智能为噱头的炒股软件,也有真正的人工智能炒股软件。2017年10月,美国出现炒股“阿尔法狗”—全球第一只应用人工智能进行投资的ETF基金AIEQ。每天24小时不停工作,持续不断地分析6000只美国挂牌股票,分析上百万条相关的公告文件、财报、新闻以及社群文章,利用量化择时、量化选股、因子分析、事件驱动等N种量化模型选股,并且不断地深度学习。虽然开始阶段处于亏损状态,但是不久便扭亏为盈。截至美国时间2018年3月16日,AIEQ上涨8.32%。在此期间纳斯达克指数上涨12.9%,虽然没有跑赢市场,但是只经过短短几个月,就有如此成绩,发展潜力巨大。而且随着人工智能数据处理越多,选股正确率越高。人工智能技术门槛高、投入时间长,现在人工智能的产业应用还很弱小,还有漫长且艰难的路要走。如果内行只顾推概念,搞噱头,造成虚假繁荣,势必产生市场泡沫。正如“内行低估了人工智能,外行高估了人工智能”。
-
人工智能时代已到来,人工智能上升为国家战略!
3月5日,国务院总理李克强作政府工作报告时提出,2018年要加强新一代人工智能研发应用。人工智能连续两次被写进政府工作报告,人工智能时代已来。2018年互联网高校招聘已经陆续展开,AI应届毕业生年薪就有30万元,人工智能成热门,10个岗位缺9人,前往现场应聘的AI人才寥寥无几,2017年中国AI技术类工程师的招聘量是2014年的8.8倍。据《全球AI领域人才报告》显示,截至2017年一季度,基于领英平台的全球AI(人工智能)领域技术人才数量为190万+,其中美国相关人才总数为85万+,高居榜首,而中国的相关人才总数只有5万+,位居全球第七。据美国《华尔街日报》网站3月2日报道,2018年1月发布的AI相关招聘信息占比升至31.6%,其中机器学习工程师和计算机视觉工程师类职位最多,2017年1月的这一数字为20.1%。在全球范围内,设立AI专业系统化进行人才培训的院校并不多。在十年、二十年前,人工智能甚至是很相当冷门的专业。即使有人学AI的细分方向,毕业后也大多选择了转行。而今年开学前夕,教育部印发了《普通高中课程方案和语文等学科课程标准(2017年版)》(以下简称“新课标”),将人工智能正式划入新课标,同时在教学提示中指出,教师可将早期的专家系统及百度大脑等作为案例,向学生展示或剖析典型的智能系统。这意味着,从今年下半年开始,高中生们就可以在课堂上学习到人工智能的相关知识,并通过百度大脑等案例,对人工智能技术有比较直观的了解。从企业历史统计来看,美国人工智能企业的发展早于中国5年。美国最早从1991年萌芽;1998进入发展期;2005后开始高速成长期;2013后发展趋稳。中国AI企业诞生于1996年,2003年产业进入发展期。在2015年达到峰值后进入平稳期。美国积60余年之功,全面领先全球,其他国家的AI创新尚处于萌芽阶段。美国AI产业布局全面领先,在基础层、技术层和应用层,尤其是在算法、芯片和数据等产业核心领域,积累了强大的技术创新优势,各层级企业数量全面领先中国。美国产业人才总量约是中国的两倍。美国1078家人工智能企业约有78000名员工,中国592家公司中约有39000位员工,约为美国的50%。自1999年美国第一笔人工智能风险投资出现以后,全球AI加速发展,在18年内,投资到人工智能领域风险资金累计1914亿元。截止至目前,美国达到978亿元,在融资金额上领先中国54.01%,占据全球总融资50.10%;中国仅次于美国,635亿,占据全球33.18%;其他国家合计占15.73%。美国融资可能在2020年前突破2000亿。预计在2020年之前,美国累计AI公司数量将会超过1200家,累计融资将达到惊人的2000亿人民币。美国人工智能在全球处于领先水平,因此,前往美国攻读人工智能是一个绝佳的选择,可是,究竟哪所美国大学人工智能专业最强呢?1、麻省理工学院(MassachusettsInstituteofTechnology,简称MIT)是美国一所研究型私立大学,无论是在美国还是全世界都有非常重要的影响力,培养了众多对世界产生影响的人士,是全球高科技和高等研究的先驱领导大学。麻省理工学院的自然及工程科学在世界上享有极佳的盛誉,其管理学、经济学、哲学、政治学、语言学也同样优秀。另外,麻省理工研发高科技武器和美国最高机密的林肯实验室、领先世界一流的计算机科学及人工智能实验室、世界尖端的媒体实验室、和培养了许多全球顶尖首席执行官,斯隆管理学院也都是麻省理工赫赫有名的宝贵资产。要求:3封推荐信;不需要GRE成绩;托福600/250,iBT计算机专业78,电子工程66;建议学生使用系里单独的在线申请。2、斯坦福大学斯坦福大学(LelandStanfordJuniorUniversity),计算机科学专业属于全美TOP3,斯坦福大学计算机科学系成立于1965年,在计算机理论、硬件、软件、数据库和人工智能等各个领域都居于美国乃至世界领先地位。在全球知名的IT公司中,由四位Stanford校友所创立的SUN公司名称实际上就是StanfordUniversityNetwork的首字母缩写,而Yahoo公司的创始人杨致远也曾在Stanford大学就读。从某种意义上来说,离开了Stanford大学的支撑,美国计算机业界的天堂硅谷也未必会成为今日的硅谷。要求:GRE成绩,申请博士课程建议有GRE计算机专科考试;不要求本科为计算机,但要有足够的数学、逻辑分析能力;3封推荐信;托福成绩。3、卡内基梅隆大学卡内基梅隆大学(CarnegieMellonUniversity简称CMU)是一所享誉世界的私立顶级研究型大学,该校拥有全美顶级计算机学院和戏剧学院,该校的艺术学院,商学院,工学院以及公共管理学院也都在全美名列前茅。卡内基梅隆大学计算机专业是与麻省理工学院和斯坦福大学并列全美榜首,其中软件工程专业更是十分优秀。卡内基梅隆大学计算机科学学院异常庞大,专业设置异常众多,是全美第一个计算机系。卡内基梅隆大学是NASA航空航天科研任务的主要承制单位之一,该校的机器人研究所从事过自动驶车、月球探测步行机器人,单轮陀螺式滚动探测机器人的研究。美国国防高级研究计划局已经与卡内基梅隆大学国家机器人工程协会和波音公司签订合同,制造和测试无人地面战车(UGCV)样车。这将是人类首次尝试生产在所有地形条件下都能够正常工作的无人地面战车。同时它对空间机器人的研究有很长的历史。卡内基梅隆大学为五角大楼研制的“角斗士”战斗机器人在对抗测试中大获全胜,挑战打造“未来美军”的技术难关。同时,卡内基梅隆大学也是世界上规模最大、参与人数最多的机器人足球比赛“RoboCup机器人足球世界杯”的主要赞助之一,被公认为是将机器人应用于教育的先驱者。要求:GRE成绩,建议有专科成绩;托福250,雅思7.0;简历;3封推荐信。4、加州大学伯克利分校加利福尼亚大学伯克利分校(UniversityofCalifornia-Berkeley,简称UCB)是一所美国公立研究型大学,也是世界上最负盛名且是最顶尖的公立大学,也是美国大学协会(AssociationofAmericanUniversities)创始会员之一。加州大学伯克利分校与斯坦福大学、麻省理工学院等一同被誉为美国工程科技界的学术领袖,其常年位居泰晤士报全球大学排行前十名。伯克利在世界范围内拥有崇高的学术声誉,在其所拥有的100多个子学科里,有众多世界级的学术大师。曾在伯克利工作和学习的诺贝尔奖得主不少于69位(诺奖数量世界第六),其中包括25位校友。15位图灵奖(相当于计算机界的诺贝尔奖)得主位居世界第一,7位菲尔兹奖(相当于数学界的诺贝尔奖)得主与普林斯顿大学并驾齐驱。要求:GPA3.0,如学校不使用4.0制,不需要折算;3封推荐信;托福570/230/68,或雅思7.0;GRE成绩。5、华盛顿大学华盛顿大学UniversityofWashington(Seattle),是世界一流大学,美国大学综合排名第52位,世界大学综合排名第16位。UW由于位于华盛顿州而被称为华盛顿大学。华盛顿大学于1950年加入美国大学协会(AAU),昵称为‘哈士奇’。西雅图华盛顿大学是美国西海岸甚至整个西北地区最好的大学,也是一所享有国际声誉的顶级大学,同斯坦福大学、加州大学伯克利分校等共属太平洋十二校联盟。它和加州大学伯克利分校以及密歇根大学一起成为了最盛产诺贝尔奖的公立大学。华盛顿大学西雅图分校孕育出众多改变人类进程的重大发明,培养了无数政治精英、商业巨头和科学巨人。发明设计出世界第一大公司的美国苹果计算机,驾驶飞行器在人类历史上第一个突破音速,培养出世界半导体工业先驱,领导了世界第三次工业浪潮,创立了改变人类进程的美国硅谷等等。要求:GPA平均3.7;06年入学GRE平均623+790+5.15(排名82%+89%+73%),计算机专科考试821(83%),不要求有专科成绩;GPA最低3.0;建议有相关学术背景;3封推荐信;托福iBT100(口语28),笔考、CBT600/250,必须同时提交TSE,最低55.6、德克萨斯大学奥斯汀分校德克萨斯州大学奥斯汀分校(UniversityofTexasatAustin简称UTAustin),是德克萨斯州大学系统中的主校区,也是德克萨斯州境内最顶尖的高等学府之一。要求:博士课程:近期GRE平均V644+Q787+A5.0,计算机专科823;托福平均651/280;GPA平均:3.9.硕士课程:近期GRE平均V639+Q781+A5.2,计算机专科757;托福平均654/280;GPA平均:3.68.建议有专科GRE;托福最低要求550/213;3封推荐信;需要计算机背景或学习过相关课程,计算机工作经验不可代替专业背景。7、宾夕法尼亚大学宾夕法尼亚大学(UniversityofPennsylvania简称UPenn),是美国一所著名的私立研究型大学,八所常青藤盟校之一,是美国第四古老的高等教育机构,以及美国第一所现代意义上的大学。工程与应用科学学院从富兰克林时代起,宾大就从未放弃过探寻新技术以造福人类的努力,工程学院正是这种精神的产物,并使之成为全美最好的工程学院之一。学院除开设工程学学士学位课程外,还开设工程学硕士和哲学博士学位课程。要求:需要计算机学术背景;GRE成绩;托福600/250/100;3封推荐信。8、伊利诺伊大学大学厄本那香槟分校伊利诺伊大学厄巴纳-香槟分校(UniversityofIllinoisatUrbana-Champaign,缩写为UIUC),是一所享有世界声望的一流研究型大学。该大学从美国国家科学基金会(NSF)获得研究经费量年年在全美名列第一。位於该大学的美国国家超级计算应用中心(NCSA)在高性能计算、网路和资讯技术的研究和部署领域,一直处于世界领先的地位。大学不仅设有逾80个研究中心、实验室及研究所,而且教员多是国家级学术机构的杰出会员,这些国家级学术机构包括美国国家科学院、美国国家工程学院、美国人文与科学院等等。要求:GRE成绩,博士申请人建议有计算机专科成绩;托福600/250/100,610/253/102以下的学生可能需要ESL课程的学习;需要TSE成绩,申请助教TSE50/60;GPA3.0,近年入学平均3.7;3封推荐信。9、马里兰大学帕克分校马里兰大学是美国东岸唯一一所计算机科学、数学、物理学及工程学专业均排名全美前25名的公立研究型大学。马里兰大学校园环境优美,建筑基本为砖木结构,教学楼建筑多为红色,使得整个校园浑然一体。校园靠近CollegePark市区中心,基本为大学城结构。市区中心的各式餐厅是马里兰大学学生们除了学校食堂之外的上佳选择。要求:GRE成绩,建议有专科成绩;托福575/233(单项不低于50)/84(写作25),或雅思6.5(单项6),达不到在入学时会要求参加英语水平考试;3封推荐信。10、康奈尔大学康奈尔大学(CornellUniversity)是一所位于美国纽约州伊萨卡的私立研究型大学,另有两所分校位于纽约市和卡塔尔教育城,是著名的常春藤盟校成员,在世界范围内享有极高的学术声誉。康奈尔大学由埃兹拉。康奈尔和安德鲁。迪克森。怀特于1865年所建立,为八个常春藤盟校中唯一一所在美国独立战争后创办的。要求:GRE成绩,建议有计算机专科成绩,只接受3年以内的GRE;3封推荐信;托福550/213.如果想进人工智能行业,最好去北京。因为,超过一半的人工智能岗位招聘都在北京,比例高达54%;排在后面的城市分别是上海、深圳、杭州、广州和成都。
-
Facebook人工智能软件开发:用于防止用户自杀
北京时间11月28日凌晨消息,本周一,Facebook称已经成功将模式识别软件用于监测其美国用户的自杀倾向,并将把这个监测软件推广到其他国家。Facebook人工智能软件开发:用于防止用户自杀早在今年三月份,通过扫描分析用户发表的有自杀倾向的帖子或评论,Facebook首先对其美国用户使用这个软件。对于这个软件的技术细节,Facebook并没有透露,不过该公司称这个软件会搜索那些可能是自杀线索的短语或句子,比如“你好吗?”和“需要帮助吗?”。一旦检测到潜在的自杀倾向,该模式识别软件将发送通知给Facebook专门处理此类事件的员工。该软件会立即给发帖的用户或其朋友发送一些有用信息,比如帮助热线电话。有时,Facebook员工还会通知当地政府来干预此类事件。Facebook副总裁GuyRosen称由于该软件在美国成功测试,于是准备推广到其他国家,让其他国家的Facebook用户也用上这个软件。他说:“响应速度真的很重要,我们必须及时地帮助那些需要帮助的用户。”去年,在Facebook上线直播功能后,就出现了某些用户的违规行为,比如直播自杀。这给公司形象带来了威胁。Facebook称其已经雇佣了超过3000员工用于监控视频和其他内容。Rosen没有提到具体将会对哪些国家的Facebook用户应用此软件,不过他说最终会使除欧盟外的国家的用户都用上,除去欧盟是由于某些敏感原因。其他科技公司也采取了类似措施来阻止用户自杀,比如谷歌会在用户搜索自杀相关词汇时显示帮助热线电话。