世界物联网演讲读后感合集(4)

这页可能是我唯一讲起来跟技术有关的。我们所有讲的智能或者人工智能来说，学习是永恒的核心环节。现在非常火热的深度学习，跟它对应的就是浅度学习。所有的学习的根源就是来源于数据，我们如何从数据做机器学习跟人工智能。数据过来之后第一步的问题就是抽取特征，下来就是分类的问题，基本上我们大部分是集体学习，都解决这个层面的问题，这是核心的问题。这个部分我们称之为感知的环节，我如何从数据里面去感知，它到底是什么物体，如何辨识，产生一个概念。最后就形成我们的认知、决策、规划、推理等等这些人工智能更复杂的行为，才能完成一个闭环的人工智能技术。
在这里面我们发展也经历了几个阶段，一个是最早的时候有一些经验特征和规则做分类，这是最早期的。大概九十年代左右的话统计学习就大行其道，因为这里面分成两个问题，一个是特征工程，如何抽取特征，如何做分类优化，都是做优化的方式解决这个问题，数学上非常的严谨。最近是深度学习，是跟特征学习和分类优化结合在一起，就像做一个整体的规划，我们称之为端到端到的规划，也是Marc Hamilton教授兴起的。他们觉得浅层的学习不足以表现人工智能分类的问题，所以有非常副复杂的网络结构，结合大规模的数据，碾压了过去二三十年里面积累的统计学习的效果，但这块还是有很多的数学性的原理或需要再去进一步的挖掘和探索。
深度学习未来是不是有可能再跟浅度学习有结合呢？去年3月份的文章里面，有一个编程学的文章。用非常小的数据去学习，我相信这又是另外一个兴起的路径。
我们最终的人工智能的技术其实我们可以解决很多的问题，但最终还要帮助到用户，如何能解决他真实的问题。这种情况下才能够说我们蓬勃发展，因为只有产业的推动，才是我们真正所有技术的完善最强的动力。用户期待归纳为三点，一个就是我们有一个非常好的机器人，能很智能的交互，像我们人与人的交互，语音是非常自然的环节。交互之后需要的是内容跟服务，能不能有非常优质的内容和服务，而且可以优化服务，这是一个需求。第三点是智能的学习，智能机器人能不能随着我们越用就越智能。像我们知道AlphaGo就可以越来越会下棋，但这个下棋是一个规则和各种条件，相对比较整齐的情况下去做的，这里面基本上就是计算的过程。在我们交互的过程当中这个学习会比较复杂，因为我们现在比较好的学习的办法可能只能取得20%或者10%的错误率的下降。