siyue110 LV
发表于 2025-4-7 15:00:31
谢邀。关于发展进程，北冥乘海生老师已经说得很细了，那么我就结合现实生活来说明人工智能的应用，让大家也更多的了解一下。
先引入两个概念，关于人工智能在学术界的分类：
1、 弱人工智能：不具备完全智慧，但能完成某一特定任务的人工智能。
2 、强人工智能：具有完全人类思考能力和情感的人工智能；
【弱人工智能就在你身边】
说到人工智能，第一反应可能是电影里面的机器人，能说能动能跟人类交流。而现实呢，自然是没有这样的善解人意的人工智能机器人。但宽泛意义上的人工智能（即弱人工智能），早已在服务在大家生活的方方面面了，已经开始为社会创造价值。
比如语音助手，在手机、音响、车里甚至你的手表上。最常见的“Hi Siri，帮我查查明天上海的天气”。这里面涉及到了机器如何听懂、理解人类的意图，并且在互联网上找到合适的数据进行回复。
这个其实是最接近大家普遍认知里面人工智能的模样，无奈要让机器理解人类的自然语言，还是路漫漫，特别是人类隐藏在语言里面的情感、隐喻。所以，自然语言处理的一直被视为人类征服人工智能的珠穆拉玛峰。我的回答主页里面也有很多关于自然语言处理（NLP）的相关回答，有兴趣可以点击进入查看哦。
相比于理解自然语言，计算机视觉发展的就顺利的多，它教计算机能“看懂”一些人类交给他们的事物。
比如最常见的出行环境中，停车场的牌照识别。以前得雇一个老大爷天天守在门口抄牌子，现在一个摄像头可以搞定所有的事情。
在购物场景中，如Amazon的无人超市，能够通过人脸识别知道你是不是来过、以前有没有购物过，给你推荐更好的体验。
在家庭生活场景中，每年的CES我们都会看到全球智能家居厂商发布的硬核产品。今年科沃斯发布了第一款基于视觉技术的扫地机器人DG70，它可以识别家里的鞋子、袜子、垃圾桶、充电线，当然除了用到视觉系统之外，还需要机身上各种各样的传感器信息融合处理，才能实现在清扫复杂家居环境时合理避障。
而除了这些身边“有形”的能看能听的人工智能，帮助人类做决策、做预测，也是人工智能的强项。
比如在网购场景下，能够根据你以前的购物习惯，“猜测”你可能喜欢购买这个。
比如刷抖音的时候，机器会学习你的喜好，推荐越来越符合你胃口的视频。
在金融领域，预测未来几天的股市、预测某个地区的房价走势，这都是已经实实在在的真实场景。
现代人工智能本质上，是基于数理统计的机器学习系统（也有基于规则的非统计化人工智能系统，这里不详述）。这样的弱人工智能系统，能够在特定的任务上，在已有的数据集上进行学习，同时能够在今后没见过的场景预测上，获得比较好的结果。对于一些重复性的劳动，人工智能可以极大的降低人工成本的同时，提高效率和质量。
【弱人工智能的工业化】
而且随着深度学习算法和数据的发展，人工智能系统也越来越简单和模块化。越来越多的企业，开始构建符合自己业务需求的人工智能系统。
对于工业界的人工智能项目，一般都不重复造轮子：不会去从零开始写一套机器学习的算法，而往往选择采用一些已有的算法库和算法框架。以前，我们可能会选用已有的SVM, MaxEnt, HMM, CRF算法，来解决不同的机器学习问题。现在随着深度学习的流行（Tensorflow, PyTorch 等等），一套神经网络框架就可以解决几乎所有机器学习问题，进一步降低了机器学习任务的学习以及开发难度。但即便如此，机器学习仍然有很高的学习门槛：需要有很好的数学、统计、线性代数的基础，熟悉相应的机器学习算法原理，有很好的算法建模能力、工程开发调试能力、以及模型调参经验。所以对于很多企业来说，不具有这样能力的开发团队。工业界对于这样的痛点，解决方案是标准化机器学习算法模块。
同时，工业界人工智能厂商，相比于对机器学习模型在数学上的深入研究，更感兴趣的是如何解决实际问题。
上面提到的科沃斯刚发布的DG70，只给你一个“眼睛”和有限个传感器，但却要求其可以识别日常家居物品：比如前方遇到的障碍物是拖鞋还是很重的家具脚，可不可以推过去？如果遇到了衣服、抹布这种奇形怪状的软布，机器还需要准确识别出来以避免缠绕。
让扫地机器人完成图像识别大致会经过几个步骤：
- 定义问题：就像刚刚说的，根据扫地机器人的使用场景，就需要识别家居场景里面可能遇到的所有障碍物：家具、桌角、抹布、拖鞋等等。有了这些类别定义，我们才可以训练一个多分类模型，针对扫地机器人眼前看到的物体进行分类，并且采取相应的规避动作。对于很多不了解机器学习的同学来说，能够理解到这一步其实已经是巨大的认知突破了。因为机器智能无法像人类一样去学习，去自我进化，去举一反三。当前阶段的机器智能，永远只能忠实执行人类交给他的任务。
- 收集数据 & 训练模型：接下来会去接着去收集数据，并且标注数据。现在的深度神经网络动不动就是几百万个参数，具有非常强大的表达能力。因此需要大量的数据，而且是标注数据。所谓的标注数据，就是在收集了有关图片，需要人工标注员，一个个去判断这些图片是否属于上面已定义类别中的某一个。在工业界这个的成本非常昂贵，一个任务一年可能要花费几百万美金，仅仅是去为了做数据标注。有了高质量的标注数据，才有可能驱动深度神经网络去拟合真实世界问题。
- 本地实现：还有一个很有意思的技术亮点，这个在其他AI产品上不是很常见：这么复杂的人工智能运算，据介绍都是在机器上本地运行的。一方面保护用户隐私，不能将用户数据上传到云端；另一方面，扫地是一个动态过程，很多运算对时效性要求非常高，如果过于依赖网络，稍有延迟可能一不小心就装到墙壁了。
所以，扫地机器人虽小，但其中的涉及的技术领域堪比自动驾驶。
而对于自动驾驶汽车来说，对于信号收集过程，也跟上面差不多。不过为了保证信号精确程度，现代的自动驾驶汽车，除了图像视觉信号之外，车身会配备更多的传感器，精确感知周围环境。
【强人工智能离我们有多远？】
说完了弱人工智能，我们来想象下未来的人工智能。这里必须要提到一部绕不过的美剧《西部世界》。
在《西部世界》中，机器人接待员自我意识的逐步觉醒，让接待员们对人类产生了反抗甚至仇恨的情绪。这也是科幻小说家等诸多名人提醒大家警惕人工智能的场景之一。
但从上所述，大家可以看到，连简单的“识别拖鞋”，都需要经过上面这么复杂的过程。那么如果我们要打造一个西部世界里面那样的强人工智能机器人，又需要多少工作量呢？估计最简单的在复杂环境中自动行走都做不到，更别说能够产生类人情感，甚至对人类产生仇恨、报复等心理。
【结语】
人工智能领域有一大帮顶尖的科学家奋战在算法模型研究第一线，也有一大批厂商，在努力推广、标准化机器学习算法，降低人工智能算法的开发成本，让各行各业的企业能够更加专注于上层业务逻辑，使用已有的人工智能算法来搭建造福社会的AI产品。
几十年前，各种计算机厂家构建的生态系统，迎来了蓬勃的信息化革命。现在迎来的人工智能革命，同样出现了越来越多的人工智能基础提供商，他们也会逐渐形成一个更成熟的人工智能生态，造福其他厂商，造福社会。 |
|
