LEMMiNO Artificial Intelligence
來源：张康康
人工智慧自1956年Dartmouth學會上提出，在經歷一個又一個寒冬之後，如今真正登上了人類舞台。當下，不論是電腦視覺、自然語言處理，還是安全監控以及智慧駕駛，人工智慧技術的應用都近在咫尺，但那些一直期盼它能像人類一樣具備思維的夙願，至今卻仍未實現，為了更懂人類，全球人工智慧科學家都在衝擊技術高點，不遺餘力的為AI技術帶來全新突破，這其中就包括，近年來被認為會顛覆人工智慧格局的三大技術。
對抗性神經網路
對抗性神經網路（Generative Adversarial Network，GAN）最早出現在2014年在蒙特婁大學博士生Ian Goodfellow的學術論證中，他採用兩個神經網路，支持大多數現代機器學習的人腦簡化數學模型，讓他們在數位遊戲中彼此對抗。
在這個過程中就會出現兩個神經網路的角色，一個是生成網路（Generator），另一個是判別網路（Discriminator），前者負責不斷生成內容，後者負責不斷判別生成的內容，彼此互博，最終在長期對抗中提升各自的能力。
經過長時間的互博結果，一個不斷「造假」，一個不斷「驗真」，生成網路的「造假」能力劇增，產出的逼真內容，已經讓判別網路無法辨識。
經過長時間的互博結果，一個不斷「造假」，一個不斷「驗真」，生成網路的「造假」能力劇增，產出的逼真內容，已經讓判別網路無法辨識。
對抗性神經網路的關鍵性突破就在於，透過這種對抗機制，機器開始理解，人類所看到和聽到的世界結構，並最終賦予機器在創造一個全新的東西時，所需要想像力，生成的結果非常逼真。
目前，對抗性神經網路有兩種應用，一是完全從無到有的，生成逼真度極高的語音或者圖像；另一個則是利用對抗性神經網路來改進已有傳統的AI應用，例如超分辨率、照片自動美化、機器翻譯等，包括Google Brain、DeepMind、Nvidia、Open AI都是這項技術的重要參與者。
生物特徵辨識
所謂生物辨識技術就是，透過電腦與光學、聲學、生物傳感器和生物統計學原理等高科技手段密切結合，利用人體固有的生理特性，如指紋、指靜脈、掌靜脈、臉象、虹膜等，以及行為特徵，如筆跡、聲音、步態等，來進行個人身份的鑒定。
由於人體特徵具有人體所固有的不可複製的唯一性，通常屬於私密安全範疇，這一生物密鑰無法複製，偷竊或者遺忘，因而利用生物辨識技術進行身份認定，具有非常高的安全性和準確性，而目前一些常見的口令，往往都不免存在著被複製及被盜用的不利因素，因此採用生物特徵作為辨識的「鑰匙」，能夠大幅度提升辨識效果，以及降低安全風險。
未來，伴隨著生物特徵辨識技術的不斷成熟，也將迎來全新的市場變化和需求，儘管單一的生物辨識技術各有優劣，在安全要求較高的場景，仍舊存在提升空間，但目前而言，生物特徵辨識技術的應用，正在各行業擴展開來，尤其在物聯網的應用上會成為著力點，在配合安全、監控、管理系統整合，實現自動化管理上，市場前景廣闊。
情感計算
情感計算的概念是在1997 年由麻省理工學院（Massachusetts Institute of Tech－nology，MIT）媒體實驗室 Rosalind Picard 教授提出的，她的著作《Affective Computing》開創了電腦科學和人工智慧學科中的新分支——「情感計算」，她指出情感計算與情感相關，是源於情感或能夠對情感施加影響的計算。
由於人類交流中80％的資訊，都是情感性的內容，而人工智慧系統，只有在對人類情感得到充分瞭解之後，才能發揮具備智力因素的情感回饋，實現真正的強人工智慧。
因而，情感計算就是要賦予機器，類似於人一樣的觀察、理解和生成各種情感特徵的能力，最終使讓機器像人一樣，正確感知環境、理解用戶情感和意圖，以作出自然、親切和生動的交互。這種技術手段的出發點，是透過心理學、生理學、認知學、行為學和腦科學等相關的綜合學科，來進行機器的情感化操作，在此基礎上，人類需求分析、情感表達、人機交互才能成為可能。
因而，情感計算就是要賦予機器，類似於人一樣的觀察、理解和生成各種情感特徵的能力，最終使讓機器像人一樣，正確感知環境、理解用戶情感和意圖，以作出自然、親切和生動的交互。這種技術手段的出發點，是透過心理學、生理學、認知學、行為學和腦科學等相關的綜合學科，來進行機器的情感化操作，在此基礎上，人類需求分析、情感表達、人機交互才能成為可能。
因而，傳統的人機交互應用，在情感計算的不斷成熟中，正在被逐漸更替，透過語音情感辨識、人臉表情辨識和生理信號情感辨識等，進行喜、怒、憂、思、悲、恐、驚，七種基本情感計算，完成情感反饋，進而在情感語音合成、臉部表情合成和肢體語言合成上，具備精準結果。
情感計算未來在醫療健康、安全駕駛、遠端教育、智慧家電等領域都，具備超前的應用前景，賦予機器擬人化的工作狀態，修煉「讀心術」。
儘管如此，目前情感計算領域存在的挑戰還很多，包括情感獲取與建模、情感辨識與理解、情感表達等，亟待全球頂尖人工智慧科學家帶來最新突破。
情感計算未來在醫療健康、安全駕駛、遠端教育、智慧家電等領域都，具備超前的應用前景，賦予機器擬人化的工作狀態，修煉「讀心術」。
儘管如此，目前情感計算領域存在的挑戰還很多，包括情感獲取與建模、情感辨識與理解、情感表達等，亟待全球頂尖人工智慧科學家帶來最新突破。
在AlphaGo獲勝的那一刻，我們都不願承認，歷經億萬年所進化的人類智慧被機器超越，但事實上，我們又希望冷冰冰的機器，能憑借人工智慧，成為更懂人類的那個夥伴，我們期待的不僅僅是讓機器「更智慧」，還是「更像人」，當人工智慧技術能夠解決這些障礙時，他才能支撐起自己思維的物質世界。
不論是微軟小冰，透過情緒特徵感知，而不斷升級的共感模型、Facebook研究人員試圖透過觀看影像，來教AI來理解現實、曠視科技正在從各個角度，攻破視覺辨識領域障礙、還是極鏈科技Video＋＋透過千萬次訓練，來讓AI理解影像內容，所表達的不同情感等，都能看到人工智慧研究者，正在卯足勁向前。
儘管我們要承認，機器學習中的技能轉移，也許不總是有效，但正是這種與現實的差距，才能不斷激勵技術進步，未來仍舊可期。
按此回今日3S Market新聞首頁
儘管我們要承認，機器學習中的技能轉移，也許不總是有效，但正是這種與現實的差距，才能不斷激勵技術進步，未來仍舊可期。
按此回今日3S Market新聞首頁
0 comments:
張貼留言