现在的人工智能达到了啥程度?

Posted 2023-04-04

人工智能研究的领域主要有五层，最底层是基础设施建设，包含数据和计算能力两部分，数据越大，人工智能的能力越强。往上一层为算法，如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法，都是机器学习的算法。第三层为重要的技术方向和问题，如计算机视觉，语音工程，自然语言处理等。还有另外的一些类似决策系统，像 reinforcement learning（编辑注：增强学习），或像一些大数据分析的统计系统，这些都能在机器学习算法上产生。第四层为具体的技术，如图像识别、语音识别、机器翻译等等。最顶端为行业的解决方案，如人工智能在金融、医疗、互联网、交通和游戏等上的应用，这是我们所关心它能带来的价值。

参考技术A ‍‍各个方向都在发展阶段，并且发展程度有高有低。以AlphaGo为代表的深度学习，现可以在围棋方面超越一流棋手，但在麻将、斗地主等领域并无太大进展。视觉识别方面，人脸识别是研究热点，并有部分应用。谷歌Artificial Neural Networks在识别普通图像时，还不尽如人意。机器人方面，日本很多家用机器人已经实用。谷歌Atlas已经能走会跳。技术进化还需要时间，产品普及还需要时间。个人助手有几家：苹果Siri，微软Cortana，谷歌在研发Majel；国内的科大讯飞灵犀语音助手，百度语音助手，搜狗语音助手等等。发展到什么程度，你可以实际体验。‍‍ 参考技术B ‍‍人工智能识别出太空中的一颗新行星。Google 和得克萨斯大学奥斯丁分校合作，采用机器学习算法对美国宇航局开普勒天文望远镜获取的数据进行分析，成功地在开普勒-90 星系中找到了一颗新的地外行星，被命名为开普勒-90i。‍‍ 参考技术C 说一下人工触觉系统吧，之前有提过。斯坦福大学的鲍哲南教授是2016年的MIT科技评论杂志评出来的35个35岁以下的科技精英之一。她有一项技术——有感觉的人造皮肤，也就是人工触觉系统，特别牛。这个系统的应用前景还是挺广的，比如工业机器人，以前工业机器人的机器手是硬的，要拿一个鸡蛋，很容易就夹碎。现在工业机器人还属于婴儿时期，不知道轻重，如果你有一个带触觉反馈的人造皮肤，那它就知道轻重了。如果能够测试人体表面的电和压力，就可以当可穿戴设备，看它舒适度如何，可以做实时测量。 参考技术D ‍‍‍‍2010 年后，深度学习的广泛应用使语音识别的准确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以实现不同语言间的交流，可以从语音中说一段话，随之将其翻译为另一种文字。2017年，Hanson Robotics将语音识别、面部识别等技术打包，创造了机器人索菲亚。索菲亚可以在新闻发布会上接受记者采访并与人类进行简单的问答。最近，来自彭博和英特尔的两位研究人员创造了能自主生成完整软件程序的人工智能系统“AI Programmer”。谷歌和微软也宣布，他们的人工智能通过机器学习，能学会编写代码。‍‍‍‍

支持向量机 - 预测文章的受欢迎程度 - 我做错了啥？

【中文标题】支持向量机 - 预测文章的受欢迎程度 - 我做错了啥？

【英文标题】：Support Vector Machines - Predicting popularity of articles - What am I doing wrong?支持向量机 - 预测文章的受欢迎程度 - 我做错了什么？

【发布时间】：2016-07-09 20:07:16

【问题描述】：

原始数据：

文章内容和标题。 10000 篇文章

特征：（我从数据中提取出来的）

标题字数

文章字数

Facebook 点赞数

发布时间：周末与否

首先让我说我对 ML 很陌生。

我正在尝试使用我必须使用 SVM 构建模型的数据。该模型将预测一篇文章是否可能受欢迎。我假设一篇文章的 FB 点赞数大于 2000 的文章很受欢迎。

我用训练数据创建了一个 5D 地图（4 个维度用于 4 个特征，1 个维度用于二进制流行度信息）。每篇文章及其特征在 5D 空间中都会有一个点。

我正在尝试将此 5D 地图与 SVM 一起使用，以便创建最佳边距。

然后我将使用这个边距来预测测试数据的流行度。

说到实施，我很困惑。

我做错了吗？我应该如何使用 SVM 来解决这个问题？

感谢任何帮助。谢谢！

【问题讨论】：

您使用什么语言/软件和内核来实现 SVM？

@ode2k 希望使用线性多项式和高斯作为内核。目前语言是matlab

【参考方案1】：

是什么让您认为您的功能足以预测某项内容是否受欢迎？关于您丢弃的所有信息（实际文档的内容），您丢失的信息（谁是出版物的来源，他们的网络是什么样的）从您的数据中不明显的问题（流行和谁在一起？不同的人群可能喜欢/不喜欢不同的东西）。

你需要

了解更多关于机器学习的一般信息。 了解特征工程，查找人们之前对基于文本的数据所做的一些工作（情感分析、主题建模、垃圾邮件过滤）。 学习使用您的数据构建和检验假设。虽然在这种情况下，很明显您可能会犯很多很多错误——但这主要是因为这是新手工作。一般来说，这些问题总是与问题和数据相关，因此提供一般信息和寻求建议通常无济于事。一旦你学习了更多的机器学习，你就需要考虑你的模型意味着什么——以及它们的性能意味着什么。从中你可以建立一个关于你的表现的假设，并尝试和测试它。根据结果​​，您更改模型或数据的某些内容并重复。

【讨论】：

非常感谢您的回答！我认为这些功能不是那么好。您的总体建议正是我想要做的。我正在尝试将这些功能与几种 ML 方法一起使用。然后观察每一个的准确性。然后，试着解释为什么我会得到我想到的结果。在这一点上，我并没有很好的预测。我只想在“介绍”级别“彻底”解决这个问题。我阅读了许多项目论文，但假设我知道它们，它们都跳过了重要的细节。我应该怎么做才能快速弄脏我的手？

“我阅读了很多项目论文，但假设我知道它们，它们都跳过了重要的细节”那么你应该去寻找那些细节。快速和肮脏是错误的学习方式（恕我直言）。