用JavaScript开发一款自定义配置视频播放器

人工智能的用途是什么?

如今，人工智能几乎无处不在，例如推荐人们应该在网上购买的物品，了解对虚拟助手(例如亚马逊的Alexa和苹果的Siri)所说的内容，识别照片中的人物和内容，识别垃圾邮件，或者检测信用卡欺诈。

人工智能有哪些不同类型?

人工智能可以分为两大类：狭义人工智能和通用人工智能。

如上所述，狭义的人工智能是人们目前在计算机中看到的一切：已经被训练或学会如何执行特定任务的智能系统。

这种机器智能在苹果iPhone上的Siri虚拟助手的语音和语言识别、自动驾驶汽车的视觉识别系统、或根据人们过去购买的商品推荐可能喜欢的产品的推荐引擎中都可以明显地看出。与人类不同的是，这些系统只能学习或被教授如何完成定义的任务，这就是它们被称为狭义人工智能的原因。

狭义人工智能能做什么?

狭义人工智能有大量应用程序：无人机的视频馈送、对基础设施(如输油管道)进行视觉检查、组织个人和企业日历、响应简单的客户服务查询、与其他智能系统协调执行这些任务包括在合适的时间和地点预定酒店、帮助放射线医师发现X光片中的潜在肿瘤、在线标记不当内容、从物联网设备收集的数据中检测电梯的磨损，以及通过卫星生成世界3D模型图像等。

这些学习系统的新应用一直在涌现。显卡设计厂商Nvidia公司最近推出了一种基于人工智能的Maxine系统，它可以让人们进行高质量的视频通话，并且不用考虑其互联网连接速度。该系统通过不通过互联网传输完整的视频流，而是以实时再现通话者的面部表情和动作并且与视频不可区分的方式，将通话所需的带宽减少了10倍。

但是，尽管这些系统具有尚未开发的潜力，但有时对该技术的期望却超过了现实。自动驾驶汽车就是一个很好的例子，自动驾驶汽车本身就得到了人工智能驱动的系统(例如计算机视觉)的支持。电动汽车生产商特斯拉公司首席执行官埃隆·马斯克(Elon Musk)最初提出的汽车自动驾驶系统将从有限的辅助驾驶能力升级为“全自动驾驶”的时间表如今有些落后，作为其测试计划的一部分，全自动驾驶选项最近才推出专业驾驶程序。

通用人工智能可以做什么?

通用人工智能截然不同，它是一种在人类身上发现的适应性智能，是一种灵活的智能形式，能够学习如何执行完全不同的任务，从理发到构建电子表格，或者基于积累的经验对各种各样的主题进行推理。这种人工智能在电影中更为常见，例如电影《终结者》中的Skynet，但现在已经不存在了——人工智能专家们对它在什么时候能成为现实存在严重的分歧。

人工智能研究人员Vincent CMüller和哲学家Nick Bostrom在2012年对四组专家进行的一项调查显示，到2040年至2050年，通用人工智能(AGI)的开发机会将达到50%，到2075年将上升到90%。该小组甚至进一步预测，所谓的“超级智能”在通用人工智能(AGI)实现约30年后就可以出现。

然而，人工智能专家最近的评估更为谨慎。现代人工智能研究领域的先驱者，如Geoffrey Hinton、Demis Hassabis和Yann LeCun表示，鉴于对现代人工智能领域的领导者持怀疑态度，以及现代狭义人工智能系统与通用人工智能(AGI)的本质迥然不同，因此几乎没有理由担心通用人工智在不久的将来能为社会带来影响。

也就是说，一些人工智能专家认为，鉴于人们对人脑的了解有限，这样的预测是非常乐观的，并且相信通用人工智能(AGI)的出现还需要数百年的时间。

人工智能发展的最新里程碑是什么?

虽然现代狭义人工智能可能仅限于执行特定任务，但在它们的专业领域内，这些系统有时能够表现出超人的表现，而这种特质通常是人类固有的。

虽然没有太多的技术突破，但也有一些亮点：谷歌公司在2009年表示，丰田普锐斯汽车采用其开发的自动驾驶技术有可能完成10次以上每次100公里路程的测试，让无人驾驶汽车技术向前迈进。

2011年，IBM Watson在美国智力竞赛节目《危险边缘》中获胜，击败了该节目有史以来最好的两位人类选手，成为全球头条新闻。为了获胜，Watson采用自然语言处理和分析技术对海量数据进行处理，以回答人类提出的问题，通常其处理的速度不到1秒钟。

2012年，另一项突破性进展预示着人工智能有能力处理许多以前认为对任何机器来说过于复杂的新任务。那一年，AlexNet系统在ImageNet大规模视觉识别挑战赛中取得了决定性的胜利。在图像识别比赛中，与竞争对手相比，AlexNet的错误率降低了一半。

AlexNet的表现证明了基于神经网络的学习系统的力量，这种机器学习模型已经存在了几十年，但由于对体系结构的改进和摩尔定律使并行处理能力的飞跃，最终实现了它的潜力。机器学习系统在执行计算机视觉方面的能力也成为当年的头条新闻，谷歌训练了一个可以识别猫的图片的机器学习系统。

另一个引起人们关注的机器学习系统的应用案例是2016年Google DeepMind 公司的AlphaGo 战胜了一位围棋冠军。围棋是一款古老的中国棋类游戏，其复杂性让计算机系统困扰了几十年。这是因为围棋每回合大约有200步，而国际象棋只有20步左右。在围棋比赛的过程中，其每一步动作有太多可能性，因此从计算的角度来看，预先搜索每一个动作以确定最佳步骤的成本太高。取而代之的是，AlphaGo通过在3000万个围棋游戏案例中模仿人类专家的动作，并将其输入深度学习神经网络来训练如何玩这个游戏。

训练这些深度学习网络可能会花费很长时间，随着系统逐渐完善其模型以取得最佳结果，需要摄取和迭代大量数据。

 

（编辑：广安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!