如何理性客观地看待人工智能热潮

人工智能，这个名词在沉寂了近30年之后，最近两年“咸鱼翻身”，成为了科技公司公关的战场、网络媒体吸睛的风口，随后受到政府的重视和投资界的追捧。于是，新闻发布会、高峰论坛接踵而来，政府战略规划出台，各种新闻应接不暇，宣告一个“智能为王”时代的到来。

到底人工智能现在的研究处于什么阶段？这是大家普遍关注的问题，但由于人工智能涵盖的学科和技术面非常广，要在短时间内全面认识、理解人工智能，别说非专业人士，就算对行业内研究人员，也是十分困难的任务。现在很多行外的媒体宣传与决策冲到认识前面了，由此不可避免地造成一些思想和舆论的混乱，给社会营造出了“人工智能已经实现”的错觉。

弱人工智能

确实，人工智能技术近十年来取得了突飞猛进的发展，并悄然间成为我们每个人生活中必不可少的一部分。以智能手机的常见应用程序为例，看看蕴藏在我们身边的人工智能。下图是一部典型的iPhone手机上安装的一些常见应用程序，可能很多人都猜不到，人工智能技术已经是手机上很多应用程序的核心驱动力。

图1 iPhone手机上的相关应用

苹果Siri、百度度秘、微软小冰等智能助理类应用，正试图颠覆你和手机交流的根本方式，将手机变成聪明的小秘书；新闻类应用依赖于智能推荐技术，向你推送最适合你的内容；美图秀秀自动对招聘、视频完成智能化的艺术创作；购物类应用采用智能物流技术帮助企业高效、安全地分发货物，提升买家的满意度；滴滴出行，帮助司机师傅选择路线，在不久的将来，自动驾驶技术将重新定义智慧出行。抛开诸多常见手机应用程序，以AlphaGo为代表的计算机程序，已经先后在西洋跳棋、国际象棋和围棋上击败了世界顶尖高手，掀起了一波又一波的人工智能热潮。

强人工智能

这波人工智能热潮，在诸多领域提升了我们的生活质量（如智能推荐）以及工作效率（如谷歌翻译），但值得注意的是，目前的应用都集中在弱人工智能层面上。而电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现，人工智能领域的巨头们也纷纷站出来表达类似观点。

Facebook人工智能研究中心负责人，深度学习巨头Yann LeCun说：我们距离创造出真正的智能机器还很远。你现在所看到的一切，所有这些人工智能的壮举，比如自动驾驶汽车，解读医学图像，打败世界冠军等等都是非常狭隘的智力，它们真的只是为了特定目的而被训练的。因为在这些情况下，我们可以收集到大量的数据。

强人工智能是一个完全自主的智能，具备感知、认知、推理、学习和执行能力；不需要事先几十万甚至上百万人工标注好的训练数据，只需要少量数据就可以想清楚；也不需要功耗巨大的GPU，因为人脑功耗仅仅才是10-25瓦。

再反过头来想，目前众星捧月的深度学习，确实在计算机视觉、自然语言处理等领域带来了突破。但它远远不是人工智能的终点，它需要大量的数据预先训练，需要大量的GPU功耗，与强人工智能的要求是不符的。近日，深度学习概念提出者Hinton，这位70岁的老爷爷推翻自己积累了30年的学术成果时，放弃深度学习至关重要的反向传播，让整个人工智能从头再造。

纵观人工智能60年的发展历程，前30年以数理逻辑的表达与推理为主，这里面有一些杰出的代表人物，如John McCarthy、Marvin Minsky、Herbert Simmon。他们懂很多认知科学的东西，有很强的全局观念，拿过图灵奖和其它一堆大奖。但是，他们的工具基本都是基于数理逻辑和推理。后30年以概率统计的建模、学习和计算为主，著名的决策树、支持向量机、随机森林、Adaboost等主流的机器学习算法，在那时先后成为研究热点。

图2 机器学习发展史

机器学习，作为人工智能的重要分支，现已成为各大科研院所、企事业单位研究的焦点和热点。对于人工智能领域的入门者，机器学习成为了一门必修课。为此，中科院自动化所科研一线青年教师，与深蓝学院联合推出《机器学习主流算法：从理论到实践》在线直播课程。课程体系设置充分结合理论与Python代码实践，PPT以及代码均会提供给学员，并为学员搭建与课程讲师即时交流的微信群。

机器学习课程内容

1. 数学基础（PPT资料+视频资料）

1.1 矩阵论、概率论、优化基础知识

2. 机器学习算法：从理论到实践（20学时）

2.1 机器学习概述

      2.1.1 机器学习方法分类

      2.1.2 基础知识介绍

2.2 KNN算法

      2.2.1 概述与理论详解

      2.2.2 K近邻应用案例及代码实现

2.1 机器学习概述

      2.1.1 机器学习方法分类

      2.1.2 基础知识介绍

2.2 KNN算法

      2.2.1 概述与理论详解

      2.2.2 K近邻应用案例及代码实现

2.3 贝叶斯分类

      2.3.1 朴素贝叶斯

      2.3.2 贝叶斯决策论

      2.3.3 NB分类算法应用案例及代码实现

2.4 回归与分类

      2.4.1 曲线拟合

      2.4.2 线性回归

      2.4.3 logistic回归

      2.4.4 相关应用案例及代码实现

2.5 支持向量机

      2.5.1 线性支持向量机

      2.5.2 非线性支持向量机

      2.5.3 核方法

      2.5.4 SVM应用案例及代码实现

2.6 聚类算法

      2.6.1 K均值聚类

      2.6.2 层次聚类

      2.6.3 聚类算法应用案例及代码实现

2.7 数据降维

      2.7.1 线性降维

      2.7.2 非线性降维

      2.7.3 降维应用案例及代码实现

2.8 EM算法

      2.8.1 EM算法基础

      2.8.2 多高斯参数估计

      2.8.3 EM应用案例及代码实现

2.9 Adaboost算法

      2.9.1 独立于算法的机器学习

      2.9.2 Adaboost算法

      2.9.3 应用案例及代码实现

2.10 隐马尔科夫模型

      2.10.1 马尔科夫

      2.10.2 隐马尔科夫模型

      2.10.3 应用案例及代码实现

课程团队

汪老师，中科院自动化所一线科研学者，副研究员，在领域顶级会议期刊 ICCV、TNNLS、TIP等发表论文20多篇；参加全国视频图像分析技术挑战赛，获得目标检测识别第二名，熟练掌握并应用深度学习Keras框架和Caffe框架。

邵老师，现任副教授、硕士生导师，中科院自动化所博士毕业，具有两年教学授课经验。主要研究方向包括机器学习、模式识别与图像处理，作为项目负责人承担国家自然科学基金，在国际主流期刊和会议上发表论文数篇。

霍老师，一线青年学者，西安电子科技大学博士毕业，研究方向为图像处理，主持和参与多项国家自然科学基金，以第一作者在相关领域期刊以及会议上发表论文多篇。

开课时间及形式

1. 机器学习课程价格为 499 元，11月30日-12月21日每周四、周末晚，在线直播授课；

2. 报名即送数学基础视频资料；

3. 课程一年内可实时查看视频回放；

4. 课程PPT和源程序，会提前公开给学员；

5. 课前、课中和课后，微信群均可答疑。

请添加助教微信咨询