人工智能應用領域市場規模、人工智能領域的資金投入都迅速增長,反映了社會與市場整體對其認知程度與信心的高漲。驅動認知程度提高的一方面因素是技術本身的提高,包括數據、算法、算力,使得人工智能技術真正為商業應用創造了價值;另一方面,大數據、物聯網、雲計算等技術為人工智能的發展打下了良好基礎。
不過目前人工智能領域發展較為緩慢的原因有三點,其一是人工智能是一個典型的交叉學科,涉及到哲學、數學、計算機、神經學等諸多學科,所以內容比較多,其二是人工智能產品的研發難度較大,其三是人工智能產品落地難。雖然人工智能已有參與到了生產環境中,但是這些人工智能設備依然具備以下一些局限性:
第一:依賴於環境。目前大部分人工智能設備都對應用場景有較為嚴格的限定,離開特定的場景就無法發揮作用,這是目前一個比較普遍的問題。雖然在特定場景下工作會降低智能體的通用性,但是在一些工業生產領域,營造特定的工作環境並不困難,比如汽車製造領域。
第二:依賴於人類決策。目前人工智能設備的決策能力還是非常有限的,所以大部分決策需要人類給出,人工智能設備的作用是輔助人類進行各種決策。比如目前在智能駕駛、智慧醫療等領域的智能體,往往都會進行比較全面的輔助作用。
三:行為合理性需要加強。人工智能設備的研發方向曾經有過較多的爭論,比如像人一樣思考還是合理的思考,像人一樣行動還是合理的行動等問題。目前在人工智能領域更趨向於合理性,因為這樣更容易判斷,但是目前的智能體在合理性方面還需要不斷加強。不少人工智能設備在落地應用的過程中,發現一個比較嚴重的問題就是行為合理性問題。
目前人工智能技術仍在不斷地飛速發展當中,近期有幾個發展趨勢值得注意。
一是人工智能正在變“硬”。在芯片領域,手機上集成了仿生芯片,可以大幅度提高人臉識別的反應時間。在服務器領域,Facebook開源了人工智能硬件用於人工智能計算服務器。
二是機器學習模型和算法出現了新的發展思路。深度學習三巨頭之一Geoffrey Hinton最近提出了Capsule概念,呼籲將神經網絡的基石之一的反向傳播機制推倒重來,重新建立新的理論體系。遷移學習可以將一個領域學習的模型應用到另一個領域,從而節省大量的訓練時間,減少對任務量的要求。最近神經科學的研究進展,也將為神經網絡帶來新的靈感。
三是人工智能日益重視移動端。越來越多的人工智能應用在移動端運行,從而要求在移動端部署深度學習模型。為實現這一目標,一方面要求提高移動端的處理能力,另一方面要求降低深度學習模型的規模和部署時間,並對移動端平台進行優化。
人類大腦是一個通用的智能係統,能舉一反三、融會貫通,可處理視覺、聽覺、判斷、推理、學習、思考、規劃、設計等各類問題,可謂“一腦萬用”。因此,真正意義上完備的人工智能係統應該是一個通用的智能係統,而通用人工智能研究與應用剛剛起步,依然任重道遠。