1700550278
1700550279
• 现在，基于规则的符号型人工智能方法趋于式微。除了几个狭窄的领域之外，它似乎不太可能卷土重来，甚至在那些领域也难以翻盘。
1700550280
1700550281
• 机器学习终于兑现了早期的承诺并完成了有用的工作，它是打造通过建立和观察多个实例来检测模式并制定取胜战略的软件系统的艺术和科学。
1700550282
1700550283
• 机器学习系统越来越大，它们在运行速度越来越快、越来越专业的硬件上运行，能够获得更多数据，容纳改进的算法，因此变得越来越好。所有这些改进都在发生，所以机器学习正在迅速发展。
1700550284
1700550285
• 神经网络在标识了学习实例的监督性学习方面最为成功，但在无监督学习方面进展甚微，而后者则是人类了解世界的主要途径。
1700550286
1700550287
• 监督性学习非常适合把目前由人工完成的许多工作自动化，特别是在模式匹配、诊断、分类、预测和推荐等方面。机器曾经对视觉、语音识别等功能束手无策，但目前在许多领域表现出与人类相当的水平。
1700550288
1700550289
• 我们还处于机器学习传播的早期阶段。它将在社会和经济中变得普遍，特别是因为它现在可以从云端按需获取。
1700550290
1700550291
• 机器学习系统（和所有其他形式的人工智能）仍然缺乏常识。
1700550292
1700550293
问题
1700550294
1700550295
A 你手头最重要的模式匹配、诊断、分类、预测和推荐活动是什么？你是否正在探讨上述活动的机器学习解决方案？
1700550296
1700550297
B 你会考虑把哪些关键决策或操作（如果有的话）完全交给人工智能系统，又会在哪些工作中确保决策过程中存在人类？
1700550298
1700550299
C 如果明天早上让你乘坐自动驾驶汽车去上班，你感到自在吗？你认为5年内你能自在地这样做吗？为什么能，或者为什么不能？
1700550300
1700550301
D 填空：如果我们的竞争对手为_______部署了成功的机器学习系统，我们将面临严峻的挑战。
1700550302
1700550303
E 你的机器学习战略是什么？在将机器学习引入组织方面，你走了多远？
1700550304
1700550305
[1]这种时钟大小的装置被用来预测太阳、月亮和行星的运动。它很令人费解，主要是因为它在当时太先进了。正如2015年乔·马尔尚（Jo Marchant）写的一篇文章所说：“自古以来就没发现过这样的事物。1 000多年来，再也没出现像它一样复杂的事物，甚至与它相近的也没有。”Jo Marchant, “Decoding the Antikythera Mechanism, the First Computer,” Smithsonian, February 2015, http://www.smithsonianmag.com/history/decoding-antikythera-mechanism-first-computer-180953979.
1700550306
1700550307
[2]艾伦·图灵证明：存储程序的基本电脑可以被认为是一种通用的计算机，原则上，可以指示它来解决算法能解决的任何问题。
1700550308
1700550309
[3]正如1994年语言学家史蒂芬·平克（Steven Pinker）在其《语言本能》一书中所指出的那样，一个对父母睡前阅读感到不高兴的孩子会构建一个复杂的句子，如“爸爸，你怎么把这本我不想听的书带上来了呢”。Steven Pinker. The Language Instinct(New York: HarperCollins, 1994), 23.
1700550310
1700550311
[4]一个悲剧性案例研究提供的有力证据表明，在一定年龄之后，孩子们已经不能再学会语言了。1970年，南加州当局了解到有一位化名吉尼（Genie）的13岁小女孩，她饱受可怕的虐待和疏于照管之害。从蹒跚学步的孩提时代开始，她就一直被父亲禁锢，几乎完全与社会隔离。她被关起来，独自待在一个寂静的房间里，没人跟她说话。吉尼获救之后，许多施以援手的研究人员和治疗师相信她并非先天迟钝，尽管做了很多努力，她还是学不了什么东西，只能用简单的句子说话。她学不了更复杂的语法规则。吉尼目前在加州某地一所为存在精神缺陷的成人服务的机构里生活。
1700550312
1700550313
[5]基于规则的人工智能被称为符号型人工智能，因为它以人类可以理解的词语、数字和其他符号进行表达。
1700550314
1700550315
[6]正如我们为《哈佛商业评论》撰写的文章所讨论的，大数据和数据分析还改变了人类的决策。Andrew McAfee and Erik Brynjolfsson. “Big Data: The Management Revolution,” Harvard Business Review, 90, no. 10 (2012): 61–67.
1700550316
1700550317
[7]迪恩的许多贡献使他成为谷歌的传奇。他的同事收集了一系列夸张的“杰夫·迪恩的事实”来表达他的能力。“真空中的光速曾经是每小时35英里，然后，杰夫·迪恩花一个周末优化了物理学”就是一个代表性的例子。Kenton Varda. Google+ post, January 28, 2012. https://plus.google.com/+KentonVarda/posts/TSDhe5CvaFe.
1700550318
1700550319
[8]强化学习牵涉到建立能够在环境中采取有效行动以使回报最大化的软件代理。DeepMind首次公开展示其在这一领域的能力时，用的是“深度Q网络”（DQN）系统，开发它是为了玩经典的雅达利2600视频游戏，如《太空侵略者》《乒乓球》《突围》和《战地》等。程序员并没有告知“深度Q网络”系统正在玩什么游戏、规则是什么、哪些战略可能有效、哪些控件和操作可用。事实上，它根本就没有被告知正在玩游戏。它只是看着每个游戏的屏幕，然后被告知移动控制器以取得最高分。在给出的49场比赛中，“深度Q网络”系统很快就击败了一半以上的专家级人类玩家。Volodymyr Mnih et al., “Human-Level Control through Deep Reinforcement Learning,” Nature518 (February 28, 2015): 529–33, https://storage.googleapis.com/deepmind-data/assets/papers/DeepMindNature14236Paper.pdf.
1700550320
1700550321
[9]建立一个运作良好的神经网络可能听起来很简单——只需输入数据，然后让系统建立关联——但是截至目前，它实际上是耗时和微妙的工作，甚至连有强大计算机科学背景的人也望而生畏。
1700550322
1700550323
[10]换句话说，就是以规则为本。
1700550324
1700550325
1700550326
1700550327
[
上一页 ]
[ :1.700550278e+09 ]
[
下一页 ]