《中国人工智能学会通讯》——1.29 智能助手的问题与展望

1.29 智能助手的问题与展望

智能助手的研发可谓方兴未艾,但这个领域注定不是一片坦途。首先,当今人们过高的预期和不断推高的媒体关注度,致使很多人认为人工智能即将实现,一个理想态的智能助手很快就将诞生。这种过高的预期并不利于目标的达成,因为可能带来更大的落差和更快的冷却。因此合理地引导和管理民众预期是智能助手的研发者们,以及广大媒体的共同责任。其次,虽然各项技术的进步使智能助手已经可以实现很多功能,但距离理想目标还有非常明显的差距。例如对于语音识别技术,背景噪音、口音方言等都会使得识别效果打折扣;再如语义理解技术,口语化的、上下文相关的需求解析也是亟待解决的难题。在打磨每项具体技术的同时,各项技术之间如何整合、避免错误级联也是需要认真考虑的问题。再次,智能助手的成功需要整个生态的进化。具体来说,若要智能助手能够帮助用户搜索和使用一个app,就需要智能助手能够“看到”每个 app 里面的内容,并能够调起和操作 app,这需要的不仅是技术能力,而是智能助手与 app 开发者、信息服务提供者,乃至整个 O2O 的生态建设问题。

然而纵观本轮智能助手的研发热潮,我们还是看到了很多与此前相比可喜的变化。第一,各家智能助手研发者对于用户需求痛点的分析更加准确透彻,发力更加有的放矢。第二,各款智能助手的目标更细化明确,不再追求大而全的理想态,而是聚焦特定的定位、功能或者垂直品类。第三,各智能助手的实现路径更务实,不再一味强调人工智能技术包打天下,而是致力于将人工智能技术与专家系统、众包模式更好地结合。我们有理由相信这一轮热潮会让我们朝着智能助手的目标向前挺近一大步。智能助手将不再仅仅停留在科幻电影里,而是距离我们的现实生活越来越近。

时间: 2024-08-27 04:47:32

《中国人工智能学会通讯》——1.29 智能助手的问题与展望的相关文章

中国人工智能学会通讯——数据助力智能驾驶体验

我个人的经历,之前也从事人工智能方面的工作,多数在语音识别研究和应用.从去年加入数据堂以来,专注于在AI数据.数据和人工智能之间的关系,我想大家都很了解,也不言而喻,数据是一个非常重要的方面.数据跟我们的算法之间是什么关系.我喜欢用这样一个比喻,数据是一个教材,算法像是一个老师,老师用教材去教导你未来想要产生的人工智能的任何一个应用,比如说在今天的论坛上--智能驾驶,智能驾驶就是智能应用的一个孩子. 我们先看一下智能驾驶,大家讲了很多在自动驾驶方面的事情,包括算法.硬件等.我想从另外一个角度,从

中国人工智能学会通讯——深度学习与推荐系统 3 总结与展望

3 总结与展望 本文中简要介绍了推荐系统的核心技术,以及关于深度学习在推荐系统上的最新进展.可以看到,目前深度模型在推荐系统上的应用还处于比较初级的阶段[28],尤其是技术上的发展较慢于计算机视觉和自然语言处理领域.关于未来工作有如下三点展望. (1)在线学习与增量学习.在实际产品中,用户数据实时到达,为了更好地提供服务,推荐系统模型需要能够实时.有效地刷新推荐列表,这对模型的在线学习和增量学习带来挑战.现有的工作主要考虑矩阵分解等浅层模型的在线学习[13,16],对于深度模型的研究较为稀疏.

中国人工智能学会通讯——智创未来 未来已来

2016 年带着我们难忘的记忆,就这样翻篇了.由我们学会发起.全国多个组织积极参与的.纪念全球人工智能 60 年的一个个系列活动历历在目,在我们身边发生的种种无人驾驶的比赛和试验活动还在让我们激动不已,AlphaGo 战胜人类围棋冠军李世石的震荡被 Master 的新战绩推向又一个新高潮,时间就这样把我们带入了新的一年--2017 年. 对 2017 年的人工智能,我们会有什么期待呢? 深度学习会火 无人驾驶会火 机器人产业会火 机器同传会火 人机博弈会火 交互认知会火 不确定性人工智能会火 智

中国人工智能学会通讯——无智能,不驾驶——面向未来的智能驾驶时代 ( 下 )

到目前为止似乎比较完美,而实际还 存在着一些问题.我们现在看到很多道 路上面,交通标志牌它的分布非常稀疏, 可能每过一两公里才能够检测出来一个 交通标志牌,因为毕竟这个深度学习算 法是目前最完美的,它有时候还会错过 一个交通标志牌,这时候怎么办呢?我 们会发现在路面上也有非常明显的视觉 特征,我只要把路面的这些视觉特征识 别出来进行匹配,其实是有连续的绝对 的视觉参考的.所以我们做的办法是, 把这个路面粘贴起来.这个粘贴的方法 很简单,跟我们手机拍场景图片一样, 我们慢慢移动的时候可以把这个场景

中国人工智能学会通讯——混合智能概念与新进展

脑科学以阐明脑的工作原理为目标,近年来已成为最重要的科学前沿领域之一.脑功能计算.脑智能模仿再度成为学术界和产业界热议话题[1-4].欧盟.美国.日本相继启动了大型脑研究计划,强有力推动了人们对脑结构.脑功能和脑智能的探索和认识:另一方面,人工智能研究风起云涌,最近一个标志性事件是谷歌的AlphaGo以4:1战胜围棋世界冠军李世石[5],实现了围棋人工智能领域史无前例的突破.2016年9月斯坦福大学发布了<2030年的人工智能与生活>报告[6],全面评估了当前人工智能的进展.挑战.机遇与展望.

中国人工智能学会通讯——着力突破与创新 实现超越与引领

提 要 2016年3月,围棋人机大战的结果,在舆论界激起了惊涛骇浪:在科技界也引起了强烈反响.为了把握人工智能的发展现状和规律,探讨我国人工智能的发展战略,在中国人工智能学会和众多人工智能同行的支持下,由本文作者出面申请了一次高层战略研讨会,这就是以"发展人工智能,引领科技创新"为主题的香山科学会议.与会者同气相求.同心协力,站在国家战略的高度,以纵览全球的视野,通过深入的研讨和论证,凝聚了诸多宝贵的共识,形成了直送中央的<关于加快发展我国人工智能的专家建议>.本文简要介绍

中国人工智能学会通讯——深蓝、沃森与AlphaGo

在 2016 年 3 月 份,正当李 世石与AlphaGo 进行人机大战的时候,我曾经写过 一 篇< 人 工 智 能 的 里 程 碑: 从 深 蓝 到AlphaGo>,自从 1997 年深蓝战胜卡斯帕罗夫之后,随着计算机硬件水平的提高,计算机象棋(包括国际象棋和中国象棋)水平有了很大的提高,达到了可以战胜人类最高棋手的水平.但是,长期以来,在计算机围棋上进展却十分缓慢,在 2006 年引入了蒙特卡洛树搜索方法之后,也只能达到业余 5 段的水平.所以 AlphaGo 战胜韩国棋手李世石,确实是人

中国人工智能学会通讯——深度学习与视觉计算 1.3 计算机视觉领域利用深度学习可能带来的未来研究方向

1.3 计算机视觉领域利用深度学习可能带来的未来研究方向 第一个,深度图像分析.目前基于深度 学习的图像算法在实验数据库上效果还是 不错的,但是远远不能够满足实际大规模 应用需求,需要进一步的提升算法性能从 而能够转化相应的实际应用.比如这个基 于图片的应用,可以估计性别和年龄,但 是其实经常会犯错,因此需要进一步提升 深度图像分析的性能. 第二个,深度视频分析.视频分析牵扯 到大量的数据和计算量,所以做起来更加 麻烦.当前深度视频分析还处于起步的阶 段,然而视频应用非常广泛,比如人机交互. 智

中国人工智能学会通讯——2016机器智能前沿论坛召开

2016 年 12 月 17 日,由中国人工智能学会.中国工程院战略咨询中心主办,今日头条.IEEE<计算科学评论>协办的"2016机器智能前沿论坛"暨"2016 BYTE CUP国际机器学习竞赛颁奖仪式"在中国工程院举办.论坛嘉宾包括中外顶尖的数据挖掘.机器学习,以及自然语言处理方向的专家学者. 与以往不同,本次论坛除介绍机器学习的重大进展和应用外,还着重讨论了机器学习技术在媒体数据上的应用,并为2016 BYTE CUP 国际机器学习竞赛的获奖选手进