中国人工智能学会通讯——战马袭心我懂你所感

人工智能面临的挑战或许不来自“智能”的部分,而来自“人”。由于我们对自身感知万物、产生情感、理解世界的机制尚不完全清楚,要让机器完成不完整信息条件下复杂任务的规划和推理更是难上加难。

从上世纪60年代到当下的人工智能浪潮,研究最多、也最受关注的就是下棋。然而,不管是国际象棋还是围棋,都是抽象的表达,描述棋局的对弈状态与精确表征自然界相比过于简单:棋盘的位置是有限的,下棋的动作也是有限的,没有感知和动作执行的不确定性。

因此,在人工智能的赛道上,强大的计算与数据收集能力只负责起跑,感知与认知能力才是整个赛程。已有专家指出:“感知能力是智能最重要的组成部分,而提高机器的感知能力依赖于器件和新型传感技术的进步。”[1] 2015年11月,新华网融媒体未来研究院在国内第一次尝试用生物传感技术表达观众参与文化艺术活动的感觉,这就是“战马袭心”实验。

时间: 2024-09-14 10:51:06

中国人工智能学会通讯——战马袭心我懂你所感的相关文章

中国人工智能学会通讯——战马袭心我懂你所感 1.1 情感计算 : 了解观众的真实感受

1.1 情感计算 : 了解观众的真实感受 舞台剧<战马>(见图1)以"一战"为背景,讲述了英国小男孩儿与马之间的故事,既有温暖细腻的情感场面,也有惊心动魄的战争场景.2007年首演于伦敦后,在全球已上演过4 000多场,观剧人次超过600万.2015年,由中国国家话剧院联合英国国家剧院制作的中文版<战马>问世.主创人员非常想了解这匹载誉全球的战马,是否能被中国观众认可.然而,如何了解到普通观众的真实体验? 人类参与艺术活动需要积极调动自身的感知与认知系统,&qu

中国人工智能学会通讯——一张图看懂BP算法 1.1 引言

1.1 引言 神经网络是实现人工智能的重要途径之一.近年来,深度神经网络在语音识别.图像理解.自然语言处理.智能博弈.智能医疗等领域内的大数据问题上取得一系列重大突破,引起了人们对神经网络的极大兴趣,并引领人工智能蓬勃向前发展.反向传播(backpropagation,BP)算法是深度神经网络最基本的算法之一,对深度神经网络的发展起着十分重要的作用,已成为深度神经网络理论的一个无可厚非的基石. BP算法的关键是反向计算敏感性,通过巧妙利用数学分析中求偏导数的链式法则,将敏感性反向传播,在数学上是

中国人工智能学会通讯——一张图看懂BP算法 1.3 神经网络的 BP 算法

1.3 神经网络的 BP 算法 它描述了网络输出和目标输出之间的距离,刻画了网络性能的好坏.显然,J越小,网络性能越好.寻求J的极小点是BP算法的目标. 这一关系式表明只要能计算出敏感性,即可据此计算出梯度. 删除中间过程,有 通过计算网络最后一层神经元的敏感性,然后在网络中反向逐层计算其他层神经元敏感性,这就是所谓BP. 图4非常容易记忆和理解,这就是我们所谓的一张图看懂BP算法.

中国人工智能学会通讯——一张图看懂BP算法 1.4 致谢

1.4 致谢 本文内容和相关图示,来自我每年秋天为四川大学计算机学院本科生开设的 课 程"Understanding Deep Neural Networks".感谢我的博士研究生王建勇和郭泉同学整理了本文的初稿. Fellow of IEEE,四川大学计算机学院院长,教授,博士生导师,四川省 2011 大数据分析协同创新中心主任.发表 SCI 学术论文 200 余篇,其中 IEEE Transactions 系列论文 50 余篇,著有"Convergence Analysi

中国人工智能学会通讯——一张图看懂BP算法 1.2 神经网络模型

1.2 神经网络模型 神经元模型 我们先从神经元模型说起,图1所示是一个熟知的最简单的神经元模型. 该神经元模型的数学表达式为 前馈网络模型 通过按某种方式将神经元连接起来,就可构成相关神经网络.图2所示为一个熟知的前馈网络模型,该网络有L层,第1层为输入层,第L层为网络输出层.在这个网络中,前一层神经元连接到后一层神经元,同层的神经元之间没有任何连接. 前向计算

中国人工智能学会通讯——机器学习里的贝叶斯基本理论、模型和算法

非常感 谢周老师给这个机会让我跟大家分享一下.我今天想和大家分享的是,在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法--贝叶斯方法.它是在机器学习和人工智能里比较经典的方法. 类似的报告我之前在CCF ADL讲过,包括去年暑假周老师做学术主任在广州有过一次报告,大家如果想看相关的工作,我们写了一篇文章,正好我今天讲的大部分思想在这个文章里面有一个更系统的讲述,大家可以下去找这篇文章读. 这次分享主要包括三个部分: 第一部分:基本理论.模型和算法 贝叶斯方法基础 正则化贝叶斯推

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——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