人工智能的演講稿

人工智能的演講稿5篇

　　演講稿可以起到整理演講者的思路、提示演講的內容、限定演講的速度的作用。隨著(zhù)社會(huì )一步步向前發(fā)展，演講稿在我們的視野里出現的頻率越來(lái)越高，怎么寫(xiě)演講稿才能避免踩雷呢？下面是小編為大家整理的人工智能的演講稿，僅供參考，希望能夠幫助到大家。

人工智能的演講稿1

　　大家好，今天非常高興、非常榮幸能參加這樣一個(gè)盛會(huì )。今天我給帶來(lái)的演講是我的一點(diǎn)學(xué)習心得，題目叫做自學(xué)習的人工智能。首先大家都知道在60周年之際，我們首先應該記住的是這位人工智能的先驅?zhuān)瑘D靈。在他的問(wèn)題的感召下，我們就有了今天這樣的一個(gè)盛會(huì )和今天人工智能的飛速發(fā)展。他的問(wèn)題，機器可以思維嗎?可以從不同的維度來(lái)解釋?zhuān)�那么首先人�?lèi)對人工智能的一個(gè)探索也可以圍繞對問(wèn)題不同解釋的探索。

　　第一個(gè)探索，應該說(shuō)是在邏輯層面的探索。60年代人工智能的這些先驅就考慮用邏輯和搜索來(lái)研究人工智能，比如下棋、推理，比如說(shuō)可以去做路徑規劃等等。那么他們有一個(gè)很強的假設，這個(gè)假設應該說(shuō)從某種程度上來(lái)說(shuō)是非常直觀(guān)的。智能包括計算機可能賦予的智能，是來(lái)自于計算物理符號的排列組合，我們只要能很聰明的把這些物理符號排列組合的話(huà)，人類(lèi)是可以從一系列的零和一的組合來(lái)得到。有了一些成就之后也發(fā)現這樣的假設是有它的瓶頸的。在之后大家又有一部分人著(zhù)力于研究能夠有學(xué)習功能的人工智能，就有不同的學(xué)習算法，機器學(xué)習的計算法被研究出來(lái)。其中包括大家都熟悉的人工神經(jīng)網(wǎng)絡(luò )。

　　人工智能的幾個(gè)里程碑我們現在也很熟悉，第一個(gè)大家公認的是里程碑是深藍，這個(gè)比賽意味著(zhù)幾件事。一個(gè)是說(shuō)在大規模的搜索的狀態(tài)下，在可能的狀態(tài)空間的搜索，實(shí)際上是一個(gè)在物理符號的空間的排列組合。也就是說(shuō)在60年代人們的那些假設有一部分是正確的，我們確實(shí)可以從這種搜索和物理符號的排列組合獲得很多的智能。

　　緊接著(zhù)的階段是，知識就是力量，這是隨著(zhù)互聯(lián)網(wǎng)和大數據到來(lái)的一個(gè)熱潮，從網(wǎng)上，從不同的媒體我們會(huì )獲得很多數據，把這些數據經(jīng)過(guò)沉淀變成知識，我們就可以贏(yíng)得像這樣一個(gè)電視大賽中的人機對戰。

　　這個(gè)之后，剛剛芮勇博士也深入的回顧了一下最近的人工智能的突破，就是深度神經(jīng)網(wǎng)絡(luò )。深度神經(jīng)網(wǎng)絡(luò )的突破從計算上來(lái)說(shuō)有幾個(gè)好處，其中一個(gè)好處是說(shuō)它把一個(gè)全局計算的需求變成一個(gè)本地計算的需求，在做到這樣的一個(gè)同時(shí)呢，又不失掉很多的信息，這個(gè)是計算機里面無(wú)數成就的一個(gè)中心點(diǎn)。這樣的一個(gè)成功就使得我們能夠在不同的層次來(lái)觀(guān)察同一個(gè)數據，同樣就可以獲得我們所謂的大局觀(guān)。就像這個(gè)圖，我們在不同的層次可以得到不同的特征。

　　這里我們要特別強調的是人工智能也在另外一個(gè)方面潛移默化的默默的在耕耘，這個(gè)就叫做強化學(xué)習。強化學(xué)習應該說(shuō)是用來(lái)做人工智能規劃的有力工具，但不是唯一的規矩。規劃這個(gè)領(lǐng)域相對深度學(xué)習應該說(shuō)更古老，研究的力度也很多。但在很長(cháng)時(shí)間一段處于靜默狀態(tài)，這個(gè)原因是因為它在計算上有很大的瓶頸，不能有很大得數據量。一個(gè)例子就是強化學(xué)習在很長(cháng)時(shí)間以來(lái)只能解決一些玩具型的問(wèn)題，非常小的數據。但是最近的一個(gè)突破是Google的DeepMind，把深度學(xué)習和強化學(xué)習合在一起，這樣的一個(gè)議題使得很多強化學(xué)習所需要突破的瓶頸，就是狀態(tài)的個(gè)數能隱藏起來(lái)。這種隱藏就使得強化學(xué)習能夠大規模的應付數據，就是說(shuō)應付大數據。它突出的一點(diǎn)叫做端到端的學(xué)習，就是說(shuō)我們在這里看到一個(gè)計算機的游戲，這個(gè)游戲的影像是輸入端，輸出端就是你要進(jìn)行的下一個(gè)動(dòng)作。這個(gè)動(dòng)作是正確還是不正確，到最后會(huì )獲得一個(gè)反饋，這個(gè)反饋不一定是現在得到，也許是后面幾步得到的。這一點(diǎn)和我們剛剛講的深度學(xué)習在圖像上面的應用，就大不一樣。就更加復雜，更加契合人的行為，所以強化學(xué)習也是下一個(gè)突破。

　　我們看到這種端到端的深度學(xué)習，應用在強化學(xué)習上，使得DeepMind到今天在很古老的單人的計算機游戲上已經(jīng)把人類(lèi)完全擊倒，它做到這樣是通過(guò)完全的自學(xué)習，自我修煉、自我改正，然后一個(gè)一個(gè)迭代。這個(gè)就是它迭代的一些結果，從左到右是一個(gè)時(shí)間軸，從下到上是它得到的效果。我們看到每一個(gè)游戲它的要求都是在不斷成長(cháng)的，就像我們一個(gè)學(xué)生在學(xué)習的過(guò)程當中學(xué)到的知識越來(lái)越多，這個(gè)完全是自我實(shí)現，一個(gè)自學(xué)習的過(guò)程。

　　包括現在的AlphaGo也應用了很多自學(xué)習的這種效果，使得我們現在終于認清原來(lái)人工智能從60年代到20xx年的物理符號的假設，也就是說(shuō)以搜索為中心，以邏輯為中心的這種努力并沒(méi)有白費，這種努力也是需要的。另外學(xué)習也是必不可少的，像我們熟知的深度學(xué)習。所以AlphaGo對我們的啟示，就是我們把兩者結合起來(lái)，才是一個(gè)完整的智能機器。這個(gè)我們可以叫做人工智能的通用性，也就是說(shuō)我們對于這兩個(gè)技術(shù)的某種結合，比方說(shuō)多一點(diǎn)搜索，少一點(diǎn)機器學(xué)習，或者反之我們夠可以得到用來(lái)解釋不同的人類(lèi)的智能行為。這種通用型，端到端的學(xué)習，可以用這個(gè)例子來(lái)表達。就是這個(gè)雞可以吃不同的食物，但是它下的蛋都是對人類(lèi)有用的。

　　這里我要特別提到一點(diǎn)，我們并不是找到了最后的目標，這也是在不同的人工智能、強化學(xué)習，等等之類(lèi)的實(shí)驗當中我們發(fā)現一個(gè)特點(diǎn)。就是我們不能完全的依靠機器去全部自動(dòng)化的自我學(xué)習，至少到現在我們還沒(méi)有摸索出這樣一個(gè)路徑。這里是大學(xué)的例子，中文是永動(dòng)機器學(xué)習，就是說(shuō)這個(gè)機器不斷的在網(wǎng)上爬一些網(wǎng)頁(yè)，在每個(gè)網(wǎng)頁(yè)里面都學(xué)到一些知識，把這些知識綜合起來(lái)，變成幾千萬(wàn)條知識，這些知識又會(huì )衍生新的知識。那么我們看到從下到上是隨著(zhù)時(shí)間，知識量的增長(cháng)。那么它到了某一個(gè)程度實(shí)際上是不能再往上走了，因為知識會(huì )自我矛盾。這個(gè)時(shí)候就需要人進(jìn)來(lái)進(jìn)行一部分的調節，把一部分不正確的知識去掉，讓它繼續能成長(cháng)。這個(gè)過(guò)程為什么會(huì )發(fā)生呢?是因為機器學(xué)習一個(gè)很?chē)乐氐默F象，就是自我偏差，這種偏差就可以體現在這種統計學(xué)的一個(gè)重要的`概念，就是我們獲得的數據也許是一個(gè)有偏數據，我們可能建了一個(gè)模型，對大部分的數據都有用，但其中有一些特例。我們如何來(lái)處理這些特例，如何來(lái)處理我們訓練數據和應用數據之間的偏差，這個(gè)是我們下一步要研究的內容。

　　一個(gè)非常有希望的技術(shù)叫做遷移學(xué)習，比方說(shuō)這個(gè)是在深度學(xué)習的模型上，在上面這一部分是一個(gè)領(lǐng)域已經(jīng)訓練好的模型。那么在一個(gè)新的領(lǐng)域，如果這兩個(gè)領(lǐng)域之間有某種聯(lián)系、某種相似性的話(huà)，我們就不一定在新的領(lǐng)域需要那么多的數據來(lái)學(xué)習，你只需要一小部分。我們之所以能做到這一點(diǎn)是我們可以把大部分的模型給遷移過(guò)來(lái)，我們人有這種能力，但是我們在做這種數據遷移的過(guò)程中，我們一定要牢記把這種有偏的數據偏差給消除掉。如果能做到這點(diǎn)我們就能做到不同形式的數據之間的知識遷移，比方說(shuō)我們可以讓一個(gè)計算機來(lái)讀很多文字，這樣的一個(gè)計算機去識別圖像，應該比沒(méi)有讀這些文字，直接去學(xué)習圖像來(lái)的要容易。這個(gè)就更像我們人類(lèi)的學(xué)習。這種學(xué)習也離不開(kāi)從下到上，從粗到細這樣的一種特征的選擇。

　　所以我們又得到另外一個(gè)概念，就是特征工程。深度學(xué)習給我們的一個(gè)有力的工具是能夠自動(dòng)的進(jìn)行不同層次，進(jìn)行大規模的新特征的抽取和特征的制造。那么這種特征在搜索引擎、廣告系統上面，可以達到萬(wàn)億級，也就是說(shuō)這個(gè)已經(jīng)完全不是人類(lèi)所可以控制的級別了。那么智能在這樣的級別上才可以產(chǎn)生。

　　但是現在人工智能仍然有一些困境，比方說(shuō)如何能夠讓人工智能來(lái)深層的理解文字，有一個(gè)著(zhù)名的類(lèi)似于圖靈測試的比賽，深層次理解文字，這個(gè)是在自然語(yǔ)言上問(wèn)一些有歧異的問(wèn)題，計算機如果要能正確的回答這個(gè)問(wèn)題，那個(gè)模型不僅僅理解這些文字，而且要理解深層的背景文字，要理解周邊的文字，有很多文化在里面，如何能達到這一點(diǎn)?也是我們需要解決的。

　　同時(shí)深度模型還可以把它反轉，成為一種生成膜型。它不僅可以去對數據做一個(gè)決策，它還可以自己產(chǎn)生數據，可以產(chǎn)生新的數據。比方說(shuō)這個(gè)是Google的一些研究員把一個(gè)深層模型里面的感知最深刻的那些圖像給描述出來(lái)，結果是這樣的，就非常有趣的生成膜型。

　　剛剛講的不同數字格式之間，文字和圖像之間，如果在深層實(shí)際上它們的區別已經(jīng)消失了。那這樣我們就可以對圖像去問(wèn)文字的問(wèn)題，甚至對文字去問(wèn)圖像的問(wèn)題。這樣數據的形式也就不重要了。

　　如果我們達到了遷移學(xué)習的要點(diǎn)，我們想問(wèn)下一步是不是可以把所有人類(lèi)經(jīng)歷過(guò)的這些學(xué)習的任務(wù)給沿著(zhù)時(shí)間軸串起來(lái)，能夠讓機器向人一樣的，它的學(xué)習能力，它的智能在不斷的增長(cháng)，隨著(zhù)時(shí)間。那么它所需要學(xué)習的努力程度，樣本數也是逐漸減少的。這個(gè)也是我們在努力的一個(gè)方向。

　　另外最近發(fā)表了一篇文章也說(shuō)明了遷移學(xué)習的重要性。這個(gè)文章叫做bayesianprogram learning，這是從一個(gè)例子就能學(xué)會(huì )，我們知道深度學(xué)習是千萬(wàn)個(gè)例子的。實(shí)際上它用了我們過(guò)去沒(méi)有涉及到的概念，就叫做結構，如果我們了解了一個(gè)問(wèn)題的結構，那么這個(gè)結構的一個(gè)具體的形式只用一個(gè)例子就可以學(xué)會(huì )了。其他的部分，需要很多例子的那一部分可能是參數、統計，這一部分我們實(shí)際上可以通過(guò)遷移學(xué)習來(lái)學(xué)習。也就是說(shuō)整個(gè)這個(gè)圓就圓滿(mǎn)了，就是一個(gè)閉環(huán)了。

　　同時(shí)人工智能的應用也不僅僅是在圖像方面，這里的一個(gè)例子是亞馬遜的倉儲機器人。亞馬遜的倉儲機器人是在一個(gè)很大的空間，這些機器人會(huì )把這些貨架，每個(gè)貨架上面都有不同的貨品，把這些貨架偷到工人的面前，讓工人從貨架上面拿所需的貨品到箱子里面，然后快遞給客戶(hù)。為什么是這樣呢?因為現在的機器人技術(shù)在選擇，從貨架上選擇物體還遠遠不如人的熟練程度，但是它在路徑規劃，在機械的啟動(dòng)、抬起、放下已經(jīng)超過(guò)人了。所以亞馬遜的就很聰明的把機器的優(yōu)點(diǎn)和人的優(yōu)點(diǎn)結合在一起，變成一個(gè)新的商業(yè)模式。如果過(guò)去建一個(gè)倉儲在支持這個(gè)城市亞馬遜所有的物流的話(huà)，需要三個(gè)月時(shí)間，他用了這個(gè)把所有的傳送帶拆掉，變成機器人以后只用三天時(shí)間，這個(gè)收益是非常巨大的，也就是我們可以借鑒，可以拓展的一個(gè)經(jīng)驗。

　　下面要講的，不僅在機器人，在圖像識別，實(shí)際上在我們的生活當中，人工智能已經(jīng)深入了。這里舉的一個(gè)例子是我和我的一個(gè)學(xué)生戴文淵，建的一個(gè)公司，第四范式，這個(gè)公司可以讓過(guò)去在金融領(lǐng)域只能由人來(lái)服務(wù)重要的客戶(hù)，由人工智能來(lái)把這個(gè)能力拓展到幾千萬(wàn)人，讓每個(gè)人都享受到優(yōu)質(zhì)的金融服務(wù)。這是一個(gè)非常大的工程。它背后的技術(shù)就是機器學(xué)習，我們所熟知的深度學(xué)習、知識學(xué)習、強化學(xué)習。

　　最后我要說(shuō)幾點(diǎn)，我們看到這么多人工智能的努力，人工智能的有失敗的時(shí)候，有成功的時(shí)候，我們到現在能總結出什么經(jīng)驗呢?我覺(jué)得現在的人工智能的成功離不開(kāi)高質(zhì)量的大數據，但是并不是未來(lái)的人工智能的成功一定需要大數據。那么我們下面要問(wèn)是不是在未來(lái)有小數據也可以讓人工智能成功，這就是今天我覺(jué)得在大學(xué)里面應該做的一個(gè)研究，在工業(yè)上大家還在開(kāi)疆拓土，利用大數據的優(yōu)勢在發(fā)現新的應用利于。

　　第二個(gè)，就是要培養出更多的人工智能的人才。這些人才才可以來(lái)設計算法，這個(gè)也是我們今天在大學(xué)里面需要努力的一個(gè)方向。當然這些都離不開(kāi)計算能力。

　　所以從這幾點(diǎn)上來(lái)看人工智能的努力也不是像有些人說(shuō)的，今天的人工智能的發(fā)展完全在工業(yè)，人工智能的發(fā)展也應該一部分依靠大學(xué)，一部分依靠工業(yè)。就像我們所說(shuō)的大數據和人才的培養，小數據的研究。那么大數據的開(kāi)疆拓土更多的應用，和更多的計算能力，確實(shí)來(lái)自于工業(yè)。所以這兩種結合我覺(jué)得是我們今后發(fā)展的一個(gè)方向。

　　最后我要說(shuō)一點(diǎn)，就是說(shuō)我們應該說(shuō)已經(jīng)了解很多深度學(xué)習了，這個(gè)可以作為我們昨天的一個(gè)成就。那么今天我們在剛剛開(kāi)始去獲得強化學(xué)習的一個(gè)紅利，那么這個(gè)可能還不是在很多的領(lǐng)域得到應用的，但是我要告訴大家的是，強化學(xué)習比大家想象的要更有用，比方說(shuō)它不僅僅是在圍棋或者是在計算機游戲上。在金融，在我們日常生活當中，甚至在教育上，機器人的規劃都離不開(kāi)強化學(xué)習。那么這些應該說(shuō)都是富人的游戲，也就是說(shuō)只有富人才能有這么多的大數據，有這么多的計算量去支持深度學(xué)習和強化學(xué)習這樣的實(shí)際應用。那么我們明天要看到的應該是遷移學(xué)習，因為遷移學(xué)習能夠讓我們把大數據得到的模型遷移到小數據上面，使得千千萬(wàn)萬(wàn)的人都能夠受益，也就是說(shuō)人人都能享受人工智能帶來(lái)的紅利。我今天講到這兒，謝謝大家。

人工智能的演講稿2

　　我在的部門(mén)在百度叫做深度學(xué)習實(shí)驗室，這是20xx年的時(shí)候在百度成立的專(zhuān)注于深度學(xué)習的實(shí)驗室，應該是全世界在工業(yè)里面第一個(gè)專(zhuān)注于深度學(xué)習研究的實(shí)驗室。我今天要和大家分享的首先是看一下最近幾年來(lái)人工智能在圖像語(yǔ)言方面的最新的進(jìn)展，以及分享一下我對人工智能目前它缺少的東西，以及以后我們未來(lái)可以去繼續工作的方向。

　　人工智能這個(gè)概念最近幾年非�；�，我們看到人工智能傳統的一些研究方向，像計算機視覺(jué)，還有語(yǔ)音識別，這些方面在最近幾年都有了過(guò)去幾十年不可想象的巨大進(jìn)展。尤其是上個(gè)月Googel的AlphaGo和李世石下的那盤(pán)棋以后，更是激起了大家對人工智能高度的熱情。為什么人工智能在最近幾年有快速的發(fā)展呢?一個(gè)最重要的原因就是我們通過(guò)了幾十年的積累，我們現在已經(jīng)有了非�？捎^(guān)的計算能力，同時(shí)在這個(gè)計算能力的基礎上，可以在一個(gè)可接受的時(shí)間內處理大數據。我們最近幾年因為深度學(xué)習的發(fā)展，給我們提供了一個(gè)非常靈活的，非常具有建模能力的學(xué)習系統，正是因為這兩者的結合，它能夠把我們大數據后面蘊藏各種豐富復雜的關(guān)系，能夠把它提取出來(lái)。從而成為我們人工智能快速前進(jìn)的巨大推動(dòng)力。

　　因為看到深度學(xué)習的巨大潛力，百度也投入了非常多的力量來(lái)開(kāi)發(fā)一個(gè)深度學(xué)習的訓練和運算平臺。這個(gè)平臺叫做PADDLE。那它的目的就是為了把深度學(xué)習更好的應用到百度的各種產(chǎn)品里面去，讓它更方便的，更好的提高我們的用戶(hù)體驗，提高智能度。我們這個(gè)深度學(xué)習的平臺能支持各種豐富的數據類(lèi)型，比如說(shuō)像二維圖像數據，或者是詞的訓練數據，尤其像工業(yè)界非常重要的上千億的稀疏數據，也能非常有效的支持。

　　另外也提供了非常靈活的建模表達能力，能非常方便地根據他應用的需求，配置出不同的深度學(xué)習的模型。比如說(shuō)一個(gè)循環(huán)網(wǎng)絡(luò )，或者是處理圖像的卷積網(wǎng)絡(luò )，任何靈活的組合都可以在我們這個(gè)平臺上面很方便的配置出來(lái)。

　　因為在百度我們有非常大量的運算資源，為了能夠充分的應用我們的運算資源，我們這個(gè)平臺也非常高效的進(jìn)行多機的訓練，這樣也能很有效的處理我們的大量的數據。

　　因為有了這么一個(gè)非常高效，非常靈活的計算深度學(xué)習的平臺。百度最近幾年把深度學(xué)習運用到了產(chǎn)品的方方面面。比如說(shuō)核心的搜索和廣告這樣的產(chǎn)品，還有可能不太想到的，像數據中心的智能控制，病毒的查殺，這種產(chǎn)品里面我們都成功的把深度學(xué)習應用到上面去，提高我們產(chǎn)品的體驗。

　　隨著(zhù)深度學(xué)習的逐步在各種人工智能問(wèn)題里面的更深入的使用，我們現在開(kāi)始看到機器在一些很特定的感知問(wèn)題上，它的能力已經(jīng)在逐漸接近甚至超過(guò)了人類(lèi)的水平。比如語(yǔ)音識別，我們百度的語(yǔ)音搜索，在比較短的文字，和上下文沒(méi)有太大關(guān)系的語(yǔ)音識別這種任務(wù)，我們百度的語(yǔ)音識別系統做到明顯比人好的程度，錯誤率不到6%，而人的任務(wù)上的錯誤率可以是接近了10%。因為實(shí)際上在沒(méi)有上下文關(guān)系的情況下，這是非常難的任務(wù)。

　　還有另外一個(gè)例子就是人臉識別，也是隨著(zhù)深度學(xué)習的使用，人臉識別這個(gè)東西也是最近幾年有了非常大的提升。人臉識別一個(gè)最核心的任務(wù)，就是給兩幅圖，你要判斷是否來(lái)自同一個(gè)人，包括百度在內的很多公司還有研究團體，都取得了明顯比人好的水平。能看到我們的機器錯誤率現在非常低，只有0.23%，而人的任務(wù)率是0.8%，現在已經(jīng)不及機器了。

　　還有像其他一些圖像識別的任務(wù)，在最近幾年也都有了非�？焖俚倪M(jìn)步。比如說(shuō)細粒度圖像識別，在一類(lèi)物體里面我們還要區分它子類(lèi)，比如說(shuō)在狗里面要區分各種不同的狗。這樣的任務(wù)實(shí)際上是比更普通的物體識別更難，因為要對物體細致的特征有區分。這樣一個(gè)任務(wù)上在20xx年的時(shí)候，我們最好的系統錯誤率都還是50%，到了20xx年錯誤率就降到20%，可到今年最新的結果錯誤率就降到10%幾。像這種細粒度的物體是別人是很困難的，人是很難認識200多種狗的。

　　下面我們談一些語(yǔ)言方面用深度學(xué)習的進(jìn)展。我們知道其實(shí)語(yǔ)言是人類(lèi)智力的核心的體現。我們是用深度學(xué)習的思想來(lái)處理語(yǔ)義理解的任務(wù)。傳統在語(yǔ)義理解的任務(wù)里面，基本上是要分好幾步走的過(guò)程。首先要通過(guò)詞法解析、語(yǔ)法解析，然后構造各種人為的特征，然后得出語(yǔ)義分析的結果。深度學(xué)習的理念就是端到端的，從最原始的數據開(kāi)始的，這里就是一個(gè)詞的序列開(kāi)始的，我們不考慮任何的人為的特征構建，就直接用一個(gè)完整的模型，得出我們想要的結果。我們人對這個(gè)問(wèn)題的理解，主要是體現在我們模型的結構當中。這樣的思想，過(guò)去幾年在圖像識別、語(yǔ)音識別里面都給他們帶來(lái)了巨大的提升。我們在語(yǔ)音理解這樣的任務(wù)里面，也做到了比傳統方法好的結果。

　　另外一個(gè)非常好的，端到端的深度學(xué)習，在自然語(yǔ)言處理里面非常成功的應用，就是機器翻譯。端到端的機器翻譯的做法，是20xx年的Google首次提出來(lái)了，因為是一個(gè)新方法，大家認為很有潛力的。但是剛提出來(lái)的時(shí)候還是比傳統的方法有明顯的差距。但僅僅過(guò)了一年以后，就能夠達到了傳統方法的質(zhì)量。今年的結果已經(jīng)比傳統的方法好了。一旦我們用好了以后，就可以對它各種效果有非�？焖俚奶嵘�。

　　除了語(yǔ)言其實(shí)最近和語(yǔ)言相關(guān)的比較熱點(diǎn)的研究方向，就是把語(yǔ)言理解還有圖像識別，語(yǔ)言生成這些傳統的人工智能比較隔離的研究方向，有機的組合起來(lái)，用一個(gè)完整的深度學(xué)習模型來(lái)處理。通過(guò)這樣的一個(gè)整體的模型，我們機器就可以比較更自然的學(xué)到語(yǔ)言和它感知到的物理世界的聯(lián)系。

　　像這樣的統一的視覺(jué)語(yǔ)言統一的模型，我們有一些例子。第一個(gè)就是看圖說(shuō)話(huà)，給了圖以后，說(shuō)出一個(gè)非常自然的描述，“一輛火車(chē)沿著(zhù)森林間的鐵軌駛過(guò)”。也可以對圖像的自然語(yǔ)言的提問(wèn)，給出一個(gè)合適的答案。甚至也可以理解視頻，看到一段視頻以后也可以給對這個(gè)視頻做出描述。這個(gè)工作我們在百度是屬于比較早的開(kāi)始，現在也有很多研究機構在做這樣的視覺(jué)和語(yǔ)言統一的研究。

　　深度學(xué)習最近還有一個(gè)事，就是現在向更深的模式發(fā)展。在去年圖像識別比賽上面，我們看到獲獎最好的一個(gè)模型是微軟開(kāi)發(fā)的深度達到150多層的深度模型。另外我們在翻譯上也發(fā)現，隨著(zhù)模型深度的不斷加深，翻譯效果也是變得越來(lái)越好。

　　深度學(xué)習最近還有另外一些研究的熱點(diǎn)，就是所謂的推理、注意力、記憶，這方面是偏向于人類(lèi)認知能力的，希望把這樣的一些機制能放在深度學(xué)習能力模型里面來(lái)。特別是在這里面注意力這樣的機制，在一些實(shí)際的應用里面也取得了非常好的效果，比如細粒度的圖像識別，或者翻譯的任務(wù)。像記憶的機制，現在還是比較初期的階段。

　　深度學(xué)習給AI帶來(lái)了快速的進(jìn)展，但我們還有很多的路要走。人工智能這個(gè)概念是1955年的時(shí)候John McCarthy提出的，同時(shí)還有3位重量級的研究人物。他們說(shuō)了要用10個(gè)月花兩個(gè)月時(shí)間，對人工智能做一個(gè)非常巨大的進(jìn)步，實(shí)際上我們現在看到他這個(gè)是遠遠低估了人工智能的難度�，F在的人工智能還有很多的缺陷，人類(lèi)智能一個(gè)最核心的點(diǎn)就是自我學(xué)習和創(chuàng )造的能力，我們看到現在有很多具體的智能的系統，比如說(shuō)AlphaGo，它還缺乏一種自我學(xué)習和創(chuàng )造的能力。比如說(shuō)來(lái)了一個(gè)新的棋給他學(xué)，還需要大量的人參與工作，才可以改造。而人就不需要，人可以自己主動(dòng)的學(xué)習各種新的任務(wù)。

　　最重要的一點(diǎn)就是說(shuō)現在人工智能還缺少一種從少量標注數據學(xué)習的能力，一個(gè)例子比如說(shuō)圖像識別，ImageNet里每個(gè)物體種類(lèi)有幾百幅圖，一個(gè)小孩要認識一種東西可能幾幅圖足夠了。還有英法翻譯的訓練數據，人可能需要幾萬(wàn)個(gè)小時(shí)能閱讀完，但如果你是說(shuō)英語(yǔ)的，掌握法語(yǔ)的話(huà)可能只需要幾百小時(shí)。所以看到現在的深度學(xué)習缺乏少量標注學(xué)習的能力。

　　那么最核心的一點(diǎn)就是我們需要有對環(huán)境的一個(gè)非常好的'表示，就是說(shuō)我們需要通過(guò)非常大量的數據太能學(xué)習出來(lái)，非監督學(xué)習的機制，才能讓我們有效的利用到大量的非標注的數據，進(jìn)行非監督學(xué)習方式的一個(gè)最行之有效的方法，就是用它來(lái)預測未來(lái)。我們知道預測未來(lái)的能力是人智力的核心體現。比如說(shuō)物理學(xué)是一個(gè)對簡(jiǎn)單系統的預測，人類(lèi)的智力包括機器學(xué)習，是一個(gè)復雜系統的近似預測。如果我們通過(guò)這種預測未來(lái)的學(xué)習方式，就可以有效的掌握環(huán)境的規律，所以得到有效的表示。

　　我們現在的人工智能系統缺乏常識，剛才李院士也講了很多的自動(dòng)車(chē)，我們在座的很多人開(kāi)車(chē)可能開(kāi)幾百公里就非常好了。但大家知道我們現在最好的Google的自動(dòng)駕駛車(chē)，現在已經(jīng)開(kāi)了超過(guò)了200多萬(wàn)公里，但既使是這樣，現在還是不能夠去駕車(chē)。最核心的問(wèn)題是缺乏一種像人這樣的常識，就是說(shuō)它遇到很多路況對人是非常簡(jiǎn)單的，人看到就知道怎么做。但機器缺乏常識性的理解，就只能通過(guò)人一條一條把每種路況導入系統里去。要想解決這樣的問(wèn)題，我覺(jué)得有效的方式就是放到真實(shí)的環(huán)境里面學(xué)習，像這樣的概念最近在Facebook和微軟也提出了這樣的想法，他們提出創(chuàng )造一個(gè)虛擬的模擬環(huán)境，讓人工智能體在這個(gè)環(huán)境中自己去探索，然后就可以在這樣和環(huán)境的交互中，就能比較有效的建立它常識一樣的東西。

　　還有另外一個(gè)主要的局限之處，就是通過(guò)數據來(lái)學(xué)習。我們現在所有的東西首先要考慮搜集數據。我們人來(lái)學(xué)習，比如說(shuō)要區分這樣兩種不同的鳥(niǎo)，需要收集大量的數據，從數據里面自動(dòng)總結出規律出來(lái)。實(shí)際上我們人會(huì )告訴他，可以看到這兩個(gè)圖的區別，人可以用非常精煉的語(yǔ)言告訴其他人。而現在的機器學(xué)習還非常缺少有效的能夠利用人的知識的途徑。

　　我認為如果要解決這樣的問(wèn)題，我們需要把語(yǔ)言作為機器學(xué)習系統一個(gè)基礎的能力，否則的話(huà)我們就很難做到能夠把人類(lèi)大量的知識傳遞到機器里面去，然后同時(shí)來(lái)說(shuō)我們需要這個(gè)機器能夠理解語(yǔ)言，這樣我們才能夠表達人類(lèi)的需求，能夠幫助他的理解。旁邊這就是一個(gè)電影里面的人在教機器人來(lái)學(xué)習讀書(shū)。

　　我們要做真正像人這樣的非常強大的人工智能，可能我們需要從最基礎的東西開(kāi)始做起。我們需要做的是像幼兒一樣，讓他自主在一個(gè)環(huán)境里面去學(xué)習感知，學(xué)習他的行動(dòng)的一些基礎的技能，同時(shí)把學(xué)習語(yǔ)言作為一個(gè)最核心的東西，包含在這樣的一個(gè)系統里面。這些就是大概我的分享，我們還有非常多的困難，但是我覺(jué)得也給我們帶來(lái)非常多的機會(huì )，我也希望有更多人和我們一起探索人工智能非常有意思的問(wèn)題，去創(chuàng )造我們人工智能的未來(lái)，謝謝大家。

人工智能的演講稿3

　　----一個(gè)叫阿爾法狗的智能機器人戰勝了人類(lèi)的圍棋高手李世石，這件事情讓很多人感到恐慌。我的一位朋友說(shuō)，阿爾法狗徹底改變了她的世界觀(guān)。未來(lái)人類(lèi)該怎么辦？教育該怎么辦？今天我們就來(lái)說(shuō)說(shuō)這方面的話(huà)題。

　　----首先我們先了解一下什么是人工智能？最開(kāi)始計算機科學(xué)家們想讓發(fā)機器人能像人那樣思考，他們想讓計算機網(wǎng)絡(luò )像人的大腦神經(jīng)網(wǎng)絡(luò )一樣工作。但其實(shí)人類(lèi)對自己到底是如何思考的至今也沒(méi)有弄清楚，所以按照這種思路開(kāi)發(fā)的人工智能進(jìn)展不大。

　　----后來(lái)一些科學(xué)家轉變思路，開(kāi)始讓計算機按照自己的方式思考。他們讓計算機學(xué)習大量的數據，然后分析各種數據之間的相關(guān)性，從相關(guān)性中發(fā)現規律。

　　----比如阿爾法狗就是學(xué)習了人類(lèi)圍棋高手的大量的對弈棋譜，找出每一種下法與最終獲勝的概率之間的關(guān)系，然后選擇獲勝概率最高的那一種下法，并且自己與自己反復練習，人類(lèi)在這樣的智能機器人面前完全沒(méi)有獲勝的希望。

　　----因為人類(lèi)不是這樣思考的，人類(lèi)不可能記住那么龐大的數據，也不可能進(jìn)行那么復雜的計算。人類(lèi)思考是基于分析推理的，是從小樣本研究中發(fā)現因果關(guān)系，有時(shí)還要依賴(lài)直覺(jué)。既然是小樣本，就有可能出現抽樣誤差；直覺(jué)有很多時(shí)候也是錯的。而且人類(lèi)還要受體力精力和情緒的影響，很難不出差錯。所以我們現在已經(jīng)不好意思說(shuō)，計算機是人工智能了，更準確的說(shuō)法是機器智能。

　　----事實(shí)上，機器智能在很多方面已經(jīng)超越了人類(lèi)智能，它甚至能替代人類(lèi)完成很多以前只有人才能完成的工作。專(zhuān)家預言，未來(lái)有很多職業(yè)會(huì )消失，其中包括教師！

　　----舉個(gè)例子，現在學(xué)校里老師教小學(xué)生認字，要告訴他們這個(gè)字的讀音、書(shū)寫(xiě)的方法、字的意思是什么，可以組成哪些詞組等等。未來(lái)會(huì )有一款智能機器人一對一地教孩子們做這些事情，它可以發(fā)出中央電視臺播音員的聲音，也可以發(fā)出孩子們喜歡的明星或爸爸媽媽的聲音，它的筆順永遠不會(huì )寫(xiě)錯，而且從來(lái)不會(huì )不耐煩。事實(shí)上現在有些電腦學(xué)習軟件已經(jīng)可以部分完成這樣的工作了。

　　----又比如說(shuō)，數學(xué)的公式、物理的定律、化學(xué)的反應式、歷史事件與人物，這些中小學(xué)教科書(shū)上的知識，智能機器人能不能教呢？我相信大家也說(shuō)能！不僅能教，而且會(huì )比人類(lèi)的`教師教得更好，它可以把各學(xué)科教學(xué)名師的知識和經(jīng)驗都深度學(xué)習一遍，然后根據學(xué)生學(xué)習的表現，選擇最合適的指導方法。這跟阿爾法狗學(xué)習下圍棋沒(méi)有多少本質(zhì)上的不同。

　　----到了這個(gè)時(shí)候，還有多少人認為教師的職業(yè)不會(huì )消失呢？即使教師的職業(yè)不會(huì )消失，今天教師的大部分工作將被智能機器人取代，這一點(diǎn)應該沒(méi)有多少人懷疑了吧？

　　----如果教師的大部分工作都被智能機器人取代，那么學(xué)校會(huì )不會(huì )消亡呢？這是一個(gè)更讓人揪心的問(wèn)題。

　　-----我們現在的教育體系，是工業(yè)時(shí)代的產(chǎn)物。工業(yè)時(shí)代需要培養大量的流水線(xiàn)上的工人，和各行各業(yè)的專(zhuān)業(yè)人士。這些職業(yè)都有一定的標準和規范，需要從業(yè)者牢記這些標準和規范，以便在做這類(lèi)重復度很高的工作時(shí)，效率高，不容易出錯。

人工智能的演講稿4

　　剛才大家對機器人開(kāi)車(chē)有一點(diǎn)想法，好像總是感覺(jué)不靠譜。汽車(chē)——這個(gè)曾經(jīng)被稱(chēng)之為改變了世界的機器，今天受到了人們的質(zhì)疑，最大的問(wèn)題是，汽車(chē)成了人類(lèi)的第一殺手。我們做一個(gè)簡(jiǎn)單的調查，你的親人、朋友、親人朋友的朋友，在這個(gè)大朋友圈里，你有沒(méi)有發(fā)現，其中會(huì )有一個(gè)人曾經(jīng)受到過(guò)汽車(chē)事故的傷害？我看到有人點(diǎn)頭了，人類(lèi)開(kāi)車(chē)，更多的情況下，不是汽車(chē)的動(dòng)力學(xué)性能不好，而是人有更多的智能要釋放，他要看路邊的美女好看不好看，結果壞事了，這叫做注意力轉移。情緒不穩定，不是我們注意一點(diǎn)就可以的，因為人是個(gè)認知主體，他一定要開(kāi)小差的，他一定要睡眠的，他一定會(huì )疲勞的，所以車(chē)禍的百分之八十左右都是人為事故，不是車(chē)子不好，所以人們對這個(gè)人類(lèi)殺手是耿耿于懷的。我們發(fā)明了汽車(chē)，為什么讓它造成我們的'不幸呢？

　　人們對汽車(chē)的最大意見(jiàn)應該是把駕駛者的活，交給計算機、交給人工智能、交給科學(xué)技術(shù)。所以我們就千方百計地提高無(wú)人駕駛的可靠性、安全性。經(jīng)過(guò)我們的初步估算，人開(kāi)車(chē)的可靠性是十的負三次方，千分之一；而如果改成機器人開(kāi)車(chē)，計算的結果是十的負五次方，比人開(kāi)車(chē)的事故率會(huì )降低百分之一，所以安全問(wèn)題就解決了。

　　大家都比較關(guān)注剛才看到的那些攝像頭，這些攝像頭大概跟手機的那個(gè)攝像頭的價(jià)格差不多，一兩百塊錢(qián)就可以了。但是，要想看紅綠燈，看高速行駛的障礙物，這個(gè)攝像頭還是需要有一些特殊能力的，比如說(shuō)高動(dòng)態(tài)。大家知道攝像頭的一個(gè)最大問(wèn)題就是光照，夜間要開(kāi)車(chē)，大霧天也要開(kāi)車(chē)，所以攝像頭的難度很大。我想告訴大家光有傳感器還不夠，這就是認知的作用，智能車(chē)本質(zhì)上就是駕駛認知的形式化，需要一個(gè)腦子來(lái)認知。

　　重點(diǎn)是要講一下駕駛腦。我們去年用一輛大客車(chē)和幾輛小轎車(chē)，從鄭州到開(kāi)封實(shí)現了全程的無(wú)人駕駛。我們課題組利用這么多年的時(shí)間專(zhuān)門(mén)從事駕駛腦、駕駛認知的形式化，還是嘗到了一些興奮點(diǎn)，這件事情不是那么容易的。鄭州到開(kāi)封的實(shí)驗成功之后，美國一個(gè)叫做“連線(xiàn)”的網(wǎng)站給我們做了個(gè)評論，它說(shuō)：谷歌那個(gè)小車(chē)子叫smart car，固然性感，大車(chē)子也性感，我才知道智能公交車(chē)，還可以用“性感”這個(gè)詞來(lái)形容。在智能駕駛當中，我們實(shí)際上走了很多的路程，20xx年，我們從北京到天津，在高速公路封閉的道路上做無(wú)人駕駛，大家可以看一看這段視頻，是三四年前的事情了。

　　當時(shí)的媒體也很震驚，覺(jué)得我們從北京到天津無(wú)人駕駛很了不起，其實(shí)震驚的不應該是這件事，而是我們汽車(chē)的頭頂上沒(méi)有頂美國的64線(xiàn)激光雷達。我們用的比較簡(jiǎn)單的雷達就把它做到了，我覺(jué)得這一點(diǎn)還是值得驕傲的。很多開(kāi)車(chē)的朋友都說(shuō)開(kāi)車(chē)是個(gè)樂(lè )趣，是人追求驚喜歷險的樂(lè )趣，我們用上海汽車(chē)集團的一輛新概念車(chē)叫iGS，做了一個(gè)賽車(chē)考駕照的科目，叫做十八米繞樁，既要快又不能碰到錐形標。你看，又要快又不能碰到這個(gè)錐形標。智能駕駛是個(gè)不可改變的方向，我們人要坐在車(chē)里面干什么呢？?jì)?yōu)雅地享受移動(dòng)生活呀，這多好呀。

　　人工智能六十年了，今天我們來(lái)看人工智能在我們這一代人身上到底發(fā)生了多大的變化。今年AlphaGo圍棋跟九段圍棋手李世石下了五盤(pán)，四比一贏(yíng)了，震撼了全世界。不知道在座的有沒(méi)有看看這個(gè)圍棋現場(chǎng)，我想問(wèn)一問(wèn)，圍棋是我們中國的傳統文化，在座的會(huì )下圍棋的舉下手，還是少了一點(diǎn)。AlphaGo圍棋能贏(yíng)，反映了我們人工智能在奔跑的道路上已經(jīng)有了一個(gè)新的里程碑。我想了一下，你到汽車(chē)裝配廠(chǎng)，到很多生產(chǎn)線(xiàn)去看，都是工業(yè)機器人在干活，這是一個(gè)方面，所以我們國家提出了智能制造20xx。另外還有一個(gè)方面，就是農業(yè)。大家知道由于現在我們國家的城鎮化，使得很多農村人到城里來(lái)了，尤其是青年人。中國的下一代農民的平均年齡你們想過(guò)沒(méi)有，可能是多少歲？

　　我先告訴你們兩個(gè)數字，日本的農民的平均年齡是65歲，美國的農民的平均年齡是60歲，中國的農民將來(lái)可能是50歲。年輕人都出來(lái)了，那靠什么呢？下一代的新農民就是無(wú)人拖拉機、無(wú)人收割機、農用無(wú)人機。所以我們可以憧憬一下，人工智能給我們的精準農業(yè)、智慧農業(yè)展示了很好的前景。尤其是服務(wù)機器人，我家里有個(gè)鬧鐘，六點(diǎn)鐘就響，在一定程度上也可以叫作叫醒機器人，只不過(guò)比較簡(jiǎn)單。如果你家里有很多家務(wù)活，而一個(gè)人有十個(gè)機器人為你服務(wù)，我們不是可以更加有尊嚴、更加優(yōu)雅、更加有智慧地生活嗎？所以我的觀(guān)點(diǎn)是：大家對人工智能還要多想一點(diǎn)，就像我們對科學(xué)要有一顆敬畏之心一樣，對人工智能也要有一顆敬畏之心。我們一定可以與機器人共舞，而且在共舞的過(guò)程當中，我想人類(lèi)還是領(lǐng)舞者。

人工智能的演講稿5

尊敬的老師，親愛(ài)的同學(xué)們：

　　大家好！

　　我們不難發(fā)現，在這個(gè)人工智能已悄然來(lái)臨的時(shí)代，比起去擔心我們會(huì )不會(huì )被人工智能所“統治”，我們更應該擔心的，是自己會(huì )不會(huì )被其“同化”

　　蘋(píng)果公司總裁庫克，對人工智能的降臨會(huì )不會(huì )使人類(lèi)像計算機一樣思考而失去了價(jià)值觀(guān)和同情心從而導致罔顧后果也表達了同樣的擔心。從庫克的擔憂(yōu)中我們很容易就可以分析出，他認為人類(lèi)于人工智能而言所擁有的絕對優(yōu)勢就是人類(lèi)的價(jià)值觀(guān)與同情心。用更通俗一點(diǎn)的'話(huà)來(lái)說(shuō)，就是人情味兒。而若從哲學(xué)的角度上說(shuō)，人類(lèi)所具有的判斷事物價(jià)值從而決定自己行為與對人或事的關(guān)愛(ài)，這是人工智能所無(wú)法達到的。但可怕的是，如果有一天，這些東西從我們的生活中離開(kāi)，那我們所面對的，不就是一個(gè)冰冰冷的世界了？

　　其實(shí)也不用那么悲觀(guān)，這不是一道單選題，非要人類(lèi)與人工智能之間拼個(gè)你死我活。在羅振宇的跨年演講《時(shí)間的朋友》中，他提出的五只黑天鵝概念之一就是人工智能時(shí)代。他認為有一部分人對于人工智能太負面了。我們都說(shuō)事物是具有矛盾性的，人工智能亦是如此。而更重要的是我們要抓住其中的主要矛盾方面，我們一定不能忘記人工智能給我們帶來(lái)的“利”。前不久阿里巴巴在線(xiàn)下嘗試開(kāi)辦了一個(gè)”自助超市“，體驗過(guò)的人無(wú)不驚嘆其高效、快捷。通過(guò)人臉識別掃描等操作就可以完成自助購物。在今后的生活中，這樣的自助模式會(huì )越來(lái)越常見(jiàn)。比起生活更便捷，也許有很多人擔心會(huì )不會(huì )有越來(lái)越多的崗位被人工智能所頂替，失業(yè)率會(huì )上升。其實(shí)我們完全可以把人工智能變成一種資本，讓它為我們服務(wù)，而我們?yōu)樗鼈儎?chuàng )造價(jià)值。

　　前不久同樣令人關(guān)注的還有阿爾法GO擊敗人類(lèi)，記得在《開(kāi)學(xué)第一課》上，節目組請到柯潔，他說(shuō)被阿爾法GO擊敗這其實(shí)沒(méi)什么，它的成功是人類(lèi)創(chuàng )造程序后輸入無(wú)數數據再進(jìn)行統計計算所得到的�？晌覀儾灰粯�，我們是有思想的血肉之軀，我們的世界并不是人工智能那樣非黑即白、冷酷無(wú)情的，我們是帶有主觀(guān)情感的高級生物。我們與人工智能是有本質(zhì)區別的，但同時(shí)，我們也都有自己存在的意義。

　　在人工智能不斷發(fā)展的這個(gè)時(shí)代，我們對人工智能的前景充滿(mǎn)希望。而在對于未來(lái)人工智能會(huì )帶給我們什么還未可知的情況下，我們仍應保持積極的心態(tài)去面對，將兩者放于一個(gè)平等的地位。此時(shí)我們能做的，就是堅持自己的價(jià)值觀(guān)，保持著(zhù)自己的這顆同情心，做事三思而后行，而不是像人工智能那樣用冰冷的程序代碼計算后再得到結果。

【人工智能的演講稿】相關(guān)文章：

人工智能作文08-23

人工智能心得12-01

人工智能經(jīng)典臺詞11-09

小學(xué)作文：人工智能11-07

人工智能品牌口號12-30

人工智能與生活07-28

人工智能的利弊分析04-12

人工智能作文【薦】02-25

人工智能專(zhuān)業(yè)介紹02-10

人工智能作文【精】03-05