未来五年人工智能将实现的五大突破

作者: 资本实验室 2019-05-07 14:42:19

不论是可以和你对话的智能音箱,还是能够自己作画的虚拟艺术家;不论是能够帮助农民准确判断种植和施肥时间的农场管理系统,又或者是能够在演唱会现场快速识别罪犯的人脸识别程序,人工智能已经开始在各行各业得到广泛应用。

那么,未来的人工智能又有着怎样的发展趋势,对医疗、能源、制造、网络安全等行业,以及我们的工作、生活、生命健康又将产生怎样的影响?近期,奇点大学人工智能和机器人学项目负责人Neil Jacobstein提出了自己的预测。他认为,在未来五年(2019-2024),人工智能将实现五大突破。

这些突破包括:人工智能将完全改变我们对传统识别模式的认识;医生会越来越离不开机器学习;量子计算将大大提升药物的研发效率;人工智能设计系统将帮助我们实现原子精确制造。当然,网络威胁也会与人工智能的发展相伴相随,但又从另一个方面带来更多的商业机会。

1.人工智能引发新的非人类模式识别和智能成果

AlphaGo Zero是一个机器学习程序,被用来训练玩复杂的围棋游戏。在2017年,它以100比0击败其上一代程序AlphaGo。而就在此前不久,AlphaGo刚刚因为在2016年击败人类围棋世界冠军,受到全球瞩目。

有趣的是,AlphaGo Zero不是从人类游戏中学习,而是通过与自身的对抗,或者说“自学”方式来进行训练,这是一种被称为强化学习的方法。

从头开始构建自己的知识,没有人类的偏见——AlphaGo Zero展示了一种全新的创造方式。更具突破性的是,这种人工智能模式识别允许机器在几个小时内飞速积累起数千年的知识。

虽然这些系统不能回答“什么是橙汁?”,或者与一个五年级学生进行智力竞争,但值得关注的是,它们越来越具有战略复杂性,并与其他形式的弱人工智能融合在一起。

在接下来的五年里,谁知道AlphaGo Zero的“继承者”将会以怎样的形式出现?但可以肯定的是,新的人工智能将不仅增强商业上的功能,也将为你的日常生活带来更多便利。

2.使用机器学习进行诊断和治疗对医生越来越重要

一组中美研究人员最近建立了一个人工智能系统,可以诊断从流感到脑膜炎等常见的儿童疾病。通过对近60万名患者、130万次门诊就诊的电子病历进行培训,这一项目产生了准确诊断结果。

此外,我们还可以看到,加州大学圣地亚哥分校眼科遗传学主任张康博士创建了能够精确诊断致盲性视网膜疾病与肺炎的人工智能工具。与医生相比,这一系统同样展示出了非常高的准确率。

Jacobstein预测,“我们很快就会看到一个转折点,医生会觉得在他们的日常实践中不使用机器学习和人工智能是一种风险,因为他们不想错过重要的诊断信号。”

3.量子优势将大大加速药物设计和测试

研究人员估计,可能的类药物分子数量可以达到10的60次方之多,其数量如此庞大,甚至超过了整个太阳系中的原子数量。但是,今天的化学家必须根据受分子结构影响的性质来预测药物,然后合成许多变体来测试他们的假设。

量子计算可以将这个耗时的、成本高昂的过程转变为一个高效的、改变生命的药物发现新机制。

Jacobstein说:“量子计算将带来重大的产业影响……不是通过破坏加密,而是通过大规模并行处理进入设计领域,这种处理可以利用量子叠加、量子干涉和量子纠缠,并且可以大大超过经典计算。”

4.人工智能对安全系统脆弱性和防御的影响

随着人工智能融入到我们生活的方方面面,网络变得越来越具有威胁性,而“Deep attacks”可以通过利用人工智能生成的内容来避免人类和人工智能的控制。

如果没有适当的保护,人工智能系统可以被操纵来执行任何数量的破坏性目标,无论是破坏名誉还是转移自动驾驶汽车。

Jacobstein认为:“我们的建筑物、家庭、医疗保健系统、空中交通管制、金融组织、军事和情报部门都有安全系统。但我们都知道,这些系统已经被周期性的黑客盯上,我们将看到这种加速。因此,这里有很多重要的商业机会,而且在它影响到你之前,你有很多机会超越这个曲线。”

5.人工智能设计系统推动原子精确制造的突破

正如现代计算机改变了我们与比特和信息的关系一样,人工智能将重新定义和革新我们与分子和材料的关系。

人工智能目前正在被用来发现清洁技术创新领域的新材料,如太阳能电池板、电池,以及可以进行人工光合作用的装置。

据业内专家称,现今制造一种新材料大约需要15到20年的时间。但是,随着人工智能设计系统的飞速发展,这将大大加速材料的发现过程,使我们能够以创纪录的速度解决诸如气候变化等紧迫问题。例如,像Kebotix这样的公司已经开始利用机器人和人工智能技术,着手简化材料与化学制品的发现和创造工作。

通过原子精确制造,未来我们可能只需要一个按钮,就生产出我们以前无法想象的产品。

人工智能 机器学习 人脸识别
上一篇:阿里开源!轻量级深度学习端侧推理引擎 MNN 下一篇:会跳舞、会谱曲、会导演的AI你见过吗?
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

MIT提出Liquid机器学习系统,可像液体一样适应动态变化

麻省理工学院(MIT)的研究者开发出了一种新型的神经网络,其不仅能在训练阶段学习,而且还能持续不断地适应。

机器之心 ·  2021-02-21 15:47:47
规划智慧城市时,别忘了无障碍通行

要想成为一个智慧城市甚至一个智慧世界,虽然可能需要时间和有针对性的规划,但我们必须以人为本。

蒙光伟 ·  2021-02-21 10:26:41
2021关于人工智能的五大趋势

数字化变革,比过去10年更多,这主要是由于远程工作的规模,以及企业迅速部署了必要的技术,尤其是与网络安全相关的技术。那,2021关于人工智能的五大趋势会是如何的呢?

Lichu ·  2021-02-21 10:21:01
使数据中心更智能:人工智能如何发挥作用?

随着数据成为维持几乎所有业务运营以获取洞察力和业务成果的先决条件,数据中心正处于这种数字化转型的关键。

Cassie ·  2021-02-21 10:14:59
IBM拟出售Watson Health后,AI医疗还能不能碰

医疗服务仍然是一块商业上尚未被完全发掘的市场,看病难/看病贵、医疗资源紧缺、医疗资源不平均等痛点问题长期存在,对应的市场空间理应是巨大的。而Watson Health作为IBM曾寄予厚望的业务方向,为何要在此时萌生退意?它的故事给业界带来哪些启发?眼下的AI医疗市场,究竟是一副什么样的局面呢?

物联传媒 ·  2021-02-21 08:41:16
抛弃归一化,深度学习模型准确率却达到了前所未有的水平

我们知道,在传递给机器学习模型的数据中,我们需要对数据进行归一化(normalization)处理。

机器之心 ·  2021-02-20 21:09:12
华人博士生首次尝试用两个Transformer构建一个GAN

最近,CV 研究者对 transformer 产生了极大的兴趣并取得了不少突破。这表明,transformer 有可能成为计算机视觉任务(如分类、检测和分割)的强大通用模型。

Yifan Jiang ·  2021-02-20 21:04:53
无监督训练用堆叠自编码器是否落伍?ML博士对比了8个自编码器

柏林工业大学深度学习方向博士生 Tilman Krokotsch 在多项任务中对比了 8 种自编码器的性能。

Tilman Krokotsch ·  2021-02-20 20:57:16
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载