人工智能技术原理-rfid技术智能柜原理

【新智元导读】Facebook官博更新，FAIR理事、深度学习代表Yann LeCun和同事写了一篇文章，深入浅出地解释什么是人工智能，人工智能如何影响我们的生活，以及在充满人工智能的未来我们将如何学习智力、工作和生活。 Facebook 还推出了一系列教学视频，帮助你更好地理解人工智能。

星期二早上 8:00。 您已经醒来，瞥了一眼手机上的头条新闻，回复了一条在线帖子，为您的妈妈订购了一件节日毛衣，锁上了房子，开车去上班，路上听了一些好听的曲子。

在此过程中，你已经使用了人工智能 (AI) 十几次——被闹钟叫醒、获取当地天气预报、购买礼物、锁门、收到即将发生的交通堵塞警报，甚至识别汽车。 一首陌生的歌。

人工智能已经遍布我们的世界，它正在给日常生活带来巨大的变化。 但这不是您在科幻电影中看到的 AI，也不是神经质的科学家敲打键盘试图阻止机器毁灭世界。

你的智能手机、房子、银行和汽车每天都在使用人工智能。 有时这很明显，例如当您要求 Siri 指引您前往最近的加油站时人工智能技术原理，或者当 Facebook 建议您提醒朋友您在网上发布了一张照片。 有时它几乎不会引起注意，例如当您使用 Amazon Echo 使用信用卡购买您通常不买的东西（例如精美的假日毛衣）并且没有收到银行的欺诈性短信提醒时。

人工智能将推动自动驾驶汽车的发展、改进医学图像分析、促进更好的医学诊断和个性化医疗，从而给社会带来重大转变。 人工智能还将成为支撑未来许多最具创新性的应用程序和服务的基础架构。 但对许多人来说，人工智能仍然很神秘。

为了帮助您解开这些谜团，Facebook 制作了一系列教育在线视频，概述了 AI 的工作原理。 我们希望这些简短的介绍能帮助您了解计算机科学这个复杂领域的工作原理。

不是魔术，只是代码

首先，需要了解一些重要事项：人工智能是一门严谨的科学，专注于使用算法技术设计智能系统和机器，这些算法技术部分借鉴了我们对大脑的了解。 许多现代人工智能系统使用人工神经网络和计算机代码来模拟非常简单的互连单元网络，有点像大脑中的神经元。 这些网络可以通过修改单元之间的连接从经验中学习，有点像人类和动物的大脑通过修改神经元之间的连接来学习。 现代神经网络可以学习识别模式、翻译语言、学习简单的逻辑推理，甚至可以创建图像和形成新想法。 其中，模式识别是一个特别重要的功能——AI非常擅长在大量数据中识别模式，这对人类来说并不是那么容易。

所有这一切都通过一组在具有数百万个单元和数十亿个连接的神经网络上运行的编码程序以极快的速度发生。 智能来自这些许多简单元素之间的相互作用。

人工智能不是魔法，但我们已经看到它如何像魔法一样显着推进科学研究，并在识别照片中的物体、识别语音、驾驶汽车或将在线文章翻译成数十种日常奇迹中发挥重要作用的语言。

在 Facebook 人工智能研究 (FAIR) 实验室，我们正在努力让学习机器更好地工作。 其中很大一部分就是所谓的深度学习。 使用深度学习，我们可以帮助 AI 学习对世界的抽象表征。 深度学习可以帮助改善语音和物体识别等问题，并有助于推进物理、工程、生物学和医学等领域的研究。

深度学习系统中一个特别有用的架构被称为卷积神经网络或 ConvNet。 ConvNet 是一种在神经网络中连接单元的特定方式，其灵感来自于其他动物和人类视觉皮层的结构。 现代 ConNets 可以使用 7 到 100 层的单元。 在公园里，我们人类看到牧羊犬和吉娃娃，尽管它们的大小和重量不同，但我们知道它们都是狗。 对于计算机来说，图像只是一个字符串数组。 在这串数组中，可以在第一层轻松检测到局部模式，例如对象的边缘。 神经网络的下一层将检测这些简单模式的组合以形成简单的形状，例如汽车的轮子或人脸的眼睛。 下一层将检测由这些形状的组合组成的物体部分，例如人脸、腿或飞机机翼。 神经网络的最后一层将检测刚才那些部分的组合：汽车、飞机、人、狗等等。 神经网络的深度——它有多少层——允许网络以这种分层方式识别复杂的模式。

一旦在大型样本数据库上进行训练，ConvNet 就特别适用于识别自然信号，例如图像、视频、语音、音乐甚至文本。 为了很好地训练网络，我们需要为这些网络提供大量人工标记的图像数据。 ConvNet 学习将每个图像与其对应的标签相关联。 有趣的是，ConvNet 还能够将从未见过的图像与其相应的标签配对。 由此我们有一个系统可以梳理各种图像并识别照片中的元素。 这些网络在语音和文本识别方面也非常有用，并且是自动驾驶汽车和最新一代医学图像分析系统的关键组件。

可以学到什么

人工智能还解决了我们人类面临的核心问题之一：什么是智能？ 哲学家和科学家们一直在努力解决这个问题，而答案仍然难以捉摸，即使这个中心是我们所谓的人类的基本属性。

同时，人工智能也引发了大量的哲学和理论问题：可以学到什么？ 数学定理告诉我们，单一的学习机器无法有效地学习所有可能的任务，这告诉我们什么是不可能学习的，无论你投入多少资源。

这样，人工智能机器就像我们人类一样。 在很多方面，我们人类并不比学习机器强多少。 人脑高度专业化，但具有明显的适应性。 目前的人工智能系统与人类拥有的看似平均水平的智能相去甚远。

在人工智能中，我们通常考虑三种类型的学习：

这些都是人工智能经常被使用的方式，但是有很多问题是任何计算设备都无法从根本上解决的。 这就是为什么即使我们制造出具有超人智能的机器，这些机器的能力仍然有限。 这些机器可能在国际象棋上打败了我们，但不知道下雨时躲在屋子里。

未来职业

随着人工智能、机器学习和智能机器人变得越来越普遍，这些机器人将在制造、培训、销售、维护和车队管理中扮演新的角色。 人工智能和机器人技术将提供当今难以想象的新服务。 但很明显，医疗保健和交通运输将是 AI 最先颠覆的行业。

年轻人只要调整好自己的职业目标，就可以享受到AI提供的丰富机会。 那么我们如何为尚不存在的工作做准备呢？

如果您是学生：

如果你已经就业但想转行 AI 相关工作：

当然你也可以考虑回国读书，那就参考我上面说的吧。

展望未来

越来越多的人类智力活动将与智能机器一起进行。 我们的智慧使我们成为人类，而人工智能是这一属性的延伸。

在构建真正智能机器的道路上人工智能技术原理，我们正在发现新理论、新原理、新方法和新算法，它们将具有应用并将改善我们今天、明天和明年的日常生活。 其中许多技术正迅速用于 Facebook 的产品和服务中，例如图像识别、自然语言理解等。

谈到 Facebook AI，我们有一个长期目标：了解智能并构建智能机器。 这不仅仅是一项技术挑战，更是一项科学挑战。 什么是智能，我们如何在机器中复制它？ 最终，这将是全人类的问题。 这些问题的答案不仅可以帮助我们构建智能机器，还可以更深入地了解人类思维和大脑的神秘运作方式。 如果可能的话，这些答案也将帮助我们更好地理解做人意味着什么。