46
若问 2017 年感受最深的是什么，作为科技媒体人的我会说：AI 热。在政策的推动下，这场由应用驱动的 AI 热，似乎也在“催熟”其背后的技术。
毫无疑问，人工智能将渗透进各个领域的各个应用中，而未来十年是人工智能落地的关键期，那么找到最先落地的突破口成为关键。
透过近两年的市场情况，我们看到了智能语音市场的火爆，看到了人脸识别即将成为下一个战场。AI 在生物识别领域蔓延着，这也成为全球互联网巨头关注的焦点与角逐的战场。我们似乎可以得出一个结论，生物识别成为了 AI 最先落地的重要突破口之一。
12 月 15 日，园区金鸡湖智库和与非网联合举办了以“新交互，新未来”为主题的技术沙龙活动，科大讯飞苏州研究院院长支洪平、苏州迈瑞微电子有限公司市场总监袁聪、西交利物浦大学电子与电气工程系主任黄开竹教授分别带来不同主题的演讲，对 AI 与生物识别进行了深入解读。
AI，从感知到认知
人工智能的历史使命就是将人类从繁重的脑力劳动中解放出来。如今，我们所感受到的 AI 浪潮是经历了两次“冬天”之后的第三次爆发。
从 2016 年的人“狗”围棋之战到《西部世界》，再到智能音箱，忽如一夜春风来，AI 应用遍地开。
热潮下的真相是什么？要如何理性的看待 AI 的第三次爆发呢？本次沙龙活动上，三位嘉宾从学术与产业的角度对本问题进行了解读。
人工智能三阶段
计算智能
使得机器能够像人类一样进行计算，诸如神经网络和遗传算法的出现，使得机器能够更高效、快速处理海量的数据。
感知智能
让机器能听懂我们的语言、看懂世界万物。语音和视觉识别就属于这一范畴，这些技术能够更好的辅助人类高效完成任务。
认知智能
机器将能够主动思考并采取行动，实现全面辅助甚至替代人类工作。
支洪平院长表示：语音合成持续进步超越一般自然人说话水平、语音识别正确率超过速记员水平、智能评测超过人工老师，但现如今的 AI“智能水平”在计算智能方面完胜人类、在感知智能方面与人类媲美、在认知智能方面与人类有差距。
科大讯飞类人答题机器人的 2017 年测试成绩充分说明，这是一个“偏科生”，与数学相关度高的学科得分成绩偏高，文科成了难啃的骨头。
黄开竹教授表示：“这是人工智能历史上最好的时代，但人工智能的时代并没有到来。”
当前的人工智能离通用人工智能还有很远的距离。比如对话机器人很热们，但没有听一两年人类对话录音就能自己说话的机器；AlphaGo 通过分析数千局比赛然后又进行更多的自我对弈而“学会”了下围棋，它打败了人类，但同样的程序却不能用来掌握国际象棋。
人工智能三法宝
当前人工智能主流应用是基于深度学习神经网络，或者换种说法，以神经网络为代表的算法由于大数据结合，通过计算力加持，成为当前主流人工智能的演进路径。
因此，算法、大数据、计算力是 AI 成功的三大法宝。
黄开竹教授认为，当前人工智能爆发实际是应用驱动爆发，技术欠缺特别是算法欠缺是制约人工智能行业发展的现状和突出问题。当前深度学习的成功更像是暴力计算的成功，比如 AlphaGo 使用了 1920 块处理器+280 块 GPU，每小时耗能达到 440 千瓦，而人脑每小时消耗 20 瓦能量。
深度学习之对抗样本问题
目前，提及 AI 总会听到一个次“深度学习”，深度学习的发展带动了一系列的研究，尤其是在图像识别领域。在一些标准测试集上的试验表明，深度模型的识别能力已经可以达到人类的水平。但是，对于一个非正常的输入，深度模型是否依然能够产生满意的结果。
我们先来看结论吧：对抗样本将会被大多数当前最好的深度学习分类器识别错误！
一个对抗样本，修改一张熊猫的图片，让机器学习模型将它识别成一只长臂猿。
当加入对抗干扰，干扰增大时，AI 识别数字发生变化。
人工智能生物识别
目前看，生物识别与 AI 在人脸识别与语音识别方面有了结合，生物识别与 AI 是一种怎样的关系呢？袁聪先生指出：“生物识别与大数据有着密不可分的关系，大数据的最终目的是数据挖掘，声、光、电、压等信息在 AI 看来，只是数据，并通过机器学习等算法实现识别的功能。”
在苹果推出只有面部识别功能的 iPhone X 后，“指纹识别是否还有春天”引起了业内的热议。袁聪反复强调“安全有界限”，未来趋势必将是多种生物识别组合的模式，比如指纹识别与虹膜识别相搭配等。
与非网原创内容，未经许可，不得转载！
下载ECAD模型
