<ruby id="blrnt"></ruby>
  • <noscript id="blrnt"></noscript>
    <tr id="blrnt"></tr>

  • <big id="blrnt"><em id="blrnt"><output id="blrnt"></output></em></big>

    掃描二維碼,關(guān)注微信公眾號

    當前位置:首頁(yè) > 新聞動(dòng)態(tài) > 行業(yè)信息

    新聞動(dòng)態(tài)

    NEWS

    人工智能發(fā)展的熱點(diǎn)透視 機器人與有機生命越來(lái)越接近

    微信圖片_20200103185747


      2019世界人工智能大會(huì ),工作人員演示一款基于5G網(wǎng)絡(luò )實(shí)現遠程控制的機器人。新華社發(fā)



    微信圖片_20200103185757


    智能“小冰”在創(chuàng )作繪畫(huà)。新華社發(fā)


      近期,清華大學(xué)-中國工程院知識智能聯(lián)合研究中心、中國人工智能學(xué)會(huì )吳文俊人工智能科學(xué)技術(shù)獎評選基地聯(lián)合發(fā)布了《2019人工智能發(fā)展報告》,遴選了13個(gè)人工智能的重點(diǎn)領(lǐng)域,包括深度學(xué)習、計算機視覺(jué)、語(yǔ)音識別、機器人等熱點(diǎn)前沿技術(shù)的基礎及應用研究、發(fā)展動(dòng)向等。


      深度學(xué)習讓圖像、語(yǔ)音等感知類(lèi)問(wèn)題取得突破


      機器學(xué)習是一門(mén)多領(lǐng)域交叉學(xué)科,專(zhuān)門(mén)研究計算機怎樣模擬或實(shí)現人類(lèi)的學(xué)習行為,以獲取新的知識或技能。


      1950年,阿蘭·圖靈創(chuàng )造了圖靈測試來(lái)判定計算機是否智能。圖靈測試認為,如果一臺機器能夠與人類(lèi)展開(kāi)對話(huà)而不能被辨別出其機器身份,那么稱(chēng)這臺機器具有智能。這一簡(jiǎn)化使得圖靈能夠令人信服地說(shuō)明“思考的機器”是可能的。


      后來(lái),IBM科學(xué)家亞瑟·塞繆爾開(kāi)發(fā)的跳棋程序,駁倒了普羅維登斯提出的機器無(wú)法超越人類(lèi)的論斷,像人類(lèi)一樣寫(xiě)代碼和學(xué)習的模式,他創(chuàng )造了“機器學(xué)習”這一術(shù)語(yǔ)。


      然而,從20世紀60年代中期到70年代末期,機器學(xué)習的發(fā)展步伐幾乎停滯。無(wú)論是理論研究還是計算機硬件限制,整個(gè)人工智能領(lǐng)域的發(fā)展都遇到了很大的瓶頸,神經(jīng)網(wǎng)絡(luò )學(xué)習機因理論缺陷也未能達到預期效果而轉入低潮。直到偉博斯在神經(jīng)網(wǎng)絡(luò )反向傳播(BP)算法中具體提出了多層感知機模型,機器學(xué)習得以重振,并且直到今天BP算法仍然是神經(jīng)網(wǎng)絡(luò )架構的關(guān)鍵因素。


      神經(jīng)網(wǎng)絡(luò )研究人員相繼提出了使用BP算法訓練的多參數線(xiàn)性規劃的理念,成為后來(lái)深度學(xué)習的基石。在另一個(gè)譜系中,昆蘭提出了一種非常出名的機器學(xué)習算法,具體地說(shuō)是ID3算法,這種算法至今仍然活躍在機器學(xué)習領(lǐng)域中。


      機器學(xué)習迎來(lái)爆發(fā)期是神經(jīng)網(wǎng)絡(luò )研究領(lǐng)域領(lǐng)軍者Hinton在2006年提出了神經(jīng)網(wǎng)絡(luò )Deep Learning算法,使神經(jīng)網(wǎng)絡(luò )的能力大大提高。Hinton和他的學(xué)生 Salakhutdinov在《科學(xué)》上發(fā)表了一篇文章,開(kāi)啟了深度學(xué)習在學(xué)術(shù)界和工業(yè)界的浪潮。


      2015年,為紀念人工智能概念提出60周年,LeCun、Bengio和Hinton推出了深度學(xué)習的聯(lián)合綜述。深度學(xué)習可以讓那些擁有多個(gè)處理層的計算模型來(lái)學(xué)習具有多層次抽象的數據的表示,這些方法在許多方面都帶來(lái)了顯著(zhù)的改善。深度學(xué)習的出現,讓圖像、語(yǔ)音等感知類(lèi)問(wèn)題取得了真正意義上的突破,離實(shí)際應用已如此之近,將人工智能推進(jìn)到一個(gè)新時(shí)代。


      計算機視覺(jué)催生出人臉識別、智能視頻監控等應用


      計算機視覺(jué),顧名思義,是分析、研究讓計算機智能化地達到類(lèi)似人類(lèi)的雙眼“看”的一門(mén)研究科學(xué),即對于客觀(guān)存在的三維立體化的世界的理解以及識別依靠智能化的計算機去實(shí)現。


      計算機視覺(jué)技術(shù)就是利用了攝像機以及電腦替代人眼使得計算機擁有人類(lèi)的雙眼所具有的分割、分類(lèi)、識別、跟蹤、判別、決策等功能。


      馬爾(David Marr)《視覺(jué)》一書(shū)的問(wèn)世,標志著(zhù)計算機視覺(jué)成為了一門(mén)獨立學(xué)科。計算機視覺(jué)40多年的發(fā)展中,盡管人們提出了大量的理論和方法,但總體上說(shuō),計算機視覺(jué)經(jīng)歷了三個(gè)主要歷程:馬爾計算視覺(jué)、多視幾何與分層三維重建和基于學(xué)習的視覺(jué)。


      目前,在計算機上調“深度網(wǎng)絡(luò )”來(lái)提高物體識別的精度似乎就等于從事“視覺(jué)研究”。馬爾的計算視覺(jué)分為三個(gè)層次:計算理論、表達和算法以及算法實(shí)現。由于馬爾認為算法實(shí)現并不影響算法的功能和效果,所以馬爾計算視覺(jué)理論主要討論“計算理論”和“表達與算法”二部分內容。


      馬爾認為,大腦的神經(jīng)計算和計算機的數值計算沒(méi)有本質(zhì)區別,所以馬爾沒(méi)有對“算法實(shí)現”進(jìn)行任何探討。從現在神經(jīng)科學(xué)的進(jìn)展看,“神經(jīng)計算”與數值計算在有些情況下會(huì )產(chǎn)生本質(zhì)區別,如目前興起的神經(jīng)形態(tài)計算,但總體上說(shuō),“數值計算”可以“模擬神經(jīng)計算”。至少從現在看,“算法的不同實(shí)現途徑”,并不影響馬爾計算視覺(jué)理論的本質(zhì)屬性。


      20世紀90年代初,計算機視覺(jué)從“蕭條”走向“繁榮”,主要得益于以下二方面的因素:一方面,瞄準的應用領(lǐng)域從精度和魯棒性要求太高的“工業(yè)應用”轉到要求不太高,特別是僅僅需要“視覺(jué)效果”的應用領(lǐng)域,如遠程視頻會(huì )議、考古、虛擬現實(shí)、視頻監控等;另一方面,人們發(fā)現,多視幾何理論下的分層三維重建能有效提高三維重建的魯棒性和精度。


      多視幾何的代表性人物首數法國INRIA的O.Faugeras,美國 GE研究院的R.Hartely和英國牛津大學(xué)的A.Zisserman。2000年Hartely和Zisserman合著(zhù)的書(shū)對這方面的內容給出了比較系統的總結。大數據需要全自動(dòng)重建,而全自動(dòng)重建需要反復優(yōu)化,而反復優(yōu)化需要花費大量計算資源。舉一個(gè)簡(jiǎn)單例子,假如要三維重建北京中關(guān)村地區,為了保證重建的完整性,需要獲取大量的地面和無(wú)人機圖像。假如獲取了1萬(wàn)幅地面高分辨率圖像(4000×3000)、5千幅高分辨率無(wú)人機圖像(8000×7000),三維重建要匹配這些圖像,從中選取合適的圖像集,然后對相機位置信息進(jìn)行標定并重建出場(chǎng)景的三維結構,如此大的數據量,人工干預是不可能的,所以整個(gè)三維重建流程必須全自動(dòng)進(jìn)行。


      基于學(xué)習的視覺(jué),則是指以機器學(xué)習為主要技術(shù)手段的計算機視覺(jué)研究?;趯W(xué)習的視覺(jué)研究,文獻中大體上分為二個(gè)階段:21世紀初的以流形學(xué)習為代表的子空間法和目前以深度學(xué)習為代表的視覺(jué)方法。


      近年來(lái),巨量數據的不斷涌現與計算能力的快速提升,給以非結構化視覺(jué)數據為研究對象的計算機視覺(jué)帶來(lái)了巨大的發(fā)展機遇與挑戰性難題,計算機視覺(jué)也因此成為學(xué)術(shù)界和工業(yè)界公認的前瞻性研究領(lǐng)域,部分研究成果已實(shí)際應用,催生出人臉識別、智能視頻監控等多個(gè)極具顯示度的商業(yè)化應用。


      語(yǔ)音識別被應用于工業(yè)、通信、醫療等行業(yè)


      語(yǔ)音識別是讓機器識別和理解說(shuō)話(huà)人語(yǔ)音信號內容的新興學(xué)科,目的是將語(yǔ)音信號轉變?yōu)槲谋咀址蛘呙畹闹悄芗夹g(shù),利用計算機理解講話(huà)人的語(yǔ)義內容,使其聽(tīng)懂人類(lèi)的語(yǔ)音,從而判斷說(shuō)話(huà)人的意圖,是一種非常自然和有效的人機交流方式。


      語(yǔ)音識別的研究工作可以追溯到20世紀50年代。在1952年,AT&T貝爾研究所研究成功了世界上第一個(gè)語(yǔ)音識別系統Audry系統,可以識別10個(gè)英文數字發(fā)音。這個(gè)系統識別的是一個(gè)人說(shuō)出的孤立數字,并且很大程度上依賴(lài)于每個(gè)數字中的元音的共振峰的測量。


      計算機的應用推動(dòng)了語(yǔ)音識別技術(shù)的發(fā)展,使用了電子計算機進(jìn)行語(yǔ)音識別,提出了一系列語(yǔ)音識別技術(shù)的新理論——動(dòng)態(tài)規劃線(xiàn)性預測分析技術(shù),較好地解決了語(yǔ)音信號產(chǎn)生的模型問(wèn)題。在20世紀70年代,語(yǔ)音識別研究取得了重大的具有里程碑意義的成果,伴隨著(zhù)自然語(yǔ)言理解的研究以及微電子技術(shù)的發(fā)展,語(yǔ)音識別領(lǐng)域取得了突破性進(jìn)展。這一時(shí)期的語(yǔ)音識別方法基本上是采用傳統的模式識別策略。


      后來(lái),語(yǔ)音識別研究進(jìn)一步走向深入。這一時(shí)期所取得的重大進(jìn)展有:隱馬爾科夫模型(HMM)技術(shù)的成熟和不斷完善,并最終成為語(yǔ)音識別的主流方法;以知識為基礎的語(yǔ)音識別的研究日益受到重視。在進(jìn)行連續語(yǔ)音識別的時(shí)候,除了識別聲學(xué)信息外,更多地利用各種語(yǔ)言知識,諸如構詞、句法、語(yǔ)義、對話(huà)背景等方面的知識來(lái)幫助進(jìn)一步對語(yǔ)音識別和理解。同時(shí)在語(yǔ)音識別研究領(lǐng)域,還產(chǎn)生了基于統計概率的語(yǔ)言模型;人工神經(jīng)網(wǎng)絡(luò )在語(yǔ)音識別中的應用研究興起。ANN具有較好的區分復雜分類(lèi)邊界的能力,顯然它十分有助于模式識別。在這些研究中,大部分采用基于反向傳播算法(BP算法)的多層感知網(wǎng)絡(luò )。


      語(yǔ)音識別技術(shù)逐漸走向實(shí)用化,在建立模型、提取和優(yōu)化特征參數方面取得了突破性的進(jìn)展,使系統具有更好的自適應性。許多發(fā)達國家和著(zhù)名公司都投入大量資金用以開(kāi)發(fā)和研究實(shí)用化的語(yǔ)音識別產(chǎn)品,從而許多具有代表性的產(chǎn)品問(wèn)世。比如IBM公司研發(fā)的漢語(yǔ)ViaVoice系統,以及Dragon公司研發(fā)的DragonDictate系統,都具有說(shuō)話(huà)人自適應能力,能在用戶(hù)使用過(guò)程中不斷提高識別率。


      21世紀之后,深度學(xué)習技術(shù)極大地促進(jìn)了語(yǔ)音識別技術(shù)的進(jìn)步,使其識別精度大大提高,應用得到廣泛發(fā)展。2009年,Hinton將深度神經(jīng)網(wǎng)絡(luò )(DNN)應用于語(yǔ)音的聲學(xué)建模,在TIMIT上獲得了當時(shí)最好的結果。2011年底,微軟研究院的俞棟、鄧力又把DNN技術(shù)應用在了大詞匯量連續語(yǔ)音識別任務(wù)上,大大降低了語(yǔ)音識別錯誤率。從此語(yǔ)音識別進(jìn)入DNN-HMM時(shí)代。DNN帶來(lái)的好處是不再需要對語(yǔ)音數據分布進(jìn)行假設,將相鄰的語(yǔ)音幀拼接又包含了語(yǔ)音的時(shí)序結構信息,使得對于狀態(tài)的分類(lèi)概率有了明顯提升。同時(shí)DNN還具有強大環(huán)境學(xué)習能力,可以提升對噪聲和口音的魯棒性。


      目前,語(yǔ)音識別技術(shù)已逐漸被應用于工業(yè)、通信、商務(wù)、家電、醫療、汽車(chē)電子以及家庭服務(wù)等各個(gè)領(lǐng)域。例如,現今流行的手機語(yǔ)音助手,就是將語(yǔ)音識別技術(shù)應用到智能手機中,能夠實(shí)現人與手機的智能對話(huà),其中包括美國蘋(píng)果公司的Siri語(yǔ)音助手、智能360語(yǔ)音助手、百度語(yǔ)音助手等。


      機器人與有機生命越來(lái)越接近


      機器人廣義上包括一切模擬人類(lèi)行為或思想以及模擬其他生物的機械(如機器狗、機器貓等)。目前,智能機器人已成為世界各國的研究熱點(diǎn)之一,成為衡量一國工業(yè)化水平的重要標志。


      機器人技術(shù)最早應用于工業(yè)領(lǐng)域,但隨著(zhù)機器人技術(shù)的發(fā)展和各行業(yè)需求的提升,在計算機技術(shù)、網(wǎng)絡(luò )技術(shù)、MEMS技術(shù)等新技術(shù)發(fā)展的推動(dòng)下,近年來(lái),機器人技術(shù)正從傳統的工業(yè)制造領(lǐng)域向醫療服務(wù)、教育娛樂(lè )、勘探勘測、生物工程、救災救援等領(lǐng)域迅速擴展,適應不同領(lǐng)域需求的機器人系統被深入研究和開(kāi)發(fā)。過(guò)去幾十年,機器人技術(shù)的研究與應用,大大推動(dòng)了人類(lèi)的工業(yè)化和現代化進(jìn)程,并逐步形成了機器人的產(chǎn)業(yè)鏈,使機器人的應用范圍也日趨廣泛。


      在機器人嶄露頭角于工業(yè)生產(chǎn)的同時(shí),機器人技術(shù)研究不斷深入。1961年,美國麻省理工學(xué)院Lincoln實(shí)驗室把一個(gè)配有接觸傳感器的遙控操縱器的從動(dòng)部分與一臺計算機聯(lián)結在一起,這樣形成的機器人可以憑觸覺(jué)決定物體的狀態(tài)。隨后,用電視攝像頭作為輸入的計算機圖像處理、物體辨識的研究工作也陸續取得成果。1968年,美國斯坦福人工智能實(shí)驗室的J.McCarthy等人研究了新穎的課題——研制帶有手、眼、耳的計算機系統。于是,智能機器人的研究形象逐漸豐滿(mǎn)起來(lái)。


      20世紀70年代以來(lái),機器人產(chǎn)業(yè)蓬勃興起,機器人技術(shù)發(fā)展為專(zhuān)門(mén)的學(xué)科。工業(yè)機器人首先在汽車(chē)制造業(yè)的流水線(xiàn)生產(chǎn)中開(kāi)始大規模應用,隨后,諸如日本、德國、美國這樣的制造業(yè)發(fā)達國家開(kāi)始在其他工業(yè)生產(chǎn)中也大量采用機器人作業(yè)。


      后來(lái),機器人朝著(zhù)越來(lái)越智能化的方向發(fā)展,這種機器人帶有多種傳感器,能夠將多種傳感器得到的信息進(jìn)行融合,能夠有效地適應變化的環(huán)境,具有很強的自適應能力、學(xué)習能力和自治功能。


      智能機器人的發(fā)展主要經(jīng)歷了三個(gè)階段,分別是可編程試教、再現型機器人,有感知能力和自適應能力的機器人,智能機器人。其中所涉及到的關(guān)鍵技術(shù)有多傳感器信息融合、導航與定位、路徑規劃、機器人視覺(jué)智能控制和人機接口技術(shù)等。


      進(jìn)入21世紀,隨著(zhù)勞動(dòng)力成本的不斷提高、技術(shù)的不斷進(jìn)步,各國陸續進(jìn)行制造業(yè)的轉型與升級,出現了機器人替代人的熱潮。同時(shí),人工智能發(fā)展日新月異,服務(wù)機器人也開(kāi)始走進(jìn)普通家庭的生活。


      世界上許多機器人科技公司都在大力發(fā)展機器人技術(shù),機器人的特質(zhì)與有機生命越來(lái)越接近。最近,波士頓動(dòng)力公司在機器人領(lǐng)域的成就已經(jīng)成為人們的焦點(diǎn),其產(chǎn)品機器狗Spot和雙足人形機器人Atlas都讓人大為驚嘆。Spot的功能十分先進(jìn),可以前往你告訴它要去的目的地,避開(kāi)障礙,并在極端情況下保持平衡。Spot還可以背負多達四個(gè)硬件模塊,為公司提供其他多款機器人完成特定工作所需的任何技能;Atlas已經(jīng)掌握了倒立、360度翻轉、旋轉等多項技能,繼表演跑酷、后空翻等絕技之后,Atlas又掌握了一項新技能——體操,再次讓人們大開(kāi)眼界。


    轉自:中國食品藥品網(wǎng)

    亚洲综合春色另类久久|亚洲中文无码永久免费|国产AV日韩一区二区三区|久久69无码一区二区三区
    <ruby id="blrnt"></ruby>
  • <noscript id="blrnt"></noscript>
    <tr id="blrnt"></tr>

  • <big id="blrnt"><em id="blrnt"><output id="blrnt"></output></em></big>