做微商能利用的网站有哪些,青岛网站维护,网站开发vue,网上商城开发价格来源#xff1a;A16Z合伙人Frank Chen2017年7月#xff0c;我发布了一个关于人工智能、机器学习和深度学习的入门视频。从那以后#xff0c;我一直痴迷于阅读关于机器学习的报道。一般来说#xff0c;你会在媒体的头版上看到两类报道。一类报道的标题是“机器人来抢你的工作… 来源A16Z合伙人Frank Chen2017年7月我发布了一个关于人工智能、机器学习和深度学习的入门视频。从那以后我一直痴迷于阅读关于机器学习的报道。一般来说你会在媒体的头版上看到两类报道。一类报道的标题是“机器人来抢你的工作”这预示着我们的社会将无情地走向大规模失业。甚至像麦肯锡这样“清醒的”组织似乎也在预测到2030年三分之一的工人会因为自动化而遭到失业的厄运。如果这还不够吓人的话这里是另外一类报道的标题“天网正在为你的孩子而来。”换句话说人工智能将在任何事情上都比人类聪明而我们最终将成为地球上失败的物种。但是如果你翻到报纸的最后几页或者的期刊你会发现另外一些故事比如科技公司向首次借款的人提供贷款为病人提供血液和疫苗以及在战场和海上拯救生命。因此通过仔细、深思熟虑、移情设计我们可以让自己活得更长、更安全。我们可以创造就业机会在那里我们可以做更多创造性的工作。我们可以更好地了解对方。但是在我谈到今天已经发生的许多例子之前让我更广泛地分享一下人工智能生态系统中正在发生的事情。人工智能生态系统中发生了什么人工智能生态系统正在蓬勃发展从大学到企业再到世界各地的政府大厅。这里有三个轶事可以说明这个生态系统是有多活跃。首先这里有一个来自人工智能学术研究领域的有趣事实。研究人员最大的学术会议是一个名为神经信息处理系统(NeurIPS)的会议。 会议始于1987年在过去一年(2018年) 会议门票在11分38秒内销售一空。好吧这还比不上碧昂斯Beyonce她那体育场大小的演唱会的门票能在22秒内销售一空但我们正在接近这一目标。其次各行各业的企业似乎都在投资人工智能。 这是埃森哲首席技术官保罗·多尔蒂Paul Daugherty的观点他已经在公司工作了30多年。最近保罗做客A16Z播客时他分享道我已经在我的公司工作了32年在这个行业工作了一段时间并且参与了从我们的互联网业务到我们的云-移动物联网业务等所有这些业务的增长过程没有什么能像人工智能现在这样在整个组织中快速发展。从实际支出、员工人数来看没有哪种趋势增长得如此之快无论你采用何种衡量标准。就企业影响而言人工智能是我们所见过的增长最快的趋势。这也是所有这些跨行业、跨部门的多样化趋势中的第一个。第三随着学术界发表更多论文企业实施更多项目政治家们自然而然地试图将自己的国家或地区定位为地球上最适合建立人工智能驱动的创业公司或进行机器学习研究的地方。许多国家都宣布了培育人工智能生态系统的计划没有哪个国家比中国更重视这个问题。中国希望到2030年成为人工智能领域领导者。 甚至发布了一些信息图表现在是我们所有人共同利用这巨大的能量造福全人类的时候了。通过深思熟虑、谨慎和富有同情心的设计我们真的可以让自己更有创造力成为更好的决策者活得更长在现实世界中获得超能力甚至更好地理解彼此。让我分享一些来自真实世界的例子说明人工智能是如何在这些方面帮助我们的。自动化程序使我们更有创造力莎士比亚Shakespeare让哈姆雷特Hamlet这样评价人性人类是一件多么了不起的杰作多么高贵的理性多么伟大的力量多么优美的仪表多么文雅的举动在行为上多么像一个天使在智慧上多么像一个天神虽然我们有逻辑和理性但我们也有惊人的创造力(“无限的能力”)。当机器自动完成日常任务时我们将有更多的时间、精力和注意力用于机器目前不擅长的所谓“右脑”思维如整体思维、移情、创造力和音乐感。让我分享几个例子。我们越来越依赖亚马逊Prime及其全球同类的产品它们提供当天或两天的免费送达服务。为了满足我们的需求亚马逊一直在离我们家越来越近的地方建立配送中心并部署了成千上万的 Kiva 机器人将25磅重的黄箱子从一个地方搬到另一个地方。除了这些机器人亚马逊还雇佣了成千上万的人类工人来辅助Kiva 机器人并解决机器人卡住的问题。上图所示的尼萨·斯科特(Nissa Scott)在《纽约时报》的一篇文章中谈到她的工作时说“对我来说这是我们这里最具挑战性的事情。这不是简单的重复。”当机器接管简单重复的任务时人类就可以自由地做他们最擅长的事情跳出条条框框思考用创造性的方式解决复杂的问题。下面是另一个例子。许多销售和营销人员花了几个小时将数据繁琐地输入到他们的客户关系管理( CRM )系统中。但是尽管销售管理部门尽了最大努力这些系统也经常丢失数据更糟糕的是经常会填错信息。我们的投资组合公司People.ai使用机器学习将数据自动填充到CRM中。有了完整的、最新的客户关系管理系统销售和市场营销人员最终可以根据他们希望从客户关系管理系统中获得的洞察力来行动。比如知道我们应该在周五下午给我们的潜在客户艾莉森(Alison)打电话因为这是她真正想了解新系统如何帮助她处理日常事务的时候。通过帮销售人员将数据键入CRM的日常任务中解放出来他们可以专注于理解他人的问题并利用他们的同情心和创造力来帮助解决这些问题。还有什么地方可以让我们的日常工作自动化呢 为审判做准备怎么样 为审判做准备的第一步是收集证据。传统上出庭律师在准备为案件辩护时会筛选成千上万的文件、照片、视频、电子邮件和其他证据。他们必须弄清楚哪些文件与案件有关它们是关于什么的以及它们是如何联系在一起的。没有软件律师助手梳理每一个文件或图片可能需要几百或几千个小时。我们投资的一家公司 Everlaw 简化了这个过程它使用机器学习快速处理、分类和标记与案件相关的文件并以容易访问的方式存储它们。因此处理该案件的律师能够利用自己的才能从事更具创造性的工作将各个点连接起来提出一个引人注目的大故事让陪审团能够更清楚的了解案件。所谓的自然语言处理( NLP )系统能够理解语言的软件也在其他应用程序中找到了自己的路。Dialpad是一种基于网络的电话和会议服务可以转录你的谈话录音。转录后Dialpad会使用一种叫做情绪分析的机器学习技术来分析文本中是否有愤怒或沮丧的迹象。如果系统检测到人们感到沮丧它可以帮助人们利用自己的创造力、同情心和智商让谈话回到正轨。我们也可以把这些技术带到医生的办公室。上次我拜访我的初级保健医生时他和我在一起呆了大约35分钟在那段时间里他和他的笔记本电脑互动而不是和我互动努力让我的电子健康记录保持最新。Suki是一家创业公司致力于通过聆听病人和医生之间的对话自动更新病人的医疗记录重新将医生和病人连接起来。通过自动化常规任务医生可以专注于病人护理的创造性、移情性和情感性部分。当这些技术(以及帮助诊断问题的系统)进入大多数医生的办公室时我相信我们会根据谁的临床方式最好来选择我们的医生因为诊断和保持系统的最新大多都会是自动化的。机器学习给了我们现实世界中的超能力我们的人类感知系统是惊人的。你的眼睛可以以非常细致的分辨率分辨1000万种不同的颜色。但是我们的感知系统也有众所周知的局限性。这就是为什么我们有炸弹嗅探犬而不是炸弹嗅探人。我们的记忆也比我们许多人想承认的要糟糕。我们的大脑被设计成为了有充分的理由忘记你所看到和听到的很多东西。如果我们能够围绕人类感知系统的局限性进行设计并在现实世界中赋予自己超能力会怎么样机器学习正在帮助我们做到这一点。 例如Pindrop 赋予银行、零售商和政府组织超级听力的力量。Pindrop的服务有助于防止语音欺诈这是黑客窃取身份和金钱的越来越常用的方式。通过分析近1400种声学属性这个系统可以帮助组织在你打电话的时候确定你是否真的是你这仍然是我们与商家政府机构和银行打电话过程中互动的78%。它通过倾听我们的声音(随着年龄的增长声音会加深到中年然后音调会升高)以及我们的电话和电话网络在线路上引入的噪音来做到这一点。使用专有的机器学习算法Pindrop可以利用线路上的噪音来预测你是在家中用iPhone打电话还是在爱沙尼亚用 Skype 打电话。这种超级听力能力有助于组织大幅减少成功欺诈企图的数量。在Ox和Bowery Farms等公司运营的室内农场中机器学习也给我们提供了越来越多的超能力。作为人类我们很难观察事物生长缓慢的过程并随着时间的推移进行比较我们的感知系统被设计用来注意快速移动的捕食者而不是生长缓慢的菠菜。另一方面机器视觉系统可以被训练能够准确地知道一棵健康的生菜在它生命的第36天应该是什么样子。对于不能茁壮成长的莴苣农场可以自动调节温度、光照条件、水位、营养成分、湿度和其他因素以帮助它达到最佳的健康状态。这些室内农场的作物产量可高达每平方英尺15磅而高效温室和田间种植作物的产量分别为每平方英尺7磅和每平方英尺1磅。而且在不使用杀虫剂和减少95%的水的情况下这些作物的产量也可以达到这些增长效率。 超级视觉的力量使我们成为更有效率的农民。超级视觉也可以在工厂内部使用。尽管世界范围内对机器人技术进行了大量投资但大约90%的工厂工作仍由人手完成。挑战在于工厂里面指出了大量的成本很难让工人继续做这些工作。美国一家经营非常好的工厂可能每年有30%的营收用来支付昂贵的再招聘和再培训费用。在中国每天有2%的工人流失率并不罕见这意味着几个月后你就会有一个全新的劳动力队伍。鉴于成本如此之高工厂将培训每位新员工的成本降至最低是至关重要的。Drishti正在给这些工厂带来超级视觉能力。通过在工人组装产品时捕捉和分析视频系统可以为每项工作提供个性化的行动建议帮助他们跟上进度。使用Drishti的工厂劳动生产率提高了25 %错误率降低了50%。当我们给建筑工地带来超视视觉能力时我们可以帮助全体员工保持安全、预算和进度。Doxel每天下班后都使用激光雷达(与自动驾驶汽车上使用的激光雷达相同)和摄像头从地面机器人和无人机上收集数据。通过构建精确的3D地图(精确度高达2mm )Doxel 知道已经建成了什么(“是什么”)并将其与建筑平面图(“应该是什么”)进行比较。然后它可以预测建筑的主要部分何时完工。这种每天进行地循环任务有助于保持合适的工人在合适的时间、用合适的材料和工具到达现场。这也有助于防止你在自己的房屋改造项目中可能遇到的错误比如在水管工或电工修完墙后的管道或电缆之前就先把墙修好。使用Doxel的这个系统Kaiser Permanente帮助建筑工人提高了38%的生产率并在建造Viewridge 医疗办公室时节省了11%的预算。当然谈到人工智能的超能力我们不能不谈论自动驾驶汽车。先进的驾驶员辅助系统会导致二级效应之一是我们将在事故现场有可靠的目击者。不管一辆自动驾驶汽车走到哪里我们都会有十几台摄像头、几台激光雷达、多台雷达和超声波传感器等的传感器数据。想想这对法院和保险公司意味着什么。不用再依赖目击证人的证词甚至在周围没有人的情况下我们可以重现事故现场发生的情况。2018年9月特斯拉向2017年8月后生产的汽车发布了9.0版辅助驾驶软件。 有了这个软件版本用户可以将汽车的摄像头数据存储到一个 USB 闪存驱动器中许多司机也开始这样做。去年12月26日在北卡罗来纳州的希科里一群皮卡司机用他们的卡车堵住了通往一个特斯拉超级充电站的路并大声辱骂特斯拉直到他们被赶出该充电站。特斯拉车主和Reddit用户莱斯纳Leicina在附近的超级充电站停下来充电但所有的充电桩都被3辆大卡车堵住了。幸运的是事故中没有人受伤但是仪表盘上的录像片段表明在没有目击者的情况下有摄像头是多么有用。本田司机显然非法操纵如果没有录像片段这种情况可能会演变成一场僵局两个司机都会坚称他们没有责任。下面是我在这一部分的最后一个例子说明机器学习系统是如何在现实世界中给予我们超能力的。一家名为 OrCam 的以色列公司生产了一种名为“MyEye 2”的产品它可以夹在一副眼镜上帮助有视力问题(如失明、视力障碍、阅读障碍)的人们在世界上导航。这个产品用于拍摄周围的环境并描述视频中的内容。它可以阅读一本书中的文字、当人们靠近时说出他们的名字(这是一个我很喜欢的功能尽管我的视力很正常) 、区分5美元和50美元的钞票区分食品杂货店的产品等等。帮助我们做出更好的决定机器学习算法可以帮助我们做出更好的决策通过将人类的偏见最小化使用更完整的数据集或者弥补我们决策软件中已知的缺陷。虽然古老的计算机科学公理“垃圾输入垃圾输出”仍然适用但精心设计的具有完全代表性数据集的系统可以帮助我们做出更明智的决策。考虑一下招聘场景。Textio开发了一种软件产品帮助人们写工作描述这种描述最有可能吸引有资格、有能力做特定工作的人。这家公司由一个微软 Office 老员工团队创办在你写内容时在屏幕上提供指导。例如当你在某个特定的时间点使用某个性别比另一个性别更有吸引力的词语时Textio 会提醒你。诸如详尽、强制、无畏之类的词汇已经被统计学证明会让你的人才库偏向男性。Textio还指出了地区差异。例如如果你用“好的职业道德”来描述你的理想候选人这可能会吸引圣何塞的工人但会阻止华盛顿地区的工人。如果你的目标是埃弗雷特的候选人最好不要说这句话。鉴于Textio可以访问广泛的数据集比如现有的职位描述、应用统计数据和工作表现数据等等可以帮助你消除招聘过程中的盲点。机器学习还可以帮助你找出是什么让你最优秀的员工如此高效并帮助你在第一天就把新手变成专家。Cresta.ai观察最有效的销售人员在聊天时如何与潜在客户互动弄清楚潜在客户需要什么推荐产品回答问题。这个系统提取最佳实践方案并将其转化为实时建议供经验不足或效率较低的销售人员在与潜在客户互动时使用。在 Intuit 这样的客户部署中销售团队的转化率上升了20% 培训时间节省了66%。换句话说与没有使用这个系统相比销售代表在培训较少的情况下完成了更多的业务。这个系统对销售人员和客户都有好处。正如一位 Intuit 代表所描述的“我担心使用这个系统会破坏与客户的个人关系或对话但是将这个人工智能作为工作助手有助于展开个性化对话。”机器学习也有助于提高非常熟练的专业人员的决策能力例如寻找特定矿物的地质学家。锂离子电池(如手机、笔记本电脑或电动汽车中的电池)内部可能含有一种叫做钴的矿物质这种矿物质可以帮助电池在多次充放电循环后依旧保持性能。随着特斯拉的Gigafactory等电池工厂生产更多的锂离子电池钴的需求正在迅速增长。不幸的是世界已知钴储量的65%在刚果民主共和国这个国家政治不稳定据报道可能有多达40000名儿童在开采钴矿。如果我们在刚果民主共和国政府中有一个可靠的政治伙伴我们可能会努力改善所有矿工的工作条件但是我们也应该寻找新的钴来源。这正是KoBold Metals正在做的事情。通过查看许多不同的数据源如地形数据、在某一地区生长的植物、磁和电磁模式、水和天气模式、岩石类型等等在我们派遣非常昂贵的探险队开采之前这个系统可以帮助地质学家找到钴的可能存在的位置。另一个很好的例子是金融技术。向首次借款人发放贷款是有风险的尤其是在第三世界国家如肯尼亚、坦桑尼亚或尼日利亚。在这些国家信用机构要么不存在要么无法接触到所有人致使很多人无法获得传统贷款。我们的投资组合公司Branch一直致力于在这些领域为首次借款人提供贷款。在没有信用机构的情况下Branch试图根据借款人的移动应用程序使用情况和通过其移动应用程序收集的行为来确定借款人的资格。使用机器学习Branch分析了数据并确定了几个行为指标这些指标已经被证明可以预测贷款偿还的可能性。以下是一些令人惊讶的因素或行为使得Branch的借款人更有可能偿还贷款的特征使用三星或HTC等品牌的手机节约使用电池晚上接大部分电话收到的短信比发送的多Facebook账户更活跃在手机上运行赌博应用程序除了最后一个指标列表上的大多数指标都不太令人惊讶。数据发现如果一个人是赌徒并且手机上有赌博应用他们更有可能偿还贷款。如果你觉得这有点违反直觉你并不孤单。这只是证明了一个人类决策者是多么的不靠谱这是由于个人偏见和过去的经验造成的。这是否意味着算法在所有决策方面都比人类好 还没有。从组织样本中比较癌症诊断性能的研究显示例如哈佛医学院2016年6月发表的这一项研究和谷歌AI Health研究员2018年10月发表的另一项研究当人类与算法竞争时始终提供最准确诊断的是人类算法它们的表现优于单独的算法和单独的人类。为了让你了解医生用来诊断癌症的方法这里有两张并排的图片。左边的一张显示了已经染色的组织切片。右边的图显示了计算机视觉算法叠加“热图”的结果热图显示了它认为更多(红色)或更少(蓝色)含有癌组织的区域。为什么人类使用的算法比单独的算法和单独的人表现更好一种可能性是这些算法改进决策的方式与语法和拼写检查有助于提高我们的写作水平的方式相似。一般来说这些检查器能很好地发现我们的打字错误和语法错误(真正的优点)。 但是偶尔检查器会标记出错误(假阳性)或者给出一个你不同意的语法暗示。在这些情况下你最终将重写检查器。这种过程最终的结果是写出的东西比任何一方自己写出的东西都要好。将危险的工作和任务自动化使我们更加安全有些工作显然是危险的例如海上救援、向偏远地区运送血液和疫苗以及冲进大楼看看里面是否有敌对士兵。创业公司和非营利组织正在帮助实现这些工作的自动化。一个叫“Little Ripper”的组织正驾驶无人机在海洋上空搜集视频画面。他们计划建立一个识别水中鲨鱼的机器学习模型作为冲浪者和游泳者的早期预警系统。在一次收集录像的训练任务中一个真实的求救电话打了进来。在70秒内无人机操作员就飞到了遇难游泳者身边把救生背心扔给他们营救他们所有这一切都不需要派一队救生员进入危险的海浪中。Zipline我们的投资组合公司之一正在努力为卢旺达全国人民提供救命的血液和疫苗。他们以无人机为基础的输送系统非常普遍以至于现在卢旺达输血所用血液的25% 都是他们提供的。大多数快递都在半小时内完成。这家公司现在正在将他们的配送系统扩展到加纳并已开始在美国进行试飞。最后我们的投资组合公司Shield.ai正在制造一种无人驾驶飞机以增强美国军队今天执行最危险的行动中的人类士兵的能力。这被称为“清理”它涉及派遣武装的人类士兵进入他们从未见过的建筑。这家公司的Nova无人驾驶飞机在清除存在未知敌人的建筑物时对士兵来说是一种无价的帮助。它能够探索并传送建筑物通道的详细地图同时使用机器学习算法将建筑物内的居住者标记为朋友或敌人。海上救援快速向偏远地区运送血液清除可能存在潜在对手的对建筑这些工作中的每一项显然都很危险。令人惊讶的是根据美国劳工统计局的数据美国最危险的工作之一是长途卡车运输。这个职业的死亡人数比其他职业都要多而且这个已经令人痛心的数字还没有考虑到长途货运对健康的负面影响。长途卡车司机的肥胖率是普通人群的两倍多而且风险还不止于此。肥胖会增加一个人患糖尿病、癌症和中风的风险而且由于工作本身的压力卡车司机更有可能通过饮酒和吸烟来缩短寿命。我们必须尽快让这些卡车司机下车这需要我们能建立起比人类司机更安全的自动驾驶系统。驾驶客车也非常危险。世界卫生组织估计每年有120万人死于道路交通事故。这是15至29岁年轻人死亡的主要原因世界卫生组织认为从致命的交通事故中恢复过来消耗了世界GDP的3%。一旦自动驾驶系统足够安全可以控制方向盘我们就必须让人类驾驶员下车我们有一组投资组合公司在这个生态系统中积极开发产品和服务。DeepMap正在构建精美详细的3D地图这些算法可以用来安全地为我们在道路上导航。Applied Intuition创建了模拟系统帮助工程师测试和重新测试他们的算法以确保他们创建的算法在暴露于各种条件下时行为完全符合预期。Voyage在退休社区内提供自动化出租车服务这样即使我们失去了驾驶能力我们也可以保持自己独立行动的能力。Cyngn 正在开发一整套自动驾驶软件这些软件可以在各种各样的车辆中使用。机器学习将帮助我们更好地理解彼此你可能认为人类最有能力理解彼此。毕竟谈话的另一方是另一个人类。但事实证明精心设计的软件实际上可以帮助我们更好地了解彼此。想想被诊断患有自闭症的人。总部位于剑桥的两家公司 Affectiva 和 Brain Power 已经开发了应用程序通过使用简化的表情符号帮助自闭症患者认识到周围人的情绪状态以便他们能够适当地调整自己的行为。他们的系统通过谷歌眼镜分析视频并将适当的表情叠加在一个人的脸上帮助佩戴者最准确地理解与他们交流的人的情绪状态。这是一个正在运行中的系统人工智能研究的最初目标之一就是机器翻译也就是把一种人类语言翻译成另一种语言。这个领域最困难的挑战是同步实时翻译当一个人用一种语言说话时系统会自动及时输出另一种语言的翻译这样两个人就可以进行自然的对话。这种类型的翻译非常具有挑战性就算是专业的联合国翻译人员一次只能工作20分钟然后他们就会被一个队友接替。2018年10月百度发布了同步翻译系统 STACL (即带有预期和可控延迟的同步翻译系统) 。鉴于技术挑战是如此之大人工智能社区朝着这个目标正在取得坚实的进展这令人印象深刻。为了跟上说话者的步伐机器学习系统实际上会生成多个预测预测说话者开始说话时每个句子将如何结束。这有点像谷歌在你的浏览器的搜索栏中的自动完成功能。系统需要为一个句子创建和翻译不同的可能结尾因为如果不这样做它就会落后于说话者。想象一下在我们走进的每个会议室或打开的每个浏览器窗口的每次网络呼叫中嵌入实时翻译我们可以更好地理解每个呼叫。下面是最后一个例子说明如何更好地理解对方这可能是我在整个演讲中最喜欢的例子。有一个叫做Crisis Text Line的非营利组织它通过短信向处于危机中的人们提供咨询。上一代人在面临危机时可能会拨打热线电话而现在这一代人则更喜欢发短信。当Crisis Text Line启动时他们要求训练有素的顾问列出50个触发词这些词可以用来预测高风险短信发送者。他们生成的单词通常和你想象的一样: 比如“死”、“割”、“自杀”和“杀”。在这项服务运行了一段时间之后这家公司应用机器学习技术看看是否还有其他单词可以从列表中添加或删除结果非常令人惊讶。你知道布洛芬这个单词预测自杀的可能性是自杀这个词的14倍吗 哭丧的表情是是自杀这个词的11倍吗斯坦福大学的研究人员接着提取了最有效的咨询师的的最佳实践。他们发现有效的技术之一是创造力成功的咨询师以创造性的方式回应而不是使用过于笼统或“模板化”的回应。在危机咨询的极端情况下机器学习帮助我们更好地了解彼此。结语虽然机器学习软件在使我们成为更好的人类方面有很大的潜力但是如果我们没有故意的、深思熟虑的和同情心的话我们就不可能达到这个目的。“垃圾输入垃圾输出”的说法仍然成立而且随着我们越来越信任基于人工智能的系统这种说法可能更具潜在危险性。话虽如此对于如何最大限度地提高人类的繁荣我有三个建议。为了打击“垃圾输入垃圾输出”我们必须用高质量、包容性的数据来训练我们的机器学习系统。Ai4all、 OpenAI 和Partnership for AI等组织正在发布最佳实践(关于包容性和安全性) 供研究人员和产品团队在设计系统时使用。我们必须学会使用像埃森哲、谷歌和微软这样的组织提供的数据质量工具和概念框架。随着公司和组织朝着一个包容、安全的机器学习系统的未来发展组织规模不断扩大他们经常发现自己需要雇佣一名全职思考这些问题的高管。这是硅谷最热门的新职位之一人工智能伦理和政策总监。第二我们不要把这变成核军备竞赛的重演一场零和竞赛。与20世纪80年代开始的专有数据库时代相比随着开源代码库(如谷歌的TensorFlow、Databricks的mlflow、无处不在的Keras和scikit-learn )和共享数据存储库(来自Kaggle、UCI、Data.gov等组织)的激增我们在机器学习社区已经有了更好的开端。但是我们还有很长的路要走。虽然来自各个国家的专家可能想把这变成一个零和游戏一个国家以另一个国家为代价取得成功。但我们可以、而且应该共同努力实现机器学习支持的软件对所有人的承诺而不管其国籍如何。最后谈谈就业问题。虽然预测就业的未来超出了这个报告的范围但是我注意到像 Gartner 这样的组织最近的研究预测在未来几十年里会有新的工作机会而之前的研究则预测未来几十年会有大规模的失业。我喜欢我的朋友李开复在他的《人工智能超级大国: 中国、硅谷和世界新秩序》一书中提出的框架。想象两个坐标轴在 x 轴上我们有一系列更常规的工作而不是需要创造力和策略的工作。 在 y 轴上我们有需要同情心才能做好的工作。李开复认为机器学习将首先取代的工作是左下角的工作不需要太多同情心的常规工作。但即使这些工作消失了我们仍然有3个象限的工作那些需要同情心的工作在图表的上半部分以及需要大量创造力的工作。这些工作是目前的机器学习技术还没有发展到可以取代的地步。在思考如何让子孙后代为这些工作做好准备时我想起了我成长过程中流行的一本书。这本书的作者是一位名叫罗伯特·福尔甘Robert Fulghum的牧师书名叫《我在幼儿园学到的所有我需要学习的东西》。在书中他认为我们应该在孩子身上培养人类的价值观同理心、公平竞争、学会如何与他人相处、说声抱歉、想象力等等。虽然我知道我们需要在这个基础上增加一套实用的技术诀窍但我同意他的观点即一个富有情商、同情心、想象力和创造力的基础是让人们为机器学习的未来做好准备的绝佳跳板。在这个未来人类和算法会更好地结合在一起。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
