Mitchell及其同事一直在研究腦部成像方法所揭示的大腦神經(jīng)活動(dòng)，以解讀大腦在如何呈現(xiàn)知識(shí)。為了訓(xùn)練自己的計(jì)算機(jī)模型，他們?yōu)閷?shí)驗(yàn)對(duì)象出示了60個(gè)名詞，比如電話、房子、番茄和胳膊， 然后觀察大腦在看到每個(gè)名詞后出現(xiàn)的圖像。隨后，他們使用谷歌收錄了一萬(wàn)億個(gè)單詞的文本數(shù)據(jù)庫(kù)，確定了往往伴隨60個(gè)基本單詞出現(xiàn)的幾個(gè)動(dòng)詞，比如伴隨電話的鈴響，然后根據(jù)兩者都出現(xiàn)的頻率，為這些單詞賦予權(quán)重。
隨之形成的模型就能準(zhǔn)確預(yù)測(cè)之前從未見(jiàn)過(guò)相應(yīng)圖像的某個(gè)單詞會(huì)引起大腦出現(xiàn)什么樣的圖像。簡(jiǎn)單地說(shuō)，這種模型就會(huì)預(yù)測(cè)，名詞“飛機(jī)”帶來(lái)的大腦圖像更像是名詞“火車(chē)”帶來(lái)的大腦圖像，而不像名詞“番茄”帶來(lái)的大腦圖像。
Mitchell說(shuō): “我們過(guò)去感興趣的是大腦如何呈現(xiàn)想法，而這個(gè)試驗(yàn)有望揭示對(duì)人工智能來(lái)說(shuō)很棘手的一個(gè)問(wèn)題。怎樣才能準(zhǔn)確、普遍地呈現(xiàn)知識(shí)？也許還有其他經(jīng)驗(yàn)可以汲取，大腦也很容易忘記知識(shí)。”
斯坦福大學(xué)計(jì)算機(jī)學(xué)助理教授Andrew Ng領(lǐng)導(dǎo)了多才多藝的Stair的研發(fā)工作。他表示，這個(gè)機(jī)器人證明了人工智能識(shí)方面許多之前彼此獨(dú)立的領(lǐng)域現(xiàn)在足夠成熟，可以融為一體，“實(shí)現(xiàn)人工智能的遠(yuǎn)大夢(mèng)想”。
那么這個(gè)夢(mèng)想到底是什么呢？Ng說(shuō): “早先的著名預(yù)言稱(chēng)，在比較短的時(shí)間內(nèi)，計(jì)算機(jī)的智能化程度會(huì)與人類(lèi)一樣高。我們依舊希望，在將來(lái)的某個(gè)時(shí)間，計(jì)算機(jī)的智能化程度會(huì)與我們一樣高。但這個(gè)問(wèn)題不是十年后有望解決的，可能一百年過(guò)后才有望解決。”
鏈 接
人工智能在華爾街的應(yīng)用
引起當(dāng)前這場(chǎng)金融危機(jī)的反面人物當(dāng)中就有華爾街的“數(shù)據(jù)分析員”，即為交易優(yōu)化和風(fēng)險(xiǎn)分析開(kāi)發(fā)人工智能模型的計(jì)算機(jī)科學(xué)家和數(shù)學(xué)家。但是密歇根大學(xué)的計(jì)算機(jī)學(xué)和工程學(xué)教授Michael Wellman表示，現(xiàn)在就下: “任何模型未能預(yù)防金融危機(jī)或者甚至導(dǎo)致了金融危機(jī)”這個(gè)定論，還為時(shí)過(guò)早。
專(zhuān)門(mén)研究人工智能在市場(chǎng)應(yīng)用的Wellman說(shuō): “我認(rèn)為，交易和風(fēng)險(xiǎn)分析的自動(dòng)化是從一個(gè)方面來(lái)解決問(wèn)題，而不是從一個(gè)方面來(lái)引起問(wèn)題。比方說(shuō)，一大問(wèn)題是缺乏透明度——許多公司甚至不知道自己擁有的資產(chǎn)。要是投資合同更容易被機(jī)器讀懂、更容易分析，公司就可以更全面地分析風(fēng)險(xiǎn)、更充分地了解自己所處的狀況。”
登陸|注冊(cè)歡迎登陸本站，認(rèn)識(shí)更多朋友，獲得更多精彩內(nèi)容推薦！