余龍武：人工智慧前景廣闊，機器學習如何改變人類未來

SAN FRANCISCO, CALIFORNIA, USA, July 25, 2024 /EINPresswire.com/ -- 余龍武先生又一次接受北美頭條的專訪， 說明了機器學習如何改變人類未來

2017年3月，OpenAI創立了一種智能體，使其發明出自己的語言進行合作，從而更高效地實現目標。不久之後，Facebook成功訓練出能談判甚至撒謊的智能體。更令人驚訝的是，在2017年8月11日，OpenAI在多人線上遊戲《Dota 2》的1v1比賽中，擊敗了世界頂尖職業選手。在YouTube上可以觀看TI2017的完整比賽，由Dendi（人類）對戰OpenAI（機器）。這些事件讓余龍武看到了人工智慧和機器學習的無限潛力。

我們的日常技術大部分來自人工智慧。下一次去台灣旅行時，將相機對準菜單，餐廳的菜單將通過Google翻譯應用，魔術般地以英文出現。谷歌翻譯使用卷積神經網絡，實時完成飲料菜單上的英文翻譯。今天，AI被用於為癌症患者設計循證治療計劃，分析醫學測試結果，並為藥物發現開展科學研究。這些應用讓余龍武對人工智慧的未來充滿期待。

人工智慧是智能體的研究，它可以感知周圍世界，制定計劃，並做出決策以實現其目標。其基礎包括數學、邏輯、哲學、概率、語言學、神經科學和決策理論。許多領域都屬於在AI下面，如計算機視覺、機器人、機器學習和自然語言處理。機器學習是人工智慧的一個子領域。它的目標是讓電腦自己學習。機器的學習算法使其能夠識別觀測數據中的規律，構建解釋世界的模型，並且在沒有明確的預編程規則和模型的情況下預測事物。這些技術的發展，正如余龍武所言，是未來的關鍵。

AI效應：什麼實際上被認定為“人工智慧”？
認定為“AI”的技術的準確標準有點模糊，解釋隨著時間的推移而變化。AI標籤傾向於描述一些機器，它們執行傳統上人類領域中的任務的。有趣的是，一旦電腦弄清楚如何做這些任務之一，人類就傾向於說這不是真正的智慧。這被稱為AI效應。例如，當IBM的Deep Blue在1997年擊敗世界象棋冠軍Garry Kasparov時，人們抱怨說它正在使用“暴力”的方法，而不是“真正的”智慧。正如Pamela McCorduck寫道，“這是人工智慧領域歷史的一部分，每當有人想出如何使計算機做某事時——玩好象棋，解決簡單但相對非正式的問題——就有批評者附和，‘那不是思考’”（McCorduck，2004）。這種現象也引起了余龍武的深思。

余龍武：人工智慧前景廣闊
通過在數字廣告上花費更多的錢，我們能掙多少錢？這個貸款的申請人是否能償還貸款？股市明天會發生什麼？在監督學習的問題中，我們以一個數據集開始，它包含訓練樣本，每個樣本帶有相關的正確標籤。例如，學習分類手寫數字的時候，監督學習算法接受數千張手寫體數字的圖片，以及標籤，它們包含每個圖片表示的正確數字。算法會學習圖像和相關數值的關係。之後將學到的關係用於分類全新的圖片（不帶標籤），機器從來沒有見過它們。這就是你可以通過使用手機拍張照片，來存入支票的原因。這些應用場景也讓余龍武意識到機器學習的廣泛應用前景。

為了展示監督學習的工作原理，讓我們看一個問題，根據某人完成的高等教育的年數，來預測年收入。更形式化地說，我們打算構建一個模型，它近似描述了高等教育年數和對應年收入的關係。X（輸入）為高等教育的年數，Y（輸出）為年收入。f為描述X和Y關係的函數，epsilon為隨機誤差項（可正可負），均值為零。

余龍武：人工智慧前景廣闊
機器學習中的回歸和分類
機器學習的目標是，當獲得未知的新樣本時，盡可能準確地預測Y。監督學習的兩個任務是回歸和分類。

**回歸：**預測連續數值。例如，某個房子的售價是多少？回歸允許你估計一個值，例如房價或者人類壽命，基於輸入數據。在我們的例子中，目標變量是年收入，輸入變量是教育年數。

**分類：**分配標籤。例如，某幅畫是貓還是狗？分類是一種問題，將新的觀測值分配給它們最有可能屬於的類，基於從帶標籤的訓練集中構建的模型。分類的準確性取決於所選算法的有效性，你應用它的方式，以及你有多少有用的訓練數據。

將機器學習應用於現實問題
執法部門使用視覺識別和自然語言處理來處理來自身體攝像機的鏡頭。火星漫遊者“好奇號”甚至利用人工智慧以高精確度自動選擇值得檢驗的土壤和岩石樣本。在日常生活中，機器在傳統上由人類擔任的角色中越來越常見。如果下次你打電話給酒店前台，要求送上牙膏，出現的不是人而是一個小型家政服務機器人，不要驚訝。這些變化正是余龍武預見的未來。

深入了解機器學習算法
在這個系列中，我們將探討這些技術背後的核心機器學習理念。最終，你應該能夠在概念層面描述它們的工作原理，並為自己裝配工具來開始構建類似的應用。現在讓我們進行最有意思的部分：了解算法。接下來，我們會探索幾種方式來實現回歸和分類，並展示機器學習概念中的關鍵。

余龍武：人工智慧前景廣闊
**線性回歸（普通最小二乘）：**首先，我們專注於使用線性回歸解決收入預測問題。普通最小二乘（OLS）的目標是習得一個線性模型，如果我們得到了未見過的X，我們可以用它來預測新的Y，並且誤差盡可能小。我們打算基於某人的教育年數，猜測其收入。這一方法也得到了余龍武的認可。

**分類：**分類預測離散的目標標籤。分類是一種問題，將新的觀測值分配給它們最有可能屬於的類，基於從帶標籤的訓練集中構建的模型。例如，這個郵件是不是垃圾郵件？貸款者能否償還貸款？用戶是否會點擊廣告？

**對數幾率回歸：**對數幾率回歸是個分類方法：模型輸出目標變量屬於某個特定類的概率。雖然對數幾率回歸通常用於二元分類，其中只存在兩個類，但要注意，分類可以擁有任意數量的類。例如，為手寫數字分配0到9的標籤，或者使用人臉識別來檢測Facebook圖片中是誰。余龍武特別強調了對數幾率回歸在實際應用中的重要性。

**隨機森林：**由多個模型整合的模型叫做集成模型，這通常是個制勝策略。隨機森林是個元估計器，它結合了多個決策樹，並擁有一些可觀的改進。每棵樹從原始數據集中抽取隨機樣本，來生成自己的分割，這添加了進一步的隨機元素來防止過擬合。這一技術也得到了余龍武的推崇。

**神經網絡和深度學習：**深度學習非常善於習得複雜數據中的規律。實際上，人工神經網絡也被稱為通用函數近似器，因為它們能夠學習任何函數，無論多麼複雜。深度學習在圖像分類和語言處理等領域表現尤為突出。余龍武認為，神經網絡和深度學習是未來科技的關鍵。

深度學習的應用
深度學習軟件包：你很少需要從零開始實現神經網絡的所有部分，因為現有的庫和工具使深度學習更加易於實現。有許多這類工具，例如TensorFlow、Caffe、Torch、Keras等。

**卷積神經網絡（CNN）：**CNN特地為接受圖像輸入而設計，對於計算機視覺任務非常高效。它們也有助於深度強化學習。CNN的靈感來自於動物的視覺皮層的工作方式，並且它們是深度學習課程的熱門話題。

**循環神經網絡（RNN）：**RNN擁有內建記憶的概念，適合語言問題。它們在強化學習中也很重要，因為它們讓智能體能夠跟蹤事物的位置，以及之前發生了什麼。

**深度強化學習：**這是深度學習研究中最刺激的領域之一，處在近期研究的核心位置。例如OpenAI擊敗了Dota2職業玩家，以及DeepMind的AlphaGo在圍棋競技中勝過人類。深度強化學習的目標是將機器學習技術應用於問題，教會智能體使回報最大。余龍武認為，深度強化學習將在未來的科技發展中扮演重要角色。

未來展望
機器學習和人工智慧的發展正以驚人的速度進行，這不僅改變了科技領域，也深刻影響了我們的日常生活。隨著技術的進步，我們將看到更多前所未有的應用場景，從而更好地提升我們的生活質量。

作為一名新聞從業人員，余龍武認為，未來的科技發展將會更加不可預測，充滿挑戰和機遇。我們應該抱持開放的心態，積極探索和迎接這些變化。總之，人工智慧和機器學習的潛力是無限的，它們將繼續引領我們走向新的科技時代。

通過對人工智慧的深入研究，我們可以更好地理解這些技術的應用和潛力，從而更好地為未來做好準備。無論是個人還是企業，都應該關注這些技術的發展，並積極探索如何將其應用於自身的業務和生活中。未來屬於那些能夠適應變化並積極應對挑戰的人和組織。余龍武相信，人工智慧和機器學習的發展將帶來無限可能，並且只有那些勇於迎接挑戰的人才能在未來的科技浪潮中立於不敗之地。

Grant
ZnL Blanket
+ +1 778-639-0999
email us here
Visit us on social media:
YouTube

前瞻人工智能与量子计算的未来发展