若問2017年感受最深的是什麼， 作為科技媒體人的我會說：AI熱。 在政策的推動下， 這場由應用驅動的AI熱， 似乎也在“催熟”其背後的技術。
毫無疑問， 人工智慧將滲透進各個領域的各個應用中， 而未來十年是人工智慧落地的關鍵期， 那麼找到最先落地的突破口成為關鍵。
透過近兩年的市場情況， 我們看到了智慧語音市場的火爆， 看到了人臉識別即將成為下一個戰場。 AI在生物識別領域蔓延著， 這也成為全球互聯網巨頭關注的焦點與角逐的戰場。 我們似乎可以得出一個結論， 生物識別成為了AI最先落地的重要突破口之一。
12月15日， 園區金雞湖智庫和與非網聯合舉辦了以“新交互， 新未來”為主題的技術沙龍活動， 科大訊飛蘇州研究院院長支洪平、蘇州邁瑞微電子有限公司市場總監袁聰、西交利物浦大學電子與電氣工程系主任黃開竹教授分別帶來不同主題的演講， 對AI與生物識別進行了深入解讀。
AI， 從感知到認知
人工智慧的歷史使命就是將人類從繁重的腦力勞動中解放出來。 如今， 我們所感受到的AI浪潮是經歷了兩次“冬天”之後的第三次爆發。
從2016年的人“狗”圍棋之戰到《西部世界》， 再到智慧音箱， 忽如一夜春風來， AI應用遍地開。
熱潮下的真相是什麼?要如何理性的看待AI的第三次爆發呢?本次沙龍活動上， 三位嘉賓從學術與產業的角度對本問題進行瞭解讀。
人工智慧三階段
計算智慧
使得機器能夠像人類一樣進行計算， 諸如神經網路和遺傳演算法的出現， 使得機器能夠更高效、快速處理海量的資料。
感知智慧
讓機器能聽懂我們的語言、看懂世界萬物。 語音和視覺識別就屬於這一範疇，
認知智慧
機器將能夠主動思考並採取行動， 實現全面輔助甚至替代人類工作。
支洪平院長表示：語音合成持續進步超越一般自然人說話水準、語音辨識正確率超過速記員水準、智慧評測超過人工老師，
科大訊飛類人答題機器人的2017年測試成績充分說明， 這是一個“偏科生”， 與數學相關度高的學科得分成績偏高， 文科成了難啃的骨頭。
黃開竹教授表示：“這是人工智慧歷史上最好的時代，但人工智慧的時代並沒有到來。”
當前的人工智慧離通用人工智慧還有很遠的距離。比如對話機器人很熱們，但沒有聽一兩年人類對話錄音就能自己說話的機器;AlphaGo通過分析數千局比賽然後又進行更多的自我對弈而“學會”了下圍棋，它打敗了人類，但同樣的程式卻不能用來掌握國際象棋。
人工智慧三法寶
當前人工智慧主流應用是基於深度學習神經網路，或者換種說法，以神經網路為代表的演算法由於大資料結合，通過計算力加持，成為當前主流人工智慧的演進路徑。
因此，演算法、大資料、計算力是AI成功的三大法寶。
黃開竹教授認為，當前人工智慧爆發實際是應用驅動爆發，技術欠缺特別是演算法欠缺是制約人工智慧行業發展的現狀和突出問題。當前深度學習的成功更像是暴力計算的成功，比如AlphaGo使用了1920塊處理器+280塊 GPU，每小時耗能達到440千瓦，而人腦每小時消耗20瓦能量。
深度學習之對抗樣本問題
目前，提及AI總會聽到一個次“深度學習”，深度學習的發展帶動了一系列的研究，尤其是在圖像識別領域。在一些標準測試集上的試驗表明，深度模型的識別能力已經可以達到人類的水準。但是，對於一個非正常的輸入，深度模型是否依然能夠產生滿意的結果。
我們先來看結論吧：對抗樣本將會被大多數當前最好的深度學習分類器識別錯誤!
一個對抗樣本，修改一張熊貓的圖片，讓機器學習模型將它識別成一隻長臂猿。
當加入對抗干擾，干擾增大時，AI識別數字發生變化。
人工智慧生物識別
目前看，生物識別與AI在人臉識別與語音辨識方面有了結合，生物識別與AI是一種怎樣的關係呢?袁聰先生指出：“生物識別與大資料有著密不可分的關係，大資料的最終目的是資料採擷，聲、光、電、壓等資訊在AI看來，只是資料，並通過機器學習等演算法實現識別的功能。”
在蘋果推出只有面部識別功能的iPhone X後，“指紋識別是否還有春天”引起了業內的熱議。袁聰反復強調“安全有界限”，未來趨勢必將是多種生物識別組合的模式，比如指紋識別與虹膜識別相搭配等。
黃開竹教授表示：“這是人工智慧歷史上最好的時代，但人工智慧的時代並沒有到來。”
當前的人工智慧離通用人工智慧還有很遠的距離。比如對話機器人很熱們，但沒有聽一兩年人類對話錄音就能自己說話的機器;AlphaGo通過分析數千局比賽然後又進行更多的自我對弈而“學會”了下圍棋，它打敗了人類，但同樣的程式卻不能用來掌握國際象棋。
人工智慧三法寶
當前人工智慧主流應用是基於深度學習神經網路，或者換種說法，以神經網路為代表的演算法由於大資料結合，通過計算力加持，成為當前主流人工智慧的演進路徑。
因此，演算法、大資料、計算力是AI成功的三大法寶。
黃開竹教授認為，當前人工智慧爆發實際是應用驅動爆發，技術欠缺特別是演算法欠缺是制約人工智慧行業發展的現狀和突出問題。當前深度學習的成功更像是暴力計算的成功，比如AlphaGo使用了1920塊處理器+280塊 GPU，每小時耗能達到440千瓦，而人腦每小時消耗20瓦能量。
深度學習之對抗樣本問題
目前，提及AI總會聽到一個次“深度學習”，深度學習的發展帶動了一系列的研究，尤其是在圖像識別領域。在一些標準測試集上的試驗表明，深度模型的識別能力已經可以達到人類的水準。但是，對於一個非正常的輸入，深度模型是否依然能夠產生滿意的結果。
我們先來看結論吧：對抗樣本將會被大多數當前最好的深度學習分類器識別錯誤!
一個對抗樣本，修改一張熊貓的圖片，讓機器學習模型將它識別成一隻長臂猿。
當加入對抗干擾，干擾增大時，AI識別數字發生變化。
人工智慧生物識別
目前看，生物識別與AI在人臉識別與語音辨識方面有了結合，生物識別與AI是一種怎樣的關係呢?袁聰先生指出：“生物識別與大資料有著密不可分的關係，大資料的最終目的是資料採擷，聲、光、電、壓等資訊在AI看來，只是資料，並通過機器學習等演算法實現識別的功能。”
在蘋果推出只有面部識別功能的iPhone X後，“指紋識別是否還有春天”引起了業內的熱議。袁聰反復強調“安全有界限”，未來趨勢必將是多種生物識別組合的模式，比如指紋識別與虹膜識別相搭配等。