人工智能有片刻。一個(gè)人只需要每周隨意瀏覽新聞，看看人工智能和機(jī)器學(xué)習(xí)的話題已經(jīng)像常春藤一樣增長(zhǎng)，將其卷須擴(kuò)展到各種故事中，例如種族偏見(jiàn)，雇用和確定蜘蛛。

但是，對(duì)于我們?cè)谑占�箱，雜志和晚間新聞中對(duì)AI的所有不同應(yīng)用，工程界以外的人很少對(duì)術(shù)語(yǔ)的真正含義或我們?cè)絹?lái)越依賴的機(jī)器人和算法如何知道如何做有深刻的了解人類分配給他們的復(fù)雜工作。

對(duì)于初學(xué)者來(lái)說(shuō)，機(jī)器學(xué)習(xí)中涉及的機(jī)器比人形助手更可能采用無(wú)形的蜂巢形式。

在女仆羅西（Rosie）首次在《杰森一家》上迷住了美國(guó)黃金時(shí)間電視觀眾后近60年，幾乎所有業(yè)務(wù)領(lǐng)域都對(duì)機(jī)器人的思想和算法提出了要求。

用上下文和經(jīng)驗(yàn)來(lái)充實(shí)這些機(jī)器頭腦需要教學(xué)和培訓(xùn)。但是人類只能教這么多的人工智能，或者至少只能教這么大的規(guī)模。

因此，機(jī)器學(xué)習(xí)是超出此范圍的研究領(lǐng)域，其中使用大量數(shù)據(jù)緩存來(lái)教授所討論的算法和物理機(jī)器。機(jī)器學(xué)習(xí)有許多不同的學(xué)科，深度學(xué)習(xí)是其中的主要子集。

深度學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò)層從數(shù)據(jù)集中學(xué)習(xí)模式。該領(lǐng)域最初是在大約三十年前構(gòu)思的，但由于這一代計(jì)算能力的局限性而沒(méi)有得到普及。

但是正如摩爾定律所規(guī)定的那樣，即使成本降低了一半，微芯片上的晶體管數(shù)量也會(huì)每?jī)赡暝黾右槐叮瑥哪且院�，人類教�?dǎo)機(jī)器進(jìn)行自我思考的能力就呈指數(shù)增長(zhǎng)。實(shí)際上，人工智能的學(xué)習(xí)速度現(xiàn)在已經(jīng)完全超過(guò)了摩爾定律。

這些條件意味著深度學(xué)習(xí)最終將受到深度神經(jīng)網(wǎng)絡(luò)算法爆炸性潛力的驅(qū)動(dòng)，該算法需要大量計(jì)算，但如果有足夠的計(jì)算能力和數(shù)據(jù)集，最終將非常強(qiáng)大。

但是，既然這些機(jī)器能夠?qū)W習(xí)極其龐大和復(fù)雜的數(shù)據(jù)集，誰(shuí)來(lái)教這些機(jī)器？誰(shuí)決定AI需要知道什么？

首先，工程師和科學(xué)家決定AI的學(xué)習(xí)方式。然后，領(lǐng)域?qū)＜視?huì)針對(duì)正在解決的任務(wù)范圍內(nèi)的機(jī)器人，如協(xié)助倉(cāng)庫(kù)物流專家，醫(yī)學(xué)影像專家或安全顧問(wèn)，提出建議。

AI如何處理這些輸入分為兩個(gè)不同的類別：規(guī)劃和學(xué)習(xí)。

規(guī)劃涉及所有變量都已已知的場(chǎng)景，而機(jī)器人只需要以其移動(dòng)每個(gè)關(guān)節(jié)的速度即可完成諸如抓取物體之類的任務(wù)。

另一方面，學(xué)習(xí)涉及一個(gè)更加結(jié)構(gòu)化，動(dòng)態(tài)的環(huán)境，在這種環(huán)境中，機(jī)器人必須預(yù)料到無(wú)數(shù)不同的輸入，并在此過(guò)程中做出相應(yīng)的反應(yīng)。

學(xué)習(xí)可以通過(guò)許多不同的形式進(jìn)行，但其中三種是：演示包括通過(guò)指導(dǎo)實(shí)踐對(duì)機(jī)器運(yùn)動(dòng)進(jìn)行物理訓(xùn)練。仿真是通過(guò)3D人工環(huán)境進(jìn)行的，振工鏈工業(yè)自動(dòng)化平臺(tái)。

最終，可以向機(jī)器饋送人員或其他機(jī)器人執(zhí)行自己希望掌握的任務(wù)的視頻或數(shù)據(jù)。所有這三個(gè)代表訓(xùn)練數(shù)據(jù)的類型，是AI算法可以用來(lái)識(shí)別和學(xué)習(xí)的帶標(biāo)簽或帶注釋的數(shù)據(jù)集。

對(duì)于當(dāng)今復(fù)雜的機(jī)器學(xué)習(xí)行為而言，培訓(xùn)數(shù)據(jù)變得越來(lái)越必要。為了使ML算法能夠選擇數(shù)據(jù)中的模式，ML團(tuán)隊(duì)需要向其提供大量準(zhǔn)確的訓(xùn)練數(shù)據(jù)。

數(shù)據(jù)的準(zhǔn)確性和豐富性對(duì)于成功至關(guān)重要。大量不正確或損壞的數(shù)據(jù)將導(dǎo)致算法無(wú)法正確學(xué)習(xí)或得出錯(cuò)誤的結(jié)論。

如果您的數(shù)據(jù)集中在火車上，并且輸入了獅子的圖片，那么您仍然會(huì)乘坐火車。

這被稱為缺乏適當(dāng)?shù)臄?shù)據(jù)分配。訓(xùn)練數(shù)據(jù)不足會(huì)導(dǎo)致學(xué)習(xí)曲線過(guò)高，可能無(wú)法充分發(fā)揮其設(shè)計(jì)潛力。

足夠的數(shù)據(jù)涵蓋大多數(shù)想像的場(chǎng)景和邊緣情況，對(duì)于進(jìn)行真正的學(xué)習(xí)至關(guān)重要。

機(jī)器學(xué)習(xí)目前正在廣泛的行業(yè)中部署，從房地產(chǎn)和財(cái)務(wù)計(jì)劃到文學(xué)和詩(shī)歌。

目前，無(wú)人駕駛車輛正在協(xié)助建筑業(yè)，部署在無(wú)數(shù)的現(xiàn)場(chǎng)作業(yè)現(xiàn)場(chǎng)。

建筑公司使用諸如Superb AI之類的數(shù)據(jù)培訓(xùn)平臺(tái)來(lái)創(chuàng)建和管理可教授ML模型的數(shù)據(jù)集，從而避免人類和動(dòng)物進(jìn)入并進(jìn)行組裝和建造。

在醫(yī)療領(lǐng)域，國(guó)際知名大學(xué)的研究實(shí)驗(yàn)室部署了培訓(xùn)數(shù)據(jù)，以幫助Computer Vision模型識(shí)別MRI和CT掃描圖像中的腫瘤。

這些最終不僅可以用于準(zhǔn)確診斷和預(yù)防疾病，還可以訓(xùn)練醫(yī)療機(jī)器人進(jìn)行手術(shù)和其他挽救生命的程序。

訓(xùn)練有素的機(jī)器人尋腫瘤助手可以整夜執(zhí)行工作，甚至在墓地輪班的醫(yī)生和護(hù)士一天回家之后也是如此。

培訓(xùn)數(shù)據(jù)，機(jī)器學(xué)習(xí)和人工智能具有巨大的機(jī)會(huì)，最終可以幫助機(jī)器人發(fā)揮其潛力，以釋放醫(yī)療和技術(shù)突破，減輕人類的單調(diào)和艱巨的勞動(dòng)，甚至縮短40小時(shí)的工作時(shí)間周。

采用復(fù)雜機(jī)器學(xué)習(xí)計(jì)劃的技術(shù)公司有責(zé)任在公眾中進(jìn)行教育并建立信任，以便可以使這些進(jìn)步真正幫助提升人類水平。

但是人類在這里也要承擔(dān)責(zé)任，因?yàn)樗麄冇胸?zé)任對(duì)這些新興的學(xué)習(xí)領(lǐng)域進(jìn)行教育和熟悉。

工程師和數(shù)據(jù)分析人員將在教學(xué)和培訓(xùn)機(jī)器方面盡最大的努力來(lái)最好地為我們提供幫助。

但是，輿論本身就是一種強(qiáng)大的杠桿，當(dāng)然可以利用它來(lái)幫助塑造和構(gòu)筑我們?nèi)藱C(jī)教學(xué)與合作的未來(lái)，振工鏈工業(yè)自動(dòng)化平臺(tái)。