㈠ AI技術背後有哪些聲音的應用

即使是最自然的電腦聲音 - 無論是蘋果的Siri還是亞馬遜的Alexa - 聽起來都像電腦。位於蒙特利爾的初創公司Lyrebird希望通過分析語音記錄和相應的文本記錄以及識別它們之間的關系，通過人為智能系統來學習模仿人的聲音。上周推出的Lyrebird的語音合成可以每秒生成數千個句子 - 比現有方法快得多 - 並且模仿任何語音，這是一個進步，提出了有關如何使用和濫用技術的道德對於將文本轉換為口頭語言的計算機程序來說，生成自然語音的語音的能力一直是一個核心挑戰。Siri，Alexa，Microsoft的Cortana和Google Assistant等人工智慧（AI）個人助理都使用文本轉語音軟體來為用戶創建更便利的界面。這些系統通過將來自預先錄制的一種特定語音文件的單詞和短語拼湊在一起工作。切換到不同的語音 - 比如像一個人的Alexa聲音 - 需要一個新的音頻文件，其中包含設備可能需要與用戶進行通信所需的每個可能的詞。Lyrebird的系統可以通過聆聽幾小時的語音來學習任何聲音中的人物，音素和單詞的發音。從那裡它可以推斷生成全新的句子，甚至添加不同的語調和情緒。Lyrebird的方法的關鍵是人工神經網路 - 它使用旨在幫助它們像人腦一樣運作的演算法 - 依靠深度學習技術將聲音的一部分轉換為語音。神經網路通過加強分層神經元單元之間的連接來接收數據並學習模式。

㈡ 什麼是人工智慧技術

首先我們要知道人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。說起人工智慧我們大家都很熟悉，各種人工智慧概念，AI概念層不出窮，仔細想來無外乎智能音箱、智能列印機、智能售賣機等等諸如此類似乎沒多少「智能」，和我們腦海中的「AI印象」，如：終結者、機器人、阿爾法狗、自動駕駛等技術大相徑庭。目前，普遍認為人工智慧的研究始於1956年達特茅斯會議，早期人工智慧研究中，如何定義人工智慧是個喋喋不休的問題，但基調始終是：像人一樣決策、像人一樣行動、理性的決策、理性的行動等研究方向。人工智慧70年來的研究過程中，早期受制於計算機運算速度和存儲的限制，人工智慧的研究進展緩慢。06年深度學習技術突破到2016年阿爾法狗打敗李世石，人工智慧的概念世人皆知，那麼人工智慧主要由哪幾部分構成呢？
一、採集：感測器—信息採集
二、處理：CPU—各種演算法、架構、系統
三、輸出：像人一樣行動
四、存儲
NORFLASH、NANDFLASH、ONENANDFLASH、DDR1、DDR2、DDR3----。存儲內容的壓縮、存儲、解壓縮。
五、顯示：
虛擬現實VR、增強型虛擬現實AR。
六、通信
超級寬頻。萬物互聯。
七、電源
醫療器械專用開關電源
工業控制專業開關電源
車載&無人駕駛&無人機專用開關電源。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。2017年12月，人工智慧入選「2017年度中國媒體十大流行語」。對於想要進入人工智慧領域的小白來講：一開始就接觸到人工智慧的研究是不現實的，不妨試著學習嵌入式、Python、物聯網等和人工智慧息息相關的基礎領域，先學好基本後再一步步通向人工智慧學習之路是個不錯的選擇。

㈢ 關於人工智慧的問題

應用人工智慧系統只是AGI的有限版本。

盡管許多人認為，人工智慧的技術水平仍然遠遠落後於人類的智力。人工智慧，即AGI，一直是所有人工智慧科學家的研發動力，從圖靈到今天。在某種程度上類似於煉金術，對AGI復制和超越人類智能的永恆追求已經導致了許多技術的應用和科學突破。AGI幫助我們理解了人類和自然智慧的各個方面，因此，我們建立了有效的演算法，這些演算法受到我們的追求更加高效計算能力和學習模型的啟發。

然而，當涉及到人工智慧的實際應用時，人工智慧實踐者並不一定局限於人類決策、學習和解決問題的純模型。相反，為了解決問題和實現可接受的性能，AI實踐者通常會做構建實際系統所需的事情。例如，深度學習系統的演算法突破的核心是一種叫做反向傳播的技術。然而，這種技術並不是大腦建立世界模型的方式。這就引出了下一個誤解：一刀切的人工智慧解決方案。

AI為更美好的未來鋪平了道路。盡管人們對人工智慧有著普遍的誤解，但正確的假設是，人工智慧將繼續存在，而且確實是通向未來的窗口。AI還有很長的路要走，它在將來會被用來解決所有的問題，並被工業化廣泛的使用。人工智慧的下一個重大步驟是使其具有創造性和適應性，同時，強大到足以超過人類建立模型的能力。

㈣ 　人工智慧技術

在地質找礦的人員都知道資料庫和人工智慧找礦系統，這是兩個獨立的系統。考慮到現在正在模擬人類腦神經活動的功能，發展人工智慧技術，因此，這兩個獨立的系統將合為一個系統，它將包括本書除前三章外的幾乎所有內容。

在第一章及第三章中曾提到直接信息和間接信息的互補性，利用間接信息彌補直接信息的局部性，利用直接信息及其他先驗的地質知識來限制間接信息解譯的多解性，可以根據當地情況設計出快速而有效的找礦方法。

因此，在地質找礦工作中，數據的處理及解譯就顯得特別重要。現在，地質數據的處理及解譯都是在計算機上進行的。現代的計算機運行速度非常快，有的已達1秒鍾萬億次。但傳統的計算機是建立紐曼（V.Neumann）型順序處理結構基礎上串列計算機，存在一些缺點和不足，主要的有：運行必須按事先設計時的一整套精確的串列演算法來進行，但對很多實際問題中的定性信息及辯證邏輯判決，則很難找到這樣的串列演算法；容錯性差，局部出現小問題或考慮不周便會影響整個系統的工作；學習能力差；串列演算法結構在根本上限制了程序的運行速度，不能實時處理。這些不足迫切需要研製和設計具有新的計算原理的新結構計算機，而以人腦為模型的神經網路學的研究是解決這一問題的嶄新途徑。一旦這種計算機設計出來，結合神經網路動力學系統理論的研究成果，將給信息高科技的應用與開發帶來新的變革。

這種新的計算機特別適合於地質信息的處理，因為地質信息中大量的信息是定性信息，礦產預測時特別需要辯證思維。這里所說的定性信息是指信息與待找目標物之間的關系而言，而不是指信息本身而言。例如，物探或化探異常，就其本身而言，都是定量信息，但物化探異常與待找礦產之間的關系，或這些異常與礦產存在與否則不一定有定量關系。又如岩石的蝕變，其本身是模糊信息，但可以定量化，但卻無法給出蝕變與礦產存在的定量關系（參看第十章中關於統計信息、模糊信息及定性信息的敘述）。我們只能根據形式邏輯的思維方法編製程序作礦產預測，限制了預測的效果。現在正在開展的神經網路模式識別系統理論的研究，可望在這方面有所突破。

·在目前，信息解譯技術中引人入勝的是利用人工智慧技術，建立地質找礦的虛擬現實系統。所謂虛擬現實是在計算技術虛擬環境中模模擬實物體的狀態，並在視覺模擬環境中運行。利用這種技術，人們坐在一個座艙中，就如進入到一個坑道中或站在一個采礦掌子面前那樣，看到了立體的地質現象，這種地質現象是多種地質信息解譯的結果。通過用戶/對象在虛擬環境中的交互（例如裝有感測器的手套，用戶可以抓取虛擬空間內的虛擬物體），改變地下地質體的分布，使其所引起的信息（例如物探異常）與觀測到的信息符合，而這種地質體的分布又符合先驗的地質知識及已有的直接地質信息。由於這時地下地質體分布的改變，充分利用了找礦人員的經驗及人腦的辯證思維能力，可以在串列運行的計算機上達到好的解譯結果，而且解譯的速度是非常快的。

這樣一個系統，要有以下五種功能：

1.儲存先驗的地質知識及工作地區的綜合地質信息的資料庫，這種資料庫能自動快速檢索並輸出儲存的信息，這種資料庫還具有一定的聯想功能；

2.能直接接受和處理語言、文字、數字及圖影等信息；

3.推理、分析、聯想和學習等解題功能，例如根據線性方程組中變數的個數及其系數的特點，自動選擇解方程式的方法；

4.三維立體顯示和聲響等功能；

5.輸入、輸出智能介面。

在目前的虛擬實現技術中，用的是對人腦功能性模擬，還做不到結構性模擬。結構性模擬和功能性模擬是人工模擬腦神經的兩種模擬途徑。所謂功能性模擬是按照人腦的生理構造來模擬，從模擬神經元的結構開始，逐步製造具有某種思維功能的自動機。已知人腦的結構非常復雜，單是大腦皮層就有140億個以上神經元，而神經元的樹狀突與軸突又互相以非常復雜的方式聯系著，在一個神經元樹狀突區域中，可能有幾十萬個其他神經元的軸突交織在一起。因此，這種模擬，短期內不會成功。現在用的功能性模擬是利用計算機系統來逐次模擬，即先對所研究的問題提出某種假設，即初始模型，並由計算機算出其解，然後將這個解與所獲得的信息相比較，並根據比較結果，修改模型，直到兩者相差達到一個預先給定的標准為止。功能性模擬已獲得很大的成就，如具自學功能的弈棋機等。

㈤ 人工智慧和三維技術對管理信息系統的發展有怎樣的聯系，產生了怎樣的影響

首先，管理信息系統，開始進入大眾化時代，所以學好它，日後必定會很大需求，需未來的版管理信權息系統，一定是人工智慧的，所以人工智慧是它的基本功，也是很重要的，最後，三維技術主要是在醫療和人體上會大顯神通，因為這些系統都是為人服務的，所以人的三維信息早晚會與這些管理系統相結合，特別是體感技術開始走入大眾化後，將會無所不在，所以這三塊都是非常有吸引力的，非常值的深入研究，學習下去，未來一定會成為極缺的人才，也將成為未來最重要的人才。

㈥ 淺談人工智慧技術的發展

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能內的理論、容方法、技術及應用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」，也可能超過人的智能。

人工智慧的定義可以分為兩部分，即「 人工」和「 智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。

㈦ 人工智慧背後的操控者是誰

「9·11 是猶太人乾的，把他們都送進毒氣室！種族戰爭現在開始！」

2016年3月23日，一個人設為19歲女性，昵稱為 Tay 的聊天機器人在推特上線。這個微軟開發的機器人能夠通過抓取和用戶互動的數據模仿人類的對話，像人一樣用笑話、段子和表情包聊天。但是上線不到一天，Tay 就被「調教」成了一個滿口叫囂著種族清洗的極端分子，微軟只好以系統升級為由將其下架。

微軟聊天機器人的極端言論。

這樣的口號並不是聊天機器人的發明，而在社交網路上大量存在著。美國大選期間，一些所謂的「政治新媒體」賬號發出的摻雜陰謀論、種族主義的內容，在Facebook 上進行了病毒式傳播。這有賴於人工智慧協助下的「精準定位」：誰最容易相信陰謀論，誰對現實最不滿？相應的政治廣告和假新聞能精準地投放到這群人中，使人對自己的看法更加深信不疑。

因為設計缺陷而 「暴走」的聊天機器人，和精心策劃的線上政治行為，看起來彷彿是兩回事。但這種我們似乎從未見過的景象，卻指向了同一個「凶器」——大數據驅動下的人工智慧。

1、人工智慧有作惡的能力嗎？

人工智慧會「作惡」嗎？面對智能的崛起，許多人抱有憂慮和不安： 擁有感情和偏見的人會作惡，而僅憑理性計算進行判定的計算機似乎也會「作惡」， 且作起來易如反掌。這讓許多人（特別是非技術領域的人）對人工智慧的發展持悲觀態度。

這種憂慮並不是最近才有的。人工智慧這個詞誕生於上世紀50年代，指可體現出思維行動的計算機硬體或者軟體，而 對機器「擁有思維」之後的倫理探討，早至阿西莫夫開始就在科幻作品裡出現。

14 年前，威爾·史密斯主演的電影《機械公敵》里就有這樣一個場景：2035 年的人類社會，超高級的人工智慧承擔大量工作，並與人類和諧相處。這些原本完全符合阿西莫夫「三定律」的人工智慧，在一次關鍵升級之後對人類發起了進攻。這些機器人擁有了思維進化的能力，在它們的推算下，要達到「不傷害人類」的目的，就必須先消滅「彼此傷害」的人類。

十分高產的科幻作家阿西莫夫（1920-1992）。

劍橋分析CEO亞歷山大·尼克斯（Alexander Nix）。

劍橋分析並不是一個孤例。澳洲一個 Facebook 的廣告客戶透露，Facebook 的人工智慧會分析其用戶特徵和所發的內容，給出諸如「有不安全感的年輕人」「抑鬱、壓力大」等標簽，然後有針對性地投放游戲、癮品和甚至虛假交友網站的廣告，從中獲取巨大利益。

即使不存在數據泄露問題，對用戶數據的所謂「智能挖掘」也很容易遊走在「合規」但「有違公平」的邊緣。例如，電商能夠根據一個人的消費習慣和消費能力的計算，對某個人進行針對的、精密的價格歧視。購買同樣的商品，用 iPhone X 手機的用戶很可能會比用安卓「千元機」的用戶付更多的價錢，因為他們「傾向於對價格不敏感」。而我們所經常談論的「大數據殺熟」——比如攜程老用戶訂旅館的價格會更高——也建立在用戶行為數據的基礎上。

數據的收集本身也值得商榷。前網路人工智慧首席科學家吳恩達（Andrew Ng）就曾公開表示， 大公司的產品常常不是為了收入而做，而是為了用戶的數據而做；在某一個產品上收集的數據，會用於在另一個產品上獲利。 在智能面前，沒有所謂的個人隱私和行蹤，也很難確定數據收集的邊界在哪裡，尤其是個人隱私與公共信息、主動提供與被動提供的邊界。

總而言之， 在以商業利益為目標的人工智慧眼裡，並沒有「人」或者「用戶」的概念，一切都是可以利用的數據。 劍橋大學互聯網與社會研究中心教授朔沙娜·祖博夫將這種人工智慧和資本「合體」的現狀，稱之為 「監控資本主義」 （Surveillance Capitalism）——在大數據和人工智慧的協助下，通過對每個人的監控和信息的榨取，實現資本的最大化。

業界對此的態度很曖昧。AI 作為當下最熱門、來錢最快的行當之一，這些動輒年薪50萬美元的工程師很少得閑來思考「形而上」的問題。 一位不願具名的研究人員在與我的微信私聊中表達了他的「個人看法」：「現在的技術離『通用人工智慧』還很遠，對社會倫理方面的影響沒有那麼大，更多還是從繁瑣的重復勞動中解脫出來。」

作者試圖找到行業內人士對此評論，谷歌（中國）和網路自動駕駛部門的人工智慧相關人員均表示，探討 AI 的社會問題，牽涉到公司利益和形象，比較敏感，不便評論。

「人工智慧作為一個工具，如何使用，目前來看決定權依然在人。」俞揚說道 ，「系統的設計者和商業（應用）的提供人員需要對此負責。」

如何負責？這或許需要我們正視人工智慧對整個社會關系的挑戰。

4、人工智慧作惡之後

2018年3月 19 日，一輛自動駕駛的優步（Uber）在美國亞利桑那州惹上了麻煩。面對路中出現的一個推著自行車的女性，這輛車速 38 mph（約61km/h）的沃爾沃在昏暗的光線條件下並沒有減速，徑直撞了上去，受害者被送往醫院之後不治身亡。這是自動駕駛第一例行人致死的事故。

電視台對自動駕駛優步車禍的報道。

事故發生之後，有不少人將矛頭指向了自動駕駛的人工智慧是否足夠安全上，或者呼籲優步禁止自動駕駛。然而更關鍵的問題在於，亞利桑那有著全美國幾乎最開放的自動駕駛政策，事故發生地坦佩市（Tempe）是實行自動駕駛最火的「試驗田」之一；事故所在的街區早已做過路線測試，並被自動駕駛的智能點贊。但是在事故發生之後，對於責任的認定依然遇到了困難。

因為人的疏忽造成的車禍數不勝數，人們早已習慣了如何處理、怎樣追責；然而機器出錯了之後，人們忽然手足無措。 人工智慧會出錯嗎？當然會。只是我們在這個問題上一直缺乏認知。 就如同上文提到的「隱性歧視」，深度學習的「黑箱」，現有的法律法規很難對這些錯誤進行追究，因為不要說普通人，就連技術人員也很難找出出錯的源頭。

當人工智慧的決策在人類社會中越來越重要時，我們也不得不考慮，智能為什麼會犯錯，犯錯了怎麼辦；若要讓智能擺脫被商業或者政治目的支使的工具，真正成為人類的「夥伴」， 需要怎麼監管、如何教育，才能讓人工智慧「不作惡」。

人工智慧的監管問題亟待解決。

對此，現有的法律框架內很難有清晰的、可操作的實施方案。歐盟率先在數據和演算法安全領域做出了立法的嘗試，2018年5月即將生效的新法規規定，商業公司有責任公開「影響個人的重大決策」是否由機器自動做出，且做出的決策必須要「可以解釋」（explainable）。但法條並沒有規定怎麼解釋，以及細到什麼程度的解釋是可以接受的。

另外一個重要的問題是， 讓機器求真求善，需要人類自己直面決策中的黑暗角落。 在 Atari 游戲智能的測試中，游戲中的人工智慧 bot 可以用最快的速度找到漏洞開始作弊，而游戲玩家又何嘗不是呢？不管是帶有歧視的語義分析，針對少數族裔進行的「智能監視」和跟蹤，或者把已婚未育女性的簡歷扔掉的智能簡歷篩選，都長期以各種形式存在於人類社會中。

人工智慧不是一個可預測的、完美的理性機器，它會擁有人類可能擁有的道德缺陷，受制於人們使用的目標和評估體系。 至少目前，機器依然是人類實然世界的反應，而不是「應然世界」的指導和先驅。 對機器的訓練同樣少不了對人性和社會本身的審視——誰在使用，為了什麼而使用，在我們的世界中扮演著怎樣的角色？數據是誰給的，訓練的目標是誰定的？我們期望中的機器，會繼承我們自己的善惡嗎？

谷歌中國人工智慧和機器學習首席科學家李飛飛認為， 要讓機器「不作惡」，人工智慧的開發需要有人本關懷 。「AI 需要反映我們人類智能中更深層的部分，」李飛飛在《紐約時報》的專欄中寫道，「要讓機器能全面地感知人類思維……知道人類需要什麼。」她認為，這已經超越了單純計算機科學的領域，而需要心理學、認知科學乃至社會學的參與。

未來，人工智慧進入更多的領域、發揮更強的功能，是無可爭辯的事實。然而，我們的生產關系能否適應人工智慧帶來的生產力，這句馬克思政治經濟學的基本原則值得我們認真思考一番。 我們並不想看到未來的「機器暴政」將我們的社會綁在既有的偏見、秩序和資本操縱中。

一個AI

人工智慧之所以會作惡，可能就是因為太像人類了吧。