人工智能、智慧家居参考文献3篇

　　(一)

　　2018年12月，欧盟人工智能高级专家组发布《可信赖的人工智能道德准则草案》。该准则草案提出了实现“可信赖人工智能”的两个核心要素——道德目的、技术可靠。在此之前，学术界已经开始从技术角度探索防范人工智能潜在风险的“反人工智能”技术。2018年8月，加拿大学者公布了关于人脸检测动态扰乱系统的研究成果，该技术能将人脸检测准确率从接近100%大幅降低至0.5%。当前，人工智能尚处于“弱人工智能”阶段，反人工智能的早早出现，既凸显出人类对人工智能的潜在忧虑，也从技术角度提供了一条确保人工智能不会危及人类自身的新思路。因此，有必要梳理反人工智能技术的发展现状与前景，并统筹考虑人工智能与反人工智能的协同发展，确保人工智能可控、可靠、可信地造福人类。

　　人工智能高速发展引发风险担忧

　　人工智能引发的忧虑日渐增多

　　人脸检测是当前人工智能领域最为成熟的技术之一，已经开始在多个领域应用推广。但许多人认为，人脸检测等人工智能技术在为人类提供便利的同时，也带来了数据隐私泄露等安全隐患，有必要从各个角度开展防范策略研究，以防止用户数据隐私泄露。事实上，在人工智能蓬勃发展的光环之下，其所引发的忧虑远不止数据隐私泄露。当前，虽然各国大力倡导人工智能的应用推广，但现阶段的“弱人工智能”与真正的人脑智慧相差甚远，缺乏自主认知意识与学习能力，十分依赖海量数据训练，并且还无法学习形成人类的道德伦理观念，这就意味着“弱人工智能”在应用过程中存在大量令人担忧的隐患环节。

　　人工智能高速发展潜藏两大风险

　　对人工智能的忧虑，主要源自人工智能的自身技术缺陷和技术潜在滥用两方面。

　　在自身技术缺陷方面，第一，当前的机器学习本质上是一项黑盒技术，其训练过程具有难以解释、不可控制的特点，且随着人工智能的应用复杂度、需求数据量的指数式增长，机器学习尤其是基于多层神经网络的深度学习复杂程度愈发超出人类理解和控制范畴，在快速进化过程中极易偏离人类为其预设的轨迹。例如，微软发布的人工智能机器人Tay在与网友聊天的过程中很快学会了脏话，甚至学会了种族歧视的言论，导致微软被迫紧急下线该产品。第二，机器学习模型训练过程完全依赖于海量数据，数据的好坏将直接决定人工智能技术效能，训练数据的任何偏差都将在人工智能应用中如实反映。例如，由于用于模型训练的简历具有男多女少的特点，因此，亚马逊的智能简历筛选系统学会了性别歧视，一旦抓取到简历中“女”这一关键词，便会降低应聘者的考核分数。

　　在技术滥用方面，随着人工智能应用领域的快速延伸，人工智能技术触及人类道德伦理底线，乃至威胁人类自身安全的事件不断出现。例如，斯坦福大学的研究人员于2017年发布了一种依靠面部图像识别来判断性取向的算法，该算法判断男同性恋和女同性恋的准确率分别高达91%和83%。因此，该应用只需提取人类上传在社交网络的照片即可判断其性取向，这无疑是严重侵犯个人隐私的行为。而人工智能一旦在黑客网络攻击，甚至大规模杀伤性武器等方面滥用，将引发难以估量的严重后果。

　　防范人工智能风险已经“在路上”

　　随着“AlphaGo战胜李世石”等标志性事件接连出现，人工智能引发的忧虑随之加深，人类开始从法律法规、道德准则、技术等多个角度探索防范人工智能潜在风险的手段。法律法规方面，2017年，欧美多个国家提出要积极开展人工智能相关的立法研究。例如，英、美分别在《人工智能：未来决策制定的机遇与影响》、《人工智能未来法案》中强调，要密切关注人工智能可能的负面影响，并提出要确保人工智能威胁的最小化。道德准则方面，2018年，谷歌因参与军方人工智能项目而引发内部员工的强烈反对，最终被迫发布了11条运用人工智能技术的“不作恶”准则。2018年12月，欧盟发布人工智能道德指南草案，提出了规范人工智能应用的几大问题。

　　此外，在技术方面，人脸检测动态扰乱系统并非反人工智能的首次技术尝试。此前，美国麻省理工学院(MIT)的研究人员就曾尝试通过构建3D对抗样本来欺骗图像识别系统。此外，生成对抗网络(GAN)的创造者伊恩·古德费洛曾在2017年牵头组织对抗攻击防御竞赛，引导研究人员开展人工智能算法的攻防比拼，以期引起各方对反人工智能技术的关注和研究。

　　从某种意义上讲，当人类出于自身福祉的考虑开发出的人工智能难免令人担忧，而相关法律法规和技术伦理又大为滞后时，相比于法律道德的“防君子不防小人”，在技术层面实实在在地开发人工智能的对抗技术显然更能让人心安。因此，虽然现在的人工智能技术还很弱，但反人工智能的出现也是必然的。

　　反人工智能仍处于起步探索阶段

　　反人工智能历经两大阶段

　　截至目前，反人工智能技术的发展大致经历了两个阶段。早期，反人工智能技术主要聚焦于通过污染训练数据来攻击机器学习模型。这是一种简单直接的反制方法。但由于机器学习模型一般都在封闭环境中开展训练，很难受到外部干扰，因此这类技术并未获得进一步发展。2014年，伊恩·古德费洛提出的生成对抗网络为反人工智能技术开辟了第二条技术路径，研究人员可基于生成对抗网络对源数据施加微扰，从而构造动态对抗数据，这一微扰难以被用户感知，却能使机器学习模型在检测识别时做出错误判断。该方法与人工智能技术相同，都基于机器学习算法。

　　反人工智能技术效能仍然较低

　　人工智能尚处于初级阶段，而反人工智能在技术效能和应用领域等方面处于更加早期的阶段。从技术效能看，构造对抗数据的方法易于被有效防御。只要在人工智能模型训练初期利用已知的对抗性数据进行训练，就能提升模型辨别良性、恶性数据的能力，进而抵御对抗性数据对模型系统的压制。从应用领域看，由于反人工智能技术亦基于机器学习，因此与人工智能技术在图像和语音识别领域发展类似，反人工智能技术也集中在这两个领域。自然语言处理、认知推理等其他人工智能应用领域尚无可行的反人工智能解决方案。此外，此类方法只能在人工智能模型系统的推断环节实施干扰，无法在训练环节发挥作用。

　　反人工智能也须“三思而后用”

　　反人工智能技术的出现反映了人类对人工智能发展的忧虑，但该技术的发展与应用同样需要审慎。本质上，人工智能和反人工智能都是基于机器学习算法的技术，只是在技术效能上构成相互对抗的关系，即以人工智能对抗人工智能。因此，反人工智能在某种程度上同样具有不可靠性，也同样面临着不可控、被滥用的风险。例如，自动驾驶高度依赖人工智能的图像识别技术，倘若反人工智能技术被非法地运用在自动驾驶领域，就可能导致自动驾驶汽车无法有效识别道路信息，从而引发灾难性后果。因此，在人工智能演进路径尚不清晰的情况下，要审慎思考人工智能与反人工智能的关系，综合性、互补性地发展和运用人工智能与反人工智能技术，从而在最大程度上确保人工智能在造福人类时可控、可靠、可信。

　　对策建议

　　布局反人工智能技术研究

　　围绕确保人工智能技术可控、可靠、可信的总体目标，加快推进反人工智能的基础理论研究和应用技术研发，争取未来技术的发展主动权。一是支持开展基于生成对抗网络的反人工智能技术研发，提升反人工智能技术的抗干扰能力和实用性，防止其被人工智能技术“反对抗”。二是在开展图像识别、语音识别领域反人工智能技术研发的同时，在自然语言处理、认知推理等其他人工智能应用领域积极开展反人工智能技术研究。三是支持开展针对人工智能机器学习模型训练环节反人工智能技术的理论研究和技术开发。四是前瞻布局适用于反人工智能技术研发的基础理论，探索机器学习以外的革新性技术路径。

　　探索反人工智能应用场景

　　面向人工智能应用过程中潜在风险防控的现实需求，推动反人工智能技术的落地应用，积极探索人工智能与反人工智能的协同发展路径。一是围绕智能终端、云端软件系统等各类人工智能应用模式，支持将反人工智能技术作为风险防控模块，嵌入现有的人工智能产品服务，提升其可靠和可控程度。二是针对用户隐私保护、敏感系统防护等特定场景，将反人工智能技术作为独立产品，探索信息安全防护产品、服务的开发与应用。三是积极推动图像识别对抗系统、语音识别对抗系统等相对成熟的反人工智能技术的商业化落地。

　　深化人工智能与反人工智能理论研究

　　从确保人工智能健康发展、造福人类的根本立场出发，在理论、伦理等层面上加强对人工智能、反人工智能的综合性研究。一是前瞻布局脑科学、计算机科学、哲学等领域的跨领域基础理论研究，探索人工智能发展的客观规律和根本目标。二是积极开展关于人工智能的系统研究，提高对人工智能与反人工智能的本质及二者之间关系的认识，明确人工智能与反人工智能的研发标准、认证体系、应用范围。三是积极参与国际合作，共同开展人工智能道德伦理准则研究，推进相关法律法规的研究制定，加快完善人工智能和反人工智能的管理规范和监管手段。

　　(二)

　　人工智能即服务的类型

　　人工智能的核心是可以采用机器完成人类所做的同样事情。例如，人工智能包含可以查看和识别图片中物体的计算机视觉技术;它还包括使系统能够进行正常对话的自然语言处理技术;以及允许计算机在没有明确编程的情况下开展学习的机器学习技术。

　　人工智能即服务产品可以将这些类型的人工智能技术作为云计算服务提供。目前市场上的人工智能即服务产品一般分为以下几类：

　　机器人和数字助理：对于很多人来说，当他们听到“人工智能”;时，首先想到的就是苹果的Siri，微软的Cortana，或亚马逊的Alexa这样的数字助理。这些工具使用自然语言处理技术与用户进行对话，许多工具还使用机器学习来提高他们的技能。许多企业希望为其产品和网站添加类似的功能。事实上，2017年支出最多的人工智能用例是自动化的客户服务代理。但从头开始创建自己的机器人对于企业是一个艰巨的任务。作为替代方案，有一些厂商提供机器人平台即服务。而用户利用自己的数据对机器人进行培训，然后通过机器人回答简单的问题，而让工作人员从重复工作中解脱出来，可以处理更加复杂的任务。

　　认知计算API：应用程序编程接口(API)使开发人员可以轻松地将技术或服务集成到正在构建的应用程序或产品中。领先的云供应商都提供各种各样的API。例如，想要制作照片共享应用程序的开发人员可能会使用面部识别API为应用程序提供识别照片中个人的功能。得益于API，开发人员无需从头开始编写面部识别代码，甚至无需彻底了解它的工作原理。工作人员使用API来允许应用程序访问云中的这种功能。API可用于各种不同的用途，包括计算机视觉、计算机语音、自然语言处理、搜索、知识映射、翻译和情感检测。

　　机器学习框架：这些工具允许开发人员创建可随时间推移而改进的应用程序。一般来说，他们需要开发人员或数据科学家构建模型，然后使用现有数据来训练该模型。机器学习框架在与大数据分析相关的应用程序中尤其流行，但它们也可用于创建许多其他类型的应用程序。在云端访问这些框架比为自己的机器学习任务设置自己的硬件和软件更容易、成本也更低。

　　完全托管的机器学习服务：有时候组织机构想要将机器学习功能添加到应用程序中，但是他们的开发人员或数据科学家缺乏一些必要的技能或经验。完全托管的机器学习服务使用模板、预建模型和/或拖放式开发工具来简化和加速使用机器学习框架的过程。

　　人工智能即服务将创造一种通用的人工智能，可以作为云服务进行访问。一般的人工智能是一种能够以与人类相同的方式思考和沟通的计算机系统。大多数专家认为，研究人员创建这样的人工智能技术还需要多年的努力。

　　人工智能即服务的好处

　　高级基础设施：人工智能应用程序，特别是机器学习和深度学习应用程序，可以在具有多个并行运行工作负载的高速图形处理单元(GPU)的服务器上执行最佳性能。但是，这些系统对于很多企业来说非常昂贵，无法为组织和用例提供更多的帮助。人工智能即服务使组织让企业能够以可承受的成本来应用这些超高速计算机。

　　低成本：人工智能即服务不仅不需要为昂贵的硬件支付费用，还可以让组织只为他们所使用硬件支付费用。在云计算中。大多数人工智能工作负载被认为是“突发”的，也就是说.，他们需要很短的时间获得大量的计算能力。人工智能即服务只向他们收取使用的服务费用，大大降低了成本。

　　可扩展性：与其他类型的云服务一样，人工智能即服务使其非常容易扩展。组织通常从一个试点项目开始，让他们看到人工智能如何有用。以人工智能即服务，他们可以快速将该试点项目转化为全面生产，并随着需求的增长而扩大规模。

　　可用性：一些最好的人工智能工具可用于开源许可证，虽然价格低廉，但这些开源人工智能工具并不总是很容易使用。云计算人工智能服务通常使开发人员更容易访问人工智能功能，而无需他们成为这方面的技术专家。

　　人工智能即服务的缺点

　　人工智能即服务的两个最大缺点也是所有云计算服务都面临的两个问题：安全性和合规性。

　　许多人工智能应用程序(尤其是结合机器学习功能的应用程序)依赖于大量的数据。如果这些数据将驻留在云中或转移到云端，组织需要确保它们具有适当的安全措施，包括在空闲和传输时进行加密。

　　在某些情况下，法规可能会阻止某些行业的某些类型的敏感数据存储在云中。其他法律要求某些数据仍在其所在国家的境内。在这些情况下，可能无法将人工智能用作这些特定用例的服务。

　　另一个潜在的缺点是人工智能即服务可能非常复杂。组织将不得不花费时间和精力来培训或聘用具有人工智能和云计算技能的员工。然而，许多组织认为，这个障碍可以轻易克服，并且采用人工智能即服务将会得到长期的回报。

　　(三)

　　人工智能的核心是模拟人类思维

　　“在采访我之前，也许你会觉得人工智能非常神秘、了不起，但是听我讲完后，也许你会感叹‘原来人工智能这么傻呀，比我想象的差多了!’”王万良笑着说，因为你原来了解的人工智能主要来源于科幻大片，而不是真正的科学技术。自人工智能开始真正发展的六十多年来，经历了数次起落，人们也随之兴奋与懊恼，主要是因为人工智能的每次重大发展都被宣传得太过于神化，甚至说人工智能将要威胁到人类的生存。

　　“实际上，人工智能离我们的想象还差很远，远不会威胁到人类的安全。人脑是由一千多亿个神经元交织在一起的网状结构，其中约有1000种类型的神经元，每个神经元大约与个其他神经元相连接，形成了极为错综复杂而又灵活多变的神经网络，人的智能行为就是由如此高度复杂的组织产生的。在浩瀚的宇宙中，也许只有包含数千亿颗星球的银河系的复杂性能够与我们的大脑相比。所以，我们只要关注如何使人工智能更好地服务于人类就可以了”，王万良解释说。

　　人工智能，简单地说就是要研究如何使机器具有能听、会说、能看、会写、能思维、会学习、能适应环境、能模拟人的思维、技能来解决各种面临的实际问题等功能的一项技术。王万良解释说：“就像驾驶汽车侧方停车时，如果按照传统的控制方法，需要建立汽车运动模型、计算轮胎的摩擦力及倒车角度，需要精确地控制才能成功停车，但是现实生活中，没有哪个驾驶员是这样停车的，他们既没有算，也没有分析，而是凭借简单的规则、积累的经验和预估能力停车入库的。所以，怎么样模拟人的思维去解决这些复杂的问题，是人工智能最核心的地方。”

　　但是，反过来，为什么向人学习，却在有些方面超越了人类呢?王万良认为，最主要是因为人工智能有强大的记忆与计算能力。例如下棋，不仅需要参赛者具有超凡的记忆能力、丰富的下棋经验，而且要求有强大的思维能力，能对瞬息万变的随机情况迅速地做出反应，及时采取有效的措施，而人工智能因为存储了人类的大量对战经验，以及人类无法匹敌的强大搜索、运算能力，短时间内可以做出精密的计算，这才出现Deep Blue战胜国际象棋棋王卡斯帕罗夫，AlphaGo战胜围棋世界冠军李世石。“但是，这不代表人工智能就超越了人类，李世石除了下围棋，还有人类特有的创新能力和想象力，具有千万种可能，但是AlphaGo只能专注于围棋这一方面，只是在围棋博弈这单项技能上超越人类。当然，人工智能研究博弈的目的并不是为了让计算机与人进行下棋、打牌之类的游戏，而是通过对博弈的研究来检验某些人工智能技术是否能实现对人类智慧的模拟，从而促进人工智能技术进一步的研究。”

　　人工智能技术的产业应用

　　很多人认为，人工智能离我们很遥远，只是出现在新闻中的新名词而已。其实，人工智能中的多项技术早已广泛应用于各类产业中。王万良表示，工业领域的人工智能运用能对社会进步产生强大推动力，特别是在专业领域专家稀少，又或者工作环境恶劣的情况下。他断言，人工智能将是未来产业的核心，“现在如果连人工智能都不重视，就像以前不重视互联网，将会失去未来产业的制高点。”

　　机器视觉技术。其中最广为人知的，应该是无人自动驾驶技术。谷歌的自动驾驶车，2009年曝光雏形至今的7年时间里，已经累计行驶了140多万英里。今年2月，美国国家公路安全交通管理局声明谷歌自动驾驶汽车内部的计算机可被视为“驾驶员”。

　　机器翻译技术。众所周知，人工的同声翻译价格昂贵，质量却不能完全保证。20世纪50年代机器翻译就是人工智能研究的重要领域，由于不断的失败也导致了当年人工智能研究跌入低谷。而2012年11月，微软在天津公开演示了全自动的同声传译系统：讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译，以及中文语音合成，效果非常流畅。“现在，机器翻译已经可以做到实用化、商品化了。”王万良说。

　　深度学习技术。深度学习技术包含构建能够模仿人类大脑行为的神经网络。这些多层次的神经网络像人类大脑一样，可以收集信息，逐渐对事物的外形和声音进行感知和理解并产生相应的行为。2012年6月，《纽约时报》披露斯坦福大学AI实验室主任吴恩达(Andrew Ng)领导的人工智能领域目标最远大的项目Google大脑——Google Brain，使用 16000 台CPU创造出 10 亿个连接的“神经网络”，让机器系统学会自动识别猫，成为国际深度学习领域广为人知的案例之一。“这是现在最受业界关注的技术之一，驱使谷歌、IBM、微软、苹果、百度等公司竞相开发高级机器学习技术的原因，正是其背后蕴藏的巨大商业潜力。”王万良举例说，2013年1月，李彦宏宣布百度将建立公司历史上首个前沿科学研究机构——深度学习研究院(IDL);随后，在硅谷毗邻谷歌总部设立人工智能实验室，主要任务之一就是探索深度学习算法;2014年5月，百度又宣布人工智能领域最权威的学者之一——吴恩达正式加盟百度，担任百度首席科学家，全面负责百度研究院。

　　专家系统技术。专家系统是基于知识的系统，用于在某种特定的领域中运用领域专家多年积累的经验和专业知识，通过推理求解需要专家才能解决的困难问题。例如，诊断型专家系统能根据取得的现象、数据或事实推断出系统是否有故障，并能找出产生故障的原因，给出排除故障的方案。这是目前开发、应用最多的一类专家系统，医疗诊断、机械故障诊断、计算机故障诊断等都是此类专家系统。又如预测型专家系统，可以根据过去和现在的数据和经验信息推断可能发生和出现的情况。王万良说：“天气预报专家系统就是其中的一种。我们在电视台播放的天气预报中看到的卫星云图，只是为了让民众有更直观的了解才放的，而真正的天气预报实际上是积累了前期大量的气象资料，然后通过气象预报专家系统做了大量运算才得出的。”

　　智能控制技术。其中的模糊控制是以模糊数学为基础，运用语言规则表示方法和先进的计算机技术，由模糊推理进行决策的一种高级计算机控制策略。比如，应用模糊控制技术的全自动洗衣机，能够根据所洗衣服的数量、种类和脏的程度等自动确定水的多少、水流的强度和洗衣的时间等控制参数，以达到在洗干净衣服的前提下尽量不损伤衣服、省电、省水、省时等目的。

　　智能制造技术。美国瓦德瓦教授曾提出，人工智能、机器人、数字制造技术相结合的智能制造，将会发生一场制造业的革命。智能制造过程的各个环节广泛应用人工智能技术，实现制造过程智能化：专家系统用于工程设计、工艺设计、生产调度、故障诊断等;神经网络和模糊控制等计算智能应用于产品配方，生产调度等;通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。

　　中国发展人工智能要先做好推广

　　王万良特别提到，中国要发展人工智能，首先要从推广这项技术入手，“别看现在炒得热火朝天，但是其实真正了解人工智能的人还很少，尤其是企业家们，知道的更少，所以目前最重要的工作是大力普及人工智能技术，各大高校要注重人工智能教学。应用人工智能技术，先要做到‘想到’，之后才是‘做到’。”

　　何为“想到”?王万良说：“我经常对学生说，我开人工智能的课程不是要让你们现在能够‘做到’，主要目的有两个：一是让你们以后面对一些复杂的工程问题时‘想到’应用什么人工智能技术来解决;二是为今后深入自学需要掌握的人工智能技术打下基础。这比‘做到’更重要，因为只有‘想到’了，才可能逐步去‘做到’。师傅领进门，修行看个人，在学习了人工智能的基本理论与方法后，就有了自学能力，再进一步研究时就不会毫无头绪，不得要领了。”

　　那么，已经做到了“想到”，也进行自我深度学习后，还是无法“做到”时又该怎么办呢?王万良说：“这样的情况非常常见，作为企业老板甚至技术人员，并不代表什么都会，但是他们知道有‘人工智能’这项技术，世界上最先进的产品用的是什么技术，就可以聘请这方面的专家来解决问题。百度、谷歌等知名企业也是如此，所以，对于中国企业来说，推广应用人工智能技术不可忽视。”

《人工智能、智慧家居参考文献3篇》内容如果没能解决您的问题，可免费咨询在线学术顾问获取解答。

本文由期刊VIP网编辑首发，您身边的高端学术顾问

文章名称： 人工智能、智慧家居参考文献3篇

文章地址： http://www.qikanvip.com/write/66268.html