人工智能的兴起与支持技术和领域的最新发展有关
新时代，高科技越来越发达。朋友们读了很多关于科技的重要新闻。我们也应该在生活中使用很多这些高科技的东西。朋友应该注意什么？今天，我想和大家分享一条关于科技的知识。我希望你会喜欢它。
人工智能(AI)领域经历了多次大起大落，主要是因为每一个参与者都有不切实际的期望，涉及到研究者、发起人、开发者甚至消费者。人工智能的“崛起”与传感器、宏微观计算、通信网络等支撑技术和领域的最新发展、深度学习等推理方法的进步有关。AI之所以再次成为主力军，是因为AI算法能够直接与传感器和数据(麦克风、摄像头、医学影像扫描仪、生物信号、金融和医疗记录等)进行交互。).
过程结束时的早期人工智能工具
在早期，人工智能主要专注于开发搜索大量解决方案的策略。解空间通常远离数据，并且被设计成形成解空间的适当表示的方法分隔开。棋盘游戏《危险》展示了棋盘游戏的早期成功和最近的成功——指出了这一普遍趋势。人工智能也受益于逻辑和概率推理方法。这些方法的一个特点是，从传感器数据中提取的表示或属性是由科学家和工程师手工制作的。该方法在计算机视觉、语音和说话人识别领域占据主导地位。例如，在计算机视觉中，研究人员将使用相机收集的图像或视频来描述场景、对象及其在场景中的交互，研究人员将提出边缘、线性特征、纹理、运动和深度等内容。然后，推理算法将处理这些函数来回答关于谁、什么、在哪里、为什么等问题。在这种传统的情况下，人工智能工具在管道的末端被调用。
上述传统管道存在许多问题。由于数据和AI之间有很多中间步骤，很难实现实时决策。用于提取属性或特征的前端算法容易出错，并且需要复杂的推理方法来做出决策。这些机制不适合处理计算机视觉中的大规模问题。尽管在宾夕法尼亚州匹兹堡和加利福尼亚州圣地亚哥的高速公路上有无人驾驶的开创性演示，但这些系统并没有导致大规模采用。由于传感器和AI之间的多个步骤，设计和构建一个大型AI系统的失败可以归结为AI算法的负担，这印证了“杯与唇之间有许多卡瓦”的说法。
有什么变化？从传感器到推理的直接管道
决策或推理算法现在直接与传感器和数据对话，这完全避免了生成手动中间表示的繁重任务。人工智能方法就是基于这些中间表示而设计的。自2012年以来，从传感器到推理的直接管道在许多计算机视觉任务中表现出显著的性能提升，例如物体和人脸检测和验证，大门已经打开。传感器收集的大量标签数据的可用性是导致人工智能作为一种流行技术重新出现的因素之一。
嗯，表现真的很重要。DCNN正在创造新的和最新的技术成果，这导致几乎所有的问题，最终导致从可学习的数据到决策的映射。在计算机视觉等会议中，大量论文使用了DCNN及其变体。就像我们心里都有一个冰淇淋一样！
接下来会发生什么：寒冷的冬天还是永恒的春天？
接下来的问题是，人工智能会面临另一个冬天吗？我不认为从数据到决策范式的表示比大多数手工函数好得多。我相信这个方法就是我在这里要讲的。事实上，人工智能的可持续性或永恒的春天看起来很有希望，因为有意义的时候可以采用直接的方法，过去几年的AI推理方法也可以与DCNN生成的数据驱动表示相结合。
人工智能将继续在传感器或数据丰富的应用领域取得进展，如无人驾驶汽车、医学、金融和教育。自动驾驶汽车拥有摄像头、3D深度传感器和地理位置装置，我们大多数人已经享受到了自动化和安全性提升带来的好处(盲点预警、智能巡航、变道预警、自动刹车等)。).我们希望在可预见的未来有更多的自主性，实现自动驾驶车辆和卡车在道路和高速公路上行驶。
本文就为大家讲解到这里了。