人工智能AI新技能

最近一段時間，人工智能突然霸屏了，先有百度無人駕駛“刷屏”朋友圈，后有阿里巴巴發(fā)布新款人工智能硬件……在技術快速更新迭代的當下，人工智能正在從方方面面改變我們的生活模式和生產方式，其在為人類帶來更多便利的同時，也引領著世界經濟的變革。

司機瞌睡自動停車

歐姆龍公司宣布成功研發(fā)一種傳感器，利用人工智能（AI）判斷司機是否處于能夠駕駛的狀態(tài)，以便安全地從自動駕駛切換為手動駕駛。該傳感器通過面部表情和身體動作來探知東張西望和打瞌睡等，判斷從高速公路進入普通公路等時，是否可從自動駕駛切換為手動駕駛。

司機瞌睡自動報警

傳感器為攝像頭型，可分析司機的臉部表情和上半身動作。AI則學習動作特征，在使用中提高精確度。

具體設想的是：如果司機朝向前方或僅有些東張西望，就被判為1級，允許切換為手動駕駛；如果司機在玩手機或是即將打瞌睡，則判為2級并發(fā)出警告；如果出現(xiàn)打瞌睡等無法駕駛的狀態(tài)，則判為3級，汽車自動?？柯芳?。

在手動駕駛模式中，如果判斷司機處于突然發(fā)病等難以駕駛狀態(tài)，也可以實現(xiàn)停車。歐姆龍已經與日本國內汽車廠家開始實證實驗，力爭在2019年左右發(fā)售的車型上使用。

提前10年發(fā)現(xiàn)老年癡呆癥

來自意大利巴里大學的一組研究人員認為，如何盡早發(fā)現(xiàn)老年癡呆癥取決于人工智能。他們開發(fā)了一種算法，可以在癥狀出現(xiàn)前10年發(fā)現(xiàn)由疾病引起的大腦微小結構變化。

他們邀請受試者，給自己的人工智能進行了67次核磁共振掃描的訓練，其中38人是老年癡呆癥患者，29人則來自健康對照組。研究人員將掃描結果分為幾個小區(qū)域，并讓他們的人工智能分析各個神經元之間的聯(lián)系。在培訓結束后，他們對這一算法進行了測試，方法是對148名受試者進行腦部掃描。在總人數(shù)中，對患有這種疾病的48人進行了掃描，同時也對患有輕度認知障礙的48人進行了掃描，而患有輕度認知障礙的人最終將會發(fā)展成老年癡呆癥。

人工智能診斷出阿爾茨海默癥的幾率為86%。更重要的是，它檢測輕微認知損傷的幾率能夠達到84%，使其成為早期診斷的有效工具。不幸的是，研究數(shù)據(jù)僅限于南加州大學洛杉磯的阿爾茨海默神經成像數(shù)據(jù)庫的掃描結果。然而，隨著研究更多的樣本和進一步開發(fā)，人工智能可能會變得更加精確，直到它的結果可靠到能成為一種非侵入性的早期檢測系統(tǒng)。

Google 街景里的泰國

科羅拉多大峽谷

用AI來拍大片

最近谷歌宣布，公司的研究人員已經教會人工智能軟件利用谷歌街景全景照片來制作專業(yè)級照片了。

為了完成這項試驗，研究員們在谷歌街景地圖上提取了4萬張全景照片，大多數(shù)是在科羅拉多大峽谷和黃石國家公園等自然地區(qū)拍攝的。

且最后實驗結果顯示，機器學習的攝影作品，約有40%被評為半專業(yè)和專業(yè)的等級，以后人工智能就又多了一個新技能，未來或許還會超過專業(yè)攝影師。

精神病AI學壞的速度非?？?？

現(xiàn)在科技不斷進步，許多廠商都在打造人工智能，不過美國麻省理工學院（MIT）研究團隊卻打造出一款獨特的人工智能，這是全球第一個表現(xiàn)宛如精神病患的AI。

研究者將它命名為諾曼（電影《驚魂記》中的精神病殺手）。研究團隊讓諾曼AI接收的所有數(shù)據(jù)，全都是有偏差、暴力、恐怖的，為的就是要讓AI學習到邪惡。諾曼AI不管看到任何圖片，全部都會聯(lián)想到暴力、死亡等負面事物 。

MIT研究團隊表示，諾曼AI顯示了當有偏差的數(shù)據(jù)被機器學習時，人工智能會如何走向極端。雖然諾曼只是一個思想實驗，但關于機器學習算法基于偏差數(shù)據(jù)，做出判斷、決策的問題，卻是有緊迫性的。這也代表著，AI若暴露在網(wǎng)絡上最糟糕的角落時，就會以最快的速度變壞。

“聽”出潛在機器故障

以色列的創(chuàng)業(yè)公司“3D信號”提出了一項新技術，該技術使用基于深度學習的人工智能可以聽到機器或汽車的警告信號，并據(jù)此提前發(fā)現(xiàn)故障。預警提前5小時發(fā)出，精度達98%。

這家公司的設想是，在每個客戶端安裝超聲波麥克風，以檢測高達100千赫茲（人類聽力范圍在20赫茲—20千赫茲）的聲音；然后啟動物聯(lián)網(wǎng)服務，將麥克風搜集的聲音連接到可以處理數(shù)據(jù)的計算機設備上；上傳到在線網(wǎng)絡中經過深度學習算法運算后，客戶端可以使用連接了網(wǎng)絡的智能手機等設備，監(jiān)測聲音來源設備的狀態(tài)。

報道稱，3D信號公司提供的第一層聲音檢測服務，是根據(jù)機器部件的基本物理建模來預測其何時開始磨損；第二層服務，是使用深度學習算法和麥克風收集的聲音，來幫助檢測奇怪或異常的噪聲，通過訓練，軟件可以提示機器發(fā)生的一般問題；第三層服務，可將具體的聲音標記、分類，然后通過深度學習將特定聲音與具體故障聯(lián)系起來。

使用基于深度學習的人工智能可以聽到機器或汽車的警告信號，并據(jù)此提前發(fā)現(xiàn)故障。