人工智能演講稿（精選3篇）

人工智能演講稿 篇1

　　一個叫阿爾法狗的智能機器人戰勝了人類的圍棋高手李世石，這件事情讓很多人感到恐慌。我的一位朋友說，阿爾法狗徹底改變了她的世界觀。未來人類該怎么辦？教育該怎么辦？今天我們就來說說這方面的話題。

　　首先我們先了解一下什么是人工智能？最開始計算機科學家們想讓發機器人能像人那樣思考，他們想讓計算機網絡像人的大腦神經網絡一樣工作。但其實人類對自己到底是如何思考的至今也沒有弄清楚，所以按照這種思路開發的人工智能進展不大。后來一些科學家轉變思路，開始讓計算機按照自己的方式思考。他們讓計算機學習大量的數據，然后分析各種數據之間的相關性，從相關性中發現規律。比如阿爾法狗就是學習了人類圍棋高手的大量的對弈棋譜，找出每一種下法與最終獲勝的概率之間的關系，然后選擇獲勝概率最高的那一種下法，并且自己與自己反復練習，人類在這樣的智能機器人面前完全沒有獲勝的希望。

　　因為人類不是這樣思考的，人類不可能記住那么龐大的數據，也不可能進行那么復雜的計算。人類思考是基于分析推理的，是從小樣本研究中發現因果關系，有時還要依賴直覺。既然是小樣本，就有可能出現抽樣誤差；直覺有很多時候也是錯的。而且人類還要受體力精力和情緒的影響，很難不出差錯。所以我們現在已經不好意思說，計算機是人工智能了，更準確的說法是機器智能。

　　事實上，機器智能在很多方面已經超越了人類智能，它甚至能替代人類完成很多以前只有人才能完成的工作。專家預言，未來有很多職業會消失，其中包括教師！

　　舉個例子，現在學校里老師教小學生認字，要告訴他們這個字的讀音、書寫的方法、字的意思是什么，可以組成哪些詞組等等。未來會有一款智能機器人一對一地教孩子們做這些事情，它可以發出中央電視臺播音員的聲音，也可以發出孩子們喜歡的明星或爸爸媽媽的聲音，它的筆順永遠不會寫錯，而且從來不會不耐煩。事實上現在有些電腦學習軟件已經可以部分完成這樣的工作了。

　　又比如說，數學的公式、物理的定律、化學的反應式、歷史事件與人物，這些中小學教科書上的知識，智能機器人能不能教呢？我相信大家也說能！不僅能教，而且會比人類的教師教得更好，它可以把各學科教學名師的知識和經驗都深度學習一遍，然后根據學生學習的表現，選擇最合適的指導方法。這跟阿爾法狗學習下圍棋沒有多少本質上的不同。

　　到了這個時候，還有多少人認為教師的職業不會消失呢？即使教師的職業不會消失，今天教師的大部分工作將被智能機器人取代，這一點應該沒有多少人懷疑了吧？

　　如果教師的大部分工作都被智能機器人取代，那么學校會不會消亡呢？這是一個更讓人揪心的問題。

　　-我們現在的教育體系，是工業時代的產物。工業時代需要培養大量的流水線上的工人，和各行各業的專業人士。這些職業都有一定的標準和規范，需要從業者牢記這些標準和規范，以便在做這類重復度很高的工作時，效率高，不容易出錯。

人工智能演講稿 篇2

　　嘗試證實或證偽中醫理論

　　在演講中，李彥宏談到了大數據給醫療帶來的機會，他提出，其實可以用大數據的方法進行證實或者證偽中醫相關理論。李彥宏談到，由于過去十幾年的積累，人們已經可以看到在大數據、人工智能方面有很多新的機會出現。這些機會有些可能在一般人的心目當中和互聯網沒有太大的關系，但是在他看來，諸如大數據和醫療健康就有很多方面可以結合。

　　在李彥宏看來，中醫理論其實是在講養生的方法，比如著名的《黃帝內經》，但《黃帝內經》已有兩千多年歷史，其中哪些理論是對的，哪些是錯的，都可以通過技術手段來證實或證偽。在演講中，李彥宏提到，安徽有一位老人每日在家按摩兩小時進行養生保健，頗為長壽。他認為，類似這種零星的個體經驗并不能夠認定為規律，但如果在全國找到幾千個、幾萬個同樣的案例，用大數據的方式進行歸類分析，就能夠判斷個體的經驗是否構成規律。

　　關注癌癥治療及基因測序

　　對于互聯網與醫療的結合，李彥宏也提到了除中醫外的其他機會，比如基因測序。“大多數的疾病都是因為基因和后天環境導致的，那么什么樣的基因導致什么樣的疾病?大數據也可以幫忙。”李彥宏在演講中指出。

　　今年以來，李彥宏已經不止一次在公開場合表達自己對于生命科學、癌癥治療以及基因測序的高度關注，并多次表達互聯網+以及人工智能和大數據等技術對于“治未病”、證實證偽醫學理論的暢想。在今年與復旦大學師生的對話中，李彥宏說：“絕大多數病跟遺傳有關系，但我們不知道是什么基因導致了這個病，可能是很多基因的一個Combination，導致了這個病。26000個基因、各種各樣的組合就需要我們的大數據，需要我們的人工智能來計算。”

　　呼吁企業家思考自己使命

　　據悉，李彥宏前不久還個人捐資3000萬元，支持中國的食管癌研究。他說，長期以來，中國食管癌發病率高居世界首位，而且中國的食管癌都是所謂的食管鱗癌，與美國的食管腺癌不同，沒法借鑒其他國家的研究成果，李彥宏認為，“這是我們中國人的職責”。食管癌研究項目利用大數據和人工智能技術相結合，對大量食管鱗癌患者的信息加以分析進行基因測定，更有針對性地進行藥物研究，推進癌癥預防與治療的進一步發展。

　　“這不是公司的業務，是中國人的職責。”李彥宏說，“這個項目短期內不會有任何商業回報，所以需要用企業家個人的資金去進行研究、進行突破、進行創新。”為此，他還呼吁企業家們能夠利用自己積累的資金去做一些有意思的、創新的事情，“期望我們每一個企業家都能站在時代的路口上，認真思考自己所肩負的使命，為自己的企業也為自己的人生做出更精彩的業績”。

　　人工智能將深刻改變人類

　　而就在大會開幕當天，李彥宏還向國家領導人現場講解了百度無人駕駛車的技術儲備、路測實況、行業突破等內容。昨天的主旨演講，李彥宏也以無人車為例，闡述了人工智能技術改變人們生活的巨大空間，他說，隨著計算機計算能力、成本的下降，人工智能迎來了新機遇。李彥宏認為，

　　人工智能有很多創新空間，不僅是無人駕駛汽車，人工智能未來對整個社會各方面都影響深遠。“如果說過去的幾百年工業化改變了人類，那么它主要的改變是代替了絕大多數的體力勞動;未來人工智能將會更加深刻地改變人類，它會代替絕大多數的簡單、重復性的腦力勞動。”

人工智能演講稿 篇3

　　我在的部門在百度叫做深度學習實驗室，這是20xx年的時候在百度成立的專注于深度學習的實驗室，應該是全世界在工業里面第一個專注于深度學習研究的實驗室。我今天要和大家分享的首先是看一下最近幾年來人工智能在圖像語言方面的最新的進展，以及分享一下我對人工智能目前它缺少的東西，以及以后我們未來可以去繼續工作的方向。

　　人工智能這個概念最近幾年非常火，我們看到人工智能傳統的一些研究方向，像計算機視覺，還有語音識別，這些方面在最近幾年都有了過去幾十年不可想象的巨大進展。尤其是上個月Googel的AlphaGo和李世石下的那盤棋以后，更是激起了大家對人工智能高度的熱情。為什么人工智能在最近幾年有快速的發展呢?一個最重要的原因就是我們通過了幾十年的積累，我們現在已經有了非常可觀的計算能力，同時在這個計算能力的基礎上，可以在一個可接受的時間內處理大數據。我們最近幾年因為深度學習的發展，給我們提供了一個非常靈活的，非常具有建模能力的學習系統，正是因為這兩者的結合，它能夠把我們大數據后面蘊藏各種豐富復雜的關系，能夠把它提取出來。從而成為我們人工智能快速前進的巨大推動力。

　　因為看到深度學習的巨大潛力，百度也投入了非常多的力量來開發一個深度學習的訓練和運算平臺。這個平臺叫做PADDLE。那它的目的就是為了把深度學習更好的'應用到百度的各種產品里面去，讓它更方便的，更好的提高我們的用戶體驗，提高智能度。我們這個深度學習的平臺能支持各種豐富的數據類型，比如說像二維圖像數據，或者是詞的訓練數據，尤其像工業界非常重要的上千億的稀疏數據，也能非常有效的支持。

　　另外也提供了非常靈活的建模表達能力，能非常方便地根據他應用的需求，配置出不同的深度學習的模型。比如說一個循環網絡，或者是處理圖像的卷積網絡，任何靈活的組合都可以在我們這個平臺上面很方便的配置出來。

　　因為在百度我們有非常大量的運算資源，為了能夠充分的應用我們的運算資源，我們這個平臺也非常高效的進行多機的訓練，這樣也能很有效的處理我們的大量的數據。

　　因為有了這么一個非常高效，非常靈活的計算深度學習的平臺。百度最近幾年把深度學習運用到了產品的方方面面。比如說核心的搜索和廣告這樣的產品，還有可能不太想到的，像數據中心的智能控制，病毒的查殺，這種產品里面我們都成功的把深度學習應用到上面去，提高我們產品的體驗。

　　隨著深度學習的逐步在各種人工智能問題里面的更深入的使用，我們現在開始看到機器在一些很特定的感知問題上，它的能力已經在逐漸接近甚至超過了人類的水平。比如語音識別，我們百度的語音搜索，在比較短的文字，和上下文沒有太大關系的語音識別這種任務，我們百度的語音識別系統做到明顯比人好的程度，錯誤率不到6%，而人的任務上的錯誤率可以是接近了10%。因為實際上在沒有上下文關系的情況下，這是非常難的任務。

　　還有另外一個例子就是人臉識別，也是隨著深度學習的使用，人臉識別這個東西也是最近幾年有了非常大的提升。人臉識別一個最核心的任務，就是給兩幅圖，你要判斷是否來自同一個人，包括百度在內的很多公司還有研究團體，都取得了明顯比人好的水平。能看到我們的機器錯誤率現在非常低，只有0.23%，而人的任務率是0.8%，現在已經不及機器了。

　　還有像其他一些圖像識別的任務，在最近幾年也都有了非常快速的進步。比如說細粒度圖像識別，在一類物體里面我們還要區分它子類，比如說在狗里面要區分各種不同的狗。這樣的任務實際上是比更普通的物體識別更難，因為要對物體細致的特征有區分。這樣一個任務上在20xx年的時候，我們最好的系統錯誤率都還是50%，到了20xx年錯誤率就降到20%，可到今年最新的結果錯誤率就降到10%幾。像這種細粒度的物體是別人是很困難的，人是很難認識200多種狗的。

　　下面我們談一些語言方面用深度學習的進展。我們知道其實語言是人類智力的核心的體現。我們是用深度學習的思想來處理語義理解的任務。傳統在語義理解的任務里面，基本上是要分好幾步走的過程。首先要通過詞法解析、語法解析，然后構造各種人為的特征，然后得出語義分析的結果。深度學習的理念就是端到端的，從最原始的數據開始的，這里就是一個詞的序列開始的，我們不考慮任何的人為的特征構建，就直接用一個完整的模型，得出我們想要的結果。我們人對這個問題的理解，主要是體現在我們模型的結構當中。這樣的思想，過去幾年在圖像識別、語音識別里面都給他們帶來了巨大的提升。我們在語音理解這樣的任務里面，也做到了比傳統方法好的結果。

　　另外一個非常好的，端到端的深度學習，在自然語言處理里面非常成功的應用，就是機器翻譯。端到端的機器翻譯的做法，是20xx年的Google首次提出來了，因為是一個新方法，大家認為很有潛力的。但是剛提出來的時候還是比傳統的方法有明顯的差距。但僅僅過了一年以后，就能夠達到了傳統方法的質量。今年的結果已經比傳統的方法好了。一旦我們用好了以后，就可以對它各種效果有非常快速的提升。

　　除了語言其實最近和語言相關的比較熱點的研究方向，就是把語言理解還有圖像識別，語言生成這些傳統的人工智能比較隔離的研究方向，有機的組合起來，用一個完整的深度學習模型來處理。通過這樣的一個整體的模型，我們機器就可以比較更自然的學到語言和它感知到的物理世界的聯系。

　　像這樣的統一的視覺語言統一的模型，我們有一些例子。第一個就是看圖說話，給了圖以后，說出一個非常自然的描述，“一輛火車沿著森林間的鐵軌駛過”。也可以對圖像的自然語言的提問，給出一個合適的答案。甚至也可以理解視頻，看到一段視頻以后也可以給對這個視頻做出描述。這個工作我們在百度是屬于比較早的開始，現在也有很多研究機構在做這樣的視覺和語言統一的研究。

　　深度學習最近還有一個事，就是現在向更深的模式發展。在去年圖像識別比賽上面，我們看到獲獎最好的一個模型是微軟開發的深度達到150多層的深度模型。另外我們在翻譯上也發現，隨著模型深度的不斷加深，翻譯效果也是變得越來越好。

　　深度學習最近還有另外一些研究的熱點，就是所謂的推理、注意力、記憶，這方面是偏向于人類認知能力的，希望把這樣的一些機制能放在深度學習能力模型里面來。特別是在這里面注意力這樣的機制，在一些實際的應用里面也取得了非常好的效果，比如細粒度的圖像識別，或者翻譯的任務。像記憶的機制，現在還是比較初期的階段。

　　深度學習給AI帶來了快速的進展，但我們還有很多的路要走。人工智能這個概念是1955年的時候John McCarthy提出的，同時還有3位重量級的研究人物。他們說了要用10個月花兩個月時間，對人工智能做一個非常巨大的進步，實際上我們現在看到他這個是遠遠低估了人工智能的難度。現在的人工智能還有很多的缺陷，人類智能一個最核心的點就是自我學習和創造的能力，我們看到現在有很多具體的智能的系統，比如說AlphaGo，它還缺乏一種自我學習和創造的能力。比如說來了一個新的棋給他學，還需要大量的人參與工作，才可以改造。而人就不需要，人可以自己主動的學習各種新的任務。

　　最重要的一點就是說現在人工智能還缺少一種從少量標注數據學習的能力，一個例子比如說圖像識別，ImageNet里每個物體種類有幾百幅圖，一個小孩要認識一種東西可能幾幅圖足夠了。還有英法翻譯的訓練數據，人可能需要幾萬個小時能閱讀完，但如果你是說英語的，掌握法語的話可能只需要幾百小時。所以看到現在的深度學習缺乏少量標注學習的能力。

　　那么最核心的一點就是我們需要有對環境的一個非常好的表示，就是說我們需要通過非常大量的數據太能學習出來，非監督學習的機制，才能讓我們有效的利用到大量的非標注的數據，進行非監督學習方式的一個最行之有效的方法，就是用它來預測未來。我們知道預測未來的能力是人智力的核心體現。比如說物理學是一個對簡單系統的預測，人類的智力包括機器學習，是一個復雜系統的近似預測。如果我們通過這種預測未來的學習方式，就可以有效的掌握環境的規律，所以得到有效的表示。

　　我們現在的人工智能系統缺乏常識，剛才李院士也講了很多的自動車，我們在座的很多人開車可能開幾百公里就非常好了。但大家知道我們現在最好的Google的自動駕駛車，現在已經開了超過了200多萬公里，但既使是這樣，現在還是不能夠去駕車。最核心的問題是缺乏一種像人這樣的常識，就是說它遇到很多路況對人是非常簡單的，人看到就知道怎么做。但機器缺乏常識性的理解，就只能通過人一條一條把每種路況導入系統里去。要想解決這樣的問題，我覺得有效的方式就是放到真實的環境里面學習，像這樣的概念最近在Facebook和微軟也提出了這樣的想法，他們提出創造一個虛擬的模擬環境，讓人工智能體在這個環境中自己去探索，然后就可以在這樣和環境的交互中，就能比較有效的建立它常識一樣的東西。

　　還有另外一個主要的局限之處，就是通過數據來學習。我們現在所有的東西首先要考慮搜集數據。我們人來學習，比如說要區分這樣兩種不同的鳥，需要收集大量的數據，從數據里面自動總結出規律出來。實際上我們人會告訴他，可以看到這兩個圖的區別，人可以用非常精煉的語言告訴其他人。而現在的機器學習還非常缺少有效的能夠利用人的知識的途徑。

　　我認為如果要解決這樣的問題，我們需要把語言作為機器學習系統一個基礎的能力，否則的話我們就很難做到能夠把人類大量的知識傳遞到機器里面去，然后同時來說我們需要這個機器能夠理解語言，這樣我們才能夠表達人類的需求，能夠幫助他的理解。旁邊這就是一個電影里面的人在教機器人來學習讀書。

　　我們要做真正像人這樣的非常強大的人工智能，可能我們需要從最基礎的東西開始做起。我們需要做的是像幼兒一樣，讓他自主在一個環境里面去學習感知，學習他的行動的一些基礎的技能，同時把學習語言作為一個最核心的東西，包含在這樣的一個系統里面。這些就是大概我的分享，我們還有非常多的困難，但是我覺得也給我們帶來非常多的機會，我也希望有更多人和我們一起探索人工智能非常有意思的問題，去創造我們人工智能的未來，謝謝大家。