近些年来，Google、Microsoft和Facebook等几大玩家都创建了自己的AI研发团队，并取得了一些令人瞩目的成果。 2015年11月9日，谷歌宣布TensorFlow开源，这是一个在GPU上进行快速梯度式机器学习的巨大数据库。一些文章推测TensorFlow会带来一场人工智能革命
近些年来， Google、Microsoft和Facebook等几大玩家都创建了自己的AI研发团队，并取得了一些令人瞩目的成果。
2015年11月9日，谷歌宣布TensorFlow开源，这是一个在GPU上进行快速梯度式机器学习的巨大数据库。一些文章推测TensorFlow会带来一场人工智能革命，称谷歌的这一举动很大胆，因为Torch（由Facebook人工智能实验室的Ronan Collobert维护）已经提供了相似的深度学习开放资源，同时Yoshua Bengio教授的实验室对Theano（深度学习领域的先驱，一个适合普通大众的革命性软件）已经进行了长期的维护开发。在Wired的一篇文章中，Cade Metz把TensorFlow描述成谷歌的”人工智能引擎“。
这篇文章讲的是进行线性代数和求导计算的开源数据库，甚至标题也十分夸张。许多其他新闻报道中，却对谷歌把代码设为公开资源感到惊诧。从更加技术的一方来看，从夸张的赞扬到泼冷水，各种反响都有。Soumith Chintala发布了一套应对所有竞争软件包的标准，为人们提供了一种定量的评价，它显示TensorFlow的首个版本落后于Torch和Caffe，特别在卷积神经网络方面。
神经网络使用硬件和软件搭建出了类似于人脑的神经元网络，这可以追溯到上世纪80年代，但直到2012年，Krizhevsky和Hinton才开始发明在图形处理器（GPU）上运行神经网络的技术。GPU原本是为游戏和其它高性能图像软件设计的专用处理芯片，但事实证明，它们也非常适合驱动神经网络。
谷歌、Facebook、Twitter、微软和其它许多公司现在都使用GPU驱动的人工智能来处理图像识别等多种任务，包括互联网搜索和安全应用等。Krizhevsky和Hinton后来加入了谷歌。
微软的一个研究团队设计了一个远比“典型设计”复杂的神经网络，该网络能够进行多达152层的复杂数学运算，而典型设计一般只有六到七层。这预示着未来几年，微软这样的公司将能使用GPU及其它专用芯片的庞大集群来极大提升包括图像识别在内的各种各样的人工智能服务，包括识别语音甚至理解人类自然表达的口语。但是建造这样的大型神经网络是极其困难的。
为了确定每一层的工作模式以及与其它层的通信方式，需要将不同的特定算法部署到每一层上，但这却是一个极其艰难的任务。但微软在这里也有技巧。他们设计了一个能够帮助他们建造这些网络的计算系统。研究人员可以识别一些可能有用的大型神经网络部署方式，然后该计算系统可以在一系列的可能性上对此进行循环计算，直到确定出最佳选择。
据深度学习创业公司Skymind的首席研究专家Adam Gibson介绍，类似的做法现在越来越普遍。这被称为“超参数优化”（hyper parameter optimization）。
他说：”人们可以让一群机器跑起来，一次运行10个模型，然后找出最好的那个使用就行了。他们可以输入一些基本参数（基于直觉确定），然后机器在此基础上确定什么才是最好的解决方案。“Gibson说，去年Twitter收购的一家公司Whetlab就提供了类似的”优化“神经网络的方法。
预计2016年将会是机器情绪识别的分水岭，而且情绪会成为我们与机器交互的强有力的新通道，并且由于照相机技术和计算机视觉算法的发展，未来机器通过我们人类的面部表情、眼动方式、肢体语言、说话方式甚至抬头等理解我们的能力会大大提高。
卡耐基梅隆大学机器人研究所的Fernando De la Torre发明了特别强大的面部识别软件，被称作 IntraFace。他的团队采用机器学习的方法来教IntraFace如何以一种适用于大多数面孔的方式来识别和追踪面部表情。然后他们创建了个性化算法能够让软件对个人进行情感表达分析。不仅准确，而且高效，该软件甚至能在手机上运行。
未来机器能更加理解我们的情绪，我们与机器的交互也会变得更加丰富。卡耐基梅隆大学的Justine Cassell研究虚拟同伴在教育行业的应用，她发现当虚拟同伴能对学生们的情绪状态做出适当反应，甚至在某些场合嘲笑他们时，学生们会更积极地参与也会学得更好。不难想象商业领域会多么喜欢用这个功能，广告人、营销人以及电影制片人能得到客户群体更为具体的信息。
在医疗与AI的结合方面，目前医生问诊的依据主要是病人当次检查留下的医学影像信息，而在确诊时几乎忽略了既往病史、家族病史和测试结果的影响。但试想一下，如果病人的各项身体数据都可以被实时地、连续地记录，并且有一个足够智能的医疗诊断系统可以将这些数据与全世界范围内有相似症状病人的数据进行比较，在此基础上加以当前临床医学的研究和指导，综合给出诊断建议的话，是不是会精确和科学许多？
一家名为Sentrian的生物传感器研究公司已经研发出可以完成上述操作的医疗系统。该公司总部位于美国佛罗里达州，致力于机器学习的相关研究，目前该智能医疗系统已进入临床测试阶段。他们希望创建一个让医生实时关注病人身体数据，进而做出具有更好、更早、更加个性化诊断方案的医疗系统。
现在利用无线生物传感器可以收集一些简单或者较为复杂的身体信息，例如体温，心率，血氧饱和度和血钾含量等等。通常，每名远程病人每次只佩戴一至两个传感器，他们的数据就可以被医生直接分析。如果病人持续佩戴多个传感器，产生的数据就会非常庞大。
Sentrian公司的医疗系统收集完病人数据后利用机器学习算法进行分析。该系统内包含慢性疾病（包括心脏病，糖尿病，慢性阻塞性肺疾病等等）的身体数据变化信息，病人的信息将会与这些信息进行匹配比较，系统通过观察细微的关联进行早期确诊。心率、血压、血氧饱和度等信息也会被传至云端进行分析，在必要时通知医生。
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
