人工智能的演講稿(通用5篇)

　　演講稿具有觀點(diǎn)鮮明，內(nèi)容具有鼓動(dòng)性的特點(diǎn)。在不斷進(jìn)步的社會(huì)中，需要使用演講稿的事情愈發(fā)增多，寫起演講稿來就毫無頭緒？下面是小編收集整理的人工智能的演講稿，歡迎大家借鑒與參考，希望對(duì)大家有所幫助。

人工智能的演講稿1

尊敬的老師，親愛的同學(xué)們：

　　大家好！

　　我們不難發(fā)現(xiàn)，在這個(gè)人工智能已悄然來臨的時(shí)代，比起去擔(dān)心我們會(huì)不會(huì)被人工智能所“統(tǒng)治”，我們更應(yīng)該擔(dān)心的，是自己會(huì)不會(huì)被其“同化”

　　蘋果公司總裁庫克，對(duì)人工智能的降臨會(huì)不會(huì)使人類像計(jì)算機(jī)一樣思考而失去了價(jià)值觀和同情心從而導(dǎo)致罔顧后果也表達(dá)了同樣的擔(dān)心。從庫克的擔(dān)憂中我們很容易就可以分析出，他認(rèn)為人類于人工智能而言所擁有的絕對(duì)優(yōu)勢(shì)就是人類的價(jià)值觀與同情心。用更通俗一點(diǎn)的話來說，就是人情味兒。而若從哲學(xué)的角度上說，人類所具有的判斷事物價(jià)值從而決定自己行為與對(duì)人或事的關(guān)愛，這是人工智能所無法達(dá)到的。但可怕的是，如果有一天，這些東西從我們的生活中離開，那我們所面對(duì)的，不就是一個(gè)冰冰冷的世界了？

　　其實(shí)也不用那么悲觀，這不是一道單選題，非要人類與人工智能之間拼個(gè)你死我活。在羅振宇的跨年演講《時(shí)間的朋友》中，他提出的五只黑天鵝概念之一就是人工智能時(shí)代。他認(rèn)為有一部分人對(duì)于人工智能太負(fù)面了。我們都說事物是具有矛盾性的，人工智能亦是如此。而更重要的是我們要抓住其中的主要矛盾方面，我們一定不能忘記人工智能給我們帶來的“利”。前不久阿里巴巴在線下嘗試開辦了一個(gè)”自助超市“，體驗(yàn)過的人無不驚嘆其高效、快捷。通過人臉識(shí)別掃描等操作就可以完成自助購物。在今后的生活中，這樣的自助模式會(huì)越來越常見。比起生活更便捷，也許有很多人擔(dān)心會(huì)不會(huì)有越來越多的崗位被人工智能所頂替，失業(yè)率會(huì)上升。其實(shí)我們完全可以把人工智能變成一種資本，讓它為我們服務(wù)，而我們?yōu)樗鼈儎?chuàng)造價(jià)值。

　　前不久同樣令人關(guān)注的還有阿爾法GO擊敗人類，記得在《開學(xué)第一課》上，節(jié)目組請(qǐng)到柯潔，他說被阿爾法GO擊敗這其實(shí)沒什么，它的成功是人類創(chuàng)造程序后輸入無數(shù)數(shù)據(jù)再進(jìn)行統(tǒng)計(jì)計(jì)算所得到的。可我們不一樣，我們是有思想的血肉之軀，我們的世界并不是人工智能那樣非黑即白、冷酷無情的，我們是帶有主觀情感的.高級(jí)生物。我們與人工智能是有本質(zhì)區(qū)別的，但同時(shí)，我們也都有自己存在的意義。

　　在人工智能不斷發(fā)展的這個(gè)時(shí)代，我們對(duì)人工智能的前景充滿希望。而在對(duì)于未來人工智能會(huì)帶給我們什么還未可知的情況下，我們?nèi)詰?yīng)保持積極的心態(tài)去面對(duì)，將兩者放于一個(gè)平等的地位。此時(shí)我們能做的，就是堅(jiān)持自己的價(jià)值觀，保持著自己的這顆同情心，做事三思而后行，而不是像人工智能那樣用冰冷的程序代碼計(jì)算后再得到結(jié)果。

人工智能的演講稿2

　　我在的部門在百度叫做深度學(xué)習(xí)實(shí)驗(yàn)室，這是20xx年的時(shí)候在百度成立的專注于深度學(xué)習(xí)的實(shí)驗(yàn)室，應(yīng)該是全世界在工業(yè)里面第一個(gè)專注于深度學(xué)習(xí)研究的實(shí)驗(yàn)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(jìn)展，以及分享一下我對(duì)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(xù)工作的方向。

　　人工智能這個(gè)概念最近幾年非�；�，我們看到人工智能傳統(tǒng)的一些研究方向，像計(jì)算機(jī)視覺，還有語音識(shí)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(jìn)展。尤其是上個(gè)月Googel的AlphaGo和李世石下的那盤棋以后，更是激起了大家對(duì)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(fā)展呢?一個(gè)最重要的原因就是我們通過了幾十年的積累，我們現(xiàn)在已經(jīng)有了非常可觀的計(jì)算能力，同時(shí)在這個(gè)計(jì)算能力的基礎(chǔ)上，可以在一個(gè)可接受的時(shí)間內(nèi)處理大數(shù)據(jù)。我們最近幾年因?yàn)樯疃葘W(xué)習(xí)的發(fā)展，給我們提供了一個(gè)非常靈活的，非常具有建模能力的學(xué)習(xí)系統(tǒng)，正是因?yàn)檫@兩者的結(jié)合，它能夠把我們大數(shù)據(jù)后面蘊(yùn)藏各種豐富復(fù)雜的關(guān)系，能夠把它提取出來。從而成為我們?nèi)斯ぶ悄芸焖偾斑M(jìn)的巨大推動(dòng)力。

　　因?yàn)榭吹缴疃葘W(xué)習(xí)的巨大潛力，百度也投入了非常多的力量來開發(fā)一個(gè)深度學(xué)習(xí)的訓(xùn)練和運(yùn)算平臺(tái)。這個(gè)平臺(tái)叫做PADDLE。那它的目的就是為了把深度學(xué)習(xí)更好的應(yīng)用到百度的各種產(chǎn)品里面去，讓它更方便的，更好的提高我們的用戶體驗(yàn)，提高智能度。我們這個(gè)深度學(xué)習(xí)的平臺(tái)能支持各種豐富的數(shù)據(jù)類型，比如說像二維圖像數(shù)據(jù)，或者是詞的訓(xùn)練數(shù)據(jù)，尤其像工業(yè)界非常重要的上千億的稀疏數(shù)據(jù)，也能非常有效的支持。

　　另外也提供了非常靈活的建模表達(dá)能力，能非常方便地根據(jù)他應(yīng)用的需求，配置出不同的深度學(xué)習(xí)的模型。比如說一個(gè)循環(huán)網(wǎng)絡(luò)，或者是處理圖像的卷積網(wǎng)絡(luò)，任何靈活的組合都可以在我們這個(gè)平臺(tái)上面很方便的配置出來。

　　因?yàn)樵诎俣任覀冇蟹浅４罅康倪\(yùn)算資源，為了能夠充分的應(yīng)用我們的運(yùn)算資源，我們這個(gè)平臺(tái)也非常高效的進(jìn)行多機(jī)的訓(xùn)練，這樣也能很有效的處理我們的大量的數(shù)據(jù)。

　　因?yàn)橛辛诉@么一個(gè)非常高效，非常靈活的計(jì)算深度學(xué)習(xí)的平臺(tái)。百度最近幾年把深度學(xué)習(xí)運(yùn)用到了產(chǎn)品的方方面面。比如說核心的搜索和廣告這樣的產(chǎn)品，還有可能不太想到的，像數(shù)據(jù)中心的智能控制，病毒的查殺，這種產(chǎn)品里面我們都成功的把深度學(xué)習(xí)應(yīng)用到上面去，提高我們產(chǎn)品的體驗(yàn)。

　　隨著深度學(xué)習(xí)的逐步在各種人工智能問題里面的更深入的使用，我們現(xiàn)在開始看到機(jī)器在一些很特定的感知問題上，它的能力已經(jīng)在逐漸接近甚至超過了人類的水平。比如語音識(shí)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(guān)系的語音識(shí)別這種任務(wù)，我們百度的語音識(shí)別系統(tǒng)做到明顯比人好的程度，錯(cuò)誤率不到6%，而人的任務(wù)上的錯(cuò)誤率可以是接近了10%。因?yàn)閷?shí)際上在沒有上下文關(guān)系的情況下，這是非常難的任務(wù)。

　　還有另外一個(gè)例子就是人臉識(shí)別，也是隨著深度學(xué)習(xí)的使用，人臉識(shí)別這個(gè)東西也是最近幾年有了非常大的提升。人臉識(shí)別一個(gè)最核心的任務(wù)，就是給兩幅圖，你要判斷是否來自同一個(gè)人，包括百度在內(nèi)的很多公司還有研究團(tuán)體，都取得了明顯比人好的水平。能看到我們的機(jī)器錯(cuò)誤率現(xiàn)在非常低，只有0.23%，而人的任務(wù)率是0.8%，現(xiàn)在已經(jīng)不及機(jī)器了。

　　還有像其他一些圖像識(shí)別的任務(wù)，在最近幾年也都有了非�？焖俚倪M(jìn)步。比如說細(xì)粒度圖像識(shí)別，在一類物體里面我們還要區(qū)分它子類，比如說在狗里面要區(qū)分各種不同的狗。這樣的任務(wù)實(shí)際上是比更普通的物體識(shí)別更難，因?yàn)橐獙?duì)物體細(xì)致的特征有區(qū)分。這樣一個(gè)任務(wù)上在20xx年的時(shí)候，我們最好的系統(tǒng)錯(cuò)誤率都還是50%，到了20xx年錯(cuò)誤率就降到20%，可到今年最新的結(jié)果錯(cuò)誤率就降到10%幾。像這種細(xì)粒度的物體是別人是很困難的，人是很難認(rèn)識(shí)200多種狗的。

　　下面我們談一些語言方面用深度學(xué)習(xí)的進(jìn)展。我們知道其實(shí)語言是人類智力的核心的體現(xiàn)。我們是用深度學(xué)習(xí)的思想來處理語義理解的任務(wù)。傳統(tǒng)在語義理解的任務(wù)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(gòu)造各種人為的特征，然后得出語義分析的結(jié)果。深度學(xué)習(xí)的理念就是端到端的，從最原始的數(shù)據(jù)開始的，這里就是一個(gè)詞的序列開始的，我們不考慮任何的人為的特征構(gòu)建，就直接用一個(gè)完整的模型，得出我們想要的結(jié)果。我們?nèi)藢?duì)這個(gè)問題的理解，主要是體現(xiàn)在我們模型的結(jié)構(gòu)當(dāng)中。這樣的思想，過去幾年在圖像識(shí)別、語音識(shí)別里面都給他們帶來了巨大的提升。我們?cè)谡Z音理解這樣的任務(wù)里面，也做到了比傳統(tǒng)方法好的結(jié)果。

　　另外一個(gè)非常好的，端到端的深度學(xué)習(xí)，在自然語言處理里面非常成功的應(yīng)用，就是機(jī)器翻譯。端到端的機(jī)器翻譯的做法，是20xx年的Google首次提出來了，因?yàn)槭且粋�(gè)新方法，大家認(rèn)為很有潛力的。但是剛提出來的時(shí)候還是比傳統(tǒng)的方法有明顯的差距。但僅僅過了一年以后，就能夠達(dá)到了傳統(tǒng)方法的質(zhì)量。今年的結(jié)果已經(jīng)比傳統(tǒng)的方法好了。一旦我們用好了以后，就可以對(duì)它各種效果有非常快速的提升。

　　除了語言其實(shí)最近和語言相關(guān)的比較熱點(diǎn)的研究方向，就是把語言理解還有圖像識(shí)別，語言生成這些傳統(tǒng)的人工智能比較隔離的研究方向，有機(jī)的組合起來，用一個(gè)完整的深度學(xué)習(xí)模型來處理。通過這樣的一個(gè)整體的模型，我們機(jī)器就可以比較更自然的學(xué)到語言和它感知到的物理世界的聯(lián)系。

　　像這樣的統(tǒng)一的視覺語言統(tǒng)一的模型，我們有一些例子。第一個(gè)就是看圖說話，給了圖以后，說出一個(gè)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(duì)圖像的自然語言的提問，給出一個(gè)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(duì)這個(gè)視頻做出描述。這個(gè)工作我們?cè)诎俣仁菍儆诒容^早的開始，現(xiàn)在也有很多研究機(jī)構(gòu)在做這樣的視覺和語言統(tǒng)一的研究。

　　深度學(xué)習(xí)最近還有一個(gè)事，就是現(xiàn)在向更深的模式發(fā)展。在去年圖像識(shí)別比賽上面，我們看到獲獎(jiǎng)最好的一個(gè)模型是微軟開發(fā)的深度達(dá)到150多層的深度模型。另外我們?cè)诜�譯上也發(fā)現(xiàn)，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(xué)習(xí)最近還有另外一些研究的熱點(diǎn)，就是所謂的推理、注意力、記憶，這方面是偏向于人類認(rèn)知能力的，希望把這樣的一些機(jī)制能放在深度學(xué)習(xí)能力模型里面來。特別是在這里面注意力這樣的機(jī)制，在一些實(shí)際的應(yīng)用里面也取得了非常好的效果，比如細(xì)粒度的圖像識(shí)別，或者翻譯的任務(wù)。像記憶的機(jī)制，現(xiàn)在還是比較初期的階段。

　　深度學(xué)習(xí)給AI帶來了快速的進(jìn)展，但我們還有很多的路要走。人工智能這個(gè)概念是1955年的時(shí)候John McCarthy提出的'，同時(shí)還有3位重量級(jí)的研究人物。他們說了要用10個(gè)月花兩個(gè)月時(shí)間，對(duì)人工智能做一個(gè)非常巨大的進(jìn)步，實(shí)際上我們現(xiàn)在看到他這個(gè)是遠(yuǎn)遠(yuǎn)低估了人工智能的難度�，F(xiàn)在的人工智能還有很多的缺陷，人類智能一個(gè)最核心的點(diǎn)就是自我學(xué)習(xí)和創(chuàng)造的能力，我們看到現(xiàn)在有很多具體的智能的系統(tǒng)，比如說AlphaGo，它還缺乏一種自我學(xué)習(xí)和創(chuàng)造的能力。比如說來了一個(gè)新的棋給他學(xué)，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(dòng)的學(xué)習(xí)各種新的任務(wù)。

　　最重要的一點(diǎn)就是說現(xiàn)在人工智能還缺少一種從少量標(biāo)注數(shù)據(jù)學(xué)習(xí)的能力，一個(gè)例子比如說圖像識(shí)別，ImageNet里每個(gè)物體種類有幾百幅圖，一個(gè)小孩要認(rèn)識(shí)一種東西可能幾幅圖足夠了。還有英法翻譯的訓(xùn)練數(shù)據(jù)，人可能需要幾萬個(gè)小時(shí)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(shí)。所以看到現(xiàn)在的深度學(xué)習(xí)缺乏少量標(biāo)注學(xué)習(xí)的能力。

　　那么最核心的一點(diǎn)就是我們需要有對(duì)環(huán)境的一個(gè)非常好的表示，就是說我們需要通過非常大量的數(shù)據(jù)太能學(xué)習(xí)出來，非監(jiān)督學(xué)習(xí)的機(jī)制，才能讓我們有效的利用到大量的非標(biāo)注的數(shù)據(jù)，進(jìn)行非監(jiān)督學(xué)習(xí)方式的一個(gè)最行之有效的方法，就是用它來預(yù)測(cè)未來。我們知道預(yù)測(cè)未來的能力是人智力的核心體現(xiàn)。比如說物理學(xué)是一個(gè)對(duì)簡(jiǎn)單系統(tǒng)的預(yù)測(cè)，人類的智力包括機(jī)器學(xué)習(xí)，是一個(gè)復(fù)雜系統(tǒng)的近似預(yù)測(cè)。如果我們通過這種預(yù)測(cè)未來的學(xué)習(xí)方式，就可以有效的掌握環(huán)境的規(guī)律，所以得到有效的表示。

　　我們現(xiàn)在的人工智能系統(tǒng)缺乏常識(shí)，剛才李院士也講了很多的自動(dòng)車，我們?cè)谧�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(xiàn)在最好的Google的自動(dòng)駕駛車，現(xiàn)在已經(jīng)開了超過了200多萬公里，但既使是這樣，現(xiàn)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(shí)，就是說它遇到很多路況對(duì)人是非常簡(jiǎn)單的，人看到就知道怎么做。但機(jī)器缺乏常識(shí)性的理解，就只能通過人一條一條把每種路況導(dǎo)入系統(tǒng)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(shí)的環(huán)境里面學(xué)習(xí)，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(chuàng)造一個(gè)虛擬的模擬環(huán)境，讓人工智能體在這個(gè)環(huán)境中自己去探索，然后就可以在這樣和環(huán)境的交互中，就能比較有效的建立它常識(shí)一樣的東西。

　　還有另外一個(gè)主要的局限之處，就是通過數(shù)據(jù)來學(xué)習(xí)。我們現(xiàn)在所有的東西首先要考慮搜集數(shù)據(jù)。我們?nèi)藖韺W(xué)習(xí)，比如說要區(qū)分這樣兩種不同的鳥，需要收集大量的數(shù)據(jù)，從數(shù)據(jù)里面自動(dòng)總結(jié)出規(guī)律出來。實(shí)際上我們?nèi)藭?huì)告訴他，可以看到這兩個(gè)圖的區(qū)別，人可以用非常精煉的語言告訴其他人。而現(xiàn)在的機(jī)器學(xué)習(xí)還非常缺少有效的能夠利用人的知識(shí)的途徑。

　　我認(rèn)為如果要解決這樣的問題，我們需要把語言作為機(jī)器學(xué)習(xí)系統(tǒng)一個(gè)基礎(chǔ)的能力，否則的話我們就很難做到能夠把人類大量的知識(shí)傳遞到機(jī)器里面去，然后同時(shí)來說我們需要這個(gè)機(jī)器能夠理解語言，這樣我們才能夠表達(dá)人類的需求，能夠幫助他的理解。旁邊這就是一個(gè)電影里面的人在教機(jī)器人來學(xué)習(xí)讀書。

　　我們要做真正像人這樣的非常強(qiáng)大的人工智能，可能我們需要從最基礎(chǔ)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(gè)環(huán)境里面去學(xué)習(xí)感知，學(xué)習(xí)他的行動(dòng)的一些基礎(chǔ)的技能，同時(shí)把學(xué)習(xí)語言作為一個(gè)最核心的東西，包含在這樣的一個(gè)系統(tǒng)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(jī)會(huì)，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(chuàng)造我們?nèi)斯ぶ悄艿奈磥�，謝謝大家。

人工智能的演講稿3

　　----一個(gè)叫阿爾法狗的智能機(jī)器人戰(zhàn)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(jì)算機(jī)科學(xué)家們想讓發(fā)機(jī)器人能像人那樣思考，他們想讓計(jì)算機(jī)網(wǎng)絡(luò)像人的大腦神經(jīng)網(wǎng)絡(luò)一樣工作。但其實(shí)人類對(duì)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(fā)的人工智能進(jìn)展不大。

　　----后來一些科學(xué)家轉(zhuǎn)變思路，開始讓計(jì)算機(jī)按照自己的方式思考。他們讓計(jì)算機(jī)學(xué)習(xí)大量的數(shù)據(jù)，然后分析各種數(shù)據(jù)之間的相關(guān)性，從相關(guān)性中發(fā)現(xiàn)規(guī)律。

　　----比如阿爾法狗就是學(xué)習(xí)了人類圍棋高手的大量的對(duì)弈棋譜，找出每一種下法與最終獲勝的概率之間的關(guān)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(fù)練習(xí)，人類在這樣的智能機(jī)器人面前完全沒有獲勝的希望。

　　----因?yàn)槿祟惒皇沁@樣思考的，人類不可能記住那么龐大的數(shù)據(jù)，也不可能進(jìn)行那么復(fù)雜的計(jì)算。人類思考是基于分析推理的，是從小樣本研究中發(fā)現(xiàn)因果關(guān)系，有時(shí)還要依賴直覺。既然是小樣本，就有可能出現(xiàn)抽樣誤差；直覺有很多時(shí)候也是錯(cuò)的。而且人類還要受體力精力和情緒的影響，很難不出差錯(cuò)。所以我們現(xiàn)在已經(jīng)不好意思說，計(jì)算機(jī)是人工智能了，更準(zhǔn)確的說法是機(jī)器智能。

　　----事實(shí)上，機(jī)器智能在很多方面已經(jīng)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(yù)言，未來有很多職業(yè)會(huì)消失，其中包括教師！

　　----舉個(gè)例子，現(xiàn)在學(xué)校里老師教小學(xué)生認(rèn)字，要告訴他們這個(gè)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(huì)有一款智能機(jī)器人一對(duì)一地教孩子們做這些事情，它可以發(fā)出中央電視臺(tái)播音員的聲音，也可以發(fā)出孩子們喜歡的明星或爸爸媽媽的聲音，它的筆順永遠(yuǎn)不會(huì)寫錯(cuò)，而且從來不會(huì)不耐煩。事實(shí)上現(xiàn)在有些電腦學(xué)習(xí)軟件已經(jīng)可以部分完成這樣的工作了。

　　----又比如說，數(shù)學(xué)的公式、物理的定律、化學(xué)的反應(yīng)式、歷史事件與人物，這些中小學(xué)教科書上的知識(shí)，智能機(jī)器人能不能教呢？我相信大家也說能！不僅能教，而且會(huì)比人類的教師教得更好，它可以把各學(xué)科教學(xué)名師的知識(shí)和經(jīng)驗(yàn)都深度學(xué)習(xí)一遍，然后根據(jù)學(xué)生學(xué)習(xí)的表現(xiàn)，選擇最合適的指導(dǎo)方法。這跟阿爾法狗學(xué)習(xí)下圍棋沒有多少本質(zhì)上的不同。

　　----到了這個(gè)時(shí)候，還有多少人認(rèn)為教師的職業(yè)不會(huì)消失呢？即使教師的職業(yè)不會(huì)消失，今天教師的大部分工作將被智能機(jī)器人取代，這一點(diǎn)應(yīng)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(jī)器人取代，那么學(xué)校會(huì)不會(huì)消亡呢？這是一個(gè)更讓人揪心的問題。

　　-----我們現(xiàn)在的教育體系，是工業(yè)時(shí)代的產(chǎn)物。工業(yè)時(shí)代需要培養(yǎng)大量的流水線上的工人，和各行各業(yè)的專業(yè)人士。這些職業(yè)都有一定的標(biāo)準(zhǔn)和規(guī)范，需要從業(yè)者牢記這些標(biāo)準(zhǔn)和規(guī)范，以便在做這類重復(fù)度很高的工作時(shí)，效率高，不容易出錯(cuò)。

人工智能的演講稿4

　　大家好，今天非常高興、非常榮幸能參加這樣一個(gè)盛會(huì)。今天我給帶來的演講是我的一點(diǎn)學(xué)習(xí)心得，題目叫做自學(xué)習(xí)的人工智能。首先大家都知道在60周年之際，我們首先應(yīng)該記住的是這位人工智能的先驅(qū)，圖靈。在他的問題的感召下，我們就有了今天這樣的一個(gè)盛會(huì)和今天人工智能的飛速發(fā)展。他的問題，機(jī)器可以思維嗎?可以從不同的維度來解釋，那么首先人類對(duì)人工智能的一個(gè)探索也可以圍繞對(duì)問題不同解釋的探索。

　　第一個(gè)探索，應(yīng)該說是在邏輯層面的探索。60年代人工智能的這些先驅(qū)就考慮用邏輯和搜索來研究人工智能，比如下棋、推理，比如說可以去做路徑規(guī)劃等等。那么他們有一個(gè)很強(qiáng)的假設(shè)，這個(gè)假設(shè)應(yīng)該說從某種程度上來說是非常直觀的。智能包括計(jì)算機(jī)可能賦予的智能，是來自于計(jì)算物理符號(hào)的排列組合，我們只要能很聰明的把這些物理符號(hào)排列組合的話，人類是可以從一系列的零和一的組合來得到。有了一些成就之后也發(fā)現(xiàn)這樣的假設(shè)是有它的瓶頸的。在之后大家又有一部分人著力于研究能夠有學(xué)習(xí)功能的人工智能，就有不同的學(xué)習(xí)算法，機(jī)器學(xué)習(xí)的計(jì)算法被研究出來。其中包括大家都熟悉的人工神經(jīng)網(wǎng)絡(luò)。

　　人工智能的幾個(gè)里程碑我們現(xiàn)在也很熟悉，第一個(gè)大家公認(rèn)的是里程碑是深藍(lán)，這個(gè)比賽意味著幾件事。一個(gè)是說在大規(guī)模的搜索的狀態(tài)下，在可能的狀態(tài)空間的搜索，實(shí)際上是一個(gè)在物理符號(hào)的空間的排列組合。也就是說在60年代人們的那些假設(shè)有一部分是正確的，我們確實(shí)可以從這種搜索和物理符號(hào)的排列組合獲得很多的智能。

　　緊接著的階段是，知識(shí)就是力量，這是隨著互聯(lián)網(wǎng)和大數(shù)據(jù)到來的一個(gè)熱潮，從網(wǎng)上，從不同的媒體我們會(huì)獲得很多數(shù)據(jù)，把這些數(shù)據(jù)經(jīng)過沉淀變成知識(shí)，我們就可以贏得像這樣一個(gè)電視大賽中的人機(jī)對(duì)戰(zhàn)。

　　這個(gè)之后，剛剛芮勇博士也深入的回顧了一下最近的人工智能的突破，就是深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)的突破從計(jì)算上來說有幾個(gè)好處，其中一個(gè)好處是說它把一個(gè)全局計(jì)算的需求變成一個(gè)本地計(jì)算的需求，在做到這樣的一個(gè)同時(shí)呢，又不失掉很多的信息，這個(gè)是計(jì)算機(jī)里面無數(shù)成就的一個(gè)中心點(diǎn)。這樣的一個(gè)成功就使得我們能夠在不同的層次來觀察同一個(gè)數(shù)據(jù)，同樣就可以獲得我們所謂的大局觀。就像這個(gè)圖，我們?cè)诓煌�的層次可以得到不同的特征�?/p>

　　這里我們要特別強(qiáng)調(diào)的是人工智能也在另外一個(gè)方面潛移默化的默默的在耕耘，這個(gè)就叫做強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)應(yīng)該說是用來做人工智能規(guī)劃的有力工具，但不是唯一的規(guī)矩。規(guī)劃這個(gè)領(lǐng)域相對(duì)深度學(xué)習(xí)應(yīng)該說更古老，研究的力度也很多。但在很長時(shí)間一段處于靜默狀態(tài)，這個(gè)原因是因?yàn)樗�在�?jì)算上有很大的瓶頸，不能有很大得數(shù)據(jù)量。一個(gè)例子就是強(qiáng)化學(xué)習(xí)在很長時(shí)間以來只能解決一些玩具型的問題，非常小的數(shù)據(jù)。但是最近的一個(gè)突破是Google的DeepMind，把深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)合在一起，這樣的一個(gè)議題使得很多強(qiáng)化學(xué)習(xí)所需要突破的瓶頸，就是狀態(tài)的個(gè)數(shù)能隱藏起來。這種隱藏就使得強(qiáng)化學(xué)習(xí)能夠大規(guī)模的應(yīng)付數(shù)據(jù)，就是說應(yīng)付大數(shù)據(jù)。它突出的一點(diǎn)叫做端到端的學(xué)習(xí)，就是說我們?cè)谶@里看到一個(gè)計(jì)算機(jī)的游戲，這個(gè)游戲的影像是輸入端，輸出端就是你要進(jìn)行的下一個(gè)動(dòng)作。這個(gè)動(dòng)作是正確還是不正確，到最后會(huì)獲得一個(gè)反饋，這個(gè)反饋不一定是現(xiàn)在得到，也許是后面幾步得到的。這一點(diǎn)和我們剛剛講的深度學(xué)習(xí)在圖像上面的應(yīng)用，就大不一樣。就更加復(fù)雜，更加契合人的行為，所以強(qiáng)化學(xué)習(xí)也是下一個(gè)突破。

　　我們看到這種端到端的深度學(xué)習(xí)，應(yīng)用在強(qiáng)化學(xué)習(xí)上，使得DeepMind到今天在很古老的單人的計(jì)算機(jī)游戲上已經(jīng)把人類完全擊倒，它做到這樣是通過完全的自學(xué)習(xí)，自我修煉、自我改正，然后一個(gè)一個(gè)迭代。這個(gè)就是它迭代的一些結(jié)果，從左到右是一個(gè)時(shí)間軸，從下到上是它得到的效果。我們看到每一個(gè)游戲它的要求都是在不斷成長的，就像我們一個(gè)學(xué)生在學(xué)習(xí)的過程當(dāng)中學(xué)到的知識(shí)越來越多，這個(gè)完全是自我實(shí)現(xiàn)，一個(gè)自學(xué)習(xí)的過程。

　　包括現(xiàn)在的AlphaGo也應(yīng)用了很多自學(xué)習(xí)的這種效果，使得我們現(xiàn)在終于認(rèn)清原來人工智能從60年代到20xx年的物理符號(hào)的假設(shè)，也就是說以搜索為中心，以邏輯為中心的這種努力并沒有白費(fèi)，這種努力也是需要的。另外學(xué)習(xí)也是必不可少的，像我們熟知的深度學(xué)習(xí)。所以AlphaGo對(duì)我們的啟示，就是我們把兩者結(jié)合起來，才是一個(gè)完整的智能機(jī)器。這個(gè)我們可以叫做人工智能的通用性，也就是說我們對(duì)于這兩個(gè)技術(shù)的某種結(jié)合，比方說多一點(diǎn)搜索，少一點(diǎn)機(jī)器學(xué)習(xí)，或者反之我們夠可以得到用來解釋不同的人類的智能行為。這種通用型，端到端的學(xué)習(xí)，可以用這個(gè)例子來表達(dá)。就是這個(gè)雞可以吃不同的食物，但是它下的蛋都是對(duì)人類有用的。

　　這里我要特別提到一點(diǎn)，我們并不是找到了最后的目標(biāo)，這也是在不同的人工智能、強(qiáng)化學(xué)習(xí)，等等之類的實(shí)驗(yàn)當(dāng)中我們發(fā)現(xiàn)一個(gè)特點(diǎn)。就是我們不能完全的依靠機(jī)器去全部自動(dòng)化的自我學(xué)習(xí)，至少到現(xiàn)在我們還沒有摸索出這樣一個(gè)路徑。這里是大學(xué)的例子，中文是永動(dòng)機(jī)器學(xué)習(xí)，就是說這個(gè)機(jī)器不斷的在網(wǎng)上爬一些網(wǎng)頁，在每個(gè)網(wǎng)頁里面都學(xué)到一些知識(shí)，把這些知識(shí)綜合起來，變成幾千萬條知識(shí)，這些知識(shí)又會(huì)衍生新的知識(shí)。那么我們看到從下到上是隨著時(shí)間，知識(shí)量的增長。那么它到了某一個(gè)程度實(shí)際上是不能再往上走了，因?yàn)橹�識(shí)會(huì)自我矛盾。這個(gè)時(shí)候就需要人進(jìn)來進(jìn)行一部分的調(diào)節(jié)，把一部分不正確的知識(shí)去掉，讓它繼續(xù)能成長。這個(gè)過程為什么會(huì)發(fā)生呢?是因?yàn)闄C(jī)器學(xué)習(xí)一個(gè)很嚴(yán)重的現(xiàn)象，就是自我偏差，這種偏差就可以體現(xiàn)在這種統(tǒng)計(jì)學(xué)的一個(gè)重要的概念，就是我們獲得的數(shù)據(jù)也許是一個(gè)有偏數(shù)據(jù)，我們可能建了一個(gè)模型，對(duì)大部分的數(shù)據(jù)都有用，但其中有一些特例。我們?nèi)绾蝸硖幚磉@些特例，如何來處理我們訓(xùn)練數(shù)據(jù)和應(yīng)用數(shù)據(jù)之間的偏差，這個(gè)是我們下一步要研究的內(nèi)容。

　　一個(gè)非常有希望的技術(shù)叫做遷移學(xué)習(xí)，比方說這個(gè)是在深度學(xué)習(xí)的模型上，在上面這一部分是一個(gè)領(lǐng)域已經(jīng)訓(xùn)練好的模型。那么在一個(gè)新的領(lǐng)域，如果這兩個(gè)領(lǐng)域之間有某種聯(lián)系、某種相似性的話，我們就不一定在新的領(lǐng)域需要那么多的數(shù)據(jù)來學(xué)習(xí)，你只需要一小部分。我們之所以能做到這一點(diǎn)是我們可以把大部分的模型給遷移過來，我們?nèi)擞羞@種能力，但是我們?cè)谧鲞@種數(shù)據(jù)遷移的過程中，我們一定要牢記把這種有偏的數(shù)據(jù)偏差給消除掉。如果能做到這點(diǎn)我們就能做到不同形式的數(shù)據(jù)之間的知識(shí)遷移，比方說我們可以讓一個(gè)計(jì)算機(jī)來讀很多文字，這樣的一個(gè)計(jì)算機(jī)去識(shí)別圖像，應(yīng)該比沒有讀這些文字，直接去學(xué)習(xí)圖像來的要容易。這個(gè)就更像我們?nèi)祟惖膶W(xué)習(xí)。這種學(xué)習(xí)也離不開從下到上，從粗到細(xì)這樣的一種特征的選擇。

　　所以我們又得到另外一個(gè)概念，就是特征工程。深度學(xué)習(xí)給我們的一個(gè)有力的工具是能夠自動(dòng)的進(jìn)行不同層次，進(jìn)行大規(guī)模的新特征的抽取和特征的制造。那么這種特征在搜索引擎、廣告系統(tǒng)上面，可以達(dá)到萬億級(jí)，也就是說這個(gè)已經(jīng)完全不是人類所可以控制的級(jí)別了。那么智能在這樣的級(jí)別上才可以產(chǎn)生。

　　但是現(xiàn)在人工智能仍然有一些困境，比方說如何能夠讓人工智能來深層的理解文字，有一個(gè)著名的類似于圖靈測(cè)試的比賽，深層次理解文字，這個(gè)是在自然語言上問一些有歧異的問題，計(jì)算機(jī)如果要能正確的回答這個(gè)問題，那個(gè)模型不僅僅理解這些文字，而且要理解深層的背景文字，要理解周邊的文字，有很多文化在里面，如何能達(dá)到這一點(diǎn)?也是我們需要解決的。

　　同時(shí)深度模型還可以把它反轉(zhuǎn)，成為一種生成膜型。它不僅可以去對(duì)數(shù)據(jù)做一個(gè)決策，它還可以自己產(chǎn)生數(shù)據(jù)，可以產(chǎn)生新的數(shù)據(jù)。比方說這個(gè)是Google的一些研究員把一個(gè)深層模型里面的感知最深刻的那些圖像給描述出來，結(jié)果是這樣的，就非常有趣的生成膜型。

　　剛剛講的不同數(shù)字格式之間，文字和圖像之間，如果在深層實(shí)際上它們的區(qū)別已經(jīng)消失了。那這樣我們就可以對(duì)圖像去問文字的問題，甚至對(duì)文字去問圖像的問題。這樣數(shù)據(jù)的形式也就不重要了。

　　如果我們達(dá)到了遷移學(xué)習(xí)的要點(diǎn)，我們想問下一步是不是可以把所有人類經(jīng)歷過的這些學(xué)習(xí)的任務(wù)給沿著時(shí)間軸串起來，能夠讓機(jī)器向人一樣的，它的學(xué)習(xí)能力，它的智能在不斷的增長，隨著時(shí)間。那么它所需要學(xué)習(xí)的.努力程度，樣本數(shù)也是逐漸減少的。這個(gè)也是我們?cè)谂�力的一個(gè)方向。

　　另外最近發(fā)表了一篇文章也說明了遷移學(xué)習(xí)的重要性。這個(gè)文章叫做bayesianprogram learning，這是從一個(gè)例子就能學(xué)會(huì)，我們知道深度學(xué)習(xí)是千萬個(gè)例子的。實(shí)際上它用了我們過去沒有涉及到的概念，就叫做結(jié)構(gòu)，如果我們了解了一個(gè)問題的結(jié)構(gòu)，那么這個(gè)結(jié)構(gòu)的一個(gè)具體的形式只用一個(gè)例子就可以學(xué)會(huì)了。其他的部分，需要很多例子的那一部分可能是參數(shù)、統(tǒng)計(jì)，這一部分我們實(shí)際上可以通過遷移學(xué)習(xí)來學(xué)習(xí)。也就是說整個(gè)這個(gè)圓就圓滿了，就是一個(gè)閉環(huán)了。

　　同時(shí)人工智能的應(yīng)用也不僅僅是在圖像方面，這里的一個(gè)例子是亞馬遜的倉儲(chǔ)機(jī)器人。亞馬遜的倉儲(chǔ)機(jī)器人是在一個(gè)很大的空間，這些機(jī)器人會(huì)把這些貨架，每個(gè)貨架上面都有不同的貨品，把這些貨架偷到工人的面前，讓工人從貨架上面拿所需的貨品到箱子里面，然后快遞給客戶。為什么是這樣呢?因?yàn)楝F(xiàn)在的機(jī)器人技術(shù)在選擇，從貨架上選擇物體還遠(yuǎn)遠(yuǎn)不如人的熟練程度，但是它在路徑規(guī)劃，在機(jī)械的啟動(dòng)、抬起、放下已經(jīng)超過人了。所以亞馬遜的就很聰明的把機(jī)器的優(yōu)點(diǎn)和人的優(yōu)點(diǎn)結(jié)合在一起，變成一個(gè)新的商業(yè)模式。如果過去建一個(gè)倉儲(chǔ)在支持這個(gè)城市亞馬遜所有的物流的話，需要三個(gè)月時(shí)間，他用了這個(gè)把所有的傳送帶拆掉，變成機(jī)器人以后只用三天時(shí)間，這個(gè)收益是非常巨大的，也就是我們可以借鑒，可以拓展的一個(gè)經(jīng)驗(yàn)。

　　下面要講的，不僅在機(jī)器人，在圖像識(shí)別，實(shí)際上在我們的生活當(dāng)中，人工智能已經(jīng)深入了。這里舉的一個(gè)例子是我和我的一個(gè)學(xué)生戴文淵，建的一個(gè)公司，第四范式，這個(gè)公司可以讓過去在金融領(lǐng)域只能由人來服務(wù)重要的客戶，由人工智能來把這個(gè)能力拓展到幾千萬人，讓每個(gè)人都享受到優(yōu)質(zhì)的金融服務(wù)。這是一個(gè)非常大的工程。它背后的技術(shù)就是機(jī)器學(xué)習(xí)，我們所熟知的深度學(xué)習(xí)、知識(shí)學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

　　最后我要說幾點(diǎn)，我們看到這么多人工智能的努力，人工智能的有失敗的時(shí)候，有成功的時(shí)候，我們到現(xiàn)在能總結(jié)出什么經(jīng)驗(yàn)?zāi)?我覺得現(xiàn)在的人工智能的成功離不開高質(zhì)量的大數(shù)據(jù)，但是并不是未來的人工智能的成功一定需要大數(shù)據(jù)。那么我們下面要問是不是在未來有小數(shù)據(jù)也可以讓人工智能成功，這就是今天我覺得在大學(xué)里面應(yīng)該做的一個(gè)研究，在工業(yè)上大家還在開疆拓土，利用大數(shù)據(jù)的優(yōu)勢(shì)在發(fā)現(xiàn)新的應(yīng)用利于。

　　第二個(gè)，就是要培養(yǎng)出更多的人工智能的人才。這些人才才可以來設(shè)計(jì)算法，這個(gè)也是我們今天在大學(xué)里面需要努力的一個(gè)方向。當(dāng)然這些都離不開計(jì)算能力。

　　所以從這幾點(diǎn)上來看人工智能的努力也不是像有些人說的，今天的人工智能的發(fā)展完全在工業(yè)，人工智能的發(fā)展也應(yīng)該一部分依靠大學(xué)，一部分依靠工業(yè)。就像我們所說的大數(shù)據(jù)和人才的培養(yǎng)，小數(shù)據(jù)的研究。那么大數(shù)據(jù)的開疆拓土更多的應(yīng)用，和更多的計(jì)算能力，確實(shí)來自于工業(yè)。所以這兩種結(jié)合我覺得是我們今后發(fā)展的一個(gè)方向。

　　最后我要說一點(diǎn)，就是說我們應(yīng)該說已經(jīng)了解很多深度學(xué)習(xí)了，這個(gè)可以作為我們昨天的一個(gè)成就。那么今天我們?cè)趧倓傞_始去獲得強(qiáng)化學(xué)習(xí)的一個(gè)紅利，那么這個(gè)可能還不是在很多的領(lǐng)域得到應(yīng)用的，但是我要告訴大家的是，強(qiáng)化學(xué)習(xí)比大家想象的要更有用，比方說它不僅僅是在圍棋或者是在計(jì)算機(jī)游戲上。在金融，在我們?nèi)粘Ｉ�活�?dāng)中，甚至在教育上，機(jī)器人的規(guī)劃都離不開強(qiáng)化學(xué)習(xí)。那么這些應(yīng)該說都是富人的游戲，也就是說只有富人才能有這么多的大數(shù)據(jù)，有這么多的計(jì)算量去支持深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)這樣的實(shí)際應(yīng)用。那么我們明天要看到的應(yīng)該是遷移學(xué)習(xí)，因?yàn)檫w移學(xué)習(xí)能夠讓我們把大數(shù)據(jù)得到的模型遷移到小數(shù)據(jù)上面，使得千千萬萬的人都能夠受益，也就是說人人都能享受人工智能帶來的紅利。我今天講到這兒，謝謝大家。

人工智能的演講稿5

　　剛才大家對(duì)機(jī)器人開車有一點(diǎn)想法，好像總是感覺不靠譜。汽車——這個(gè)曾經(jīng)被稱之為改變了世界的機(jī)器，今天受到了人們的質(zhì)疑，最大的問題是，汽車成了人類的第一殺手。我們做一個(gè)簡(jiǎn)單的調(diào)查，你的親人、朋友、親人朋友的朋友，在這個(gè)大朋友圈里，你有沒有發(fā)現(xiàn)，其中會(huì)有一個(gè)人曾經(jīng)受到過汽車事故的傷害？我看到有人點(diǎn)頭了，人類開車，更多的情況下，不是汽車的動(dòng)力學(xué)性能不好，而是人有更多的智能要釋放，他要看路邊的美女好看不好看，結(jié)果壞事了，這叫做注意力轉(zhuǎn)移。情緒不穩(wěn)定，不是我們注意一點(diǎn)就可以的，因?yàn)槿耸莻�(gè)認(rèn)知主體，他一定要開小差的，他一定要睡眠的，他一定會(huì)疲勞的，所以車禍的百分之八十左右都是人為事故，不是車子不好，所以人們對(duì)這個(gè)人類殺手是耿耿于懷的。我們發(fā)明了汽車，為什么讓它造成我們的不幸呢？

　　人們對(duì)汽車的最大意見應(yīng)該是把駕駛者的活，交給計(jì)算機(jī)、交給人工智能、交給科學(xué)技術(shù)。所以我們就千方百計(jì)地提高無人駕駛的可靠性、安全性。經(jīng)過我們的初步估算，人開車的可靠性是十的負(fù)三次方，千分之一；而如果改成機(jī)器人開車，計(jì)算的結(jié)果是十的負(fù)五次方，比人開車的事故率會(huì)降低百分之一，所以安全問題就解決了。

　　大家都比較關(guān)注剛才看到的那些攝像頭，這些攝像頭大概跟手機(jī)的那個(gè)攝像頭的價(jià)格差不多，一兩百塊錢就可以了。但是，要想看紅綠燈，看高速行駛的障礙物，這個(gè)攝像頭還是需要有一些特殊能力的，比如說高動(dòng)態(tài)。大家知道攝像頭的一個(gè)最大問題就是光照，夜間要開車，大霧天也要開車，所以攝像頭的難度很大。我想告訴大家光有傳感器還不夠，這就是認(rèn)知的作用，智能車本質(zhì)上就是駕駛認(rèn)知的形式化，需要一個(gè)腦子來認(rèn)知。

　　重點(diǎn)是要講一下駕駛腦。我們?nèi)ツ暧靡惠v大客車和幾輛小轎車，從鄭州到開封實(shí)現(xiàn)了全程的無人駕駛。我們課題組利用這么多年的時(shí)間專門從事駕駛腦、駕駛認(rèn)知的`形式化，還是嘗到了一些興奮點(diǎn)，這件事情不是那么容易的。鄭州到開封的實(shí)驗(yàn)成功之后，美國一個(gè)叫做“連線”的網(wǎng)站給我們做了個(gè)評(píng)論，它說：谷歌那個(gè)小車子叫smart car，固然性感，大車子也性感，我才知道智能公交車，還可以用“性感”這個(gè)詞來形容。在智能駕駛當(dāng)中，我們實(shí)際上走了很多的路程，20xx年，我們從北京到天津，在高速公路封閉的道路上做無人駕駛，大家可以看一看這段視頻，是三四年前的事情了。

　　當(dāng)時(shí)的媒體也很震驚，覺得我們從北京到天津無人駕駛很了不起，其實(shí)震驚的不應(yīng)該是這件事，而是我們汽車的頭頂上沒有頂美國的64線激光雷達(dá)。我們用的比較簡(jiǎn)單的雷達(dá)就把它做到了，我覺得這一點(diǎn)還是值得驕傲的。很多開車的朋友都說開車是個(gè)樂趣，是人追求驚喜歷險(xiǎn)的樂趣，我們用上海汽車集團(tuán)的一輛新概念車叫iGS，做了一個(gè)賽車考駕照的科目，叫做十八米繞樁，既要快又不能碰到錐形標(biāo)。你看，又要快又不能碰到這個(gè)錐形標(biāo)。智能駕駛是個(gè)不可改變的方向，我們?nèi)艘�坐在車�(yán)锩娓墒裁茨�？�?yōu)雅地享受移動(dòng)生活呀，這多好呀。

　　人工智能六十年了，今天我們來看人工智能在我們這一代人身上到底發(fā)生了多大的變化。今年AlphaGo圍棋跟九段圍棋手李世石下了五盤，四比一贏了，震撼了全世界。不知道在座的有沒有看看這個(gè)圍棋現(xiàn)場(chǎng)，我想問一問，圍棋是我們中國的傳統(tǒng)文化，在座的會(huì)下圍棋的舉下手，還是少了一點(diǎn)。AlphaGo圍棋能贏，反映了我們?nèi)斯ぶ悄茉诒寂艿牡缆飞弦呀?jīng)有了一個(gè)新的里程碑。我想了一下，你到汽車裝配廠，到很多生產(chǎn)線去看，都是工業(yè)機(jī)器人在干活，這是一個(gè)方面，所以我們國家提出了智能制造20xx。另外還有一個(gè)方面，就是農(nóng)業(yè)。大家知道由于現(xiàn)在我們國家的城鎮(zhèn)化，使得很多農(nóng)村人到城里來了，尤其是青年人。中國的下一代農(nóng)民的平均年齡你們想過沒有，可能是多少歲？

　　我先告訴你們兩個(gè)數(shù)字，日本的農(nóng)民的平均年齡是65歲，美國的農(nóng)民的平均年齡是60歲，中國的農(nóng)民將來可能是50歲。年輕人都出來了，那靠什么呢？下一代的新農(nóng)民就是無人拖拉機(jī)、無人收割機(jī)、農(nóng)用無人機(jī)。所以我們可以憧憬一下，人工智能給我們的精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)展示了很好的前景。尤其是服務(wù)機(jī)器人，我家里有個(gè)鬧鐘，六點(diǎn)鐘就響，在一定程度上也可以叫作叫醒機(jī)器人，只不過比較簡(jiǎn)單。如果你家里有很多家務(wù)活，而一個(gè)人有十個(gè)機(jī)器人為你服務(wù)，我們不是可以更加有尊嚴(yán)、更加優(yōu)雅、更加有智慧地生活嗎？所以我的觀點(diǎn)是：大家對(duì)人工智能還要多想一點(diǎn)，就像我們對(duì)科學(xué)要有一顆敬畏之心一樣，對(duì)人工智能也要有一顆敬畏之心。我們一定可以與機(jī)器人共舞，而且在共舞的過程當(dāng)中，我想人類還是領(lǐng)舞者。

【人工智能的演講稿】相關(guān)文章：

人工智能心得12-01

人工智能作文08-23

人工智能的利弊分析04-12

人工智能經(jīng)典臺(tái)詞11-09

小學(xué)作文：人工智能11-07

人工智能品牌口號(hào)12-30

人工智能與生活07-28

人工智能利與弊作文04-16

人工智能作文【精】03-05

人工智能作文【薦】02-25