在所有关于刺客机器人的高调宣传下，2017年在人工智能方面获得了一些明显的变革。例如，今年初取名为Libratus（冻捉大师）的人工智能系统可能会使顶尖德州扑克运动员陷于失望的境地；更加有名气点的AlphaGo，数次让棋士冠军折戟。而在现实世界中，机器学习正在用作提高农业，不断扩大医疗保健的覆盖面。
但是你最近和Siri或者Alexa讲过了吗？那么你不会告诉，尽管抹黑、信心百倍的亿万富翁，可还有很多事情，人工智能依然无法做到或无法解读。人工智能还面对着五大棘手问题，明年专家们得绞尽脑汁了。
解读语言机器在用于文本和语言方面比以往任何时候都更佳。Facebook可以朗读对视障人士的图像叙述。谷歌堪称做到了一个高级的工作，在恢复电子邮件时得出结尾建议。然而，软件依然无法确实解读我们话语中的意思，以及我们共享给它们的点子。
波特兰州立大学教授梅兰妮·米切尔（MelanieMitchell）回应：“我们需要把我们教给的概念以有所不同的方式融合一起，并在新的情况下应用于。”“而AI和机器学习系统却做到将近。
”米切尔将今天的软件叙述为数学家GianCarlo－Rota所说的“意义障碍”。一些领先的AI研究团队正试图找到如何去解决问题的方法。这项工作有的目的为机器获取一种常识基础，以及承托我们自己思维的物质世界。例如，Facebook研究人员正试图通过观赏视频来教软件来解读现实。
还有的仿真我们用与世界涉及的科学知识可以来做到什么。谷歌仍然企图建构出能自学隐喻的软件。米切尔早已尝试过用于转换和关于世界的概念来系统说明照片中再次发生的事情。
妨碍机器人革命的“现实鸿沟”机器人硬件早已非常不俗了。你只需花500美元就可以卖到手掌大小的无人机，还备有高清摄像头。运送箱子和两条腿走路的机器也有所改进。
为什么我们没被机械助手包围住呢？因为今天的机器人缺少给定它们先进设备肌肉的大脑。让机器人做到任何事情都必须针对特定？？的任务展开特定的编程。它们可以自学操作者，如捕捉物体的反复试验（和试错）。
但是这个过程比较较快。一个有期望的捷径是让机器人在虚拟世界、仿真的世界中训练，然后把那些来之不易的科学知识iTunes到物理机器人体内。
然而，这种方法受到了“现实鸿沟”的后遗症。现实鸿沟这个短语叙述了机器人在仿真过程中学到的技能在移往到物理世界中时并不总是有效地。不过，“现实鸿沟”正在增大。10月份，谷歌对虚拟世界和现实机器人展开实验，用手臂学会掉落还包括胶带座、玩具和梳子在内的各种物体，获得了有期望的结果。
更进一步的发展也给自动驾驶汽车工作者带给曙光。无人驾驶竞赛中的公司们在虚拟世界街道上部署虚拟世界车辆，以增加在实际交通和道路条件下测试所花费的时间和金钱。无人驾驶创业公司Aurora首席执行官ChrisUrmson说道，让虚拟世界测试更加限于于现实车辆是他团队的优先考虑到项之一。
之前领导谷歌母公司Alphabet自律汽车项目的Urmson说道：“明年以后我们可以很好地利用它来减缓自学。”防止AI黑客攻击运营着我们的电网、安全性摄像头和手机的软件受到安全漏洞的后遗症。
我们不应当希望无人车和家用机器人的软件有什么有所不同。事实上，这可能会更加差劲：有证据指出，机器学习软件的复杂性引进了新的反击途径。研究人员今年回应，你可以在机器学习系统内隐蔽一个秘密触发器，造成它在看见一个特定的信号时变身“恶魔”模式。纽约大学研究小组设计了一个街道识别系统，一般来说情况下它能长时间工作，除非它看见黄色便签。
将一张黄色便签粘贴到布鲁克林的行驶标志上，导致系统将该标志报告为车速。这些骗术可能会对自动驾驶汽车导致潜在问题。
这种威胁被指出是十分相当严重的，世界上最重要的机器学习会议的研究人员，在本月早些时候开会了一个关于机器愚弄威胁的研讨会。研究人员辩论了一些恶魔般的技巧，比如如何分解看上去与人类一样看起来长时间的手写数字，但软件看上去却有所不同。例如，你所看见的是数字2，机器视觉系统看就是3。
研究人员还辩论了这种反击的有可能防卫方法，并且担忧人工智能被用来欺骗人类。的组织研讨会的TimHwang预测，随着机器学习显得更容易部署，功能更加强劲，用于该技术操控人是不可避免的。他说道：“你仍然必须满满一屋子的博士来研究机器学习。
”Hwang认为，在2016年总统议会选举期间，俄罗斯的欺诈宣传运动是AI强化信息战的潜在先行者。他说道：“为什么不出这些活动中看见机器学习领域的技术呢？Hwang预测了一个有可能使机器学习产生欺诈视频和音频的骗术。好比桌游Alphabet的棋士冠军软件在2017年很快发展。
5月份，AlphaGo一个更加强劲的版本打败了中国围棋冠军柯洁。AlphaGo的创造者是研究部门DeepMind，随后建构了一个版本，AlphaGoZero，通过自我自学而击败人类。
本文来源：尊龙凯时人生就是搏官方-www.frontbathroom.com