人工智能自1956年Dartmouth學(xué)會(huì)上提出，在經(jīng)歷一個(gè)又一個(gè)寒冬之后，如今真正登上了人類舞臺(tái)。當(dāng)下，不論是計(jì)算機(jī)視覺、自然語言處理還是安全監(jiān)控以及智能駕駛，人工智能技術(shù)的應(yīng)用都近在咫尺，但那些一直期盼它能像人類一樣具備思維的夙愿，至今卻仍未實(shí)現(xiàn)，為了更懂人類，全球人工智能科學(xué)家都在沖擊技術(shù)高點(diǎn)，不遺余力的為AI技術(shù)帶來全新突破，這其中就包括近年來被認(rèn)為會(huì)顛覆人工智能格局的三大技術(shù)。

對(duì)抗性神經(jīng)網(wǎng)絡(luò)

對(duì)抗性神經(jīng)網(wǎng)絡(luò)（Generative Adversarial Network，GAN）最早出現(xiàn)在2014年在蒙特利爾大學(xué)博士生Ian Goodfellow的學(xué)術(shù)論證中，他采用兩個(gè)神經(jīng)網(wǎng)絡(luò)，支持大多數(shù)現(xiàn)代機(jī)器學(xué)習(xí)的人腦簡(jiǎn)化數(shù)學(xué)模型，讓他們?cè)跀?shù)字游戲中彼此對(duì)抗。

在這個(gè)過程中就會(huì)出現(xiàn)兩個(gè)神經(jīng)網(wǎng)絡(luò)的角色，一個(gè)是生成網(wǎng)絡(luò)（Generator），另一個(gè)是判別網(wǎng)絡(luò)（Discriminator）,前者負(fù)責(zé)不斷生成內(nèi)容，后者負(fù)責(zé)不斷判別生成的內(nèi)容，彼此互博，最終在長(zhǎng)期對(duì)抗中提升各自的能力。經(jīng)過長(zhǎng)時(shí)間的互博結(jié)果，一個(gè)不斷“造假”，一個(gè)不斷“驗(yàn)真”，生成網(wǎng)絡(luò)的“造假”能力劇增，產(chǎn)出的逼真內(nèi)容已經(jīng)讓判別網(wǎng)絡(luò)無法辨識(shí)。

對(duì)抗性神經(jīng)網(wǎng)絡(luò)的關(guān)鍵性突破就在于，通過這種對(duì)抗機(jī)制，機(jī)器開始理解人類所看到和聽到的世界結(jié)構(gòu)，并最終賦予機(jī)器在創(chuàng)造一個(gè)全新的東西時(shí)所需要想象力，生成的結(jié)果非常逼真。

目前，對(duì)抗性神經(jīng)網(wǎng)絡(luò)有兩種應(yīng)用，一是完全從無到有的生成逼真度極高的語音或者圖像；另一個(gè)則是利用對(duì)抗性神經(jīng)網(wǎng)絡(luò)來改進(jìn)已有傳統(tǒng)的AI應(yīng)用，例如超分辨率、照片自動(dòng)美化、機(jī)器翻譯等，包括Google Brain、DeepMind、Nvidia、Open AI都是這項(xiàng)技術(shù)的重要參與者。

生物特征識(shí)別

所謂生物識(shí)別技術(shù)就是，通過計(jì)算機(jī)與光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)原理等高科技手段密切結(jié)合，利用人體固有的生理特性，如指紋、指靜脈、掌靜脈、臉象、虹膜等，以及行為特征，如筆跡、聲音、步態(tài)等，來進(jìn)行個(gè)人身份的鑒定。

由于人體特征具有人體所固有的不可復(fù)制的唯一性，通常屬于私密安全范疇，這一生物密鑰無法復(fù)制，偷竊或者遺忘，因而利用生物識(shí)別技術(shù)進(jìn)行身份認(rèn)定，具有非常高的安全性和準(zhǔn)確性，而目前一些常見的口令往往都不免存在著被復(fù)制及被盜用的不利因素，因此采用生物特征作為識(shí)別的“鑰匙”，能夠大幅度提升識(shí)別效果以及降低安全風(fēng)險(xiǎn)。

未來，伴隨著生物特征識(shí)別技術(shù)的不斷成熟，也將迎來全新的市場(chǎng)變化和需求，盡管單一的生物識(shí)別技術(shù)各有優(yōu)劣，在安全要求較高的場(chǎng)景，仍舊存在提升空間，但目前而言，生物特征識(shí)別技術(shù)的應(yīng)用正在各行業(yè)擴(kuò)展開來，尤其在物聯(lián)網(wǎng)的應(yīng)用上會(huì)成為著力點(diǎn)，在配合安全、監(jiān)控、管理系統(tǒng)整合，實(shí)現(xiàn)自動(dòng)化管理上，市場(chǎng)前景廣闊。

情感計(jì)算

情感計(jì)算的概念是在1997 年由麻省理工學(xué)院（Massachusetts Institute of Tech-nology，MIT）媒體實(shí)驗(yàn)室 Rosalind Picard 教授提出的，她的著作《Affective Computing》開創(chuàng)了計(jì)算機(jī)科學(xué)和人工智能學(xué)科中的新分支——“情感計(jì)算”，她指出情感計(jì)算與情感相關(guān)，是源于情感或能夠?qū)η楦惺┘佑绊懙挠?jì)算。

由于人類交流中80%的信息都是情感性的內(nèi)容，而人工智能系統(tǒng)只有在對(duì)人類情感得到充分了解之后，才能發(fā)揮具備智力因素的情感反饋，實(shí)現(xiàn)真正的強(qiáng)人工智能。因而，情感計(jì)算就是要賦予機(jī)器類似于人一樣的觀察、理解和生成各種情感特征的能力，最終使讓機(jī)器像人一樣正確感知環(huán)境、理解用戶情感和意圖，以作出自然、親切和生動(dòng)的交互。這種技術(shù)手段的出發(fā)點(diǎn)是通過心理學(xué)、生理學(xué)、認(rèn)知學(xué)、行為學(xué)和腦科學(xué)等相關(guān)的綜合學(xué)科，來進(jìn)行機(jī)器的情感化操作，在此基礎(chǔ)上，人類需求分析、情感表達(dá)、人機(jī)交互才能成為可能。

因而，傳統(tǒng)的人機(jī)交互應(yīng)用在情感計(jì)算的不斷成熟中正在被逐漸迭代，通過語音情感識(shí)別、人臉表情識(shí)別和生理信號(hào)情感識(shí)別等，進(jìn)行喜、怒、憂、思、悲、恐、驚七種基本情感計(jì)算，完成情感反饋，進(jìn)而在情感語音合成、面部表情合成和肢體語言合成上具備精準(zhǔn)結(jié)果。情感計(jì)算未來在醫(yī)療健康、安全駕駛、遠(yuǎn)程教育、智能家電等領(lǐng)域都具備超前的應(yīng)用前景，賦予機(jī)器擬人化的工作狀態(tài)，修煉“讀心術(shù)”。盡管如此，目前情感計(jì)算領(lǐng)域存在的挑戰(zhàn)還很多，包括情感獲取與建模、情感識(shí)別與理解、情感表達(dá)等，亟待全球頂尖人工智能科學(xué)家?guī)?a href="http://www.qldv.cn/article/zt/" target="_blank">最新突破。

在AlphaGo獲勝的那一刻，我們都不愿承認(rèn)歷經(jīng)億萬年所進(jìn)化的人類智慧被機(jī)器超越，但事實(shí)上，我們又希望冷冰冰的機(jī)器能憑借人工智能成為更懂人類的那個(gè)伙伴，我們期待的不僅僅是讓機(jī)器“更智能”，還是“更像人”，當(dāng)人工智能技術(shù)能夠解決這些障礙時(shí)，他才能支撐起自己思維的物質(zhì)世界。不論是微軟小冰通過情緒特征感知而不斷升級(jí)的共感模型、Facebook研究人員試圖通過觀看視頻來教AI來理解現(xiàn)實(shí)、曠視科技正在從各個(gè)角度攻破視覺識(shí)別領(lǐng)域障礙、還是極鏈科技Video++通過千萬次訓(xùn)練來讓AI理解視頻內(nèi)容所表達(dá)的不同情感等，都能看到人工智能研究者正在卯足勁向前，盡管我們要承認(rèn)機(jī)器學(xué)習(xí)中的技能轉(zhuǎn)移也許不總是有效，但正是這種與現(xiàn)實(shí)的差距，才能不斷激勵(lì)技術(shù)進(jìn)步，未來仍舊可期。