大家好，今天给各位分享基于谷歌人工智能的一些知识，其中也会对谷歌人工智能技术进行解释，文章篇幅可能偏长，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在就马上开始吧！
本文目录
- 谷歌人工智能阿法星与人类pk《星际争霸2》结局10：0，人类完败，你怎么看？
- 为什么IBM谷歌Imagenet都喜欢从喵星人入手研究AI？
- 谷歌DeepMind的人工智能技术，能够为风电厂带来多大的效益提升？
- 2016年3月人工智能程序什么在韩国首尔以1/4的比分战胜人类围棋冠军李世石
谷歌人工智能阿法星与人类pk《星际争霸2》结局10：0，人类完败，你怎么看？
关于DeepMind的星际争霸2人工智能获胜，简单讲讲我对ai的认识，我们撇开那些无解的操作不谈，ai最可怕的是我赛前就说的两点：
一个是无缝运营，ai不会卡人口，不会在操作的时候忘记造东西，不会走多余的路造建筑，一切都是无缝衔接，最强的人类选手也只能无限去接近这个境界，但是无法达到。
第二点是ai没有任何心态的波动，也就是ai只会做出当下他认为最合理的操作而不会失误，这个也是人类只能接近的境界。
ai对于星际玩家来讲，最重要的是启发运营思路，这点很重要，ai的运营会打破很多人类选手现有的固定体系，甚至改变整个游戏的平衡性，感谢谷歌能在星际2上实验ai，让星际玩家能够进一步挖深对星际的理解，这款游戏真太有魅力了
为什么IBM谷歌Imagenet都喜欢从喵星人入手研究AI？
敲黑板，这里是重点。这个问题，宝宝思考了两年。。。终于有人问了。。。
知识点：
●喵星人与AI近现代简史
●为什么是猫
●AI进化里的喵星人
°模拟猫脑
°62000张喵星人自拍照
°自学：猫脸识别
°简笔成喵
°云吸猫
●小心喵大爷正盯着你
关键公司：IBM、ImageNet、谷歌、YouTube
为什么是猫？
白雪公主的后妈问魔镜，谁是全世界最漂亮的女人的时候，希望出来的当然是自己。可为什么，自恋的人类在研究图像识别的时候，选择了我们喵星人？
你真的以为臭美人类的自拍照数量不足够支撑训练集吗？NO！搞图像识别的科学家们，都是喵奴而已。
以上并不是一本正经的胡说八道，要知道，在数据科学界，管理一个程序员团队通常被形容为牧养猫——试图想控制一种不受控制的人的努力是徒劳的。
这种理念甚至被著书成册，一本叫做《养猫：管理程序员要领(HerdingCats:APrimerforProgrammersWhoLeadProgrammers)》的书在程序员间风靡。
本喵还发现一个很奇怪的关联，就是AI这个十八线网红总是喜欢蹭喵大人的热点，从猫脑识别到ImageNet62000张猫图做样本集，开启了图像识别新时代，再到谷歌相册自动分类功能出来，立马变成猫奴“云吸猫”的利器（也不知道是谷歌利用了猫奴，还是猫奴利用了谷歌），甚至简笔生成图像里，唯一火了的只有简笔成喵。
在谷歌搜索的新闻类别，本喵星人不只是是比AI和alphago这种十八线网红强到哪里去了。
（图说：kaggle上还有一个竞赛：Dogsvs.Cats，训练集有25000张，猫狗各占一半，让大家各显神通判定是猫还是狗。真是唯恐天下不乱~）
为什么IBM、ImageNet、谷歌都从喵星人开始研究AI？
1、IBM模拟猫脑
IBM可能是最早打猫主意的企业，即使到现在，他们当时的行为看起来依然备具争议，在人工智能还在第二轮沉睡期时，IBM的科学家们试图模拟猫脑——猫脑智能。
2009年11月，IBM的科学家声称使用超级计算机来模拟一只猫的大脑，其中包含24,576个处理器。IBM称其成功使用超级计算机模拟了猫脑大小的大脑皮层的活动状况，这次模拟运算中，IBM共模拟了大脑皮层里10亿个神经元以及10万亿个神经末梢的活动状况，此次研究还获得了ACMGordonBell奖项。
为什么当时的科学家要模拟猫？原因很多：猫是熟悉和容易保存的动物，所以猫的生理学已经被特别好的研究。人类大脑和猫脑的物理结构非常相似。猫和人类一样，有双眼视力，让他们深度知觉。建立人工哺乳动物的大脑需要更强大的电脑作为大脑变得越来越复杂，从小鼠大脑中，给大鼠脑（2007年），猫的大脑，最终以人类的大脑。
2、李飞飞和ImageNet里62000张喵星人自拍照
如果说数据是新时代的石油，那么在2009年，它还只是恐龙的骨头。喵星人在AI的地位，离不开AI领域最出色的女性——李飞飞
她参与建立了两个被AI研究者广泛使用的机器分类物体学习数据库——Caltech101和ImageNet.
因为李飞飞和她的数据集ImageNet里62000张喵星人照片的存在，2009年可以称作喵星人参与AI元年。
过去15年中，李飞飞一直在教计算机看东西。她希望能教会机器像你我一样，只凝视一个画面一眼就能理清整个故事中的人物、地点、事件。
实现这一目标的第一步是教计算机看到“对象”，这是建造视觉世界的基石。
一开始李飞飞团队只是用数学的语言，告诉计算机这种算法：“猫”长啥样：有着圆脸、胖身子、两个尖尖的耳朵，还有一条长尾巴。
但很快发现喵咪们千奇百怪的凹造型。
2007年，李飞飞有了一个更大胆的想法。像教小孩认识猫一样教机器，不断让他看猫的照片：如果你只看过5张猫咪图片，那就只有5个拍摄视角、光线环境，可能也只看过5个品种的猫。但如果你看过500张猫咪图片，那就可以有更多的例子来得出它们之间的共性。
所以，与其孤立地关注于算法的优化、再优化，李飞飞的关注点放在了给算法提供大量的训练数据。于是，发起了ImageNet（图片网络）计划。
2009年，ImageNet项目诞生了——一个含有1500万张照片的数据库，涵盖了22000种物品。这些物品是根据日常英语单词进行分类组织的，规模空前。
举个例子，在"猫"这个对象中，就有超过62000只猫长相各异，姿势五花八门，而且涵盖了各种品种的家猫和野猫。
因为ImageNet的横空出世，它提供的信息财富完美地适用于一些特定类别的机器学习算法。
“卷积神经网络”借助ImageNet提供的巨大规模数据支持，通过大量最先进的CPU和GPU，来训练这些堆积如山的模型，以难以想象的方式蓬勃发展起来。
2012年ImageNet竞赛GeoffreyHinton和他的学生用深度卷积神经网络在图像识别任务上取得了长足的进步。很多人都将此视作当今这轮人工智能浪潮的催化剂。
神经网络用于解读图片，包括一些分层排列的人工神经元，神经元数量从几十到几百、几千，甚至上百万不等。每层神经元负责识别图像的不同成分，有的识别像素，有的识别颜色差异，还有的识别形状。到顶层时计算机就能对图像识别出个大概了。
目前为止，AI还只是教会了计算机去看对象，就像一个婴儿学会几个名词，但这还只是第一步，很快机器将不止是说这张图里有只“猫”，而是“这只猫是坐在床上的”。
当然，计算机还是会犯很多错误的。比如：“一只猫躺在床上的毯子上。”当然——如果它看过太多种的猫，它就会觉得什么东西都长得像猫……
为了教计算机看懂图片并生成句子，计算机需要从图片和人类创造的自然语言句子中同时进行学习。这必然又将促进自然语言处理的发展。
总之，ImageNet改变了AI领域人们对数据集的认识，人们真正开始意识到它在研究中的地位，就像算法一样重要。这其中62000张喵星人的自拍照功不可没。
3、从人脸识别到猫脸识别：神经网络如何自学识猫
机器学习的模型可大体分为两类，判别模型（DiscriminativeModel）和生成模型（GenerativeModel）。
讲喵话就是：
●判别模型：给定一张图，判断这张图里的动物是猫还是狗
●生成模型：给一系列猫的图片，生成一张新的猫咪（不在数据集里）
对于猫奴来说，识别一只猫可以在瞬间完成，而对于计算机来说，由于它不具备人类大脑高度发达的神经反射系统，所以识别一只猫很难，这不是计算机有了高速运算的能力就可以做得到的。
2012年，谷歌研究人员开始训练电脑识别YouTube视频中的猫。该项目花费数年时间，动用1.6万颗计算机处理器分析了1000万张图片，让神经网络自己学习如何识别猫。
这就是人工智能领域新一代的机器学习（machinelearning）形式——深度学习(deeplearning)。换句话说，就是让计算机像人脑一样去学习和思考。
和过去常见的人脸识别是由程序员预先将整套鉴别系统写好，告诉计算机人脸应该是怎样的不同，谷歌的研究者不会向系统输入任何诸如“猫是什么样子”的信息。一旦系统发现了重复出现的图像信息，计算机就会自动创建一个“图像地图”，该地图稍后会帮助系统自动检测与前述图像信息类似的物体。
亚马逊Echo和特斯拉无人驾驶汽车都在使用同类技术，此外，还能应用于语音和脸部识别、医疗诊断等领域。
4、云吸猫：不知是谷歌利用了猫奴，还是猫奴利用了谷歌
深度学习算法并不是生来就全知全能的。一个基于深度识别的图像识别应用需要“学习”很久才能学会识别某个东西。而学习的过程其实是无比枯燥的：将一堆喵星人图片丢给AI，等他分好类之后从中选出正确的，然后再让他分类。
Google试图让这一过程变得简单起来：让用户帮忙进行筛选。
GoogleImageLabeler是一个让网民帮助识别图片的项目，它的功能就是向用户展示一个可能含有某种东西的图片，然后用户只需要点击是或不是。
2016年Google把它和GooglePhotos连接在一起——ImageLabeler会开始展示那些你经常拍的图片类别，让用户在识别图片的过程中不那么枯燥。
ImageLabeler功能简单，没有广告，无限刷猫，可以说是目前市面上能找到的最纯净的撸猫App了。
进入ImageLabeler的入口有一点隐秘，想要知道，如何云上吸猫？敬请关注我们的下一篇文章。
5、生成对抗网络：简笔成喵
edges2cats是最近网络中火爆的开源应用，它能以你随手鼠绘的单色线图为基础自动生成一张「真实图片」。其中绘制猫的版本最受欢迎。
甚至连YannLeCun这样的重量级人物也在其中开始了自己的「创作」。（显然他的脑洞大了点）
这款应用无疑获得了大量「猫奴」的喜爱，下面的图片都来自于他们在这款应用上的作品。
（猜猜哪张是本喵的作品）
相信，看到你们出神入画的作品，喵主子只能说“为何不跪”。
开发这款应用的ChristopherHesse使用了来自加州大学伯克利分校的pix2pix算法和谷歌的Tensorflow深度学习框架，edges2cats是他先让程序学习了2000张猫咪图片之后的成果。
程序工作的流程大致是这样：先把用户画的内容生成一张黑白的图片，然后猜测用户画的究竟是一张猫脸还是猫的全身，然后在现有的素材库中寻找对应的素材，将可能符合这一部分的素材进行剪切拼凑，形成一张完整的彩色「猫片」。
你还想要更正常一点喵片，怎么办？
近日，毕业于魁北克大学的AlexiaJolicoeur-Martineau开始尝试使用猫咪图片来训练不同的生成式对抗网络，其中包括DCGAN、WGAN和WGAN-GP，以及低和高分辨率等方法。不过，目前只能生成，猫脸大头贴~~
生成式对抗网络（GAN）被认为是近年来机器学习界的一大发现，在它的基础上开发各种新算法是很多科研人员努力的方向。
请上猫图，AI就能更了解你
《北京折叠》引发科幻小说热，2016年的雨果奖短篇小说获得者叫《请上猫图》，故事讲述了一个关于人工智能的故事：一个承担搜索项算法工作的AI在空闲时喜欢看猫咪的照片，也希望默默地帮助猫咪的主人——人类，并为此做了许多努力。
故事中，AI不断强调“请上猫图”，她就能更了解你。
这不仅是科幻也是现实。我们来看看下面的图片，你看到了什么？
对我们来说，人类非常容易和快速地了解形象：有一张桌子，可能在户外，一些杯子，盖子，一个咖啡壶，似乎是一个牛奶壶和一只猫。
那么对于谷歌、facebook、微软来说，他知道你的猫又将知道什么。
机器通过分析大量数据来学习和改进，哪怕这些数据不一定是你的个人数据。
经过一些训练，机器将能够从：
图片→一只猫在图片→你的猫在一张照片→你
“她”能够告诉你，特定的猫是你的猫，她也可以近似一些关于你的信息，如：
●你喜欢猫
●你喝咖啡
●你拥有一定的相机型号
●你从某个IP地址上传了图片
所有这些信息涉及到一个假设的“你”，但是。然而，当她决定在Facebook上标记自己的时候，或者因为你的名字出现在论文的作者之间，那么“她”就会认识你，机器会马上把这个图片中的一个元素链接到建议你：
●最新的咖啡混合
●相机升级后的型号
●一只非常健康的食物为您的猫
●你所在地区的餐馆
这不是吓唬任何人，而是为了思考。
你将明白猫只是一个借口。
尾声
两年前AI还很蠢，韩国一个艺术家团体把一堆喵星人的照片扔给人脸识别程序（OpenCV），结果很多只都被认成了人；又把一堆人脸的照片扔给猫脸识别程序（KITTYDAR），发现很多人真的被识别成了猫。
借用李飞飞的话：
虽然现在电脑或许能用简单的语言来描述它所「看见」的喵星人图片，但它却无法描述喵星人照片背后的故事。
相信当机器可以“看到”的时候，医生和护士会获得一双额外的、不知疲倦的眼睛，帮他们诊断病情、照顾病人。汽车可以在道路上行驶得更智能、更安全。机器人，而不只是人类，会帮我们救助灾区被困和受伤的人员。我们会发现新的物种、更好的材料，还可以在机器的帮助下探索从未见到过的前沿地带。
猫奴拯救全世界！
谷歌DeepMind的人工智能技术，能够为风电厂带来多大的效益提升？
风电产业的门槛还是比较高。用户面临的一个困难就是怎么知道什么地方适合建风电厂，建多大？怎么捕捉风资源，怎么通过气象资源知道这个地方适合建。这是一个非常头疼的问题。虽然国家的气象局还有省市的气象部门，他们都有相关气象数据。但是这些气象数据是基于空间大尺度，往往都是几百公里，半径几百公里以上，甚至是半径一千公里。但是一般的风电厂它也就是四到十平方公里的范围之内，这个大尺度的风力和微观尺度的风力这是两个完全不同的概念。
通过人工智能技术，解决气象数据有助于电厂选择适合的地方建造电厂。
在风电厂的开发阶段，就要充分利用地理信息地理数据，结合大数据的应用帮助业主提供运输的规划，路线的规划，包括道路怎么修。这些都是大量的数据，但是这些数据需要有高性能的计算，需要闪存这样的计算能力。同时在风能的管理里，虽然风能本身是不稳定的，而且是很难预知的。怎么保证买他们的设备厂商真正赚到钱，因为作为制造商很难建立一个庞大的风洞实验室做各种各样的模拟。
2016年3月人工智能程序什么在韩国首尔以1/4的比分战胜人类围棋冠军李世石
2016年3月，谷歌人工智能程序AlphaGo以4：1的比分战胜韩国围棋世界冠军李世石，显示出人工智能的强大力量。面对如机器人、语言识别系统、图象识别系统、自动驾驶系统等人工智能的发展，AlphaGo的开发者西尔韦希望大家不要只看对弈的胜负，而更应该关注AlphaGo可能给人类带来的变化；IBM中国研究院研究总监苏中则认为人工智能会是人类一个强大的“秘书”；也有人担心人工智能会威胁到人类的生存，人类应尽早规避潜在的风险。
好了，文章到此结束，希望可以帮助到大家。