Re: [新聞] AI將創造數億至數兆美元的產業,台灣呢?

看板Tech_Job作者 (pete)時間7年前 (2017/01/17 16:51), 7年前編輯推噓10(11116)
留言28則, 14人參與, 最新討論串2/4 (看更多)
※ 引述《ljsnonocat2 (平凡是幸福)》之銘言: : AI 將創造數億至數兆美元的產業,這顆巨大商機球中國已經抓住,那台灣呢? : https://buzzorange.com/techorange/2017/01/17/ai-6-challenges-in-the-future/ : 從 AlphaGo 擊敗世界棋王那天開始,大眾對人工智慧的進步有了清楚的認識,人工智慧 : 的各種成果也陸續推出,應用的領域不外乎在機器人、無人駕駛、智慧管家等等。它已經 : 默默走進人類的生活。 : 從 Google、Facebook、Intel 等大企業的投入,到其他公司以人工智慧為主要發展核心 : ,能看出這個領域的炙手可熱,不過目前人工智慧的專業人才,如演算法工程師、資料科 : 學家等供不應求,加上人工智慧技術的實際應用,目前難和產業接軌等課題,是未來必須 : 面對且要解決的難題。(責任編輯:張瑋倫) : 北京時間2017年1月10日,創新工場正式發布了「投資 AI 生態,共贏智慧未來」人工智 : 慧戰略白皮書,揭示了創新工場在人工智慧領域的未來願景。「白皮書」從目前人工智慧 : 項目技術突破所帶來的產業發展機遇,產生未來發展所面臨的六大挑戰,大膽預測中國已 : 經並將繼續借助人才優勢,成為全球人工智慧科研與產業化的中堅力量。 : 創新工場人工智慧工程院將由李開復博士親任院長,兩位副院長王詠剛和王嘉平也正式到 : 任。王詠剛先生畢業於北京大學,此前曾在 Google 擔任資深工程師超過10年;王嘉平博 : 士擁有中科院計算所博士學位,曾就任微軟研究院主管研究員。 : . : . : . : 人工智慧將產生數億美元甚至數兆美元規模的產業 : 以金融行業為例,據高盛公司估計,到2025年人工智慧可通過節省成本和帶來新盈利機會 : 創造大約每年340億至430億美元的價值。 : 創新工場認為,在金融,醫療,安全防護,教育,能源,機器人,互聯網產業升級,傳統 : 行業的流程自動化及商業智慧等方面,人工智慧都具有千億美元以上的市場潛力。而自動 : 駕駛技術對於交通運輸和汽車製造業的顛覆,更具有無法估量的經濟價值。 : . : . : . : -------------- : 中國在人工智慧的論文 直逼美國 從很多新聞可以看出投入不少資源與人力在研究 : 台灣除了世界之光--台GG 有幫NVida生產晶片 算是有沾到AI的邊 : 但是台灣在軟體方面似乎就...真的GG?? : 似乎台灣產業已經跟世界趨勢脫節了??? 因為我博士班的研究就是在做機器學習 只是那時候(4~5年前) 機器學習概念還不是很成熟 這領域也還不熱門 我那時候也不知道原來自己做的題材其實就是機器學習 其實機器學習的核心概念我認為可以從 0.模擬退火法 1.基因演算法 (演化論的物競天擇) 2.蒙地卡羅 (平衡態的波茲曼分布) 這三個基本概念開始入門 只要把0,1和2的基本觀念弄通 其實現存很多的變形版本 如 能量谷跳躍 (2的一種變形) 或是 蟻群, swarm intelligence觀念上我認為大同小異 我自己是沒有時間去仔細研究alphago 但是我認為基本概念上應該是不跳脫 0~2範疇 可能是alphgo 發展出一些他獨門的特殊技巧 讓他的搜尋可以變得特別快 在圍棋領域變得有其應用價值 我自己博班的題目其實也是結合了"基因"和"能量谷跳躍法" 讓搜尋可以變的比原本 個別的方法加快許多,而在結構優化領域變得非常有競爭力 其實機器學習觀念上沒有那麼難入門 能夠商業化和賺錢 我覺得主要是靠一些小聰明和你自己改進演算法效能上的策略 其實我一直覺的圍棋的棋盤很像是蛋白質的二級結構 如果能把棋譜和蛋白質二級結構做一個映射 那麼alphago就變成很類似在處理一個蛋白質結構優化的問題 不知道有沒有人也有這樣想過??? -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.115.30.19 ※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1484643109.A.BE2.html ※ 編輯: peter308 (140.115.30.19), 01/17/2017 16:55:16 ※ 編輯: peter308 (140.115.30.19), 01/17/2017 16:58:04 ※ 編輯: peter308 (140.115.30.19), 01/17/2017 17:00:31 ※ 編輯: peter308 (140.115.30.19), 01/17/2017 17:03:54 ※ 編輯: peter308 (140.115.30.19), 01/17/2017 17:07:31 ※ 編輯: peter308 (140.115.30.19), 01/17/2017 17:08:29 ※ 編輯: peter308 (140.115.30.19), 01/17/2017 17:09:22

01/17 17:16, , 1F
5年前... SVM都玩多久了
01/17 17:16, 1F

01/17 17:42, , 2F
這是在做最佳化演算法吧,當然與機器學習研究有差異
01/17 17:42, 2F

01/17 17:44, , 3F
4-5年前,已經開始流行Deep Learning啦
01/17 17:44, 3F

01/17 17:46, , 4F
原PO我好像在多年前常常在八卦板看到妳在政治推文
01/17 17:46, 4F

01/17 17:47, , 5F
沒想到您是資工領域的PhD
01/17 17:47, 5F

01/17 17:55, , 6F
我是物理系的 只是剛好有碰最佳化演算法這塊
01/17 17:55, 6F

01/17 18:55, , 7F
靠 萬年八卦板主 反串之神 這篇都出現了
01/17 18:55, 7F

01/17 20:47, , 8F
概念沒錯
01/17 20:47, 8F

01/17 20:47, , 9F
但核心是十年前我老師博班時候的類神經網路
01/17 20:47, 9F

01/17 20:50, , 10F
從非線性的特性跟當初奈米技術開發而改良
01/17 20:50, 10F

01/17 20:50, , 11F
模擬人類大腦網路模型
01/17 20:50, 11F

01/17 20:50, , 12F
結果發現比SVM還屌 雖然很難
01/17 20:50, 12F

01/17 20:50, , 13F
目前美國AI研究公認類神經網路是首選
01/17 20:50, 13F

01/17 21:02, , 14F
你說的應該只是最佳化部分...
01/17 21:02, 14F

01/17 21:45, , 15F
物理系的確慢了一點 五六年前deep learning 已經席捲各大
01/17 21:45, 15F

01/17 21:45, , 16F
頂尖相關會議
01/17 21:45, 16F

01/17 22:27, , 17F
我笑了~你講的怎麼跟我學的都不樣~
01/17 22:27, 17F

01/17 22:28, , 18F
而且你講的那些最佳化算法~不是自己看就會了嗎??
01/17 22:28, 18F

01/17 22:33, , 19F
之前在分析DNA 就都自己看算法自己寫程式?難?
01/17 22:33, 19F
不難 但你要讓效率提升需要提出自己的想法 不然只是在用現成程式跑數據而已 ※ 編輯: peter308 (36.231.241.231), 01/17/2017 23:36:40

01/17 23:57, , 20F
物理跟資工還是有差八
01/17 23:57, 20F

01/17 23:58, , 21F
我只知道有一堆線性代數而已 可是我線代很爛QQ
01/17 23:58, 21F

01/18 00:24, , 22F
教主又謙虛了,只是一堆矩陣乘來乘去
01/18 00:24, 22F

01/18 00:25, , 23F
花兩個小時看cs231n前兩節就有感覺惹
01/18 00:25, 23F

01/18 00:39, , 24F
我認為速度與準確度高是近期ai掘起的重要原因 但這
01/18 00:39, 24F

01/18 00:39, , 25F
兩樣絕對不是你說小聰明就作的到的
01/18 00:39, 25F

01/18 10:00, , 26F
你講的是最佳化...
01/18 10:00, 26F

01/18 19:39, , 27F
Alphago是Reinforcement learning拔
01/18 19:39, 27F

01/20 16:40, , 28F
搜尋會快是因為drop out那邊處理的好
01/20 16:40, 28F
文章代碼(AID): #1OVTiblY (Tech_Job)
討論串 (同標題文章)
文章代碼(AID): #1OVTiblY (Tech_Job)