©2020-2024 ioDraw All rights reserved
科技发展，时代进步，我们的生活越来越便利，AI更是渗透到我们生活的方方面面，如超市自付款扫码、手机上的语音助手、智能门锁、机器人等一系列超乎想象的产品，这些产品无一例外给我们带来了惊喜与享受，但与此同时，AI也在悄无声息地取代打工人的地位。
打工人，打工魂，碰到AI咋做人上人？当机器越来越智能化，如何成为不被机器替代的少数人？一场无硝烟的战争“人工智能PK打工人”帷幕缓缓拉开。
这时，高校俱乐部的神秘嘉宾在湖南应用技术学院开了一个讲座，这个讲座究竟发生了什么，竟然让全场同学热情高涨。错过现场的小可爱们也不要难过，让小编带领大家一起看看讲座的精彩内容！
讲座时间：2020.11.26
地 点：湖南应用技术学院
主 题：不会被AI取代的人
主讲嘉宾：
CSDN教学总监陈玉龙（少年黑客，奥赛冠军，曾独立开发过RTOS操作系统，编写过中文搜索引擎。2003年加入国内某著名红客团体，活跃于社群之中，2006年作为个人创业者加入《极限任务》游戏项目组从事网游开发。后续进入PPTV武汉研发部担任高级研发工程师，一年后又再次投身创业并进入技术支持与咨询领域工作。随后服务国内众多知名企业与项目，其中包括华为、一号店、平安车险、长江日报集团等三十多个大型项目并获得客户好评。）
AI技术发展历程
在探讨AI技术发展历程之前，先了解一下什么是人工智能。维基百科上介绍：人工智能（artificial
intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。人工智能技术在现实生活中的应用十分广泛，如手机语音助理Siri和Alexa、指纹识别、人脸识别、自动驾驶等等。人工智能从何时兴起，又发展到了什么阶段，以后的发展趋势又如何？下面从四个方面进行展开描述：
*
纯逻辑时代
人工智能这一概念最初于1956年达特茅斯会议上首次被提出。自此开始，以LISP语言、机器定理证明等为代表的经典技术，标志着人工智能的形成。由于当时计算机能力的不足，早期的人工智能只能用固定指令来执行特定功能。当时，人工智能广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题，并不具备学习能力，无法处理复杂问题。
*
穷举时代
二十世纪80年代，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。该专家系统具有一套强大的知识库和推理能力，可以模拟人类专家来解决特定领域问题，每年能为公司节省下一笔巨大的费用，此后各种专家系统开始被人们广泛应用。
二十世纪90年代，国际象棋冠军卡斯帕罗夫与IBM公司研制的（DEEP
BLUE）计算机决战，深蓝通过强大的计算能力使用穷举法战胜了卡斯帕罗夫，这是人工智能发展的一个重要里程碑。
*
机器学习时代
1981年，日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话，翻译语言，解释图像，并且像人一样推理的机器。各国积极做出响应，将人工智能研究推向机器学习的热潮。
2011年，IBM开发的人工智能程序“沃森”（Watson）参加了一档智力问答节目并战胜了两位人类冠军。
*
神经网络时代
由于人工神经网络的不断发展，“深度学习”的概念被提出后，深度神经网络和卷积神经网络开始逐渐走进人们的视野，变得不再是那么陌生；并且随着互联网、大数据、云计算、等信息技术发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，解决了实现科学与应用之间的技术难题，促进了人工智能的发展。
机器学习是怎么回事
“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”，这是维基百科对机器学习的其中一种定义。早期的人工智能是不具备学习能力的，随着人类的需求越来越复杂以及计算机技术的不断发展，机器学习作为实现人工智能的方法起着举足轻重的作用，推进着人工智能的发展。
*
机器学习可以分成下面几种类别：
*
监督学习
*
无监督学习
*
半监督学习
*
增强学习
*
机器学习的算法
*
构造间隔理论分布：聚类分析和模式识别
*
构造条件概率：回归分析和统计分类
*
通过再生模型构造概率密度函数
*
近似推断技术
*
最优化：大多数以上方法，直接或者间接使用最优化算法
*
机器学习具体实现
机器学习最基本的做法是根据算法来对已有的解析数据进行分析、学习，并根据机器处理后做出决策和预测。简单来说，机器学习是利用大量的数据进行“练习”，通过算法程序从数据中找出规律。
举个常见的机器学习例子，垃圾短信检测：机器根据收到的手机短信，识别出哪些是垃圾短信，哪些是有用的短信。通过分析大量的短信建立短信类别模型，从而有序地帮助用户归类垃圾短信和非垃圾短信。
*
机器学习与人工智能、神经网络、深度学习之间的关系。
深度学习与卷积神经网络
“知己知彼，百战不殆”出自《孙子兵法·谋攻篇》，想要战胜对方，了解对方这一环节必不可少。
深度学习是人工智能大爆炸的核心驱动，是利用深度神经网络来解决特征表达的一种学习过程。其目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如文本、图像、声音。
卷积神经网络是深度学习算法之一，卷积神经网络是通过仿造生物的视知觉（visual
perception）机制构建的，同时具备监督学习和非监督学习能力，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like
topology）特征，像有稳定的效果且对数据没有额外的特征工程要求。
谷歌围棋AlphaGo使用了卷积神经网络来学习人类下棋的方法，最终取得了重大突破。AlphaGo在没有任何让子的情况下以5:0完胜樊麾（欧洲冠军、职业围棋二段）。研究者让AlphaGo和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率为99.8%。可见卷积神经网络有多强大。
人工智能的局限
孙武云：“攻其不备，出其不意。此兵家之胜，不可先传也。”
细心寻找观察对手的短板，攻其不备。
不具备通透性：它无法真正了解人说的是什么，不能够主动在人们需要时提供帮助。
无法处理意外：
面对各行业的客户使用，人工智能可能做出不可预测的决策或者“无法思考”，这些决策可能会给用户带来不好的体验或者伤害；面对黑客们对其某些漏洞发起进攻时，人工智能目前无法做出正确的应对准备来防御这种攻击。
AI道德规范：它不会像人那样有大脑去思考哪些正确，只会根据程序员传入的数据进行匹配，同时如何制定AI的道德准则、由谁来制定，这些也是AI的局限所在。
歧视问题：
AI在算法上存在一定的歧视问题，举个栗子，在美国，一些法院使用犯罪风险评估算法COMPAS来给犯人判刑，如果黑人和白人犯了同样的罪，相对而言，黑人被系统判定为高犯罪风险的概率更高，从而被判定的刑法更重。
这些缺陷就限制了AI能做什么和不能做什么。这些缺陷只是暂时的，毕竟现在AI还在不断发展，我们在掌握“敌方”不足的同时还需要具有忧患意识。
做一个不会被机器取代的人
不要低估人工智能，AI已经向创作领域进军了，AI写诗、AI海报设计、AI谱曲、AI写小说等，陈老师在这次讲座上用的PPT就是AI自动生成的。AI已经慢慢取代了很多职位，那么我们要坐以待毙吗？当然不，我们应该从AI的弱势入手，去思考和探索AI所不能代替事情，找到自己的发展之路。
那么存在哪些AI不能涉及的领域呢，比如说重要的事情是由人决定；人的想法是多变的，AI不能准确预测；在很多场景，人更愿意与人打交道。由此我们可以看出，人们更相信面对面的“个性化判断”。那么我们可以从个性化入手，从以下几点出发，更加体现自己的个性化：
*
跟客户建立个人关系，不要只谈利益；
*
衣着打扮、说话语言彰显个性；
*
一个团队要有私下的个人互动，要有“化学反应”；
*
作报告不要把数字直接摆在别人面前，得发挥想象力把这些数字形象化；
*
逢年过节给群众送温暖；
*
关键时刻站出来调动周围人的情绪；
*
出了事主动承担责任；
*
表态支持你支持的人；
*
发现别人身上的亮点，互相吹捧；
*
面对敌人同仇敌忾；
人类和机器最大的不同在于人是有情感的、有思维的、有意志的，而这种区别正是机器永远无法替代的。“我们要在思维、情感和意志力上下功夫，才能应对几十年后文学和学术的要求，我们要努力成为一个不能被机器替代的人。”钱理群如是说。
湖南应用技术学院&CSDN交流座谈会