14 集

主播:老K
清华大学电子系学士、计算机系硕士
硅谷科技公司研发主管
上市公司CTO

人工智能、区块链、云计算、大数据、物联网、虚拟现实、量子计算、脑电控制......
当我们的视听中逐步充满这些词汇的时候,智能时代,已悄然来临。

回望不久前的过去,社交、搜索、电商、网游、视频、团购、共享、直播......这飞速发展的年代里,不同的人抓住了不同的机遇。

对于一直在路上的我们,需要关心的是:
如何在新一波浪潮中,找到属于自己的机会?

本专辑将以通俗易懂的方式,为听众朋友们介绍智能时代的新兴科技。
期待和你一起进步!

每天懂点黑科‪技‬ 黑科技老K

    • 科技
    • 5.0 • 1 个评分

主播:老K
清华大学电子系学士、计算机系硕士
硅谷科技公司研发主管
上市公司CTO

人工智能、区块链、云计算、大数据、物联网、虚拟现实、量子计算、脑电控制......
当我们的视听中逐步充满这些词汇的时候,智能时代,已悄然来临。

回望不久前的过去,社交、搜索、电商、网游、视频、团购、共享、直播......这飞速发展的年代里,不同的人抓住了不同的机遇。

对于一直在路上的我们,需要关心的是:
如何在新一波浪潮中,找到属于自己的机会?

本专辑将以通俗易懂的方式,为听众朋友们介绍智能时代的新兴科技。
期待和你一起进步!

    我们可以向阿尔法狗借鉴什么?

    我们可以向阿尔法狗借鉴什么?

    如何训练大脑,形成行动与回报的闭环,建立出类拔萃的决策系统?

    • 9 分钟
    智能汽车的互联时代,即将来临!

    智能汽车的互联时代,即将来临!

    现在的汽车,与几年前相比,已经发生了很大的变化。
    比如:
    在路上,我们可以看到绿色的新能源车牌
    拿出手机,我们可以方便地使用网约车、代驾、共享汽车等服务
    车内配置,增加了触控大屏、语音控制、自动泊车等新功能

    驱动汽车行业发展的动力,包括以下方面:
    1. 动力系统 - 电动、混合动力正在逐步兴起
    2. 新材料 - 包括高强度、轻重量的合金车身,纳米材料的挡风玻璃等
    3. 用户的出行偏好 - 部分用户已经从享受驾驶乐趣,逐步发展为想要把手脚和大脑从驾驶中释放出来,提高车内时间的利用效率
    4. 人工智能技术的逐步成熟 - 语音识别、自动泊车等辅助系统已应用到上市车型中,而谷歌waymo等自动驾驶正在迅速发展。
    5. 则是车的互联 - 随着传感器、处理器、5G、云计算、大数据等相关技术的发展,与手机的发展历程类似,汽车也正在互联的方向发展。

    按此趋势发展,汽车行业的下一个阶段,将是智能汽车的互联时代。
    那么,汽车产业链中的各类玩家,在这个新时代中,将会怎么玩呢?下面分别介绍:
    1. 网络运营商:也就是移动、电信和联通,他们干啥呢?在车里面预装Sim卡。听起来似乎还有点科幻,实际上已经不远了。运营商的明星产品:带宽,在5G时代会有更多的应用场景。2018年,中国联通已经开始了eSIM的试点和布局,车联网就是eSIM的应用场景之一。
    2. 智能手机厂商:通过智能手机与车载系统的连接,提供车载电话、音乐、导航等应用,苹果的Carplay就是做这件事的,目前已经有超过400种车型支持Carplay,以后挡风玻璃的AR显示,也有可能成为智能手机的扩展屏幕。
    3. 云服务商:对于Google Cloud、亚马逊AWS、微软Azure、阿里云等云服务商而言,车的云端接入以及相关的大数据和人工智能服务,将是下一个业务增长点。
    4. 导航服务商:出行导航是用车的强需求,车载GPS原来是车企的自留地,但智能手机出现以来,车载导航已经逐渐被高德地图等手机导航软件取代。而下一个阶段,无人驾驶对高精度地图的需求,才可能成为新的机会。
    5. 内容服务商:包括音乐、电台等等,司机的时间和注意力,对于内容服务商而言,一直是重要资源,从传统的调频电台,到现在流行的手机FM,与车的连接都是重要的流量入口。
    6. 保险公司:保险公司和车联网有啥关系呢?还真有,关系还挺大。大家知道,现在的车险报价和理赔历史数据是相关的,目前还没有和驾驶行为结合起来。其实车险报价和驾驶行为是可以结合的,比如我的驾驶行为习惯良好,遵守交通法规,很少猛踩油门刹车猛打方向盘,出险的概率自然是低的。UBI车险(Usage Based Insurance)就是基于驾驶行为的保险,用户提供车载传感器采集的驾驶行为数据,获得更为精准的车险报价,这件事在平安保险也已经开始布局了。

    下面总结一下今天的内容,今天我们介绍了驱动汽车行业发展的新能源、新材料、新技术等多重动力,阐述了汽车产业链中的各类玩家在智能汽车互联时代的新玩法。

    相信未来的汽车,会为我们的出行,提供更好的服务。

    • 5 分钟
    无人驾驶汽车离我们究竟有多远?

    无人驾驶汽车离我们究竟有多远?

    无人驾驶汽车(Self-driving Car),是目前非常热门的领域之一,谷歌、通用、福特、大众、奔驰、宝马、沃尔沃、百度、Uber、特斯拉、苹果等等公司都在进行投资。
    今天的这期节目,我向大家介绍一下无人驾驶汽车的基本原理。

    首先,我们停下来思考一下人驾驶汽车的场景。
    今天你开车去参加朋友聚会,如果是熟悉的目的地,基本上是不需要导航的,因为大脑里有地图,对于不熟悉的地点,那就用手机的地图软件导航过去;行驶在路上的时候,你眼观六路耳听八方,观察路况、交通指示牌、周边车辆、当前位置、路径导航等等信息;对于路上的车辆、障碍物等物体,根据他们当前位置、速度、所发信号等信息作出预判,以决定当前是加速、减速还是左右并道,然后控制手中的方向盘和脚下的油门刹车。

    当然,作为老司机,以上的这个过程,其实已经习以为常,无需思考。
    我们的大脑、神经网络和肌肉,经过长时间的训练,已经将驾驶技能变成了自然能力的延伸。

    然而,以上场景中有六个要素,在无人驾驶系统中进行了借鉴和拓展,下面一一进行介绍:
    地图
    对于有人和无人驾驶,地图都是不可缺少的。不管是老司机大脑中的地图还是导航App中的地图,我们需要从地图中获取当前位置、目的地、路径、路况等信息。
    而无人驾驶对地图精度的要求会高出很多,普通的地图,精确到米就可以了,因为驾驶员可以在近距离进行微调。而无人驾驶的地图精度,必须达到厘米,否则无人驾驶汽车一定会撞上。另外,无人驾驶的地图,需要更为丰富的驾驶辅助信息,比如路标、交通灯、速度限制等等,这些信息都可以帮助系统做出行驶决策,计算机比人擅长的能力之一,就是记住海量的驾驶辅助信息,并在需要的时候查询使用。
    感知
    和司机一样,无人驾驶系统需要实时地获取周边信息,以便做出判断决策。不同的是,司机采用的是眼睛耳朵等感官,无人驾驶系统采用的是摄像头、雷达、激光等传感器
    由摄像头采集的图像视频等数据,运用计算机视觉的方法,采用卷积神经网络(CNN),可以对车、行人、道路、障碍物、路牌等物体,进行识别、分类、追踪
    由雷达、激光等传感器采集的点阵数据,则可以用来获取距离、速度等信息
    这一系列传感器信息,还可以和地图信息进行融合,这样,感知系统就可以做到“心中有图眼观六路耳听八方”。
    定位
    说起定位,我们首先会想到GPS,GPS对于手机用户导航是足够的。但是GPS的定位误差,在信号充足的开阔空间里,是1~3米,这对于无人驾驶来说是远远不够的。
    无人驾驶,需要的是精确到厘米的定位,否则误差的几十公分,就会发生安全事故。
    无人驾驶定位采用的方法,通常是多种定位方式的结合,比如:
    - 实时动态RTK(Real-Time Kinematic),是作为GPS的拓展
    - 惯性测量,依据牛顿定律,通过速度和加速度计算位移
    - 激光雷达和视觉定位,是运用周边信息,对定位的进一步校准
    预测
    和司机的预判一样,无人驾驶系统需要对周边情况作出预测,以作出控制决策。比如前方有车并道,根据距离和速度情况,决定需不需要踩刹车等等。
    无人驾驶系统,把周边物体的位置、速度、加速度等信息,抽象成为不同的时间序列。
    有了之前时间点的信息,预测下一个时间点的信息,这是递归神经网络(RNN)擅长解决的问题。
    前面感知的数据,除了用于定位,也会用于预测。
    规划
    规划包括了路由、轨迹和速度规划等
    从起点到终点的路由规划,这个和手机导航差不多

    • 7 分钟
    2019,别让AI主宰了你的生活!

    2019,别让AI主宰了你的生活!

    各位听众朋友,新年好!
    2019年的第一期节目,我选了这样一个标题:别让AI主宰了你的生活!
    你也许会说,AI主宰人类,这都是些科幻片,“老K主播,你在逗我玩吧?!”

    然而,AI逐步渗入人类生活这件事,不是耸人听闻,而是真真切切的正在进行时。

    这里所说的AI,并不一定都像“终结者”一样钢筋铁骨刀枪不入。我们日常所用的各种系统,它们后台的算法,其本质上都是AI。
    今天,你早上起来看的新闻,上班路上坐的网约车,朋友圈的第三条广告,中午点的外卖,下午淘的宝贝,休闲时玩的游戏,睡觉前刷的短视频,背后全都有AI的功劳。
    而与此同时,这些AI正在服务成千上万个你!

    对于每个人而言,时间和精力,都是我们宝贵的财富。
    时间是有限的,每人每天只有24小时;
    精力也是有限的,困了累了需要休息。
    但是,我们所发明的AI,从某种意义上来说,也正在不断吞噬我们自己的时间和精力。

    来看一下智能时代的两大趋势:
    趋势一:伴随着科技的进步,人正在变得越来越懒…...
    在媒体匮乏的年代,我们需要主动地获取信息,收电台,听评书,看露天电影,追小说连载
    再后来有了电视,信息开始变得丰富起来,坐在家里选选台,不出门就可以知天下事
    再后来有了互联网,门户网站的编辑们,帮助我们进行了信息分类,方便了检索
    再后来有了搜索引擎,输几个关键词,想要找的内容,很快就搜到了
    再后来,就有了推荐引擎,运用大数据和AI,向你推荐你喜欢的信息,都不用输关键词,手一刷,内容就来了,而且你用的越多,后台的AI就越懂你,给你推荐的内容更准确,让你更加爱不释手。
    国外的Facebook,早已推出了News Feed一类的产品,这个英文feed很形象,你喜欢什么,AI都可以喂给你。
    国内的新闻、短视频,也还在如火如荼日新月异地发展,不断地把用户的视线,留在方寸之间的手机屏幕上。


    趋势二:“眼球经济”的动力驱使下,平台服务商们的能力,正在变得越来越强。
    平台服务商研发的AI,正在帮助平台持续地吸引用户的注意力,给用户画像,向用户推荐Ta感兴趣的内容、商品和服务,向广告主们提供精准的投放服务;而从中获取的回报,又可以投入研发更为强大的系统。
    从社交、搜索、电商到团购、游戏、约车、新闻、短视频…在我们身边,已经有N个超级系统,具备同时服务几十亿人的能力。
    从技术发展前景来看,智能系统正以前所未有的速度飞速发展;
    从商业竞争格局来看,未来所有规模化的公司,都必须以大数据、AI的智能系统作为支撑;
    这一过程将不可逆转。

    AI与人共存的超级智能时代,不是即将来临,而是早已到了!

    在这样的超级智能时代中,
    AI对你的生活可能产生的负面影响,不是像“终结者”一样把你干掉,而是使你对内容上瘾,每天盯着手机看十几个小时,耗费掉你的时间和精力。

    今天的这期节目,我们关注了智能时代的两大趋势:人越来越懒,机器越来越强。
    明白了这些事,你会发现,其实问题的本质,还是如何管理好自己,了解科技,掌握科技,让科技更好地为我们服务。
    新的一年已经开始,祝大家2019更上一层楼!

    • 5 分钟
    关于AI,霍金的担忧究竟是什么?

    关于AI,霍金的担忧究竟是什么?

    霍金的最后著作《重大问题简答》里,阐述了他对于科学和社会所面临的最大问题的思考,关于人工智能,霍金表达了他的担忧。

    “The concern is that AI would take off on its own and redesign itself at an ever-increasing rate. Humans, who are limited by slow biological evolution, couldn’t compete and would be superseded.”
    —《Brief Answers to the Big Questions》

    他的担忧,并不是AI取代人的工作。
    从历史发展进程来看,从工业革命以来,蒸汽、电、计算机的发明,每一次都取代了一部分的工作,但同时创造了更多的工作,在这个维度,AI和人类发明的很多工具一样,将成为人能力的延伸和扩展,可以使得人从重复低效的劳动中解放出来,做更为重要的事情。

    霍金所担心的,是人工智能具备自我学习和迭代能力。
    一旦AI可以发展出自己的意愿,我们无法保证“AI的意愿”和人类保持一致。

    近年的《西部世界》等科幻片,已经在描绘这样的场景,然而,科学家霍金的担忧,不仅仅是科幻,更不会是空穴来风。

    这期节目,我给大家介绍一下,在这个领域最前沿的研究:通用人工智能(Artificial General Intelligence)
    首先介绍一下通用人工智能的概念:
    从本专辑之前的节目中,大家可以知道,人工智能的基本方法是通过标注数据对模型进行训练,图像识别要用海量图片作为数据输入,而语音识别要用海量语音作为数据输入,训练出来的人工智能,都是某一领域的专家。比如AlphaGo下棋很厉害,但是无法像Siri一样与人对话。不能跨领域的AI,是所谓的“弱”人工智能。

    如何训练出既能读书写字又会唱歌跳舞,琴棋书画样样皆通的“强”人工智能,是一项很大的挑战。

    通用性,是“弱”人工智能与“强”人工智能的分水岭。

    为了解决通用的问题,采用的方法也有所不同。
    比如,马斯克投资的OpenAI,采用了一种叫做Universe的结构,它包含了三个组成部分:环境environment、接口interface和智能代理agent。我在文稿中给出了示意图,听音频的朋友,可以想象眼前有三个方框,从左到右依次是环境、接口、智能代理。
    - 环境是真实世界问题的抽象,比如,浏览网页、PS照片、编辑文稿等等
    - 接口包含了输入与输出两类,Universe采用了信息时代我们最为熟悉的接口:键盘、鼠标和屏幕。
    - 智能代理,则是人工智能的算法模型,这里主要是深度强化学习这一类的自我产生训练数据的方法。


    值得注意的是,这个结构已经具备了通用性。今天我们使用个人电脑、手机、平板来处理各种问题,显示屏用于提供系统状态和反馈,鼠标键盘触屏用于提供控制,这是我们非常熟悉的方式,如果把人换成智能代理,就变成了Universe的结构。

    有了方法论以后,Universe在左侧的环境中,导入了真实世界中的很多问题。
    其中电竞游戏,因其玩法策略的复杂性,成为了主要研究内容之一。
    从当年乔布斯曾参与设计研发的雅达利游戏(Atari Games)到近期风靡全球的星际争霸、DOTA等大型网络游戏,都与Universe环境进行了集成。

    在右侧的智能代理,则是各种类型的算法和模型。
    比如,著名的演员与批评家方法(Actor-Critics),演员选择表演行为,批评家评判行为提供反馈,演员根据反馈对行为进行改进,以此迭代。
    其中,深度强化学习,结合了深度学习在数据特征提取方面的优势,和强化学习在序列决策任务方面的优势,是目前通用人工智能领域最有效的方法。

    在上一期节目中,我介绍了“左右互搏”的阿尔法狗,通过自我迭代升级,成为了棋类领域的通用人工智能。
    而Dee

    • 6 分钟
    “左右互搏”的阿尔法狗,是如何成为跨界棋王的?

    “左右互搏”的阿尔法狗,是如何成为跨界棋王的?

    金庸大侠的武侠小说里面,老顽童周伯通被黄药师关在桃花岛上,一个人找不到对手,只有左右互搏, 从而悟出了新的武功。
    而现实生活中,闻名遐迩的AlphaZero,采用的也是这样的方法。
    今天的这期节目,向大家介绍一下阿尔法狗“左右互搏”的科技原理。

    DeepMind公司的这一系列研究,有三个主要的里程碑:
    第一阶段,AlphaGo通过学习人类棋手的棋谱,以4:1战胜人类超一流棋手李世石
    在这个阶段,AlphaGo的训练方法,叫做监督式学习(Supervised Learning),简单理解,就是从人类职业围棋高手对弈的棋谱中进行学习,集百家之长,来对付一个对手。在特定局面之下,走哪一步的胜率更高,都是精确的数据。
    然而,现有的棋谱毕竟是有限的,把天下九段高手的武功全部学完,水平到了十段,就变成独孤求败了,很难再有提升。
    (值得一提的是,在人工智能的很多应用领域,一旦超越了人类,再想提升就会变得很难,其主要原因,都是缺乏用于学习的标注数据。)


    因此,在第二阶段,AlphaGo采用了新的训练方法,叫做强化学习(Reinforced Learning),自己与自己下棋,左右互搏,利用这一过程中产生的数据进行学习。
    值得注意的是,用于训练的数据中,不包含任何人类高手的棋谱,零经验,正如它的名字AlphaGoZero。
    那么问题来了,没有人类高手的棋谱作为训练数据,如何判断左右互搏中下出的棋,是好棋还是坏棋呢?
    一盘棋最终的胜负当然是判断标准,但,左手赢了并不代表左手下的棋都是好棋,只能表明在这一盘总共的n步棋当中,有若干步棋,左手比右手下得好。
    那么,我们能不能对这些相对好的下法有所保留,再通过左右互搏,迭代出更好的下法呢?答案是能。

    强化学习的核心思路,就是建立一个评价反馈系统,让智能体以“试错”的方式进行学习,通过环境提供反馈,对好的行为予以鼓励,对坏的行为予以惩罚,久而久之,好的行为就会被保留下来。

    凭借TPU的超级计算能力,采用左右互搏的方法,人类棋手不曾下过的棋也放在了训练数据中,因此AlphaGoZero以100:0战胜了前面的AlphaGo。


    第三阶段,DeepMind团队把左右互搏的方法拓展到其他棋类,训练出新的AI。AlphaZero横跨围棋、国际象棋、将棋,通过8小时训练战胜AlphaGo,4小时训练战胜了可碾压当年“深蓝”的顶级国际象棋程序Stockfish,2小时训练战胜顶级将棋程序Elmo,成为了跨界棋王。
    AlphaZero的训练,只需要知道这几类棋的规则,通过左右互搏产生数据,在棋类领域具备了一定的通用性,向通用人工智能迈出了一步。

    总结一下今天的内容:
    今天我们以AlphaGo的发展历程为主线,介绍了“监督式学习”与“强化学习”的概念。
    监督式学习,是在师傅的监督下,学习什么是好的什么是坏的。
    强化学习,是采用“试错”的方式学习,通过环境进行评估反馈,做的好时有奖励,做的不好时被批评。

    当年,深蓝战胜国际象棋世界冠军卡斯帕罗夫;
    去年,AlphaGo赢了围棋世界冠军李世石、柯洁;
    今年,OpenAI 5又在DOTA2这样的多人实时战略游戏中,战胜了职业游戏高手。
    在棋牌、电竞等领域,人工智能战胜人类,一次次引起了媒体的广泛关注。
    而这一系列算法模型等研究成果,又可以在其他应用领域中,创造出更大的价值。

    • 5 分钟

用户评论

5.0(满分 5 分)
1 个评分

1 个评分

黑科技老K

不错的原创专辑

了解身边的科技,抢个沙发点个赞