华为AI全栈成长计划课程——AI基础篇——第二周笔记1
第4章 人工智能的能与不能
4.1 人工智能的能与不能：算法
人工智能的理论上限
- 例子：人脸表情识别，由于判断标准不同，人类或者机器都可能无法准确预测人脸的表情。
- 改进：机器的预测提供top1到top5的预测结果，而不只是单一一个预测结果。
- Bayes error rate: the lowest possible error rate for any classifier of a random outcome (into, for example, one of two categories) and is analogous to the irreducible error.
- 贝叶斯错误率（贝叶斯上限）：对于任何一个随机结果的分类器（例如，分为两个类别中的一个）可能的最低错误率，类似于不可改变的错误（即机器的预测，哪怕是乱猜，也不能高于人类的上限）。
Foolish or fooled：人工智能会犯什么错误
-
人类会犯错
-
理论数据和实际数据的差距
-
道德伦理问题
-
例子1：放一张油画在人的面前，AI就无法识别人的存在。
-
例子2：当AI不知道原图片的内容是什么，给原图片蒙上蒙版，加上一些噪声，可以使AI识别其为鸵鸟。相反，如果起初告诉AI原图片内容是什么，再蒙上蒙版，就不会被识别为鸵鸟。（所以为什么我们训练时会使用数据增强，给测试数据例如图片，加上一些噪声、旋转、融合之类的操作生成新的数据，就是为了使其适应这样的变化，不会识别错误。
-
例子3：上层4张图，虽然已经看不出来是什么模样，但也有99.6%的执行度，所以执行度靠不住。因为本身模型衡量的正负样本数是不一样的，比如1万个样本里，只有一个正样本的分类器，结果分类器简单地将所有的样本都识别成负样本，如此一来精准度是非常高的。但其实没有价值。
-
例子4：道德/伦理问题（灰色地带）
1.向AI公司调查结果显示，紧急避险原则上存在一定歧视，比如有老人和青年人时会保全青年人，有男人和女人的情况下会保全男人。
2.自动驾驶应该怎么做，L3标准是在合适时间交还驾驶权给驾驶员，但当面对紧急情况时已为时已晚，此时交还给驾驶员存在甩锅嫌疑，所以L3的问题在于是人背锅还是车背锅。两难问题。
如何确认一个问题是否适合AI解决
- 预测的目标是否可以被量化
- 是否有与目标相关的特征可以被有效的表达
- 是否有足够的数据来训练够准的模型
4.2 人工智能的能与不能：算力
从机器学习到深度学习
计算架构的迭代：从CPU，GPU到NPU
性能排序：ASIC>FPGA>GPU>CPU
工业落地领域不常见的芯片类型是FPGA，因为同样的性能其成本为GPU3倍以上。
加速矩阵乘：Scalar，Vector与Cube
端边云协同智能落地
学习心得/总结
人工智能的发展存在一定矛盾，形成了其发展瓶颈，阻碍了人工智能进步。算法层面在于预测错误、数据选择造成的误差、人类社会伦理道德。算力层面在于芯片的性能。课程中并没有提到关于大数据层面的问题，但其实又实际存在的，比如数据不足、数据错误等等。总而言之，弱人工智能到强人工智能的路还很漫长，需要我们共同把这路铺好。
