2016年，英国伦敦大学的科学家研制出一款人工智能程序，它能处理法律文件并对案件作出判决。科学家将600件欧洲人权法院诉讼案的案情资料输入这款软件中进行学习，交叉测试的结果显示其判案结果和人工判案结果的一致率达79%[1,2]。那么，AI真的能代替法官判案吗？ 我们先看看AI判案的技术可行性。在前面
我们先看一部小说片段。 《机器人写小说的那一天》（节选） 作者：有岭雷太 那一天，乌云低垂，天阴沉沉的。 屋子里，保持着跟往常一样最适宜的温度和湿度。洋子懒洋洋地坐在沙发上，玩着无聊的游戏打发时间。但是，她没有和我说话。 无聊啊！无聊，无聊，但是我没有办法。 在我刚来到这间屋子的时候，洋子总会找些话
我们头顶的天空已经被观测了几千年。最初人们肉眼观察星星，望远镜出现后，人类的视野越来越广阔。为了得到更清晰的观测，人们甚至把望远镜送入了太空，可以看到100万光年以外的星星。 为了探索更深远的宇宙，现代望远镜越来越庞大复杂。以射电望远镜为例，为了提高空间解析度和信号敏感性，望远镜的天线越来越大，甚至
从塞缪尔的西洋棋开始，游戏就是机器学习里的研究热点，不仅是因为游戏的对战性可以直接体现出机器的智能，而且打游戏的技巧确实是可以学出来的，很适合用机器学习方法来解决。然而，在2016年以前，可能没有人会想到机器玩起游戏来竟如此强大，不仅可以在简单游戏中战胜人类业余选手，还可以在极为复杂的任务中战胜人类
前段时间（2021/04/05），自然-机器智能杂志发表了一篇有趣的论文，介绍了利用深度学习重构物质三维结构的工作[1]。 我们知道物质的性质是由其微观结构决定的，不同的工艺可能得到不同的微观结构，从而得到具有不同性质的物质。一个重要的问题是，大部分物质的微观结构是三维的，但我们容易观察到的只是二维
支持向量机（Support Vector Machine, SVM）是一个非常特立独行的存在，它和符号学派不沾边，既不属于贝叶斯学派，也不属于连接学派，基本的假设就是样本离哪个类近，就属于哪个类。尽管假设如此简单，SVM却是机器学习中应用最广泛的分类器，在绝大多数任务中表现出优异的性能。 事实上，很
爱美之心人皆有之，人工智能虽然不能真的帮你整容，但确实可以极大提高虚拟颜值，朋友圈发张靓照是妥妥的。 我们先看一种比较保守的美颜方案。这种方案基本上保证人的轮廓不变，但给眼睛、嘴唇、鼻子等的颜色进行修正，通过美白来让照片变的更漂亮。图1是清华大学等单位联合提出的一种美颜方法。他们用一张参考照片展示着
深度神经网络（DNN）很强大，经过大量数据训练之后，可以实现非常复杂的功能，在语音识别、图像识别、自然语言理解等任务上取得了极大成功。 然而，Google研究者在2013年发现DNN可能非常脆弱，一个人类无法察觉的噪声就可能让机器产生错判。如图1所示，最左边的图是一个熊猫，DNN也确实将其识别成了熊
人在学习做一件事情的时候，首先想到的是尽量借鉴既有的经验和方法，这样我们可以学的更快更好。这一思路对于计算机也是一样的，把以前学习过的模型、流程、方案拿过来，想办法迁移到新任务上，这一学习方法就是迁移学习。 图1：迁移学习示意图 迁移学习的基础假设是不同学习任务之间不是独立的，因此，如何分辨花草的知
现实生活中会经常遇到序列数据，比如语音是声音振动的序列，自然语言的一句话是单词的序列等等。在这样的序列数据中，前后数据单元之间的关系至关重要，例如“打开”后面可能会接“盒子”，但不会接“太阳”。为了描述这种序列上的相关性，人们提出了循环神经网络（Recurrent Neural Net, RNN）模
2016年6月，Google宣布了Magenta项目[8]，目的是联合艺术家和计算机学家，推动人工智能在艺术创作上的研究和应用，其中AI谱曲是重要任务之一。 图1：计算机谱曲[7] 所谓AI谱曲，就是利用AI技术自动生成乐谱。“自动生成乐谱”这个看起来很“潮”的Idea其实早在计算机诞生之前就了，当
机器智能来源有两类：一类是人类专家把自己掌握的知识教给机器，机器用这些知识进行推理，实现类似人的智能；另一类是把数据喂给机器，让他像人一样从中归纳总结出知识，再利用这些知识进行推理。早期的人工智能系统多采用第一种方案，现代人工智能系统多采用第二种方案。特别是深度学习发展起来后，数据的重要性越来越明显
