人类是建筑能手，从原始社会搭个鸡窝垒个猪圈，到现代人建设的高楼大厦、巨型桥梁，人们建设家园的能力越来越强。然而，随着我们面对的任务越来越复杂，传统建筑学方法越来越显示出局限性。以修建一座商业中心为例，需要考虑结构、功能、安全性、成本、工期等各种复杂因素，往往需要一个大规模团队才能完成。那么，如果是一
现代人工智能系统离不开数据。打个比方，人生下来是一张白纸，通过读书学习，慢慢掌握了各种知识。机器也是一样，刚开始只有非常基础的功能，当消化了大量数据以后，就变得越来越聪明了。从这个意义上说，数据就是人工智能成长所需要的粮食。 那么，要“养成”一个人工智能系统，需要什么样的数据作为它的“粮食”呢？ 这
人工智能给人两种截然不同的印象，一种是聪明无比，下象棋、下围棋、证明定理、设计新药，几乎无所不能；另一种是笨的要命，明明是一条狗，机器却硬说它是一辆车。因此，人工智能也有个别名，称为“人工智障”。 那么，到底是智能还是智障呢？ 这还得从人工智能的基本原理说起。人工智能，本质上是用计算来模拟人的思维，
不知道各位有没有这样的体验：刚刚和同学、同事讨论个什么事，然后打开手机搜索某度或某宝，屏幕上赫然出现了刚才讨论的新闻或产品。贴不贴心，惊不惊喜？ 这件事细思极恐，说明和我们朝夕相处的手机可能是个窃听者，不论我们说点儿啥，他都偷偷记录下来。不仅如此，他还可能将记录下来的内容分发出去，来个广而告之。如果
所有事情具有多重属性：一只小鸟，我们看到它振翅的模样，听到它啾啾的鸣声，触摸起来有温柔的绒毛感觉。再比如，一只西瓜，样子是圆圆的，敲起来有嘭嘭的声音，尝一口甜美多汁。在很多情况下，我们需要利用多重属性，才能对事物有很好的认知。例如，圆圆的未必是西瓜，还可能是地雷；但如果圆圆的还甜美多汁，就不太可能是
Deepfakes 2017年在互联网上流传开来，引起轩然大波。 什么是Deepfakes呢？翻译过来是“深度造假”，直白一些的说法就是给图片或视频的主角换脸。比如一段奥巴马的演讲，换上自己的模样，是不是很有成就感？然而，如果是一段色情视频呢? 图1：Deepfakes实现换脸[1] 给图片或视频换
显微镜是生物学家的利器，然而要得到高精度的显微成像并不容易。这是因为高精度成像需要昂贵的硬件且受实验条件限制，特别是对活体细胞、组织进行成像时，往往要求成像过程不能对原有的生物学特性产生影响，并且不能影响样本的健康状态。例如，在活体荧光成像中，就必须考虑光毒性的影响。 近日的自然-机器智能杂志发表了
当前人工智能技术在某些领域已经取得了不错的精度，然而几乎在所有任务上，人工智能还相当脆弱。例如，人脸识别虽然在测试集上可达到99.9%以上的精度，但在现实场景中经常会发生误识别；语音识别，在安静环境下识别率可达到97%以上，但在嘈杂环境中识别率会显著下降。 我们不得不接受人工智能系统会犯错误的事实，
随着技术的发展，人脸识别已经达到可实用的精度，成为便捷的身份认证工具，广泛应用在高铁安检、小区入户、银行取款，手机转账等各个场景。然而，人脸识别也存在很高的风险，需要提高警惕。 首先，人脸直接暴露在外，极易取得，仿冒风险很高。虽然通过一些技术措施可以降低这一风险（如通过眨眼、转头等动作进行活体检测或
早在17世纪，数学家莱布尼兹就认为大量的人类推理可以被归约为某类运算，这一思想可能是人工智能的最早起源。他曾思考过这么一个问题：“是否存在一种有效的计算方法，可以判断一个逻辑表达式的真或假？”这一问题后来被希尔伯特和阿克曼于1928年形式化为一个判定问题（Entscheidungsproblem ）
机器学习任务可以大体上分为两大类：一类是预测型的，基于观察数据对类别或其它变量进行预测，主要包括分类任务和回归任务；另一类是描述型的，通过估计数据的概率分布来描述数据的自有特性，主要包括聚类任务和流形学习任务。 所谓回归（Regression），是指给定一个变量集A，基于A中变量的取值来预测另一个变
机器学习任务可以大体上分为两大类：一类是预测型的，基于观察数据对类别或其它变量进行预测，主要包括分类任务和回归任务；另一类是描述型的，通过估计数据的概率分布来描述数据的自有特性，主要包括聚类任务和流形学习任务。 在这些任务中，分类具有重要地位，我们日常生活中遇到的问题大部分是分类问题，如识别车牌号、
