人工智能與學(xué)習(xí)發(fā)言稿

人工智能與學(xué)習(xí)發(fā)言稿1

大家好，今天非常高興、非常榮幸能參加這樣一個(gè)盛會(huì)C今

天我給帶來(lái)的演講是我的一點(diǎn)學(xué)習(xí)心得，題目叫做自學(xué)習(xí)的人工

智能。首先大家都知道在60周年之際，我們首先應(yīng)該記住的是這

位人工智能的先驅(qū)，圖靈。在他的問(wèn)題的感召下，我們就有了今

天這樣的一個(gè)盛會(huì)和今天人工智能的飛速發(fā)展。他的問(wèn)題，機(jī)器

可以思維嗎？可以從不同的維度來(lái)解釋，那么首先人類對(duì)人工智能

的一個(gè)探索也可以圍繞對(duì)問(wèn)題不同解釋的探索。

第一個(gè)探索，應(yīng)該說(shuō)是在邏輯層面的探索。60年代人工智能

的這些先驅(qū)就考慮用邏輯和搜索來(lái)研究人工智能，比如下棋、推

理，比如說(shuō)可以去做路徑規(guī)劃等等。那么他們有一個(gè)很強(qiáng)的假設(shè)，

這個(gè)假設(shè)應(yīng)該說(shuō)從某種程度上來(lái)說(shuō)是非常直觀的。智能包括計(jì)算

機(jī)可能賦予的智能，是來(lái)自于計(jì)算物理符號(hào)的排列組合，我們只

要能很聰明的把這些物理符號(hào)排列組合的話，人類是可以從一系

列的零和一的組合來(lái)得到。有了一些成就之后也發(fā)現(xiàn)這樣的假設(shè)

是有它的瓶頸的。在之后大家又有一部分人著力于研究能夠有學(xué)

習(xí)功能的人工智能，就有不同的學(xué)習(xí)算法，機(jī)器學(xué)習(xí)的計(jì)算法被

研究出來(lái)。其中包括大家都熟悉的人工神經(jīng)網(wǎng)絡(luò)。

人工智能的幾個(gè)里程碑我們現(xiàn)在也很熟悉，第一個(gè)大家公認(rèn)

的是里程碑是深藍(lán)，這個(gè)比賽意味著幾件事。一個(gè)是說(shuō)在大規(guī)模

的搜索的狀態(tài)下，在可能的狀態(tài)空間的搜索，實(shí)際上是一個(gè)在物

理符號(hào)的空間的排列組合。也就是說(shuō)在60年代人們的那些假設(shè)有

一部分是正確的，我們確實(shí)可以從這種搜索和物理符號(hào)的排列組

合獲得很多的智能。

緊接著的階段是，知識(shí)就是力量，這是隨著互聯(lián)網(wǎng)和大數(shù)據(jù)

到來(lái)的一個(gè)熱潮，從網(wǎng)上，從不同的媒體我們會(huì)獲得很多數(shù)據(jù)，

把這些數(shù)據(jù)經(jīng)過(guò)沂，淀變成知識(shí)，我們就可以贏得像這樣一個(gè)電視

大賽中的人機(jī)對(duì)戰(zhàn)。

這個(gè)之后，剛剛芮勇博士也深入的回顧了一下最近的人工智

能的突破，就是深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)的突破從計(jì)算上來(lái)

說(shuō)有幾個(gè)好處，其中一個(gè)好處是說(shuō)它把一個(gè)全局計(jì)算的需求變成

一個(gè)本地計(jì)算的需求，在做到這樣的一個(gè)同時(shí)呢，又不失掉很多

的信息，這個(gè)是計(jì)算機(jī)里面無(wú)數(shù)成就的一個(gè)中心點(diǎn)。這樣的一個(gè)

成功就使得我們能夠在不同的層次來(lái)觀察同一個(gè)數(shù)據(jù)，同樣就可

以獲得我們所謂的大局觀。就像這個(gè)圖，我們?cè)诓煌膶哟慰梢?/p>

得到不同的特征。

這里我們要特別強(qiáng)調(diào)的是人工智能也在另外一個(gè)方面潛移默

化的默默的在耕耘，這個(gè)就叫做強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)應(yīng)該說(shuō)是用

來(lái)做人工智能規(guī)劃的有力工具，但不是唯一的規(guī)矩。規(guī)劃這個(gè)領(lǐng)

域相對(duì)深度學(xué)習(xí)應(yīng)該說(shuō)更古老，研究的力度也很多。但在很長(zhǎng)時(shí)

間一段處于靜默狀態(tài)，這個(gè)原因是因?yàn)樗谟?jì)算上有很大的瓶頸,

不能有很大得數(shù)據(jù)量。一個(gè)例子就是強(qiáng)化學(xué)習(xí)在很長(zhǎng)時(shí)間以來(lái)只

能解決一些玩具型的問(wèn)題，非常小的數(shù)據(jù)。但是最近的一個(gè)突破

是Google的DeepMind,把深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)合在一起，這樣

的一個(gè)議題使得很多強(qiáng)化學(xué)習(xí)所需要突破的瓶頸，就是狀態(tài)的'個(gè)

數(shù)能隱藏起來(lái)。這種隱藏就使得強(qiáng)化學(xué)習(xí)能夠大規(guī)模的應(yīng)付數(shù)據(jù),

就是說(shuō)應(yīng)付大數(shù)據(jù)。它突出的一點(diǎn)叫做端到端的學(xué)習(xí)，就是說(shuō)我

們?cè)谶@里看到一個(gè)計(jì)算機(jī)的游戲，這個(gè)游戲的影像是輸入端，輸

出端就是你要進(jìn)行的下一個(gè)動(dòng)作。這個(gè)動(dòng)作是正確還是不正確，

到最后會(huì)獲得一個(gè)反饋，這個(gè)反饋不一定是現(xiàn)在得到，也許是后

面幾步得到的。這一點(diǎn)和我們剛剛講的深度學(xué)習(xí)在圖像上面的應(yīng)

用，就大不一樣。就更加復(fù)雜，更加契合人的行為，所以強(qiáng)化學(xué)

習(xí)也是下一個(gè)突破。

我們看到這種端到端的深度學(xué)習(xí)，應(yīng)用在強(qiáng)化學(xué)習(xí)上，使得

DeepMind到今天在很古老的單人的計(jì)算機(jī)游戲上已經(jīng)把人類完全

擊倒，它做到這樣是通過(guò)完全的自學(xué)習(xí)，自我修煉、自我改正，

然后一個(gè)一個(gè)迭代。這個(gè)就是它迭代的一些結(jié)果，從左到右是一

個(gè)時(shí)間軸，從下到上是它得到的效果。我們看到每一個(gè)游戲它的

要求都是在不斷成長(zhǎng)的，就像我們一個(gè)學(xué)生在學(xué)習(xí)的過(guò)程當(dāng)中學(xué)

到的知識(shí)越來(lái)越多，這個(gè)完全是自我實(shí)現(xiàn)，一個(gè)自學(xué)習(xí)的過(guò)程。

包括現(xiàn)在的AlphaG。也應(yīng)用了很多自學(xué)習(xí)的這種效果，使得

我們現(xiàn)在終于認(rèn)清原來(lái)人工智能從60年代到20__年的物理符號(hào)

的假設(shè)，也就是說(shuō)以搜索為中心，以邏輯為中心的這種努力并沒(méi)

有白費(fèi)，這種努力也是需要的。另外學(xué)習(xí)也是必不可少的，像我

們熟知的深度學(xué)習(xí)。所以AlphaGo對(duì)我們的啟示，就是我們把兩

者結(jié)合起來(lái)，才是一個(gè)完整的智能機(jī)器。這個(gè)我們可以叫做人工

智能的通用性，也就是說(shuō)我們對(duì)于這兩個(gè)技術(shù)的某種結(jié)合，比方

說(shuō)多一點(diǎn)搜索，少一點(diǎn)機(jī)器學(xué)習(xí)，或者反之我們夠可以得到用來(lái)

解釋不同的人類的智能行為。這種通用型，端到端的學(xué)習(xí)，可以

用這個(gè)例子來(lái)表達(dá)。就是這個(gè)雞可以吃不同的食物，但是它下的

蛋都是對(duì)人類有用的。

這里我要特別提到一點(diǎn)，我們并入是找到了最后的目標(biāo)，這

也是在不同的人工智能、強(qiáng)化學(xué)習(xí)，等等之類的實(shí)驗(yàn)當(dāng)中我們發(fā)

現(xiàn)一個(gè)特點(diǎn)。就是我們不能完全的依靠機(jī)器去全部自動(dòng)化的自我

學(xué)習(xí)，至少到現(xiàn)在我們還沒(méi)有摸索出這樣一個(gè)路徑。這里是大學(xué)

的例子，中文是永動(dòng)機(jī)器學(xué)習(xí)，就是說(shuō)這個(gè)機(jī)器不斷的在網(wǎng)上爬

一些網(wǎng)頁(yè)，在每個(gè)網(wǎng)頁(yè)里面都學(xué)到一些知識(shí)，把這些知識(shí)綜合起

來(lái)，變成幾千萬(wàn)條知識(shí)，這些知識(shí)又會(huì)衍生新的知識(shí)。那么我們

看到從下到上是隨著時(shí)間，知識(shí)量的增長(zhǎng)。那么它到了某一個(gè)程

度實(shí)際上是不能再往上走了，因?yàn)橹R(shí)會(huì)自我矛盾。這個(gè)時(shí)候就

需要人進(jìn)來(lái)進(jìn)行一部分的調(diào)節(jié)，把一部分不正確的知識(shí)去掉，讓

它繼續(xù)能成長(zhǎng)。這個(gè)過(guò)程為什么會(huì)發(fā)生呢?是因?yàn)闄C(jī)器學(xué)習(xí)一個(gè)很

嚴(yán)重的現(xiàn)象，就是自我偏差，這種偏差就可以體現(xiàn)在這種統(tǒng)計(jì)學(xué)

的一個(gè)重要的概念，就是我們獲得的數(shù)據(jù)也許是一個(gè)有偏數(shù)據(jù)，

我們可能建了一個(gè)模型，對(duì)大部分的數(shù)據(jù)都有用，但其中有一些

特例。我們?nèi)绾蝸?lái)處理這些特例，如何來(lái)處理我們訓(xùn)練數(shù)據(jù)和應(yīng)

用數(shù)據(jù)之間的偏差，這個(gè)是我們下一步要研究的內(nèi)容C

一個(gè)非常有希望的技術(shù)叫做遷移學(xué)習(xí)，比方說(shuō)這個(gè)是在深度

學(xué)習(xí)的模型上，在上面這一部分是一個(gè)領(lǐng)域已經(jīng)訓(xùn)練好的模型。

那么在一個(gè)新的領(lǐng)域，如果這兩個(gè)領(lǐng)域之間有某種聯(lián)系、某種相

似性的話，我們就不一定在新的領(lǐng)域需要那么多的數(shù)據(jù)來(lái)學(xué)習(xí)，

你只需要一小部分。我們之所以能做到這一點(diǎn)是我們可以把大部

分的模型給遷移過(guò)來(lái)，我們?nèi)擞羞@種能力，但是我們?cè)谧鲞@種數(shù)

據(jù)遷移的過(guò)程中，我們一定要牢記把這種有偏的數(shù)據(jù)偏差給消除

掉。如果能做到這點(diǎn)我們就能做到不同形式的數(shù)據(jù)之間的知識(shí)遷

移，比方說(shuō)我們可以讓一個(gè)計(jì)算機(jī)來(lái)讀很多文字，這樣的一個(gè)計(jì)

算機(jī)去識(shí)別圖像，應(yīng)該比沒(méi)有讀這些文字，直接去學(xué)習(xí)圖像來(lái)的

要容易。這個(gè)就更像我們?nèi)祟惖膶W(xué)習(xí)。這種學(xué)習(xí)也離不開(kāi)從下到

上，從粗到細(xì)這樣的一種特征的選擇。

所以我們又得到另外一個(gè)概念，就是特征工程。深度學(xué)習(xí)給

我們的一個(gè)有力的工具是能夠自動(dòng)的進(jìn)行不同層次，進(jìn)行大規(guī)模

的新特征的抽取和特征的制造。那么這種特征在搜索引擎、廣告

系統(tǒng)上面，可以達(dá)到萬(wàn)億級(jí)，也就是說(shuō)這個(gè)已經(jīng)完全不是人類所

可以控制的級(jí)別了。那么智能在這樣的級(jí)別上才可以產(chǎn)生。

但是現(xiàn)在人工智能仍然有一些困境，比方說(shuō)如何能夠讓人工

智能來(lái)深層的理解文字，有一個(gè)著名的類似于圖靈測(cè)試的比賽，

深層次理解文字，這個(gè)是在自然語(yǔ)言上問(wèn)一些有歧異的問(wèn)題，計(jì)

算機(jī)如果要能正確的回答這個(gè)問(wèn)題，那個(gè)模型不僅僅理解這些文

字，而且要理解深層的背景文字，要理解周邊的文字，有很多文

化在里面，如何能達(dá)到這一點(diǎn)？也是我們需要解決的。

同時(shí)深度模型還可以把它反轉(zhuǎn)，成為一種生成膜型。它不僅

可以去對(duì)數(shù)據(jù)做一個(gè)決策，它還可以自己產(chǎn)生數(shù)據(jù)，可以產(chǎn)生新

的數(shù)據(jù)。比方說(shuō)這個(gè)是Google的一些研究員把一個(gè)深層模型里面

的感知最深刻的那些圖像給描述出來(lái)，結(jié)果是這樣的，就非常有

趣的生成膜型0

剛剛講的不同數(shù)字格式之間，文字和圖像之間，如果在深層

實(shí)際上它們的區(qū)別已經(jīng)消失了。那這樣我們就可以對(duì)圖像去問(wèn)文

字的問(wèn)題，甚至對(duì)文字去問(wèn)圖像的問(wèn)題。這樣數(shù)據(jù)的形式也就不

重要了。

如果我們達(dá)到了遷移學(xué)習(xí)的要點(diǎn)，我們想問(wèn)下一步是不是可

以把所有人類經(jīng)歷過(guò)的這些學(xué)習(xí)的任務(wù)給沿著時(shí)間軸串起來(lái)，能

夠讓機(jī)器向人一樣的，它的學(xué)習(xí)能力，它的智能在不斷的增長(zhǎng)，

隨著時(shí)間。那么它所需要學(xué)習(xí)的努力程度，樣本數(shù)也是逐漸減少

的。這個(gè)也是我們?cè)谂Φ囊粋€(gè)方向。

另外最近發(fā)表了一篇文章也說(shuō)明？遷移學(xué)習(xí)的重要性。這個(gè)

文章叫做bayesianprogramlearning,這是從一個(gè)例子就能學(xué)會(huì),

我們知道深度學(xué)習(xí)是千萬(wàn)個(gè)例子的。實(shí)際上它用了我們過(guò)去沒(méi)有

涉及到的概念，就叫做結(jié)構(gòu)，如果我們了解了一個(gè)問(wèn)題的結(jié)構(gòu)，

那么這個(gè)結(jié)構(gòu)的一個(gè)具體的形式只用一個(gè)例子就可以學(xué)會(huì)了。其

他的部分，需要很多例子的那一部分可能是參數(shù)、統(tǒng)計(jì)，這一部

分我們實(shí)際上可以通過(guò)遷移學(xué)習(xí)來(lái)學(xué)習(xí)。也就是說(shuō)整個(gè)這個(gè)圓就

圓滿了，就是一個(gè)閉環(huán)了。

同時(shí)人工智能的應(yīng)用也不僅僅是在圖像方面，這里的一個(gè)例

子是亞馬遜的倉(cāng)儲(chǔ)機(jī)器人。亞馬遜的倉(cāng)儲(chǔ)機(jī)器人是在一個(gè)很大的

空間，這些機(jī)器人會(huì)把這些貨架，每個(gè)貨架上面都有不同的貨品，

把這些貨架偷到工人的面前，讓工人從貨架上面拿所需的貨品到

箱子里面，然后快遞給客戶。為什么是這樣呢？因?yàn)楝F(xiàn)在的機(jī)器人

技術(shù)在選擇，從貨架上選擇物體還遠(yuǎn)遠(yuǎn)不如人的熟練程度，但是

它在路徑規(guī)劃，在機(jī)械的啟動(dòng)、抬起、放下已經(jīng)超過(guò)人了。所以

亞馬遜的就很聰明的把機(jī)器的優(yōu)點(diǎn)和人的優(yōu)點(diǎn)結(jié)合在一起，變成

一個(gè)新的商業(yè)模式。如果過(guò)去建一個(gè)倉(cāng)儲(chǔ)在支持這個(gè)城市亞馬遜

所有的物流的話，需要三個(gè)月時(shí)間，他用了這個(gè)把所有的傳送帶

拆掉，變成機(jī)器人以后只用三天時(shí)間，這個(gè)收益是非常巨大的，

也就是我們可以借鑒，可以拓展的一個(gè)經(jīng)驗(yàn)。

下面要講的，不僅在機(jī)器人，在圖像識(shí)別，實(shí)際上在我們的

生活當(dāng)中，人工智能已經(jīng)深入了。這里舉的一個(gè)例子是我和我的

一個(gè)學(xué)生戴文淵，建的一個(gè)公司，第四范式，這個(gè)公司可以讓過(guò)

去在金融領(lǐng)域只能由人來(lái)服務(wù)重要的客戶，由人工智能來(lái)把這個(gè)

能力拓展到幾千萬(wàn)人，讓每個(gè)人都享受到優(yōu)質(zhì)的金融服務(wù)。這是

一個(gè)非常大的工程。它背后的技術(shù)就是機(jī)器學(xué)習(xí)，我們所熟知的

深度學(xué)習(xí)、知識(shí)學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

最后我要說(shuō)幾點(diǎn)，我們看到這么多人工智能的努力，人工智

能的有失敗的時(shí)候，有成功的時(shí)候，我們到現(xiàn)在能總結(jié)出什么經(jīng)

驗(yàn)?zāi)?？我覺(jué)得現(xiàn)在的人工智能的成功離不開(kāi)高質(zhì)量的大數(shù)據(jù)，但是

并不是未來(lái)的人工智能的成功一定需要大數(shù)據(jù)。那么我們下面要

問(wèn)是不是在未來(lái)有小數(shù)據(jù)也可以讓人工智能成功，這就是今天我

覺(jué)得在大學(xué)里面應(yīng)該做的一個(gè)研究，在工業(yè)上大家還在開(kāi)疆拓土,

利用大數(shù)據(jù)的優(yōu)勢(shì)在發(fā)現(xiàn)新的應(yīng)用利于。

第二個(gè)，就是要培養(yǎng)出更多的人工智能的人才。這些人才才

可以來(lái)設(shè)計(jì)算法，這個(gè)也是我們今天在大學(xué)里面需要努力的一個(gè)

方向。當(dāng)然這些都離不開(kāi)計(jì)算能力。

所以從這幾點(diǎn)上來(lái)看人工智能的努力也不是像有些人說(shuō)的，

今天的人工智能的發(fā)展完全在工業(yè)，人工智能的發(fā)展也應(yīng)該一部

分依靠大學(xué)，一部分依靠工業(yè)。就像我們所說(shuō)的大數(shù)據(jù)和人才的

培養(yǎng)，小數(shù)據(jù)的研究。那么大數(shù)據(jù)的開(kāi)疆拓土更多的應(yīng)用，和更

多的計(jì)算能力，確實(shí)來(lái)自于工業(yè)。所以這兩種結(jié)合我覺(jué)得是我們

今后發(fā)展的一個(gè)方向C

最后我要說(shuō)一點(diǎn)，就是說(shuō)我們應(yīng)該說(shuō)已經(jīng)了解很多深度學(xué)習(xí)

了，這個(gè)可以作為我們昨天的一個(gè)成就。那么今天我們?cè)趧倓傞_(kāi)

始去獲得強(qiáng)化學(xué)習(xí)的一個(gè)紅利，那么這個(gè)可能還不是在很多的領(lǐng)

域得到應(yīng)用的，但是我要告訴大家的是，強(qiáng)化學(xué)習(xí)比大家想象的

要更有用，比方說(shuō)它不僅僅是在圍棋或者是在計(jì)算機(jī)游戲上。在

金融，在我們?nèi)粘Ｉ町?dāng)中，甚至在教育上，機(jī)器人的規(guī)劃都離

不開(kāi)強(qiáng)化學(xué)習(xí)。那么這些應(yīng)該說(shuō)都是富人的游戲，也就是說(shuō)只有

富人才能有這么多的大數(shù)據(jù)，有這么多的計(jì)算量去支持深度學(xué)習(xí)

和強(qiáng)化學(xué)習(xí)這樣的實(shí)際應(yīng)用。那么我們明天要看到的應(yīng)該是遷移

學(xué)習(xí)，因?yàn)檫w移學(xué)習(xí)能夠讓我們把大數(shù)據(jù)得到的模型遷移到小數(shù)

據(jù)上面，使得千千萬(wàn)萬(wàn)的人都能夠受益，也就是說(shuō)人人都能享受

人工智能帶來(lái)的紅利。我今天講到這兒，謝謝大家。人工智能與

學(xué)習(xí)發(fā)言稿2

--個(gè)叫阿爾法狗的智能機(jī)器人戰(zhàn)勝了人類的圍棋高手李

世石，這件事情讓很多人感到恐慌。我的一位朋友說(shuō)，阿爾法狗

徹底改變了她的世界觀。未來(lái)人類該怎么辦？教育該怎么辦？今

天我們就來(lái)說(shuō)說(shuō)這方面的話題。

一一首先我們先了解一下什么是人工智能？最開(kāi)始計(jì)算機(jī)科

學(xué)家們想讓發(fā)機(jī)器人能像人那樣思考，他們想讓計(jì)算機(jī)網(wǎng)絡(luò)像人

的大腦神經(jīng)網(wǎng)絡(luò)一樣工作。但其實(shí)人類對(duì)自己到底是如何思考的

至今也沒(méi)有弄清楚，所以按照這種思路開(kāi)發(fā)的人工智能進(jìn)展不大。

——后來(lái)一些科學(xué)家轉(zhuǎn)變思路，開(kāi)始讓計(jì)算機(jī)按照自己的方

式思考。他們讓計(jì)算機(jī)學(xué)習(xí)大量的數(shù)據(jù)，然后分析各種數(shù)據(jù)之間

的相關(guān)性，從相關(guān)性中發(fā)現(xiàn)規(guī)律。

一一比如阿爾法狗就是學(xué)習(xí)了人類圍棋高手的大量的對(duì)弈棋

譜，找出每一種下法與最終獲勝的概率之間的關(guān)系，然后選擇獲

勝概率最高的那一種下法，并且自己與自己反復(fù)練習(xí)，人類在這

樣的智能機(jī)器人面前完全沒(méi)有獲勝的希望。

——因?yàn)槿祟惒皇沁@樣思考的，人類不可能記住那么龐大的

數(shù)據(jù)，也不可能進(jìn)行那么復(fù)雜的計(jì)算。人類思考是基于分析推理

的，是從小樣本研究中發(fā)現(xiàn)因果關(guān)系，有時(shí)還要依賴直覺(jué)。既然

是小樣本，就有可能出現(xiàn)抽樣誤差；直覺(jué)有很多時(shí)候也是錯(cuò)的。

而且人類還要受體力精力和情緒的影響，很難不出差錯(cuò)。所以我

們現(xiàn)在已經(jīng)不好意思說(shuō)，計(jì)算機(jī)是人工智能了，更準(zhǔn)確的說(shuō)法是

機(jī)器智能。

一一事實(shí)上，機(jī)器智能在很多方面已經(jīng)超越了人類智能，它

甚至能替代人類完成很多以前只有人才能完成的工作。專家預(yù)言,

未來(lái)有很多職業(yè)會(huì)消失，其中包括教師！

____舉個(gè)例子，現(xiàn)在學(xué)校里老師教小學(xué)生認(rèn)字，要告訴他們

這個(gè)字的讀音、書(shū)寫(xiě)的方法、字的意思是什么，可以組成哪些詞

組等等。未來(lái)會(huì)有一款智能機(jī)器人一對(duì)一地教孩子們做這些事情,

它可以發(fā)出中央電視臺(tái)播音員的聲音，也可以發(fā)出孩子們喜歡的

明星或爸爸媽媽的聲音，它的筆順永遠(yuǎn)不會(huì)寫(xiě)錯(cuò)，而且從來(lái)不會(huì)

不耐煩。事實(shí)上現(xiàn)在有些電腦學(xué)習(xí)軟件已經(jīng)可以部分完成這樣的

工作了。

——又比如說(shuō)，數(shù)學(xué)的公式、物理的定律、化學(xué)的反應(yīng)式、歷

史事件與人物，這些中小學(xué)教科書(shū)上的'知識(shí)，智能機(jī)器人能不能

教呢？我相信大家也說(shuō)能！不僅能教，而且會(huì)比人類的教師教得

更好，它可以把各學(xué)科教學(xué)名師的知識(shí)和經(jīng)驗(yàn)都深度學(xué)習(xí)一遍，

然后根據(jù)學(xué)生學(xué)習(xí)的表現(xiàn)，選擇最合適的指導(dǎo)方法。這跟阿爾法

狗學(xué)習(xí)下圍棋沒(méi)有多少本質(zhì)上的不同。

-到了這個(gè)時(shí)候，還有多少人認(rèn)為教師的職業(yè)不會(huì)消失呢?

即使教師的職業(yè)不會(huì)消失，今天教師的大部分工作將被智能機(jī)器

人取代，這一點(diǎn)應(yīng)該沒(méi)有多少人懷疑了吧？

——如果教師的大部分工作都被智能機(jī)器人取代，那么學(xué)校

會(huì)不會(huì)消亡呢？這是一個(gè)更讓人揪心的問(wèn)題。

——我們現(xiàn)在的教育體系，是工業(yè)時(shí)代的產(chǎn)物。工業(yè)時(shí)代需

要培養(yǎng)大量的流水線上的工人，和各行各業(yè)的專業(yè)人士。這些職

業(yè)都有一定的標(biāo)準(zhǔn)和規(guī)范，需要從業(yè)者牢記這些標(biāo)準(zhǔn)和規(guī)范，以

便在做這類重復(fù)度很高的工作時(shí)，效率高，不容易出錯(cuò)。人工智

能與學(xué)習(xí)發(fā)言稿3親愛(ài)的同學(xué)們：

大家好！

本次班會(huì)的主題是“人工智能與學(xué)習(xí)”。想必大家都對(duì)橫空

出世的ChatGPT有所耳聞。它不僅會(huì)聊天，還能回答各種問(wèn)題，

甚至還能寫(xiě)作業(yè)、寫(xiě)小說(shuō)等等。

人工智能既已智能”至此，不禁引發(fā)了我的困惑，既然機(jī)器

什么都會(huì)，我們還需要學(xué)習(xí)嗎？在我看來(lái)，人工智能的沖擊恰恰為

人類敲響了警鐘，我們不僅要堅(jiān)持學(xué)習(xí)，還要更智慧地學(xué)、更堅(jiān)

定地學(xué)。

《圍爐夜話》有云：“為學(xué)無(wú)間斷如流水行云，日進(jìn)而不已矣?！?/p>

學(xué)