深度學(xué)習技術(shù)目前是人工智能這個(gè)領(lǐng)域里面最核心的一門(mén)技術(shù)。
首先就是說(shuō)要從人工智能來(lái)談起，人工智能它是研究開(kāi)發(fā)用于模擬延伸和擴展人類(lèi)智能的理論方法技術(shù)以及應用系統的一門(mén)新的技術(shù)科學(xué)。人工智能好早以前就有的，局限于當時(shí)的技術(shù)，還有一些理論方法都不夠成熟，所不能達到人們想要的一些要求。目前來(lái)說(shuō)，人工智能的突破僅僅體現在應用于某些個(gè)別的領(lǐng)域，包括以下幾種類(lèi)型：
人工智能要分為“人工”跟“智能”這兩個(gè)詞語(yǔ)來(lái)談。人工就是說(shuō)這個(gè)東西是由人來(lái)創(chuàng )造的，不是我們自然界中本本身所具有的一類(lèi)東西。人類(lèi)也是一種智能體，主要體現在以下這幾個(gè)方面：
首先我們可以感知，我們可以理解跟我們不一樣的事物，你可以感知到別人、可以感覺(jué)到別的動(dòng)物、可以感覺(jué)到外界的環(huán)境，我們還有視覺(jué)可以接收光的反射物（光反射的東西），在我們的視覺(jué)中就會(huì )形成一定的顏色；我們還有聽(tīng)覺(jué)就可以接受一定程度的聲波信號（像蝙蝠它可以接收超聲波，那么人類(lèi)是不能接受的，就說(shuō)我們人類(lèi)能接受的聽(tīng)覺(jué)的信號的寬幅平，這個(gè)頻幅是有限制的）；我們還能夠理解，這也是人類(lèi)的一個(gè)最大的特征，我們的理解力是強于低等動(dòng)物的。比如說(shuō)我們對于特征以及關(guān)鍵點(diǎn)的提取，讀完一篇文章，你能很快知道這篇文章主要講了什么，你看見(jiàn)一幅畫(huà)，別人一問(wèn)你這幅畫(huà)是畫(huà)什么，你可以說(shuō)出來(lái)，比如這幅畫(huà)是畫(huà)了一座山，那么我們還有一定的關(guān)聯(lián)能力，就是類(lèi)同事物的搜尋能力，什么叫類(lèi)同事物？就是說(shuō)當你看見(jiàn)一個(gè)一只蝴蝶，一只很漂亮的蝴蝶，你的蝴蝶谷看見(jiàn)一只蝴蝶，你就有能力去搜尋其它長(cháng)的類(lèi)似的蝴蝶，以及有能力去辨認其它長(cháng)的不一樣的蝴蝶，這是對于某種低等動(dòng)物來(lái)說(shuō)它們是做不到的。
我們還可以進(jìn)行歸類(lèi)，當你搜尋完很多類(lèi)同事物以后，你的經(jīng)驗會(huì )以記憶的方式累積在你的大腦中。比如你讀書(shū)，有些人它是讀的書(shū)越多，它讀書(shū)的能力越強，它讀得越快。其實(shí)說(shuō)它在讀書(shū)的不斷的訓練中，它對文字間的特征關(guān)鍵點(diǎn)的提取，對書(shū)的理解能力關(guān)聯(lián)能力也上升了。比如說(shuō)這一本是福爾摩斯一個(gè)偵探，那一本又換成了另一部偵探小說(shuō)，這個(gè)時(shí)候它讀另一本的時(shí)候就很快，但是如果你老師給你不同類(lèi)型的書(shū)來(lái)讀，對你的是閱讀是有橫向發(fā)展的成長(cháng)的。
然后我們還有一定的抽象能力，即經(jīng)驗的總結概括能力。
當我們讀到一句話(huà)的時(shí)候，會(huì )把關(guān)鍵點(diǎn)抽出來(lái)，同樣人工智能也要做到這樣的能力，這是非常重要的。短時(shí)間內讓你看一看一篇連環(huán)畫(huà)，看完以后可能那些比較喜歡的長(cháng)得好看的角色的樣貌你是記得住的，打醬油角色的只出來(lái)一幀畫(huà)面的可能你很快就會(huì )忘掉了。一見(jiàn)鐘情的你就會(huì )非常的對她們有印象，這個(gè)就很容易把它們的特征、輪廓、眼睛眉毛等臉部特征身材樣貌這些特征抽象出來(lái)。
我們還可以表達，前面所列的這些東西以及對最后你抽象出來(lái)的東西我們會(huì )輸出，但是這個(gè)輸出就跟輸入是不一樣的，它們也是一樣的也是不一樣的。為什么這樣說(shuō)？在比如說(shuō)你看到一個(gè)明星范冰冰，你在雜志上看到它你去跟別人說(shuō)，我在雜志上看到范冰冰了，她長(cháng)什么樣，你說(shuō)出來(lái)的這一個(gè)和你看到的那一個(gè)它們一樣是范冰冰，但是它們又不一樣，因為你說(shuō)出來(lái)的這一個(gè)和你看到的那一個(gè)在信息表達上它們絕對是不一樣的東西，我們人們不可能把同類(lèi)的東西就原封不動(dòng)的可以表達出來(lái)，這就猶如達芬奇它是不能夠畫(huà)出兩個(gè)一樣的雞蛋，這是一樣的道理，它在畫(huà)雞蛋的時(shí)候或自己親手構造的雞蛋，它再來(lái)一遍，這個(gè)都是不可能的。這個(gè)也是人類(lèi)的一種能力。然而對于我們不同的個(gè)體，這些能力都是不太相同的。例如有的警察它可能辦案的時(shí)候，它在證據鏈的搜索上就非常拿手，這說(shuō)明它的關(guān)聯(lián)能力很強，跟證據鏈有關(guān)的跟這一起案件有關(guān)的事情，它都能夠很好地關(guān)聯(lián)起來(lái)。然后有一些學(xué)霸就說(shuō)什么的，像理科學(xué)霸它們的理解能力會(huì )很強，然后它們的表達能力也會(huì )很強，因為有的人可能不同意，說(shuō)那些理科男可能都不會(huì )表達怎么樣，它是不是表達這個(gè)意思？就是說(shuō)首先它們理解能力很強，是為什么？因為對吧？你對著(zhù)一個(gè)數學(xué)公式或者物理公式或者一個(gè)定義，你也在看，它也在看，那么為什么人家學(xué)霸考試就考的會(huì )比較好？因為它能把數學(xué)公式或者是這些例題里面的特征提取出來(lái)，很快的提取出來(lái)，有可能它自己都不知道。
比如說(shuō)當學(xué)霸面對題海戰術(shù)的時(shí)候，它就從很多的題里面很容易歸類(lèi)了，這些題是屬于哪些，那些題是屬于哪些。這不是它的歸類(lèi)能力很強，而是它的理解能力很強，它很容易把特征找出來(lái)。然而對于我們來(lái)說(shuō)，題海戰術(shù)它就是一片海有1萬(wàn)道題，那就是1萬(wàn)道題，可能對學(xué)習好的同學(xué)那些學(xué)霸來(lái)說(shuō)，那1萬(wàn)道題它不是1萬(wàn)的，它可能就是10道。因為可能它有一千到根本就是一樣的東西，用的是一樣的方法，就是它們很能夠總結之類(lèi)的東西，把理解的東西只要提取出來(lái)，特征一提取出來(lái)，標簽就打個(gè)標簽一插。 這個(gè)時(shí)候這個(gè)山頭你誰(shuí)看過(guò)去都知道那是什么。這個(gè)就好理解了。它們就是插標簽的能力會(huì )很強。它們在看到自己插過(guò)的標簽的時(shí)候，很容易從這一個(gè)將它的定義再反向解答出來(lái)，這是表達能力很強的體現，在我們人工智能里也有，我們要提高智能人工智能的表達能力生成對抗模型，同時(shí)來(lái)學(xué)習讓智能體讓我們編的代碼，同時(shí)來(lái)學(xué)習一些圖圖中的一些事務(wù)，然后學(xué)習做一些類(lèi)似的圖同時(shí)，要理解這個(gè)圖中的特征，然后還要用自己的方法將這個(gè)特征表達到自己所畫(huà)的新的圖中。這個(gè)就好像學(xué)霸要理解那些例題中的原理，然后再把這些原理應用在自己要做的新的題目中。這個(gè)是表達能力很強。然后像有些文科學(xué)霸它們的歸類(lèi)能力很強，它們的記憶力和理解能力很好，因為有些歷史事件要有自己的理解，由于歸類(lèi)能力強它們很容易就把事物進(jìn)行分類(lèi)，甚至是金字塔型分類(lèi)。在自己的大腦中可能不善于學(xué)習的同學(xué)，就本來(lái)就是三篇課文，三篇歷史課文，你分類(lèi)出來(lái)，還是那三篇，就先等于沒(méi)分一樣。然后這一方面的例子還有很多，大家可以在課外再擴展一下，也可以從生活中找一找，看看你在面對不同的事物的時(shí)候，除了這幾種感知聽(tīng)視覺(jué)聽(tīng)覺(jué)理解關(guān)聯(lián)歸類(lèi)抽象表達這些以外，還有哪些能力是你所具備的？人工智能下一步可能要研究的就是這些能力，大家可以提前來(lái)占領(lǐng)這一片區域。
1、“人工”智能階段
條件性智能反應，人類(lèi)目的驅使，技術(shù)單一的假智能。
像以前我們玩電腦游戲的時(shí)候，CS反恐精英有好多BOT機器人，這種可以稱(chēng)為是一種人工智能，它能像個(gè)人一樣和你玩，但是你玩的多了，你就會(huì )發(fā)現它們行動(dòng)是很有規律的。包括一些一切的游戲機都是這樣的，它們的行動(dòng)往往是很有規律的。而且行動(dòng)不規律的那些也是通過(guò)一些隨機算法，比如說(shuō)時(shí)間算法，我們往往是結要結合時(shí)間的，也是一種假隨機，就是說(shuō)在現在的隨機算法中來(lái)說(shuō)，沒(méi)有真正的隨機，有的只能是和當前的時(shí)間甚至和當前產(chǎn)生的一些東西所結合起來(lái)的。因為電腦是沒(méi)有辦法做到真正的像人一樣，我腦子里隨便想一個(gè)數字55，這就是我突然想到的，我沒(méi)有任何原因，沒(méi)有任何邏輯。計算機現在是做不到這一點(diǎn)的，這種是條件性智能反應。像反恐精英里面的BOT，它是根據你的條件，你的BOT可以選難度簡(jiǎn)單普通困難，如果是困難的話(huà)，看到你馬上鼠標那個(gè)坐標可以飄到你身上去，然后開(kāi)槍。當自己生命值低于多少的時(shí)候，它可能會(huì )選擇回避，周?chē)切┗乇茳c(diǎn)都是提前計算好的。這些就是一個(gè)條件驅使的智能反應，你在碰到真正的人的時(shí)候，發(fā)現你還是打不過(guò)。
2、統計概率學(xué)階段
數據與人類(lèi)經(jīng)驗所驅使，利用數據來(lái)擬合函數，最終獲得從數據中判斷得出的概率。
比如我們預測股票價(jià)格，現在有很多種方法了，早先的時(shí)候，它就是通過(guò)一個(gè)回歸的算法來(lái)進(jìn)行的，看看之前的數據，用一定的算法來(lái)計算一下之前的數據。比如說(shuō)一支股票前五年的開(kāi)盤(pán)價(jià)是怎么樣，然后我們來(lái)預估一下，通過(guò)一個(gè)數據來(lái)預估一下我們之后的開(kāi)盤(pán)價(jià)是怎么樣，它是以統計學(xué)為核心算法，大家也可以看一下統計學(xué)。
3、自主學(xué)習階段
完全的數據趨勢，使智能體自主學(xué)習沒(méi)自己尋找特征，實(shí)現基礎的人機互動(dòng)。
就是說(shuō)這個(gè)里面就沒(méi)有人類(lèi)經(jīng)驗了，統計學(xué)那個(gè)階段還是需要一定人類(lèi)經(jīng)驗的，比如你要預測股票的話(huà)，你得有一個(gè)預測股票的大師再配合你的系統，通過(guò)大師的和工程師要跟人家業(yè)務(wù)的代表來(lái)交流，根據業(yè)務(wù)代表來(lái)慢慢調整算法，調整你的各種參數來(lái)和數據，最后讓數據的表現和你的計算機的表現貼近于很牛的那個(gè)人，這是當時(shí)統計概率學(xué)階段所達到的一個(gè)成果，現在自主學(xué)習階段就是完全是數據趨勢了。
最簡(jiǎn)單的例子就是阿爾法狗（AlphaGo），谷歌并沒(méi)有聘請圍棋專(zhuān)家，通過(guò)一定的算法使智能體進(jìn)行自主學(xué)習，計算量達到要求了。自主學(xué)習階段就是表現出我們的計算機可以自己尋找特征來(lái)實(shí)現基礎的人機互動(dòng)，就包括現在什么百小度，還有什么微軟小兵那些一系列的東西。
4、（未來(lái)推測）記憶結構化階段
數據驅使+場(chǎng)景驅使，從不同場(chǎng)景產(chǎn)生的不同數據中自動(dòng)提取類(lèi)同經(jīng)驗，并自行規劃邏輯經(jīng)驗存儲結構。
下一個(gè)階段可能會(huì )發(fā)展到由記憶結構化的一個(gè)階段。最早人機互動(dòng)沒(méi)有上下文的連接性，你問(wèn)問(wèn)幾句話(huà)它就傻了，它就會(huì )忘掉至比如說(shuō)問(wèn)你同樣問(wèn)有關(guān)一個(gè)問(wèn)題的，你比如說(shuō)鼠標好不好看，然后你知道這是哪買(mǎi)的嗎？ 可能第二句它就不知道了。你知道這個(gè)鼠標是哪買(mǎi)的嗎？當然這個(gè)鼠標我沒(méi)說(shuō)出來(lái)，你是人的話(huà)你都懂，對吧？它就知道我指的就是這個(gè)鼠標，但是對于一開(kāi)始的人機互動(dòng)程序來(lái)說(shuō)，它就認為你這個(gè)里面沒(méi)有出現和上一個(gè)里面相關(guān)的詞匯，往往它給我們的表達就很牽強，但是在現在來(lái)說(shuō)這個(gè)已經(jīng)好多了。我們未來(lái)更會(huì )趨向于就是說(shuō)把我們的記憶按照人腦的結構，或者是它們計算機自己的結構把它結構化。
對感知過(guò)搜尋過(guò)對話(huà)內容所產(chǎn)生的權重，把它按照記憶的結構化的形式來(lái)存儲，根據鞋想報電商網(wǎng)站女性喜歡愛(ài)買(mǎi)的東西這些。在未來(lái)可能就是說(shuō)人工智能會(huì )發(fā)展為數據驅動(dòng)加場(chǎng)景驅動(dòng)，就從不同場(chǎng)景產(chǎn)生的不同數據中自動(dòng)提取類(lèi)同的經(jīng)驗，這個(gè)就把場(chǎng)景就歸類(lèi)了，現在是只有數據歸類(lèi)場(chǎng)景，現在很少能做到有歸類(lèi)的，并自行規劃邏輯經(jīng)驗中的存儲結構。
這個(gè)結構不是人制定，不像一個(gè)結構化數據庫人來(lái)寫(xiě)，那些數據庫可能人家發(fā)展到之后，自己來(lái)規劃自己的數據庫，按照類(lèi)型把數據合理的存放進(jìn)去。
5、（未來(lái)推測）智能神經(jīng)聚合階段
智能驅使，自由控制多神經(jīng)網(wǎng)絡(luò )計算重疊進(jìn)行，大規模神經(jīng)網(wǎng)絡(luò )被聚合為不同的體征網(wǎng)絡(luò )，大量體征網(wǎng)絡(luò )的不同表態(tài)形成基本的類(lèi)人意識。谷歌Facebook那些大型的公司有TPO集群能耗像就跟一個(gè)小型城市那么大，圖像識別經(jīng)驗可能直接導入進(jìn)來(lái)，很多圖像就自動(dòng)就可以識別、邊緣檢測等等。 這些東西都是由機器來(lái)自動(dòng)完成，什么樣的任務(wù)有怎么樣的神經(jīng)網(wǎng)絡(luò )來(lái)好，而且以后可能就是神經(jīng)網(wǎng)絡(luò )反應都極快，比方說(shuō)現在共享單車(chē)， 一個(gè)機器人看到共享單車(chē)，馬上要建立神經(jīng)網(wǎng)絡(luò )，它要去想這個(gè)東西，它要去獲得這個(gè)東西，要分析共享單車(chē)的圖片邊緣檢測，它的二維碼檢測一下，這是一個(gè)什么是哪家公司的，我應該用什么APP來(lái)掃，？然后它還有神經(jīng)網(wǎng)絡(luò )操縱它的手，只是一個(gè)預測，當然以后也不一定要往這個(gè)方向發(fā)展。大家也可以大膽的預測一下，根據前三個(gè)階段來(lái)預測一下，往后的階段可能十年二十年后，看看你是不是一個(gè)預言家。
根據用戶(hù)行為看看用戶(hù)是注冊多久，每天多久會(huì )登錄一次，登陸頻繁，頻率是怎樣，登陸幾次以后會(huì )東西買(mǎi)東西會(huì )花多少錢(qián)，評價(jià)怎樣，你老是打差評，有退貨怎么樣，都是可以分析得到的，還有就是推薦系統，你買(mǎi)了這個(gè)東西，給你推薦類(lèi)似的，看著(zhù)你的喜歡的，你老喜歡買(mǎi)那些稀奇古怪的鞋子，我就給你推薦一些更稀奇古怪的，還有就是導購系統，無(wú)人超市的機器人導購，還有一些就是系統后臺導購，像掃碼導購這些，那么就可以智能的來(lái)判斷，判斷你的需求，然后告訴你應該買(mǎi)什么東西。
還有導航場(chǎng)景，比如說(shuō)現在有一些自動(dòng)駕駛車(chē)、無(wú)人機，無(wú)人機現在還是好多無(wú)人機還是人在操作，只能說(shuō)是真正的無(wú)人機，就是你告訴它我要比方說(shuō)我要去海上給我拍一張照片回來(lái)，它自己就去了，給你拍完照片它自己回來(lái)了，并且它自己可以遵循無(wú)人機的，把那些經(jīng)驗化裝成程序放在無(wú)人機里，你無(wú)人機自動(dòng)在飛的時(shí)候，再選擇路線(xiàn)避讓?zhuān)@些它就自己會(huì )搞了。
還有地圖路徑規劃，比如百度地圖高德地圖；
還有空間路徑規劃，像現在那些掃地機器人。它在清掃一間屋子的時(shí)候，首先它根據攝像頭拍到的空間建模，根據這個(gè)房子的空間來(lái)規劃，盡量少走路全程掃完；
接下來(lái)是在醫療場(chǎng)景，就是說(shuō)腫瘤識別，比方說(shuō)是一張腫瘤大小顏色各種參數拿過(guò)來(lái)以后，可能要專(zhuān)家才能判斷，這是一個(gè)惡性的切。也可能專(zhuān)家看到這是一個(gè)良性的不用切用其它辦法。
醫院專(zhuān)家比較少但是病人比較多，病人都集中到那些醫院里面也不合理，不如把那些專(zhuān)家的經(jīng)驗傳遞給人工智能來(lái)判斷給腫瘤里面照照X光或者罩什么核磁共振之類(lèi)的，你照片拿出來(lái)，你看人工智能一判斷這是一個(gè)惡性，這是一個(gè)良性，可能還比那些經(jīng)驗沒(méi)有那么豐富的大夫判斷得很準一些，這也是有可能的， 也包括手術(shù)的選擇（醫學(xué)影像識別一樣的道理）。
還有工業(yè)場(chǎng)景，比如大規模的3D打印，這個(gè)時(shí)候就需要深度學(xué)習介入，還有一些機械的工程機械臂。
生命科學(xué)場(chǎng)景，比如DNA的序列探索，這些序列太長(cháng)了，針對一種病的DNA序列做一些監測等，現在慢慢發(fā)展，有深度學(xué)習來(lái)做這個(gè)事情，效率會(huì )越來(lái)越高。還有一些生命機能的探索，從DNA其它環(huán)境中，你比方說(shuō)在地震災后救人的話(huà)，這個(gè)也是人工智能所能體現自己價(jià)值的一個(gè)地方。
還有日常生活場(chǎng)景，智能超市剛才說(shuō)過(guò)了，家庭機器人智能家電等。
藝術(shù)創(chuàng )造場(chǎng)景，智能作畫(huà)也在商場(chǎng)，很有做派得很有藝術(shù)家做派的人在那里可以幫你幾分鐘幫你畫(huà)一幅畫(huà)油畫(huà)素描都有嗎？當然現在也差不多我蠻好用的，手機上也有，APP直接可以你自己把你的照片一拍，然后你想要什么藝術(shù)效果你自己挑。它可以以像素級別來(lái)為你生成，我們在photoshop上面也有，對你整幅畫(huà)面按照統一的比例，比如10%按照就這樣10%，比如說(shuō)是透明特效，10%你就整幅畫(huà)面都是透明。但是你用人工智能來(lái)做一個(gè)透明的創(chuàng )作，或者你手里端著(zhù)一盆水，可能那盆水的盆就給你搞透明了。還有智能作曲也是，之前好像有人寫(xiě)了一個(gè)聽(tīng)歌的一個(gè)人工智能程序來(lái)，最后評論下來(lái)，反正有幾個(gè)歌手的歌是人工智能也覺(jué)得實(shí)在是難聽(tīng)。
然后還有影視制作，影視劇本身呈現在國外好多做美劇的在用，它們會(huì )先用人工智能生成第一版的影視劇的劇本，它們給這些說(shuō)它們給人工智能提供的是文字形式的東西，就是什么劇的描述來(lái)做一個(gè)什么樣的劇，環(huán)境是怎么樣子的，歷史設定是怎么樣子的，我需要多少個(gè)人，主人公的性格是大概怎么樣子的，它們這些作為參數來(lái)提供給人工智能然后人工智能通過(guò)它自己閱讀了好多劇本以后，它從里面吸取經(jīng)驗，然后搞出一個(gè)新的和你這個(gè)比較相近的。還有虛擬人臉生成等。
講了這么多，都沒(méi)有跟信息安全掛鉤，那么信息安全是不是就跟人工智能很難結合呢？其實(shí)信息安全老早就跟人工智能又結合了。比如密碼算法、驗證算法這些就用了我們機器學(xué)習里面的好多算法，所以其實(shí)機器學(xué)習人工智能這塊先被應用到其它行業(yè)之前，就是最先應用到信息安全行業(yè)的。如說(shuō)現在物聯(lián)網(wǎng)、嵌入式的信息安全。
信息安全的現狀大概分了這么幾類(lèi)：
攻擊場(chǎng)景如何復原現在是一個(gè)大問(wèn)題，網(wǎng)絡(luò )安全上我們其實(shí)更需要的是快速的響應，由機器來(lái)代替人來(lái)響應，很多解決方案，就是說(shuō)當然做的好的才行，好多都是做得不好的，做的好的就是快速響應，互聯(lián)網(wǎng)上有類(lèi)似的攻擊行為，IPS級識別的行為，馬上就可以來(lái)防火墻阻攔或者至少自動(dòng)告警，然后給它錄入一個(gè)就像是我們用戶(hù)行為識別那樣的一個(gè)信用的一個(gè)級別。
當它再過(guò)來(lái)做一段事情比如它訪(fǎng)問(wèn)了系統A以后，它又去訪(fǎng)問(wèn)系統B，它都沒(méi)有成功的訪(fǎng)問(wèn)，這個(gè)時(shí)候它的信用評級會(huì )越來(lái)越差，差到一定地步的時(shí)候它登陸任何的系統你都要彈驗證碼，甚至是要短信驗證碼，或者是用其它的方法直接隔離。
一般現在都是搞很多復雜的機制你才能夠用，缺一樣不行，這個(gè)東西人家都說(shuō)是短板效應，缺一樣也不行?，F在說(shuō)水桶原理有另一個(gè)方法，就是你把水桶有一塊板是最長(cháng)的，然后你把水桶放平，然后最長(cháng)那塊擺在最下面，這發(fā)現你也能接很多水。你還能放很多水，就不要放平，這樣你也能放很多水。
服務(wù)器安全服務(wù)器運維人員會(huì )很清楚，安全人員很好管，一個(gè)是加固改配置，然后就打補丁，運維人員服務(wù)器管理者很頭疼，打補丁風(fēng)風(fēng)險大，不打風(fēng)險也大。真正以智能化的形式來(lái)打補丁，讓人工智能來(lái)理解服務(wù)器的一些底層的組件影響服務(wù)器的一些東西，打補丁之后這些組件發(fā)生了哪些變化，讓智能體來(lái)反應。
現在有公司把惡意惡意代碼、木馬的病毒等給那些人工智能深度學(xué)習來(lái)認但是往往那些變種了，你都不報警的拿過(guò)來(lái)深度學(xué)習照樣報警，現在是有英國有幾家有兩家在做這種事情。
密碼安全，多少密碼才能讓你一生的賬戶(hù)足夠安全？比如說(shuō)你一生可能很可能就不下500個(gè)，起碼各個(gè)大小的網(wǎng)站。你不可能天天帶個(gè)本，上街上帶個(gè)本去取錢(qián)也帶個(gè)本記著(zhù)你的500個(gè)密碼，你在家里上公司，你反正你包里裝個(gè)本，記著(zhù)你所有的密碼，這也不現實(shí)。 所以很多人都是基本上你如果真的是500個(gè)網(wǎng)站的話(huà)，可能頂多不會(huì )超過(guò)十個(gè)密碼，很多都是重復的，就很容易造成撞庫。搞安全的人們看待一個(gè)密碼最好就是隨機算法的密碼，從隨機的字符庫取個(gè)十位的密碼，可能前四位你從大寫(xiě)庫取后三位，你從小寫(xiě)庫中取三位，但這種也不切實(shí)際屬性，這種密碼不好記。
深度學(xué)習的出現讓人類(lèi)在人工智能訓練過(guò)程中的控制過(guò)程就逐漸減少了，像AlphaGo可能團隊就那十來(lái)個(gè)人，那就能搞出那么大的創(chuàng )舉，你可能沒(méi)有深度學(xué)習的話(huà)，上幾百號人估計都搞不出來(lái)效果?，F在深度學(xué)習出現以后，這個(gè)數據的主導地位慢慢占據了，有數據了，人類(lèi)就調參完了。
我們能給到大家的一些現在做的效果比較好的數據預測、圖像識別、語(yǔ)義識別這些都會(huì )給到大家，本課程這個(gè)東西我也會(huì )更新，可能有更好的東西出來(lái)了，我就會(huì )換更好的東西了，盡量給大家就是說(shuō)把新的東西給到大家。你那是厲害的東西你也拿不出來(lái)，你說(shuō)你拿出谷歌去年到今年研究的一個(gè)東西拿出來(lái)跟你講，這個(gè)不可能，人家都沒(méi)有泄密的東西，像之前Facebook不是說(shuō)傳聞搞出了兩個(gè)機器人相互對話(huà)，然后對話(huà)除了只有機器人自己懂得語(yǔ)言，然后兩個(gè)機器人還聊得挺開(kāi)心的。它們是把一些著(zhù)重的語(yǔ)言，比如說(shuō)機器人A想跟機器人B來(lái)罵自己的老板，它就會(huì )說(shuō)這boss它會(huì )重復很多的字，來(lái)強調這個(gè)單詞，老板來(lái)強調這個(gè)東西，但是我們人可能就說(shuō)，可能說(shuō)的話(huà)就直接是加重語(yǔ)氣，可能看了半天人也看不懂它們在說(shuō)啥。它們那邊機器人就在那里聊，聊得有模有樣了，從這個(gè)程序的運行效果準確率各方面來(lái)看沒(méi)有偏離到太玄乎的東西，在機器認為上下文關(guān)系還是OK的，只不過(guò)你看不懂而已。 然后Facebook之后馬上叫停了這個(gè)項目，它們也害怕慢慢發(fā)展起來(lái)會(huì )有什么問(wèn)題，當然這個(gè)肯定不可能，機器從通過(guò)這個(gè)例子來(lái)慢慢發(fā)展到自己有了真的智能，根本做不到。
要給大家就是說(shuō)提前聲明一下，深度學(xué)習，就是說(shuō)當你學(xué)完課程以后，可能你覺(jué)得好多東西我都做過(guò)了，好多都能做了，就不要有這種想法，深度學(xué)習是現在就是說(shuō)比較接近于我們能夠用自己的大腦的一些結構，人類(lèi)發(fā)覺(jué)了一些大腦結構來(lái)做東西的，但是大腦的結構僅僅占1%都不到，這真正大腦你用的真正大腦的結構的1%都不到，然而你用的大腦占你整個(gè)大腦的20%都不到，這是我們的人類(lèi)的一個(gè)現在的一個(gè)特征。我們還會(huì )給一些信息安全的實(shí)例，我們不但會(huì )提供深度學(xué)習的實(shí)例，還會(huì )給一些信息安全的事情，把現在能夠搜得到的那些信息安全的論文后用代碼來(lái)復現然后跟大家講解一下這是怎么回事。 包括我們可能最后會(huì )涉及到人工智能系統，你看不懂代碼沒(méi)關(guān)系，我們也有python基礎，你不懂代碼的話(huà)，在安全界不好混的。我們免費贈送了數據處理的課，會(huì )教你數據處理中的過(guò)程，每個(gè)項目都是的，把數據清洗進(jìn)到模型里面測試驗證最后達到我們項目的效果。
聯(lián)系客服
