论文AI技术天花板是关于天花板方面的论文题目、论文提纲、天花板装修效果图论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
即使将来AI会超越人类智能,也至少不会基于这一代的计算机技术和理论,或许会是基于量子计算
人工智能（AI）的基本假设是“认知即计算”.但目前对认知本质的理解不同发展出了多个学派,典型的如基于数理逻辑的符号学派、模仿生物行为特征的行为主义学派,以及模仿生物神经网络的连接学派.
60多年来,AI已多次起伏.本轮兴起的主因是硬件能力的飞跃、数据的海量增长和算法的明显改进,尤其是神经网络（更准确地说是深度学习）在计算机视觉和自然语言识别方面取得了突破.当然,云计算、开源运动和摩尔定律,也起到了至关重要的推动作用.
但目前基于深度学习的AI技术还存在诸多限制.例如,算法还是个黑盒子,无法做因果解释,调参数主要还是靠运气.另外,机器学习的训练是个吞噬算力的“算老虎”.第三,数据透明性不够,诱导性或对抗性数据容易改变学习的结果等.这些都导致目前的AI技术还无法与其他学派有机结合起来.
最关键的,所有AI的实现都要依靠各类计算机,从PC、服务器到GPU（图形处理器）,它们都是 “图灵机”的具体实现.但理论上已证明,图灵机是无法建立起“自我”意识的概念.换言之,即使将来AI会超越人类智能,也至少不会基于这一代的计算机技术和理论,或许会基于量子计算.
AI三大学派进阶
起源于60年前的AI理论,建立在“智能的本质是计算”的基本假设上.但因为对智能本质的认知不同,基于计算机如何构造AI已形成了三大学派.
第一个叫符号主义学派.主张智能源于数理逻辑,认为人类的认知和思维的基本单元是符号,认知过程就是对符号的逻辑运算.其代表作是在电视问答竞赛中战胜人类选手的IBM Watson.
第二个叫行为主义学派.主张的基础是诺伯特·维纳的控制论,把关注的焦点从人类转向了整个生物界的智能（比如昆虫的个体和群体智能）,终极形式是二进制的人工生命.其代表作是麻省理工学院的“六足机器人”.
第三个叫连接主义学派.主张将智能建立在大量简单的计算单元上,经过复杂连接后,并行运算的结果.这一学派基于神经生物学和认知科学,因为人类大脑就是由1万亿个简单的神经元细胞,错综复杂地连接起来产生的.
神经网络诞生于上世纪60年代,最初只包括输入层、隐藏层和输出层.输入层和输出层通常由应用决定,隐含层包含神经元可供训练.2006年,多伦多大学教授Geoffrey Hinton的团队在《科学》上发表了一篇文章,提出了深度学习的概念,指出可以用更多隐藏层（比如5层-10层）做算法训练,因为实验效果显著,开启了学界和产业界AI的新浪潮.
相比传统的机器学习,深度学习可以让机器自动习来特征,无需人工事先设定.针对不同的应用场景,传统机器学习算法需要把软件代码重写一遍,而深度学习只需要调整参数就能改变模型.
深度学习是用数据来做训练.一般而言,学习的深度越深和广度越大,需要的数据量就越大,需要的数据种类就越多.当然不能一概而论,也不是数据越多越好,可能会出现“过度训练”.
深度学习的训练分两种.一种是有监督的,就是人工为数据加了标签,这种方法的缺点是,现实世界中被打了标签的数据太少了.另外一种是无监督的,只有数据没有人工的标签,计算机不知道正确答案就可以训练.
这一轮的动力
AI的新算法和新数据,都以大幅增加对计算资源的消耗为前提.业界找到的新动力,或者说新的计算资源,就是GPU（图形处理单元）.
60多年来AI市场规模一直很小,内部帮派林立,支撑不起AI专用芯片的市场.因此早期的机器学习,只能基于廉价而广泛存在的CPU提供计算资源,或者极少数情况下用昂贵的专用芯片.
GPU誕生于上世纪90年代,设计专用于高并发计算、大量浮点计算和矩阵计算能力的视频游戏和图形渲染等应用,即计算密集型应用.深度学习正好就是计算密集型的.大约在2008年-2012年,业界逐步摸索到了,如何将深度学习与GPU有机结合起来的工程方法,直接将深度学习的速度加速了数百倍,让产业界看到了把AI实用化的希望.
当然GPU可能也还是太通用了,于是更加专用的FPGA（Field Programmable Gate Array,现场可编辑阵列）和ASIC（Application Specific Integrated Circuit,专用集成电络）纷纷登场.谷歌新近发布的TPU（Tensor Processing Unit）芯片,号称处理速度比CPU和GPU快15倍-30倍,性能功耗比高出约30倍-80倍,当然是神经网络专用场景.
摩尔定律说,同样成本每隔18个月晶体管数量会翻倍,反过来同样数量晶体管成本会减半.近年来摩尔定律虽然有所减速,但仍然是CPU、GPU和TPU等快速发展的基础.
云计算也是AI发展的坚实基础.产业界云计算“大佬”纷纷推出“GPU/FPGA/算法/数据as a Service”业务,可以通过云端直接租用资源,方便用户做深度学习.
近十年来,不仅是软件定义世界,而且是开源软件定义世界.如果说2017年AI技术最大的变化是专用硬件的设计潮,那么2016年AI技术的最大变化则是巨头们纷纷开源了深度学习框架,比如Facebook的Torch和Caffe,谷歌的Tensorflow,亚马逊的MXnet,微软的CNTK,IBM的SystemML等.十年前,谷歌开源了Android操作系统,成功打造了智能手机的Android生态.现在,谷歌等纷纷开源AI框架,希望打造“AI优先”时代的新生态,重现往日辉煌.
技术仍有局限性
深度学习的效果取决于网络结构的设计、训练数据的质量和训练方法的合理性等.无论是从统计学还是对智能的基本认知的角度看,这次深度学习牵引的AI产业化浪潮还存在不少局限性.
总结:本文关于天花板论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
参考文献：
1、 大数据和AI技术在新媒体传播渠道中的应用分析 摘 要 随着当前社会的不断发展，大数据技术和AI技术也已经逐渐渗透到各行各业当中，尤其对于媒体领域有重要的影响。新媒体蓬勃发展的今天，信息的数量。
2、 小米天花板和新机会 5月3日，小米向港交所递交了IPO招股书，有望成为香港“同股不同权”的第一股。届时小米或将成为继2014年阿里巴巴后，四年来全球最大IPO。关。
3、 AI医疗如何做好一只被风吹上天猪 历史没有只吹不停的风，反复表演着居高摔重的戏码，AI+医疗也概莫能外。这是一场持久战，活下来比什么都重要人工智能在医疗领域被资本的风吹上九尺云。
4、 风云四号卫星发射成功突破20多项核心技术 12月11日凌晨0点11分，西昌卫星发射中心使用长征三号乙运载火箭成功将风云四号卫星送上太空。据了解，本次发射成功的风云四号卫星成功突破了代表国。
5、 政府投资审计数字和技术方式 一、政府投资审计的常规方式与存在问题长期以来，固定资产投资一直是我国经济发展的主要驱动力之一。重大投资项目往往投入巨额的建设资金，建设过程包括。
6、 应用地理信息技术大力助推审计业务 一、地理信息技术概述地理信息技术是获取、存储、管理、处理、分析和应用地理信息的现代技术的总称，是以计算机、数据库、网络和现代通讯技术为基础，以。