试图理解人工智能？卡内基梅隆大学为此构建了AI技术栈
在本期《AI学堂》播客中，卡内基梅隆大学计算机科学学院院长安德鲁·摩尔讨论了AI技术栈的价值。
AI的定义与核心要素
卡内基梅隆大学将人工智能系统定义为具备两大核心能力的系统：
- 理解世界：通过传感器技术收集信息（如视觉或听觉数据），并结合历史学习经验解析当前情境
- 智能决策：基于理解做出决策或辅助人类决策
以自动驾驶汽车为例，一半的工程工作集中于让车辆理解环境，包括识别车道标线、其他车辆、行人等动态元素，这需要数百万小时的经验数据来预测行为。
七层AI技术栈架构
卡内基梅隆大学开发了AI技术栈，作为可视化AI技术组件的蓝图：
1. 应用层
- 自主系统：需自主决策的场景（如阿富汗洞穴探测机器人、卫星防太阳耀斑）
- 认知辅助系统：为用户提供建议（更接近消费级产品，如企业增值服务）
2. 决策系统层
优化器、规划器或ERP系统，基于下层数据做出决策（如调度5000名Uber司机、部署应急人员）
3. 算法层
“大型线性程序”、动态程序或强化学习系统，使AI自主选择最佳结果
4. 机器学习系统层
解析原始传感器数据（如相机像素、音频频谱）的含义
5. 数据支持系统层
管理数据并实现最低延迟访问。关键研究包括卡内基梅隆大学Satya教授的边缘计算工作，将实时计算移至用户100英尺内的设备
6. 底层技术层
GPU、闪存等支撑AI的技术。未来可能加入量子计算等新技术
给CIO的建议
入门方向
从AI对话系统（如Siri、Google Home、Alexa）开始集成，培养团队开发技能，为未来AI系统集成做准备
值得关注的技术
- 人类活动检测：计算机视觉监控公共场所人群
- 情绪状态监测：通过面部肌肉追踪分析情绪状态（如机场客流量调整后的顾客情绪分析、医疗领域患者心理状态评估）
技术影响与伦理考量
这些技术已能敏感到在患者和医生察觉前判断抑郁症治疗效果，摩尔形容其"既令人兴奋又 terrifying（令人恐惧）"。