WEBVTT

00:00:08.300 --> 00:00:11.860
我叫Ale Flores 我是Alexa的產品
經理

00:00:12.500 --> 00:00:15.220
我是Chelsea Haupt博士我在Allen人工智慧研究所工作

00:00:15.360 --> 00:00:19.500
我負責研究基於人工智慧的學術搜索引擎

00:00:21.180 --> 00:00:26.020
環繞您的四周 計算機在做
各種決定 而這些決定會影響到

00:00:26.020 --> 00:00:31.259
您日常生活的方方面面當您使用網路
搜索或瀏覽新聞資訊時

00:00:31.260 --> 00:00:34.360
計算機將決定您所看到的內容

00:00:34.360 --> 00:00:39.060
計算機已經可以識別您的臉部而且理解您的語音指令

00:00:39.060 --> 00:00:44.080
很快它們將可以駕駛汽車并且診斷疾病 而且做得比人類更好

00:00:44.480 --> 00:00:46.900
那麽這一切如何實現呢？

00:00:47.520 --> 00:00:52.960
您或許聽説過人工智慧AI

00:00:53.320 --> 00:00:56.780
真正意義上的人工智慧或許還要等數十年的時間

00:00:57.200 --> 00:01:01.520
而今天所提及的人工智慧，實際上是機器學習

00:01:01.520 --> 00:01:05.360
這種人工智慧與您日常交互 您甚至尚未察覺它的存在

00:01:05.360 --> 00:01:10.700
它有機會幫助我們應對世界上最大的挑戰

00:01:12.660 --> 00:01:18.180
機器學習是讓計算機學會如何識別模式

00:01:18.180 --> 00:01:21.360
無需明確的編程而作出決策的過程

00:01:21.820 --> 00:01:27.580
令人興奮的是 這與

00:01:27.580 --> 00:01:29.620
以往的計算機編程方式完全不同

00:01:31.340 --> 00:01:36.860
透過機器學習 您可以針對學習的過程進行編程 就像藉助反複嘗試和大量練習來進行學習一樣

00:01:37.360 --> 00:01:43.760
而不是一步一步地對計算機進行編程

00:01:44.560 --> 00:01:48.880
學習源於經驗 機器學習也是如此

00:01:49.280 --> 00:01:53.700
在這種情況下 「經驗」是指大量的數據

00:01:54.500 --> 00:01:57.560
機器學習可以吸納任何類型的數據：

00:01:57.560 --> 00:02:04.520
圖片、視頻、音頻或文本，並開始
識別該數據中的模式

00:02:06.300 --> 00:02:11.120
一旦學會識別數據中的模式 它也能夠

00:02:11.120 --> 00:02:12.980
根據這些模式做出預測

00:02:13.340 --> 00:02:18.420
就像留意汽車圖像和自行車圖像之間的差異一樣

00:02:20.600 --> 00:02:26.200
人工智慧和機器學習在整個社會中扮演著越來越重要的角色

00:02:26.640 --> 00:02:29.000
並全方位地塑造著我們的未來

00:02:29.000 --> 00:02:34.600
這就是善用所傳授的經驗來學習其工作原理如此重要的原因

00:02:35.000 --> 00:02:39.000
您將有機會訓練自己的機器學習模型

00:02:40.940 --> 00:02:47.020
記住 人工智慧正如工具一樣：首先您獲取知識 然後您獲得力量！