好莱坞的化妆技术可以识别吗如带个人面蒙皮

主动学习的能力，我挺赞同你的看法。机器学习现在的主动学习能力，和一个人的主动学习能力差的太远了。最笨的学生都比最聪明的机器有举一反三的学习能力。 完全自动驾驶的确有很多挑战，也不知道那些搞机器学习的大牛能不能在５年内做好。

研究过ML技术目前来说，理论上还是没啥进步，算法在七八十年代就有了，只是在原有基础上作了各种优化，计算能力的提高以及大规模数据的采集，使得机器学习成为可能，目前的主流算法只能是对历史数据的推导，主动学习还只是停留在理论层面。 自动驾驶实现的可能性不大，目前还有很多技术难点需要克服，比如图像识别这块，图形算法用了ML，在一定范围内提高还是很明显的，但是对于动态环境，尤其是光线变化比较复杂的情况下还是难以胜任的。这个主要是ML理论本身就存在这个缺陷性，样本数据只是历史的总结和推导，而不能对未知环境做出准确的判断，另外一个方面，图像识别的一个难点就是干扰问题，google自动驾驶团队内部做过试验，对大量图片进行训练达到一个比较理想的准确率以后，对这些图片进行一些色彩干扰运算，在人眼看来，差别不大，但是重新给机器做识别，准确率大幅度下降。一个非常尴尬的事实就是，现在所有的自动驾驶如果不依赖预置的地理信息系统，连十字路口的红灯都不能准确识别。更别说图像自动识别了。

ML在色彩处理上是有很大局限性的ML是基于数理统计的向量化而已，在一定程度上提高了准确率，但是也有其极限，这个是算法本身特性决定的，数据量再大也无法突破，只能是无限接近，特定算法只能用于特定场景，人脸识别，棋谱都需要不同的对应算法，这些算法都需要人为的去优化，以达到最优效果。 颜色比较特殊，计算机处理的是数字化数据，非线性连续的，这就给ML带来挑战，需要基础图像识别理论的突破来解决。

研究过ML技术目前来说，理论上还是没啥进步，算法在七八十年代就有了，只是在原有基础上作了各种优化，计算能力的提高以及大规模数据的采集，使得机器学习成为可能，目前的主流算法只能是对历史数据的推导，主动学习还只是停留在理论层面。 自动驾驶实现的可能性不大，目前还有很多技术难点需要克服，比如图像识别这块，图形算法用了ML，在一定范围内提高还是很明显的，但是对于动态环境，尤其是光线变化比较复杂的情况下还是难以胜任的。这个主要是ML理论本身就存在这个缺陷性，样本数据只是历史的总结和推导，而不能对未知环境做出准确的判断，另外一个方面，图像识别的一个难点就是干扰问题，google自动驾驶团队内部做过试验，对大量图片进行训练达到一个比较理想的准确率以后，对这些图片进行一些色彩干扰运算，在人眼看来，差别不大，但是重新给机器做识别，准确率大幅度下降。一个非常尴尬的事实就是，现在所有的自动驾驶如果不依赖预置的地理信息系统，连十字路口的红灯都不能准确识别。更别说图像自动识别了。

好莱坞的化妆技术可以识别吗如带个人面蒙皮

现在大多是程序化交易，根据规则设定好的，跟machine learning 没半毛钱关系。 有句话挺没礼貌但符合事实的话：人工智能在金融市场就是人工弱智。

那为什么就一定要靠颜色来判断呢让交通灯发射出几种频率的信号就好了，跟颜色同步。当然，颜色也是电磁波，可能只是功率不够。 当然，这种东西一定要搞出来也是天朝先搞出来，舍得花在基础设施上。

改变基础设施带来的自动化就没必要了吧如果需要这样做，那干脆在路周边多放点信号引导汽车得了。目前自动驾驶所做的研究就是试图使机器能像人一样思考，判断。而不是额外增加基础设施投入。 就好像做仿生机器人，就是两条腿，人形，迈步走。如果单纯为了移动，装俩轮子最简单。

我们应该用augmented intelligence来理解 自动驾驶？yes machine　金融分析师? yes machine　trader? no machine　会计? yes and no, 需要人来变通，很多时候老板会指示会计想个明目把泡澡的费用给报了，machine表示做不了 machine　审计师？no

会有好几轮基础设施改造的最后应该会改造成完全机器驾驶，人类驾驶反而是违法的 交通事故多发的一个原因是人类信息处理太单一，基本上靠看，而且只能看一个方向。比如隔壁贴子提到的右转可能会被对面巴士挡住而看不到对面隔邻车道的直行车，机器之间的communication很容易就解决了，而且能处理各个方向的信号。 反观人类的信号有什么？打灯？按喇叭？竖中指？只能这样了

这个最终我感觉得三五十年吧谁都知道全部让电脑控制最简单，机器同机器沟通，按照预订的规则行进。路口搞什么联通灯呀。反正都预先沟通好了，到时候就刚刚好谁也不碰到谁，而且机器沟通可以很有效的解决跟车距离，反应时间等问题，大大提高交通效率。 　 但是呢，这个不是一蹴而就的事，辣么多车，辣么多路，怎么可能都全部更新完？所以现阶段的方向，就是让电脑像人一样去判断就好。 (more...)

此话怎讲设定好的规则也是trader手动交易的逻辑依据啊，为什么变成程序就弱智了呢

基础还是大量棋谱啦不过加了些自我演进的规则和算法，围棋对这个特别适合，因为规则简单，变化却无穷 关键还是计算能力的改进吧

AlphaZero刚出paper完全没有用人类棋谱哟……你讲得那么斩钉截铁我还以为是我记错了

研究过ML技术目前来说，理论上还是没啥进步，算法在七八十年代就有了，只是在原有基础上作了各种优化，计算能力的提高以及大规模数据的采集，使得机器学习成为可能，目前的主流算法只能是对历史数据的推导，主动学习还只是停留在理论层面。 自动驾驶实现的可能性不大，目前还有很多技术难点需要克服，比如图像识别这块，图形算法用了ML，在一定范围内提高还是很明显的，但是对于动态环境，尤其是光线变化比较复杂的情况下还是难以胜任的。这个主要是ML理论本身就存在这个缺陷性，样本数据只是历史的总结和推导，而不能对未知环境做出准确的判断，另外一个方面，图像识别的一个难点就是干扰问题，google自动驾驶团队内部做过试验，对大量图片进行训练达到一个比较理想的准确率以后，对这些图片进行一些色彩干扰运算，在人眼看来，差别不大，但是重新给机器做识别，准确率大幅度下降。一个非常尴尬的事实就是，现在所有的自动驾驶如果不依赖预置的地理信息系统，连十字路口的红灯都不能准确识别。更别说图像自动识别了。

你可以研究一下Alphago和深蓝的算法RT，深蓝当时和卡斯帕罗夫下棋的时候，是以专家系统为主的。一秒要评估6亿种情况。后来alphago出来之后一秒只要评估2万中情况，从6亿减少到2w，这个本来就是巨大的进步。 再比如图像识别算法，同样的数据，多年研究的各种模型都不如CNN。可以说明算法的进步

好莱坞的化妆技术可以识别吗如带个人面蒙皮

自动驾驶不只需要算法升级，还需要硬件sensor升级。现在是软硬件和整合都在良性发展，跟以前不一样的。