本文目录一览：
- 1、人工智能破解癌症和阿尔茨海默氏症的“语言”，对社会有什么影响？
- 2、AI时代来临，我们应该如何应对？
- 3、在AI时代，AI如何解决员工的个性化学习需求？
- 4、无人车被骗、指纹被识别、定位被干扰，AI真的安全吗？
人工智能破解癌症和阿尔茨海默氏症的“语言”，对社会有什么影响？
目前全球每年因为癌症而死亡的人数是非常庞大的，像一些胃癌，乳腺癌以及食道癌都是普遍的出现在人们的日常生活中的。在癌症早期可能还有机会治好，如果到了晚期基本上就是没有办法去医治的了，除了癌症之外，阿尔茨海默症也是发生在老年群体非常常见。这种病症主要表现为老年人的记忆力下降，然后对生活造成一定的障碍，也就是被大家称为老年痴呆的表现，但是随着时代的发展，现在人工智能是非常强大的。有科学家甚至可以运用AI的这种方法去了解癌症和阿尔兹海默症这种语言。
对癌症和阿尔茨海默症是一个突破性的研究
人工智能如此发达，而凭借着人工智能这么强大的算法，对于有些疾病的生物语言可以进行一个预测和研究，在这种情况下可以说是非常先进的，而如果可以对癌症有一定的了解的话，那么对于一些医学研究人员来说应该是一个巨大的进步和鼓舞，因为在这样的情况下可以进一步对癌症和阿尔茨海默中有一个更好的了解，也许会有一个突破性的研究，这样对于那些患了癌症的人和这些病症的人来说就是一个福音，同时也是一个突破性的研究了。
社会更加进步
如果人工智能能够破解癌症方面的语言的话，那对于整个社会来说就是更进一步的事情了，现在整个社会已经十分发达了，大家在日常生活中使用移动支付的方法，然后也进入了一个大数据的时代，而人工智能如果能对医学方面有一个突破，那么相信对于其他方面也会有一个突破性的方面。肯定对整个社会有一个更好的影响，会促进整个社会的具体的进步。
相信科学是能够改变一切的，也希望人工智能可以预测癌症这方面能够突破医学方面的研究，这样的情况下就可以使人们少受疾病的折磨。
AI时代来临，我们应该如何应对？
对于人工智能，我们有太多的期待和太多的杞人忧天。截至目前，我们能触及到的人工智能不过是在一定数据库内完成的极少数的固定指令。在可预见的时间里，人工智能完全不会像厂商宣传的那样神奇，反而在实际应用中会出现巨多的bug。人工智能的一个例子，比如汽车自动驾驶，仅仅是根据硬件传感和数据处理之间完成了一部分的数据排列组合，距离真正上路后对周围环境的感知和判断，还有光年级别的距离。这里面有太多的未知需要技术来解决，而技术是有限制的，最简单的就是自主思考的问题。机器，最根本的指令是“是”和“否”，但是在人类的思考中却不是这样的，你还会有一个模糊的、介于“是”和“否”之间的想法。这一点，机器是无法理解和处理的。
另外，当前国内企业对于人工智能宣传太多夸大了，能实现语音识别、图像识别就以为是人工智能圈的大牛了，这太自以为是了。语音识别最牛的中国企业是哪个？大家肯定是知道的吧。就目前这个厂商的技术来看，距离准确识别人类语言还有超级远的距离，玩玩还行，距离真正的应用，差的远呢。不信的话你把它拿到商场中识别看看。另外吧，因为国内有一些人工智能方面的应用，加上国内企业的宣传力度比较大，所以给大家的感觉是国内人工智能技术已经牛到不要不要的地步。但实际上，距离日美还是有很大距离的。只能说，我们在某几个地方的应用方面超过了日美，但是在顶级技术或基础支撑方面还是有差距的。最后的最后，也许是受到欧美科幻大片的影响，我们总觉得人工智能到了一定成都后会控制甚至消灭人类，其实呢，有很多人也在强调：人工智能或许是一个假命题！
在AI时代，AI如何解决员工的个性化学习需求？
AI并不神秘，甚至可以说无处不在——来自购物、娱乐平台的“猜你喜欢”，来自社交平台、新闻媒体的“为你推荐”等等无一不在使用AI技术来解决每个人的个性化消费。
在消费互联网，AI技术已经运用得越来越成熟，在企业学习领域用来解决员工的个性化学习需求也是AI及企业学习发展的必然趋势。
其中，数据是实现个性化学习的基础，这里的数据包括精准的员工画像数据及足够量级的内容数据；机器学习是决定推荐内容准确度及影响员工学习体验的关键，这里的机器学习主要指建立员工与数据之间循环往复不断修正完善的关系。
要解决员工的个性化学习需求，必须从数据和机器学习两个方面入手，这两个方面又是你中有我我中有你的关系，那么他们如何协同作战解决员工的个性化学习需求呢？
建立立体的员工画像
对于员工画像来说，采集数据的维度越多，画像越精准。
为了更好地规划员工个性化学习路径，精准把握员工学习需求，推送符合企业和员工学习需求的知识内容，最终提升企业学习的学习效果，立体多维的员工画像是基础。
现在大部分学习平台所谓精准的员工画像更多的是基于企业内部员工基本的岗位信息而建立，采集数据的维度非常有限。
深度应用AI技术的企业智能学习系统，在企业内部数据的基础上，可以从全网数千万个数据中精准理解每个岗位的知识结构，绘制高精度岗位地图，精准定位员工角色和技能水平，并通过同行同事的学习数据、行业动态、员工在社交、购物等消费互联网上的行为数据等等维度了解员工兴趣爱好、生活学习规律，精准描摹员工画像，为员工建立从工作、生活、娱乐休闲三位一体的立体画像。
为了更好地为员工建立多维的立体画像，Filtered的产品Magpie在确保引擎了解员工角色、兴趣、学习需求和技能概况时，会不时向员工提出很多问题，以期对员工有更加全面的认识；
国内的布本知鱼从公司特点、团队需求、岗位地图、个人情况等9大类30多个维度精准刻画员工画像；
建立知识单元尽可能小的微知识系统
在知识内容的数据上，包含两个方面：企业内外已有的知识数据和正在或未来可能创建的知识数据。
企业在内容数据方面的难题大概有两个：一是原有的大课数据、厚重的知识材料长期沉寂，造成知识数据资产的浪费；二是内容单一，数据量不足。
解决员工个性化学习需求，从知识内容的角度可以分两步：
第二步，在正确的时间提供精确的知识内容，正确的时间是指员工发生需求的时间，精确的内容是刚刚好解决需求的知识单元或知识点，而不是长篇大论的课程或材料。
要完成第一步，在将企业内部知识数字化的同时，还应当开放第三方数据，从第三方数据中获取对员工有价值的与时俱进的知识数据。
要完成第二步，首先需要的就是拆解知识内容，包括对内容进行知识单元的识别、标记和分类等，帮助企业建立知识单元尽可能小的内容数据，方便在员工需要的时候精准提取相应的解决方案；
机器学习，不断校准、完善推送内容的精准度
机器学习通过员工对内容数据的相关行为反馈，逐步校准内容的精准度。
有一种机器学习叫强化学习，它专注于系统性能，会根据用户或积极或消极的反馈，以及自身的大量重复学习来执行任务，调整自己的系统行为。
比如，AI系统为员工推送的某一主题内容，并未引起员工的点击、关注，系统就会判断这一主题的内容并不符合员工的当下需求，那么系统将不再推送这类内容；在某天员工对该主题的内容进行了主动搜索，机器就会判断员工在这一阶段可能需要这一主题的相关内容了，后续将会再增加这一主题的相关推送。
强化学习这种通过越来越多的系统使用数据或经验来做出决策的学习方式或能力，与人类根据积极或消极后果来改进自身学习极为相似，但它的这种学习是不间断的，不受时间、地点的约束。
智能机器人让学习融入员工的日常工作
员工在遇到难题的时候，不可能正好有一场培训等着他，通常情况下，他们会首先向同事、领导等相关业务专家寻求帮助，保证问题处理的高效快捷，但这样的业务专家也同样不太可能随时出现在身边。
基于AI技术的智能机器人就是可以随时随地帮助员工高效解决问题的专家，是每个人身边的导师，员工遇到问题的时候，只需要唤醒智能机器人说出相关的问题，就可以第一时间得到相关的解决方案。
为什么能够成为员工身边的导师呢？因为它能够在员工发出需求后，快速理解员工问题，并在尽可能小的知识单元存在的微知识系统中精准定位到员工需要的解决方案。这不但为员工的即时性难题找到了答案，还可以盘活企业历史知识的价值。
同时智能机器人还有一套自己的运营逻辑，即判断企业知识库有没有答案、找到能够解答业务问题的专家或业务骨干：有答案，直接提取答案推送给员工；没有答案，自动邀请专家或同事作答，并触发奖励机制，对问答人给出相应奖励，得出的答案也会沉淀下来，丰富企业知识库，推送给问答人或可能有这个问题的人。这也直接促进了组织经验的萃取、优化。
无人车被骗、指纹被识别、定位被干扰，AI真的安全吗？
AI时代的安全风险，主要有四个方面。
一是机器学习和适应人类。在机器适应人的过程中，用了大量的深度学习技术，这些技术会带来模型安全在内的新问题。
二是深度学习。深度学习需要大量的数据作为原料，让机器变得聪明，这同时就带来了数据安全和隐私的问题。
三是万物互联，AIoT设备全面覆盖，会带来系统和网络安全相关的问题。
四是AI正在渗透到社会和经济的方方面面。“同样的问题，20年前最多损失的是电脑上的一个文件，风险是有局限性的。
在AI时代，一个更小的风险也许会造成一个更大的问题，会因为量变而产生质变。”马杰说。 除了无人车被骗的实验外，马杰还展示了几个其他的实验，通过算法与机器视觉做对抗，可以让一辆存在的车凭空消失，也可以让一个人无中生有。 AI时代大量传感器出现，也出现新问题。马杰团队做过一个研究，测试市场上8款旗舰手机的指纹识别，结果是，所有机型，都可以实现完美破解。 “在新的AI时代，会存在很多我们以前所意识不到的，尤其从人的视角非常不容易意识到的风险。”马杰说。
作为安全业务负责人，马杰每隔一段时间会安排外界高手入侵团队成员系统，他的目的是考核团队发现风险的能力，及时止损。在目前国内AI领先的公司研究AI安全多年，马杰告诉记者，做安全最重要的是跑赢黑产，“在他们前面把问题发现出来，然后协同大家把它解决掉。”AI安全几乎没有边界，更需要提前发现。