搜狗CEO王小川:AI领域存在泡沫 但留下的是珍珠

搜狗CEO王小川在第五届世界互联网大会上表示,AI合成主播虽已发布,但机器无法取代主持人的高级认知活动。搜狗计划推出面向个人用户的硬件,并强调不会进入智能音箱市场,认为该领域缺乏技术驱动。王小川还讨论了搜狗的医疗广告策略、搜狗号的定位以及AI个人助理的发展前景。

https://news.cnblogs.com/n/611707/

 11 月 8 日下午消息,第五届世界互联网大会于 11 月 7 日至 9 日在浙江乌镇举行,本次大会以“创造互信共治的数字世界——携手共建网络空间命运共同体”为主题。搜狗 CEO 王小川在大会现场接受了新浪科技等媒体采访。

  搜狗和新华社 7 日联合发布了 AI 合成主播,设计声音合成、表情合成、唇型合成。但王小川并不认为机器能取代主持人,他表示在认知技术方向上,机器在推理、知识、思考等方面的处理能有限,“对于人类的高级活动,现在机器取代人没戏”。

  “搜狗马上要推面向个人用户的新硬件,来抢占入口,预计将于明年上半年推出”,王小川称,“搜狗靠硬件赚大钱,我们希望小众产品带品牌,大众产品带用户量,从这方面考核投入产出。”

  与此同时,王小川也否认会进入智能音箱市场。在他看来目前智能音箱市场并不是技术驱动的,“烧钱跟智能化没有什么关系”。

  对于人工智能的泡沫,王小川认为,现在互联网 AI 领域的确存在很大的泡沫,但在泡沫过后留下来就是珍珠,“现在的时机其实是最好的,因为现在投机的人都走了,还想继续创业的人是真正想做事的人。”(泽宇)

  以下为采访实录节选:

  问:财报会议中 CFO 说医疗广告是占搜索广告的大头,您是如何看待医疗广的?

  王小川:两个层面,用户端要做权威的内容,使得信息真实,甚至让医生参与到中间的内容创造,我们先给内容,再给广告,现在搜狗的医疗用户查询已经占超过 9.5%。我们用户端做得更努力,商业化是更少。我是希望产生差异化,医疗上,用户更需要一个内容或者引导到一个权威的医院去,现在这样的模式,它的天花板是很低的。我们最终的目的是用户更爱用搜狗搜索,使整个流量变大,用户变大,提升收入。

  问:您为什么要做搜狗号,为什么要介入这个市场?

  王小川:因为今天做平台,就像头条或者像抖音,一头是用户在里面去消费,一头生产方是合作关系,这种合作不是光签合同的,确实能够做个平台,把它放进来了,但搜索引擎不是,搜索的模式是抓来的,头条号或者说像这样的搜狗号很大意愿是希望增加内容的合作比例,是更规范,比如这里大家广告做多少,有一定的

  我们做搜狗号很大层面是为搜索服务的,而不是只说为做信息流这件事情。第二,有些东西改不改变,比如游戏,我们就不做了,对我们而言,从我们兴趣爱好经验上不是游戏,游戏一样,满足你沉迷在里面,一直获得虚拟世界,有太虚幻景表达这样的概念,人是需要的,但是怎么去引导,我们没有这方面创造引导能力,我们愿意把我们的优势发挥在我们自己擅长的地方上,我们让信息表达更加简单,我们做翻译,我们在中间去做问答技术。

  问:搜狗有没有考虑相关多元化或者更多 AI 的软件或者科研或者硬件?

  王小川:不考虑,我觉得我们已经张得很开了,我们在信息文明时代核心就是对知识或者对语言的理解,做 AI 我认为要满足几条,今天说 AI 是属于大公司做,大公司有几个,第一个有场景,有数据,所以你做 AI,如果你没场景,没有数据,只做技术,这件事情是很困难的,我们数据和场景是在用户表达和信息获取里,在输入和搜索里,所以我们围绕场景做这件事情。第二,中间是需要在这里面有持续的投入,投入里很多创业公司或者没有商业模式的公司,它今天投这样,如果哪天市场没打开,那可能这个东西就掉下去,我们是有足够资金去投,但是也希望跟可见的商业价值去匹配,我们做翻译已经没有考虑商业,已经在拓展,我们最近一共支持 500 场同声传译,我们已经努力往外拓展的时候,往外拓展不是考虑商业问题,还是围绕我们的使命来进行,就是表达和获取信息更简单,以及未来让机器部分取代人或者给人提供服务。

  问:单纯就同传这个问题来讲,机器有没有可能取代人?

  王小川:不能,做不到。如果用好的人,机器是赶不上的,但是有很多地方是因为你没有优秀的同传或者出国旅游没法给一个人配一个人,这种情况下,机器可以去作用,翻译往简单走是重复性劳动,但是真的好的翻译是有知识,有思考的,你让他思考的东西,机器就没人强,开放性思考,如果只是棋盘上封闭思考,机器下围棋,可以干,但是开放性的环境,机器是不够的。

  问:要到达真正的 AI 个人助理还要多久,还要突破哪些东西?

  王小川:我们之前 20 年,我们称之为信息时代,每个时代都有它的起点,就像最早轮子发明,有了农业时代,轮子发明,可以推着小车去种地了,这是原始走过来。后来有蒸汽机,进入工业时代,后来有了计算机和互联网,我们进入信息时代,信息时代大的特点就是能够跨地域,跨时间,时空跨越进行信息的传递。像e—mail 或者 IM 就能跟大家进行远程的交流,或者把信息放在网上,然后你用搜索检索到,在这种情况下,输入法、搜索引擎和通讯软件是对新时代最核心的应用,你刚才问的问题是 AI 个人助理往下 20 年里很重要的事情。

  问:当搜狗新开一项业务的时候,什么是你取决于这个业务要不要开,最大的思考维度是什么?

  王小川:第一个,我们知道未来趋势是什么,这个得知道,这是一个源头。但是第二个事情为什么是我们做,我们在做这事的时候,跟我们价值观也好,跟我们的能力也好,跟我们当前的状态也好,有什么样的关系。为什么是我,这个事情也是很严肃的事。这个事最好有全局的使命,如果这是在趋势里,在你的使命里,你会努

  问:还有一个很重要的问题,今年很多新的上市公司估值会有一些下降,是不是新经济、互联网经济前几年炒的太热了,现在是估值回归理性还是它的价值没有想象中那么大,市场上各种说法都有,你是怎么来看待这种问题呢?

  王小川:我觉得两部分,一方面是二级市场上,大家都跌了一些,这样自己心里面就平衡了,压力会小一些。另外还有一方面,一级市场的泡沫更严重,需要恢复到更大的理性。

  至少互联网 AI 领域这个泡沫是大的。但泡沫留下来是珍珠,而且现在的时机其实是最好的,因为现在投机的人都走了,还想继续创业的人是真正想做事的人。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值