资源预览内容
第1页 / 共18页
第2页 / 共18页
第3页 / 共18页
第4页 / 共18页
第5页 / 共18页
第6页 / 共18页
第7页 / 共18页
第8页 / 共18页
第9页 / 共18页
第10页 / 共18页
亲,该文档总共18页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
1人工智能历史、核心技术和应用一、概述2011 年以来,开发与人工智能相关的产品和技术并商业化的公司已获得超过总计 20 亿美元的风险投资,还有数十亿美元的投资收购人工智能初创公司。巨额投资、计算机导致失业等问题也开始浮现,计算机比人更加聪明并有可能威胁到人类生存这类论断被媒体四处引用并引发广泛关注。IBM 承诺拨 出 10 亿美元来使他们的认知计算平台 Watson 商业化。谷歌在最近几年里的投资主要集中在人工智能领域,比如收购了 8 个机器人公司和 1 个机器学习公司。Facebook 聘用了人工智能学界泰斗 Yann LeCun 来创建人工智能实验室。牛津大学研究人员的报告,美国约 47%的工作因为机器认知技术自动化而变得岌岌可危。纽约时报畅销书The Second Machine Age论断,数字科技和人工智能带来巨大积极改变的时代已经到来,但是随之而来的也有引发大量失业等负面效应。硅谷创业家 Elon Musk 则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。著名理论物理学家 Stephen Hawking 认为,如果成功创造出人工智能则意味着人类历史的终结,“ 除非我们知道如何规避风险 。”2二、人工智能与认知科技揭秘人工智能的首要步骤就是定义专业术语,勾勒历史,同时描述基础性的核心技术。1、人工智能的定义人工智能领域苦于存在多种概念和定义,有的太过有的则不够。作为该领域创始人之一的 Nils Nilsson 先生写到:“ 人工智能缺乏通用的定义。 ” 一本如今已经修订三版的权威性人工智能教科 书给出了八项定义,但书中并没有透露其作者究竟倾向于哪种定义。实用的定义为人工智能 是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如,视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。 比起研究人类如何进行思维活动,从人类能够完成的任务角度对人工智能进行定义,而非人类如何思考,在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。随着计算机为解决新任务挑战而升级换代并推而广之,人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以,人工智能的定义随着时间而演变,这一现象称之为“人工智能效应” ,概括起来就是“人工智能就是要实现 所有目前还无法不借助人类智慧才能实现的任务的集合。”2、人工智能的历史3人工智能在 20 世纪 50 年代就已经开始启动,这段探索的历史喧嚣与渴望、挫折与失望交替出现的时代。20 世纪 50 年代明确了人工智能要模拟人类智慧这一目标,从此研究人员开展了一系列贯穿 20 世纪 60 年代并延续到 70 年代的研究项目, 这些项目表明,计算机能够完成一系列所本只属于人类能力范畴之内的任务,例如证明定理、求解微积分、通过规划来响应命令、履行物理动作,甚至是模拟心理学家、谱曲这样的活动。但是,过分简单的算法、匮乏的难以应对不确定环境(这种情形在生活中无处不在)的理论,以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望,人工智能于 20 世纪 70 年代中期逐渐淡出公众视野。20 世纪 80 年代早期,日本发起了一个项目,旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本,这种焦虑促使 他们决定重新开始对人工智能的投资。20 世纪 80 年代已经出现了人工智能技术产品的商业供应商,其中一些已经上市,例如 Intellicorp、 Symbolics、和 Teknowledge。20 世纪 80 年代末,几乎一半的“财富 500 强” 都在开发或使用“专家系统”, 这是一项通过对人类专家的问题 求解能力进行建模,来模拟人类专家解决该领域问题的人工智能技术。4对于专家系统潜力的过高希望彻底掩盖了它本身的局限性,包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本,当这一点被越来越多的人所认识到时,人工智能研究再一次脱离轨道。20 世纪 90 年代在人工智能领域的技术成果始终处于低潮,成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注,这一方面是因为这些技术避免了专家系统的若干限制,另一方面是因为新算法让它们运行起来更加高效。神经网络的设计受到了大脑结构的启发。遗传算法的机制是,首先迭代生成备选解决方案,然后剔除最差方案,最后通过引入随机变量来产生新的解决方案,从而“进化” 出解决问题 的最佳方案。3、人工智能进步的催化剂截止到 21 世纪前 10 年的后期,出现了一系列复兴人工智能研究进程的要素,尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。1)摩尔定律在价格、体积不变的条件下,计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律,它以 Intel 共同创办人 Gordon Moore 命名。 Gordon Moore 从各种形式的 计算中获利,包括人工智能5研究人员使用的计算类型。数年以前,先进的系统设计只能在理论上成立但无法实现,因为它所需要的计算机资 源过于昂贵或者计算机无法胜任。今天,我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子,现在最新一代微处理器的性能是 1971 年第一代单 片机的 400 万倍。2)大数据得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识,用来管理和分析数据的新技术 也得到了发展。大数据是人工智能发展的助推剂, 这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,通过把这些模型暴露 在数据的海洋中,使它们得到不断优化,或者称之为“ 训练” 现在这样的条件随处可得。3)互联网和云计算和大数据现象紧密相关,互联网和云计算可以被认为是人工智能基石有两个原因,第一,它们可以让所有联网的计算机设备都能获得海量数据。这些数据是 人们推进人工智能研发所需要的,因此它可以促进人工智能的发展。第二,它们为人们提供了一种可行的合作方式有时显式有时隐式来帮助人工智能系统进 行训练。比如,有些研究人员使用类似 Mechanical Turk 这样基于云计算的众包6服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。4)新算法算法是解决一个设计程序或完成任务的路径方法。最近几年,新算法的发展极大提高了机器学习的能力,这些算法本身很重要,同时也是其他技术的推动 者,比如计算机视觉(这项科技将会在后文描述)。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工 作。4、认知技术我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人 能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术(下图),认知技术是人工智能领域的产物,它们能完成以往只有人能够完成的任务。而它们正 是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术,它 们正被广泛采纳并进展迅速,也获得大量投资。71)计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小 块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。计算机视觉有着广泛应用。其中包括,医疗成像分析被用来提高疾病的预测、诊断和治疗;人脸识别被 Facebook 用来自动识别照片里的人物;在安防及监控领域被用来指认嫌疑人;在购物方面,消费者现在可以用智能手机拍摄下产品以获得更多购买选择。8机器视觉作为一个相关学科,泛指在工业自动化领域的视觉应用。在这些应用里,计算机在高度受限的工厂环境里识别诸如生产零件一类的物体,因此相对 于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究,而机器视觉则是“已经解决的 问题”,是系统工程方面的 课题而 非研究层面的课题。因为应用范围的持续扩大,计算机视觉领域的初创公司自 2011 年起已经吸引了数亿美元的风投资本。2)机器学习指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于,机器学习是从数据中自动发现模式,模式一旦被 发现便可用于做预测。比如,给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库,系统就会学习到可用来预测信用 卡欺诈的模式。处理的交易数据越多,预测就会越好。机器学习的应用范围非常广泛,针对那些产生庞大数据的活动,它几乎拥有改进一切性能的潜力。除了欺诈甄别之外,这些活动还包括销售预测、库存管 理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色,比如计算机视觉,它能在海量图像中通过不断训练和改进视觉模型 来提高其识别对象的能力。现如今,机器学习已经成为认知技术中最炙手可热的研究领域之一,在 2011-2014 年中这段时间内就已吸引了近十亿美元的风险 9投资。谷歌也在 2014 年斥资 4 亿美金收购 Deepmind 这家研究机器学习技术的公司。3)自然语言处理是指计算机拥有的人类般文本处理的能力,比如,从文本中提取意义,甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处 理系统并不了解人类处理文本的方式,但是它却可以用非常复杂与成熟的手段巧妙处理文本,例如自动识别一份文档中所有被提及的人与地点;识别文档的核心议 题;或者在一堆仅人类可读的合同中,将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成,后者仅能针对简单的文本匹 配与模式进行操作。请思考一个老生常谈的例子,它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭(Time flies like an arrow)”中每一个单词 的意义看起来都很清晰,直到系 统遇到这样的句子“果 蝇喜欢香蕉( Fruit flies like a banana)”,用“水果(fruit)”替代了“时间 (time)”,并用“香蕉(banana)”替代“箭(arrow)”,就改变了“飞逝飞 着 的(like)”与“ 像喜欢(like)” 这两个单词的意思。自然语言处理,像计算机视觉技术一样,将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布,举例来说,就是某一串 给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字,通过识别这些元素可以把某类文字同其他文字区别开来, 比如垃圾邮件同正10常邮件。以机器学习为驱动的分类方法将成为筛选的标准,用来决定一封邮件是否属于垃圾邮件。因为语境对于理解“time flies (时光飞逝)”和“fruit flies(果蝇)”的区别是如此重要,所以自然语言处理技术的实际应用领域相对较窄,这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉 讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。4)机器人技术将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中,这就催生了新一代的机器人,它有能力与人类一起工 作,能在各种未知环境中灵活处理不同的任务。例如无人机,还有可以在车间为人类分担工作的“cobots”,还包括那些从玩具到家务助手的消费类产品。5)语音识别技术主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题,在不同
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号