|
讀完下面這些內容就可以了。 1、人工智能的定義 人工智能領域苦于存在多種概念和定義，有的太過有的則不夠。 作為該領域創始人之一的Nils Nilsson先生寫到：“人工智能缺乏通用的定義。” 隨著計算機為解決新任務挑戰而升級換代并推而廣之，人們對那些所謂需要依靠人類智慧才能解決的任務的定義門檻也越來越高。 所以，人工智能的定義隨著時間而演變，這一現象稱之為“人工智能效應”，概括起來就是，“人工智能，就是要實現所有目前還無法不借助人類智慧才能實現的任務的集合。” 2、人工智能的歷史 人工智能并不是一個新名詞。 實際上，這個領域在20世紀50年代就已經開始啟動，這段探索的歷史被稱為“喧囂與渴望、挫折與失望交替出現的時代”——最近給出的一個較為恰當的評價。 20世紀50年代明確了人工智能要模擬人類智慧這一大膽目標，從此研究人員開展了一系列貫穿20世紀60年代并延續到70年代的研究項目，這些項目表明，計算機能夠完成一系列所本只屬于人類能力范疇之內的任務，例如證明定理、求解微積分、通過規劃來響應命令、履行物理動作，甚至是模擬心理學家、譜曲這樣的活動。 但是，過分簡單的算法、匱乏的難以應對不確定環境（這種情形在生活中無處不在）的理論，以及計算能力的限制，嚴重阻礙了我們使用人工智能來解決更加困難和多樣的問題。 伴隨著對缺乏繼續努力的失望，人工智能于20世紀70年代中期逐漸淡出公眾視野。 20世紀80年代末，幾乎一半的“財富500強”都在開發或使用“專家系統”，這是一項通過對人類專家的問題求解能力進行建模，來模擬人類專家解決該領域問題的人工智能技術。 對于專家系統潛力的過高希望，徹底掩蓋了它本身的局限性，包括明顯缺乏常識、難以捕捉專家的隱性知識、建造和維護大型系統這項工作的復雜性和成本，當這一點被越來越多的人所認識到時，人工智能研究再一次脫離軌道。 20世紀90年代，在人工智能領域的技術成果始終處于低潮，成果寥寥。反而是神經網絡、遺傳算法等科技得到了新的關注，這一方面，是因為這些技術避免了專家系統的若干限制，另一方面，是因為新算法讓它們運行起來更加高效。 神經網絡的設計受到了大腦結構的啟發。遺傳算法的機制是，首先迭代生成備選解決方案，然后剔除最差方案，最后通過引入隨機變量來產生新的解決方案，從而“進化”出解決問題的最佳方案。 3、人工智能進步的催化劑 截止到21世紀前10年的后期，出現了一系列復興人工智能研究進程的要素，尤其是一些核心技術。下面將對這些重要的因素和技術進行詳細說明。 1）摩爾定律 在價格、體積不變的條件下，計算機的計算能力可以不斷增長。這就是被人們所熟知的摩爾定律，它以Intel共同創辦人Gordon Moore命名。 Gordon Moore從各種形式的計算中獲利，包括人工智能研究人員使用的計算類型。 數年以前，先進的系統設計只能在理論上成立但無法實現，因為它所需要的計算機資源過于昂貴或者計算機無法勝任。 今天，我們已經擁有了實現這些設計所需要的計算資源。舉個夢幻般的例子，現在最新一代微處理器的性能是1971年第一代單片機的400萬倍。 2）大數據 得益于互聯網、社交媒體、移動設備和廉價的傳感器，這個世界產生的數據量急劇增加。 隨著對這些數據的價值的不斷認識，用來管理和分析數據的新技術也得到了發展。大數據是人工智能發展的助推劑，這是因為有些人工智能技術使用統計模型來進行數據的概率推算，比如圖像、文本或者語音，通過把這些模型暴露在數據的海洋中，使它們得到不斷優化，或者稱之為“訓練”——現在這樣的條件隨處可得。 3）互聯網和云計算 和大數據現象緊密相關，互聯網和云計算可以被認為是人工智能基石有兩個原因。 第一，它們可以讓所有聯網的計算機設備都能獲得海量數據。這些數據是人們推進人工智能研發所需要的，因此它可以促進人工智能的發展。 第二，它們為人們提供了一種可行的合作方式——有時顯式有時隱式——來幫助人工智能系統進行訓練。 比如，有些研究人員使用類似Mechanical Turk這樣基于云計算的眾包服務來雇傭成千上萬的人來描繪數字圖像。這就使得圖像識別算法可以從這些描繪中進行學習。谷歌翻譯通過分析用戶的反饋以及使用者的無償貢獻來提高它自動翻譯的質量。 4）新算法 算法是解決一個設計程序或完成任務的路徑方法。 最近幾年，新算法的發展極大提高了機器學習的能力，這些算法本身很重要，同時也是其他技術的推動者，比如計算機視覺（這項科技將會在后文描述）。 機器學習算法目前被開源使用，這種情形將促成更大進步，因為在開源環境下開發人員可以補足和增強彼此的工作。 4、認知技術 我們將區分人工智能領域和由此延伸的各項技術。 大眾媒體將人工智能刻畫為跟人一樣聰明的或比人更聰明的計算機的來臨。而各項技術則在以往只有人能做到的特定任務上面表現得越來越好。我們稱這些技術為認知技術，認知技術是人工智能領域的產物，它們能完成以往只有人能夠完成的任務。 而它們正是商業和公共部門的領導者應該關注的。 下面我們將介紹幾個最重要的認知技術，它們正被廣泛采納并進展迅速，也獲得大量投資。 1）計算機視覺 是指計算機從圖像中識別出物體、場景和活動的能力。 計算機視覺技術運用由圖像處理操作及其他技術所組成的序列來將圖像分析任務分解為便于管理的小塊任務。 比如，一些技術能夠從圖像中檢測到物體的邊緣及紋理。分類技術可被用作確定識別到的特征是否能夠代表系統已知的一類物體。 計算機視覺有著廣泛應用。 其中包括，醫療成像分析被用來提高疾病的預測、診斷和治療；人臉識別被Facebook用來自動識別照片里的人物；在安防及監控領域被用來指認嫌疑人；在購物方面，消費者現在可以用智能手機拍攝下產品以獲得更多購買選擇。 2）機器學習 指的是計算機系統無需遵照顯式的程序指令而只是依靠暴露在數據中來提升自身性能的能力。 其核心在于，機器學習是從數據中自動發現模式，模式一旦被發現便可用于做預測。比如，給予機器學習系統一個關于交易時間、商家、地點、價格及交易是否正當等信用卡交易信息的數據庫，系統就會學習到可用來預測信用卡欺詐的模式。處理的交易數據越多，預測就會越好。 機器學習的應用范圍非常廣泛，針對那些產生龐大數據的活動，它幾乎擁有改進一切性能的潛力。除了欺詐甄別之外，這些活動還包括銷售預測、庫存管理、石油和天然氣勘探、以及公共衛生。 機器學習技術在其他的認知技術領域也扮演著重要角色，比如計算機視覺，它能在海量圖像中通過不斷訓練和改進視覺模型來提高其識別對象的能力。 3）自然語言處理 是指計算機擁有的人類般文本處理的能力。 比如，從文本中提取意義，甚至從那些可讀的、風格自然、語法正確的文本中自主解讀出含義。 一個自然語言處理系統并不了解人類處理文本的方式，但是它卻可以用非常復雜與成熟的手段巧妙處理文本，例如自動識別一份文檔中所有被提及的人與地點；識別文檔的核心議題；或者在一堆僅人類可讀的合同中，將各種條款與條件提取出來并制作成表。 以上這些任務通過傳統的文本處理軟件根本不可能完成，后者僅能針對簡單的文本匹配與模式進行操作。 請思考一個老生常談的例子，它可以體現自然語言處理面臨的一個挑戰。 在句子“光陰似箭（Time flies like an arrow）”中每一個單詞的意義看起來都很清晰，直到系統遇到這樣的句子“果蠅喜歡香蕉（Fruit flies like a banana）”，用“水果（fruit）”替代了“時間（time）”，并用“香蕉（banana）”替代“箭（arrow）”，就改變了“飛逝／飛著的（like）”與“像／喜歡（like）”這兩個單詞的意思。 自然語言處理，像計算機視覺技術一樣，將各種有助于實現目標的多種技術進行了融合。 建立語言模型來預測語言表達的概率分布，舉例來說，就是某一串給定字符或單詞表達某一特定語義的最大可能性。選定的特征可以和文中的某些元素結合來識別一段文字，通過識別這些元素可以把某類文字同其他文字區別開來，比如垃圾郵件同正常郵件。 4）機器人技術 將機器視覺、自動規劃等認知技術整合至極小卻高性能的傳感器、致動器、以及設計巧妙的硬件中，這就催生了新一代的機器人，它有能力與人類一起工作，能在各種未知環境中靈活處理不同的任務。 例如無人機，還有可以在車間為人類分擔工作的“cobots”，還包括那些從玩具到家務助手的消費類產品。 5）語音識別技術 主要是關注自動且準確的轉錄人類的語音。 該技術必須面對一些與自然語言處理類似的問題，在不同口音的處理、背景噪音、區分同音異形異義詞(“buy”和“by”聽起來是一樣的)方面存在一些困難，同時還需要具有跟上正常語速的工作速度。 語音識別系統使用一些與自然語言處理系統相同的技術，再輔以其他技術，比如描述聲音和其出現在特定序列和語言中概率的聲學模型等。 語音識別的主要應用包括醫療聽寫、語音書寫、電腦系統聲控、電話客服等。比如Domino’s Pizza最近推出了一個允許用戶通過語音下單的移動APP。 5、認知技術的廣泛使用 各種經濟部門已經把認知技術運用到了多種商業職能中。 1）銀行業 自動欺詐探測系統使用機器學習可以識別出預示著欺詐性付款行動的行為模式；借助語音識別技術能夠自動完成電話客服；聲音識別可以核實來電者的身份 2）醫療健康領域 美國有一半的醫院采用自動語音識別來幫助醫生自動完成醫囑抄錄，而且使用率還在迅速增長；機器視覺系統自動完成乳房X光檢查和其他醫學影響的分析。 IM 的Watson借助自然語言處理技術來閱讀和理解大量醫學文獻，通過假設自動生成來完成自動診斷，借助機器學習可以提高準確率。 3）生命科學領域 機器學習系統被用來預測生物數據和化合物活動的因果關系，從而幫助制藥公司識別出最有前景的藥物。 4）媒體與娛樂行業 許多公司正在使用數據分析和自然語言生成技術，自動起草基于數據的的公文材料，比如公司營收狀況、體育賽事綜述等。 5）石油與天然氣 廠商將機器學習廣泛運用在礦藏資源定位、鉆井設備故障診斷等眾多方面。 6）公共部門 出于監控、合規和欺詐檢測等特定目的，公共部門也已經開始使用認知技術。 比如，喬治亞州正在通過眾包的形式來進行財政披露和競選捐助表格的數字化，在這個過程中他們就采用了一套自動手寫識別系統。 7）零售商 零售商利用機器學習來自動發現有吸引力的交叉銷售定價和有效的促銷活動。 8）科技公司 它們正利用機器視覺、機器學習等認知技術來改進產品或者開發全新產品，比如 Roomba機器人吸塵器，Nest智能恒溫器。 上述例子表明，認識技術的潛在商業收益遠大于自動化帶來的成本節約，這主要體現在： 更快的行動與決策（比如，自動欺詐檢測，計劃和調度） 更好的結果（比如，醫學診斷、石油探測、需求預測） 更高的效率（亦即，更好的利用高技能人才和昂貴設備）， 更低的成本（比如，自動電話客服減少了勞動成本） 更大的規模（亦即，開展人力無法執行的大規模任務） 產品與服務創新（從增加新功能到創造新產品） 嵌入式技術學習，聯系宋老師企鵝號：3524-6590-88 Tel/WX：173--1795--1908 以下課程可免費試聽C語言、電子、PCB、STM32、Linux、FPGA、JAVA、安卓等。 想學習的你和我聯系預約就可以免費聽課了。 |
