什麼是 人工智慧?
人工智慧(Artificial Intelligence):
它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。1956年由約翰。麥卡錫首次提出,當時的定義為“製造智慧機器的科學與工程”。人工智慧的目的就是讓機器能夠像人一樣思考,讓機器擁有智慧。時至今日,人工智慧的內涵已經大大擴充套件,是一門交叉學科。
AI、機器學習、深度學習的關係
人工智慧:是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法及應用系統的一門新的技術科學。
機器學習:專門研究計算機怎樣模擬或實現人類的學習行為,以獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的效能。是人工智慧的核心研究領域之一。
深度學習:源於人工神經網路的研究,多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域,它模仿人腦的機制來解釋資料,例如影象,聲音和文字。
智慧機器人的分類
人工智慧研究在國際上至今尚無統一的定義,目前普遍將智慧機器分為四類:
“像人一樣思考”:弱人工智慧領域,如Watson、AlphaGo。
“像人一樣行動”:弱人工智慧領域,如人形機器人、iRobot、波士頓動力公司的Atlas。
“理性地思考”:強人工智慧,尚無法達到,瓶頸在腦科學。
“理性地行動”:強人工智慧。
三代機器人
第一代機器人:示教再現型機器人。第一代機器人可以重複的根據人當時示教的結果,再現出這種動作,該類機器人的特點是它對外界的環境沒有感知。
第二代機器人:帶感覺的機器人。這種帶感覺的機器人是類似人在某種功能的感覺。比如:力覺、觸覺、聽覺。
第三代機器人:智慧機器人。理想中所追求的最高階段,智慧機器人,只要告訴他做什麼,它就能完成,目前的發展還是隻在部分領域有所成果。
AI產業生態
人工智慧的四要素是資料、演算法、算力、場景。要滿足這四要素,我們需要將AI與雲計算、大資料和物聯網結合以智慧社會。
人工智慧技術的發展史
人工智慧:正名於達特茅斯會議
1956年8月,在美國達特茅斯學院中,約翰·麥卡錫(John McCarthy,LISP語言創始人)、馬文·閔斯基(Marvin Minsky,人工智慧與認知學專家)、克勞德·夏農(Claude Shannon,資訊理論的創始人)、艾倫·紐厄爾(Allen Newell,計算機科學家)、赫伯特·西蒙(Herbert Simon,諾貝爾經濟學獎得主)等科學家聚在一起,討論著一個不食人間煙火的主題:用機器來模仿人類學習以及其他方面的智慧。
會議足足開了兩個月的時間,雖然大家沒有達成普遍的共識,但是卻為會議討論的內容起了一個名字:人工智慧。因此,1956年也就成為了人工智慧元年。
符號主義
符號主義(邏輯主義、心理學派、計算機學派)基本思想:
人類的認知過程是各種符號進行推理運算的過程。
人是一個物理符號系統,計算機也是一個物理符號系統,因此,能用計算機來模擬人的智慧行為。
知識表示、知識推理、知識運用是人工智慧的核心。符號主義認為知識和概念可以用符號表示,認知就是符號處理過程,推理就是採用啟發式知識及啟發式搜尋對問題求解的過程。
連線主義
連線主義源於仿生學,特別是人腦模型的研究。對於連線主義的基本思想:
思維的基本是神經元,而不是符號處理過程。
人腦不同於電腦,並提出連線主義的電腦工作模式,用於取代符號操作的電腦工作模式。
連線主義中,一個概念用一組數字,向量,矩陣或張量表示。概念由整個網路的特定啟用模式表示。每個節點沒有特定的意義,但是每個節點都參與整個概念的表示。
行為主義
符號主義偏向於理論邏輯推理;連線主義邏輯性弱,解釋性較弱,著重於結果。行為主義偏向於應用實踐,從環境不斷學習以不斷修正動作。
行為主義(進化主義、控制論學派)的基本思想:
智慧取決於感知和行動,提出智慧行為的“感知-動作”模式。
智慧不需要知識、不需要表示、不需要推理;人工智慧可以像人類智慧一樣逐步進化;智慧行為只能在現實世界中,透過與周圍環境的不斷互動而表現出來。
人工智慧發展簡史
一、人工智慧的起源(1956年)
1956年,在美國漢諾斯小鎮的達特茅斯學院中,召開了一個關於“
用機器來模仿人類學習以及其他方面的智慧
”的會議,即所謂的“
人工智慧
”。
二、第一次繁榮期(1956~1976年)
1959年,阿瑟·薩繆爾(Arthur Samuel)創造了“
機器學習
”一詞,其研製的跳棋程式打敗了Samuel本人。在此期間,機器翻譯、機器定理證明、機器博弈開始興起。
三、第一次低谷期(1976~1982年)
由於當時
計算機運算能力的不足
,程式的計算複雜度較高,導致機器翻譯等專案失敗。同時,一些學術報告對人工智慧研究提出的
理論質疑
以及
人工智慧威脅論
使得人工智慧的研究經費普遍減少。
四、第二次繁榮期(1982~1987年)
1985年,出現了具有更強視覺化效果的
決策樹模型
,以及突破早期感知機侷限的
多層人工神經網路;
日本國際貿易和工業部投資
第五代計算機
的發展;具備邏輯規則推演和特定領域回答的
專家系統
開始盛行。
五、第二次低谷期(1987~1997年)
1987年,LISP機的市場崩塌,人工智慧研究的技術領域再一次
陷入瓶頸
,抽象推理不再繼續被人關注,
基於符號處理的模型
遭到諸多人工智慧研究者的反對。
六、復甦期(1997~2010年)
1997年,IBM研發的深藍(Deep Blue)戰勝世界國際象棋冠軍,長短期記憶網路(Long Short-Term Memory)概念的提出以及神經網路應用於最佳化
反向傳播
。2006年,傑弗裡·辛頓(Geoffrey Hinton)和他的學生開始研究
深度學習
。復甦期間,
計算機效能與網際網路技術快速普及
,促進了AI的發展。
七、增長爆發期(2010年至今)
2010年宣告了
大資料時代
的到來,新一代的資訊科技引發資訊環境與資料基礎的變革,計算機的
計算能力不斷增強
,海量的影象、語音、文字等
非結構化資料
不斷出現。新一代的人工智慧產品不斷推出,如:
語音助手小娜,Siri
谷歌新一代機器翻譯系統GNMT
擊敗圍棋冠軍李世石的圍棋AI:AlphaGo
使用了“強化學習”的AlphaZero 在2017年10月釋出後兩個月內橫掃了所有棋類遊戲 AI
人工智慧技術的應用方向與應用場景
現在AI的應用技術方向主要分為:
影象處理:
用計算機對影象進行分析,以達到所需結果的技術,又稱計算機視覺,是研究如何讓計算機“看”的科學。
語音處理:
研究語音發聲過程、語音訊號的統計特性、語音識別、機器合成以及語音感知等各種處理技術的統稱。
自然語言處理:
利用計算機技術來理解並運用自然語言的學科。