当前位置:首页 > 百科 > 正文

企业的人工智能(强人工智能)

一、什么是人工智能

人工智能(Aritificial Intelligence, AI)是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力,可以替代人类实现识别、认知、分类和决策等多种功能。

企业的人工智能(强人工智能)  第1张

二、人工智能发展史

人工智能在发展过程中产生了很多的流派,符号主义、连接主义和行为主义。这些流派的相辅相成推进了人工智能的发展。

企业的人工智能(强人工智能)  第2张

(1)符号主义

符号主义又称逻辑主义、心理学派或计算机学派。符号主义认为,人工智能源于数学逻辑,人的认知基源是符号,认知过程即符号操作过程,通过分析人类认知系统所具备的功能和机能,然后通过计算机来模拟这些功能,从而实现人工智能。符号主义的发展大概经历了几个阶段:推理期(20世纪50年代–20世纪70年代),知识期(20世纪70年代)。“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大的成就;“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果。

(2)连接主义

连接主义又称仿生学派或生理学派。连接主义认为,人工智能源于仿生学,特别是对人脑模型的研究,人的思维基元是神经元,而不是符号处理过程。20世纪60~70年代,连接主义,尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮,由于受到当时的理论模型、生物原型和技术条件的限制,脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文,提出用硬件模拟神经网络以后,连接主义才又重新抬头。1986年,鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。进入21世纪后,连接主义卷土重来,提出了“深度学习”的概念。

(3)机器学习

二十世纪80年代,机器学习成为一个独立的科学领域,各种机器学习技术百花初绽。E.A.Feigenbaum等人在著名的《人工智能手册》中,把机器学习划分为“机械学习”、“示教学习”、“类比学习”和“归纳学习”。机械学习将外界的输入信息全部存储下来,等到需要时原封不动的取出来;示教学习和类比就是“从指令中学习”和“通过观察和发现学习”;归纳学习就是从样例中学习。二十世纪80年代以来研究最多的就是归纳学习,它包括:监督学习、无监督学习、半监督学习、强化学习等。归纳学习有两大主流:一、符号主义学习,其代表包括决策树和基于逻辑的学习(事实上,机器学习在20世纪80年代正是被视为“解决公式工程瓶颈问题的关键”而走上人工智能主舞台的)。二、基于神经网络的连接主义学习。二十世纪90年代中期,统计学习闪亮登场,并迅速占据主流舞台,代表性技术是支持向量机以及更一般的“核方法”。我们目前所说的机器学习方法,一般认为是统计机器学习方法。

(3)研究领域与应用场景

1)研究领域

人工智能的研究领域主要有5层,最底层是基础设施建设,包括数据和计算能力两部分,数据越大人工智能的能力越强。往上一层是算法,比如机器学习、深度学习等算法。再上一层是主要的技术方向,如计算机视觉、语音工程、NLP等。第二层是各个技术方向中的技术。 最上层为人工智能的应用领域。

2)应用场景

企业的人工智能(强人工智能)  第3张

计算机视觉:车牌识别、人脸识别、无人车等;

语音工程:2010 年后,深度学习的广泛应用使语音识别的准确率大幅提升,像 Siri、Voice Search 和 Echo 等,可以实现不同语言间的交流,从语音中说一段话,随之将其翻译为另一种文字;再如智能助手,你可以对手机说一段话,它能帮助你完成一些任务。 自然语言处理:问答系统、机器翻译、对话系统等;

决策系统:决策系统的发展是随着棋类问题的解决而不断提升,从 80 年代西洋跳棋开始,到 90 年代的国际象棋对弈,再到AlphaGo,机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。

大数据应用:分析客户的喜好进行个性推荐,精准营销;分析各个股票的行情,进行量化交易。

(4)AI面临的挑战

1)计算机视觉:未来的人工智能应该更加注重效果的优化,加强计算机视觉在不同场景、问题上的应用。

2) 语音工程:当前的语音工程在安静环境下,已经能够取得和人类相似的水平。但在噪音情景下仍有挑战,如原场识别、口语、方言等长尾识别。

3) 自然语言处理:机器欠缺对语意理解能力,包括对口语不规范的用于识别和认知等。

4) 决策系统:目前存在的两个问题,第一是不通用,即学习知识的不可迁移性,如用一个方法学习下象棋,不能直接将其迁移到下围棋上;第二是大量模拟数据。

企业的人工智能(强人工智能)  第4张