你了解多少,人工智能的定义与探讨
分类:互联网

(姜Zn/译)在科幻作品里,与人工智能(AI)的前景或者威胁密不可分的,是机器意识与人类的关系。不论是终结者或塞隆人,还是像《星际迷航》中的电脑或《星球大战》中的机器人那样起服务作用的机器,只要它们显示出了“知觉”的能力——或者至少是自我意识强到能够有专长,更不用说自主选择和做出意料之外的行为了——就会被冠以“AI”之名。

资料来源于维基百科、百度百科与网络

图片 1

那么,我们应该怎么看待媒体、企业、或是科技领域成井喷式增长的所谓“AI”呢?在有些情况下,这个“AI”的称号可能还算得上名副其实(至少是壮志可嘉)。比如说自动驾驶汽车肯定没有R2D2或者HAL9000那么先进,不过为了完成复杂的驾驶任务,它们确实是动用了传感器、数据和计算的组合。但是在大多数情况下,被宣传为人工智能的系统都并没有知觉、没有自我意识、不能自主选择、甚至做不出出人意料的行为。它们只是软件而已。

 

认知计算,人工智能,机器学习和深度学习通常用于描述同一事物,但实际上有所不同。我们解释一下这些差异是什么,这样你可以更好地理解这些片段如何组合在一起。

图片 2自动驾驶汽车眼里的世界:这款梅赛德斯的汽车利用视觉系统和3D成像来预测环境中物体的运动轨迹。图片来源:wired.com

AI-定义

“智能主体(intelligent agent)的研究与设计”,智能主体是指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程。” ----维基百科

AI的核心问题包括建构能够跟人类似甚至超越的推理、知识、规划、学习、交流、感知、移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。 ----维基百科

目前强人工智能已经有初步成果,甚至在一些视频辨识、语言分析、棋类游戏等等单方面的能力达到了超越人类的水平,而且人工智能的通用性代表着,能解决上述的问题的是一样的AI程序,无须重新开发算法就可以直接使用现有的AI完成任务,与人类的处理能力相同,但达到具备思考能力的统合强人工智能还需要时间研究,比较流行的方法包括统计方法,计算智能和传统意义的AI。 ----维基百科

目前有大量的工具应用了人工智能,其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学,以及基于概率论和经济学的算法等等也在逐步探索当中 ----维基百科

计算机科学的一个分支。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 ----百度百科

人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。 ----尼尔逊教授

  • 人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”比较好理解,争议性也不大。有时我们会要考虑什么是人力所能及制造的,或者人自身的智能程度有没有高到可以创造人工智能的地步,等等。但总的来说,“人工系统”就是通常意义下的人工系统。
  • 关于什么是“智能”,就问题多多了。这涉及到其它诸如意识(CONSCIOUSNESS)、自我(SELF)、思维(MIND)(包括无意识的思维(UNCONSCIOUS_MIND))等等问题。人唯一了解的智能是人本身的智能,这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限,对构成人的智能的必要元素也了解有限,所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。

尽管机器智能涉及的不仅仅是一个概念,计算机也变得更加智能。但在日常会话中常常会听到“AI”,“认知计算”,“机器学习”和“深度学习”,尽管这些术语经常被滥用。图片 3无论您是从业者,IT领导者还是商业领袖,您都应该了解这些差异。以下是一些基本的解释,解释每个的价值。即使你觉得你理解这些条款,使用这篇文章来帮助你的老板理解他们想要什么时,他们要求“一些人工智能”。

“低配版AI”的例子随处可见。谷歌投资了一套使用机器学习算法的系统,用来识别网上的不良言论。这套系统名叫“洞察”(Perspective),使用了机器学习算法。然而人们发现,手误错别字都能骗过它。人工智能被称为是能强化美国某处边境的屏障,然而实际上这款“屏障”不过是一组传感器网络和自助信息亭,内置了一套可疑的侧写系统。类似的例子是,某个所谓“网球俱乐部AI”只是个稍微高级一点的球场线传感器,用的完全是现成的计算机视觉技术。Facebook也发布了一款AI,用于检测发在它平台上的带有自杀倾向的动态。不过仔细一分析,人们发现这个所谓“AI检测”基本只是一套模式识别过滤器,把符合某些特征的动态给标记出来然后交给人类管理员处理。

研究领域

  • 演绎、推理和解决问题
  • 知识表示法
    • 知识表示 / 常识知识库
  • 规划
  • 学习
    • 机器学习
    • 图片 4

机器学习的主要目的是为了让机器从用户和输入数据等处获得知识,从而让机器自动地去判断和输出相应的结果。

这一方法可以帮助解决更多问题、减少错误,提高解决问题的效率。

对于人工智能来说,机器学习从一开始就很重要。1956年,在最初的达特茅斯夏季会议上,雷蒙德索洛莫诺夫写了一篇关于不监视的概率性机器学习:一个归纳推理的机器。

机器学习的方法各种各样,主要分为监督学习和非监督学习两大类。

监督学习指事先给定机器一些训练样本并且告诉样本的类别,然后根据这些样本的类别进行训练,提取出这些样本的共同属性或者训练一个分类器,等新来一个样本,则通过训练得到的共同属性或者分类器进行判断该样本的类别。

监督学习根据输出结果的离散性和连续性,分为分类和回归两类。

非监督学习是不给定训练样本,直接给定一些样本和一些规则,让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析,从而知道所提的方法在理论上是否误差有上限。

  • 运动和控制
    • 机器人
  • 知觉
    • 机器感知
    • 语言识别
    • 图像识别
  • 自然语言处理

自然语言处理探讨如何处理及运用自然语言,自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

  • 社交
    • 情感计算
  • 创造力
    • 计算机创造力
      • 相关领域研究的包括了人工直觉和人工想像。
  • 伦理管理

史蒂芬·霍金、比尔盖茨、马斯克、 Jaan Tallinn 以及 Nick Bostrom 等人都对于人工智能技术的未来公开表示忧心。人工智能若在许多方面超越人类智能水平的智能、不断更新、自我提升,进而获取控制管理权,人类是否有足够的能力及时停止人工智能领域的“军备竞赛”,能否保有最高掌控权。

现有事实是:机器常失控导致人员伤亡,这样的情况是否会更加扩大规模出现,历史显然无法给出可靠的乐观答案。特斯拉电动车马斯克(Elon Musk)在麻省理工学院(MIT)航空航天部门百年纪念研讨会上称人工智能是“召唤恶魔”行为,英国发明家Clive Sinclair认为一旦开始制造抵抗人类和超越人类的智能机器,人类可能很难生存,盖茨同意马斯克和其它人所言,且不知道为何有些人不担忧这个问题。

  • 经济冲击

认知计算

在科技之外的领域,AI也是个很常见的噱头。据报道可口可乐公司想用“AI机器人”取代人类,来“机械化生产广告”。他们到底想干啥至今是个谜。和这种想法类似的是用AI作曲或者写新闻;这些想法乍一看都很有前景——但是话说回来,那些负责在维基百科上给文字和链接改错的AI编辑们陷入了互相纠正的无限循环。而且,根据人机互动咨询公司“机器人分析”(Botanalytics,没错,真的有这种公司)提供的数据,40%的人在与聊天机器人对话一轮后就放弃了。这也许是因为聊天机器人基本上都是冠上了大名头的电话树(那种通过按电话上的数字来进行到下一步的自助语音服务系统),或者是聪明的自动化Mad Lib游戏(该游戏的规则是,参与游戏的其中一人拿到一份空出了一些词的故事,而另外一些人负责在看不到故事的情况下提供填进去的词语,最后大家把这个故事读出来)。

实际应用

  • 机器视觉
  • 指纹识别
  • 人脸识别
  • 视网膜识别
  • 虹膜识别
  • 掌纹识别
  • 专家系统
  • 自动规划
    • 智能搜索
  • 定理证明/推理
  • 博弈
  • 自动程序设计
  • 智能控制
  • 机器人学
  • 语言和图像理解
  • 遗传编程
  • ...

认知计算是机器智能的感官分支。使用传感器和算法,计算机可以“看到”,“听到”和“感觉到”,尽管也正在努力解决  “气味”和“味道”问题。 技术分析师,顾问兼架构师Janakiram MSV表示:“认知计算为人们带来了人类的能力,使他们能够思考,行为,并像人类一样行动。“认知计算是外行人体验人工智能的方式。”图片 5图像传感器可以让电脑看到,而麦克风可以让他们听到。文本到语音和语音到文本技术使他们能够使用自然(人类)语言与人类进行通信。Alexa,Siri,Cortana和Google Assistant是后者的例子。

图片 6图片来源:geekwire.com

研究方法

如今没有统一的原理或范式指导人工智能研究。

  • 控制论/大脑模拟
    • 控制论 / 计算神经科学
      • 20世纪40年代到50年代,许多研究者探索神经病学,信息理论及控制论之间的联系。这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法,尽管在80年代再次提出这些原理。
  • 符号处理
    • GOFAI
      • 当20世纪50年代,数字计算机研制成功,研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学, 斯坦福大学和麻省理工学院,而各自有独立的研究风格。基于知识大约在1970年出现大容量内存计算机,研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
      • GOFAI 泛指用最原始的人工智能的逻辑方法解决小领域的问题, 例如棋类游戏的算法。
      • 人工智能是否可以使用高级符号表达,如词和想法?还是需要“子符号”的处理?JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念,也提议人工智能应归类为SYNTHETIC INTELLIGENCE,[29]这个概念后来被某些非GOFAI研究者采纳。
  • 子符号法
    • 计算智能学科
      • 80年代符号人工智能停滞不前,很多人认为符号系统永远不可能模仿人类所有的认知过程,特别是感知,机器人,机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。
      • 自下而上, 接口AGENT,嵌入环境(机器人),行为主义,新式AI机器人领域相关的研究者,如RODNEY BROOKS,否定符号人工智能而专注于机器人移动和求生等基本的工程问题。
  • 统计学法
    • 90年代,人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法,即这些方法的结果是可测量的和可验证的,同时也是人工智能成功的原因。
    • 共用的数学语言也允许已有学科的合作(如数学,经济或运筹学)。
    • 有人批评这些技术太专注于特定的问题,而没有考虑长远的强人工智能目标。
  • 集成方法
    • 90年代智能AGENT范式被广泛接受。
    • 智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。
    • 最简单的智能AGENT是那些可以解决特定问题的程序。
    • 更复杂的AGENT包括人类和人类组织(如公司)。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案,而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法,一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学(也使用ABSTRACT AGENTS的概念)。

“将照相机和话筒添加到计算机并不是一个新概念,但现在我们正在为一直缺失的计算机添加一个大脑,”Janakiram说。“认知计算是为计算机添加人工感官功能并为计算机添加大脑,这种能力使计算机能够思考,行动,并像人类一样行动。”

AI也成了企业战略的新风尚。彭博智能的经济学家迈克尔·麦当诺(Michael McDonough)研究了上市公司财报发布会的公开文字稿,发现其中提到“人工智能”的次数在过去的两年内迅猛增长。这些公司喜欢吹嘘自己在AI技术上的发展,却没有给它下定义。一家名为“德洛特全球人力资本趋势”的公司在2017年的报告中提到,AI已经使人们的工作和生活发生了“天翻地覆”的改变,但是完全没提及具体的变化有哪些。尽管如此,针对这份报告的新闻报道总结说,人工智能已经使得企业的领导们不得不“重新考虑他们的某些核心结构”了。

发展历史

图片 7

AI

媒体和舆论有时候还会把单纯的产品特色夸大成AI带来的奇迹。比如,上个月推特进行了一次服务更新,目的是保护用户免于低质量或恶俗推文的骚扰。这次更新带来的变更主要是一些简单的优化,比如隐藏那些被屏蔽拉黑的、或是新账户的推文,以及其它一些没有明说的内容筛选功能。尽管如此,有些人还是把这些改变(本质上不过是在查询数据库的时候多加了几个条件)看作是推特在“为了改善自己的AI而不懈地努力着”。

涉及学科

  • 哲学和认知科学
  • 数学
  • 神经生理学
  • 心理学
  • 计算机科学
  • 信息论
  • 控制论
  • 不定性论

人工智能为电脑带来了决策能力,我们每天都以推荐引擎的形式体验电脑。虽然人工智能不是一项新技术,但云计算和存储经济已经实现了其爆炸性增长和主流应用。

关于“人工智能”到底应该什么样,我找到了我在佐治亚理工学院(Georgia Tech)的同事,人工智能的研究人员查尔斯·伊斯贝尔(Charles Isbell),向他咨询专业意见。他的第一个回答是:“让电脑表现得跟电影里的一样。”这可能听起来像是在耍嘴皮子,但是它强调了AI与那些认知和知觉理论的内在联系。诸如《星际迷航》中机器人Data这样的角色提出了问题:究竟得具备哪些性质和能力,一个生命才能被认为是拥有意识和道德的呢?而自动驾驶汽车也向我们提出了同样的追问。不过,对于一个在社交网络上负责隐藏没有头像的账号所发的状态的内容过滤器,似乎就没有这种疑问了。它只是个软件而已。

“认为人工智能是认知计算背后的大脑,认知计算是感官能力,人工智能可以在没有这些能力的情况下存在,”Janakiram说。“它没有任何感官上的限制,这只是一个聪明的建议。”图片 8

图片 9《星际迷航》中拥有了“感情”的机器人Data。图片来源:Pinterest

一种流行的新兴AI使用案例是自动驾驶汽车。从本质上讲,AI是智能软件应用程序背后的“大脑”。

伊斯贝尔认为,如果一个程序要被称作“AI”,那它至少要具备两个特点。首先,随着时间的推移,它得能从环境的变化中自主学习。虚构作品里,机器人和赛博格的学习过程是隐形的,藏在了叙事手段后面。但是就连很简单的机器学习系统,如Netflix的动态优化程序(它的任务是提高被压缩了的视频的质量),都会用从人类观众那里收集的数据来训练它的算法,作为以后做视频播送的选择的基础。

机器学习

伊斯贝尔提出的真正AI需要具备的第二个特点是:它学会干的事情要足够有趣,就算人类也得努力一下才能学会。这个条件把人工智能和单纯的计算机自动化工作给区分开了。取代人类的组装汽车机器人不是人工智能,一个根据程序自动重复某些工作的机器也不是人工智能。对伊斯贝尔来说,一个“真正的”AI程序或机器应该能够表现出自我管理能力和创新性,以及能够给人惊喜,做出出乎意料的行为。

机器学习需要大量的数据,从中可以识别模式并进行预测。

人们对“AI”一词的期望已经贬值了,抱怨这一点也许看起来并不重要。如果有传感器和数据支持的机器学习系统将会蓬勃发展,那么人类追踪这些技术的演变也是理所应当的事情。但是之前的经验告诉我们,计算机的“计算”可能没有感觉上那么高级。我之前曾经提出过一种看法:“算法”这个词已经已经成为了一种文化痴迷,在科技领域提到算法,简直就像在朝上帝祈祷。滥用这个词会把普通(而且有缺陷)的软件提升到它们不应得的偶像高度。AI这个词也一样。编写了许多机器人程序的艾莉森·帕里什(Allison Parrish)这样说道:“一个人谈到‘AI’的时候,他其实在谈的是‘某个别人写的电脑程序’。"

经典的机器学习训练示例是教计算机区分猫和狗,或不同品种的猫和狗。例如,此类功能现在正用于识别犯罪调查中的对象和个人。同时,企业正在使用预测方面来改善客户服务,安全性和业务效率。图片 10“如果你喂养一万个数据点的身高和体重信息,并让计算机从中得出一个模式,那么以后你只能喂食高度,计算机将能够准确预测体重是多少,”Janakiram说。 。“机器学习是从过去的数据,历史趋势,识别模式中学习,然后预测下一步是什么,这是一个过于简单化的定义,但它是考虑它的最好方法。”

斯坦福大学的计算机科学家杰瑞·卡普兰(Jerry Kaplan)在麻省理工技术评论中提出了一种相似的观点:AI是一个神话,是“用从袋子里抓出来的毫不相干的工具和技术胡乱拼凑出的”。AI的科研群体似乎对此表示赞同;他们说他们的学科“支离破碎,杂乱无章”。考虑到现今AI领域的乱象,卡普兰提出用“拟人计算”(anthropic computing,即试图模拟人类的行为或交流方式的程序)来代替它。对卡普兰来说,AI自带的神秘意味,包括长久以来小说、电影和电视节目对它的使用所带来的桎梏,都使得“AI”这一术语更像是一个应该被驱逐的妖魔鬼怪,而不是一种值得期待的发展方向。

深入学习

卡普兰的观点并非独一无二——差不多70年前,数学家阿兰·图灵(Alan Turing)不小心提出了机械智能的设想时,他就提出过:当机械能够骗得人类以为它们也是人类的时候,这个机械就能被称作有“智能”了。在1950年,这个设想显得有点不切实际;虽然图灵的思想实验不是局限于电脑的,但是在当时,那些仅仅能完成相对简单计算的机器就已经得有一间房间那么大了。

深度学习使用模仿人脑的生理和功能的神经网络。神经网络包括几层神经元,导致使用术语“深度学习”。图片 11“深度学习采用机器学习的概念,让电脑从历史数据中学习,然后应用人脑思考的方式,”Janakiram说。“[深度学习使用]神经科学和神经学技术。”

图片 12世界上第一款商务电脑UNIVAC I,于1951年投入使用。图片来源:维基百科

深度学习是机器学习的最高级形式,并且正在成为培训计算机的首选方式。

然而在今天,电脑随随便便就能骗过人类。不是依靠装成人类的样子,而是让人类相信它们足以代替其它人类工具。推特和Facebook和谷歌都并不是“更好的”市政大厅,社区中心,图书馆,或是报纸——它们是不同的东西,在电脑上运行,带着自己的优缺点。要讨论这类网络服务的意义,必须把它们理解为公司软件的特定形态,而不是异次元AI的图腾。

目前语音交互机器人,机器学习需要的一定行业数据,从中可以识别模式并进行预测。图片 13在当下的耶特电销机器人已经逐渐成熟,同时为企业解决人工成本起到了很大的作用!

在这方面,卡普兰可能是对的:彻底放弃AI这个名词,也许是驱除当今文化魔鬼附身的最好方法了。不过伊斯贝尔的更传统一点的看法——AI是会学习、会根据学到的东西来行动的机器——也有些道理。这种看法保护了AI在科学幻想正统里的崇高地位,使得它能够时时提醒创造者和用户们一个本质的事实:今天的计算机系统没什么特殊的。它们是由人类制造的设备,运行着由人类编写的程序,融汇了来自双方的成就和缺陷。(编辑:姜Zn)

耶特语音智能机器人与传统电销人员对比图片 14房地产的录音

更多详情请关注公众账号:ytznkj,手机(同VX)13058683448

本文由澳门新葡8455最新网站发布于互联网,转载请注明出处:你了解多少,人工智能的定义与探讨

上一篇:SPICE协议的理解,常见开源协议介绍 下一篇:没有了
猜你喜欢
热门排行
精彩图文