文庫中心
news information
- 線(xiàn)束組裝膠帶纏繞指示書(shū)
- 線(xiàn)束密封件的設計
- 線(xiàn)束包扎和固定設計
- 汽車(chē)碳纖維應用技術(shù)解析
- 動(dòng)力電池內部線(xiàn)束布置及
- 防水連接器的性能標準
- 【IQC】如何做好來(lái)料檢驗
- 乘聯(lián)會(huì )預測2020年國內汽車(chē)
- 同比下降6.4% 9月份汽車(chē)進(jìn)
- 投資96億 廣州將建國家級
聯(lián)系我們
contact us
-
地址：山東省濟南市歷下區解放路華強廣場(chǎng)A1307 -
電話(huà)：15666328617 -
座機：400-0304-588 -
郵箱：jishubu@xianshu.com
所謂人工智能（Artificial Intelligence；縮寫(xiě)：AI），是指以人工辦法來(lái)結束人類(lèi)所具有之智慧的技術(shù)。只不過(guò)，現在能結束與人類(lèi)智能平等的技術(shù)還不存在，世界上絕大大都的人工智能仍是只能處理某個(gè)特定問(wèn)題。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出現在網(wǎng)絡(luò )之前，因此又被稱(chēng)為“古典人工智能”。這時(shí)期出現的“符號主義”與“聯(lián)合主義”，分別是日后“專(zhuān)家系統”與“深度學(xué)習”的雛形。只不過(guò)，雖然當時(shí)的效果已能解開(kāi)拼圖或簡(jiǎn)略的游戲，卻幾乎無(wú)法處理有用的問(wèn)題。
第2次AI浪潮
第2次AI熱潮伴隨著(zhù)核算機的廣泛，出現在1980年代。這時(shí)期所進(jìn)行的研討，是以灌注「專(zhuān)家知識」作為規則，來(lái)幫助處理特定問(wèn)題的“專(zhuān)家系統”（Expert system）為主?？墒?，縱使當時(shí)有商業(yè)運用的實(shí)例，運用范疇卻很有限，熱潮也因此逐漸衰退。
第三次AI浪潮第三次AI浪潮則出現于2010年代，伴隨著(zhù)高功用核算機、因特網(wǎng)、大數據、傳感器的廣泛，以及核算成本的下降，“機器學(xué)習”隨之興起。所謂機器學(xué)習（Machine leaning），是指讓核算機許多學(xué)習數據，使它可以像人類(lèi)相同辨識聲音及形象，或是針對問(wèn)題做出適宜的判別。
二、AI的三大技術(shù)
快速了解了AI的發(fā)展史后，我們來(lái)看看當代人工智能的三大代表性模型：遺傳算法、專(zhuān)家系統、類(lèi)神經(jīng)網(wǎng)絡(luò )。
1、遺傳算法
遺傳算法（Genetic algorithm；GA），又稱(chēng)為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟示的人工智能。它透過(guò)「適者生存」的規則，將“優(yōu)異的個(gè)別”幻想成“好的答案”，透過(guò)演化的辦法來(lái)找出最佳解。
2、專(zhuān)家系統
專(zhuān)家系統（Expert system），則是針對預設的問(wèn)題，事前預備好許多的對應辦法。它運用在許多當地，尤其是疾病診斷。只不過(guò)，專(zhuān)家系統只能針對專(zhuān)家預先考慮過(guò)的狀況來(lái)預備對策，它并沒(méi)有自行學(xué)習的才干，因此仍是有其局限性。
3、類(lèi)神經(jīng)網(wǎng)絡(luò )
從第三次AI浪潮所興起的機器學(xué)習（Machine learning）有許多種辦法，其間最受注視的，莫過(guò)于深度學(xué)習（Deep learning）了。所謂深度學(xué)習，是透過(guò)仿照人腦的“類(lèi)神經(jīng)網(wǎng)絡(luò )”（Neural network）來(lái)學(xué)習許大都據的辦法。
類(lèi)神經(jīng)網(wǎng)絡(luò )的由來(lái)
若你去查詢(xún)腦的內部，會(huì )發(fā)現有許多稱(chēng)為“神經(jīng)元”的神經(jīng)細胞相相互連。一個(gè)神經(jīng)元從其他神經(jīng)元那里接納的電氣信號量達某必定值以上，就會(huì )振作（神經(jīng)激動(dòng)）；在某必定值以下，就不會(huì )振作。
振作起來(lái)的神經(jīng)元，會(huì )將電器信號傳送給下一個(gè)相連的神經(jīng)元。下一個(gè)神經(jīng)元同樣會(huì )因此振作或不振作。簡(jiǎn)略來(lái)說(shuō)，相相互連的神經(jīng)元，會(huì )構成聯(lián)合傳遞行為。我們透過(guò)將這種相連的結構來(lái)數學(xué)模型化，便構成了類(lèi)神經(jīng)網(wǎng)絡(luò )。
類(lèi)神經(jīng)網(wǎng)絡(luò )：深度學(xué)習
我們可以發(fā)現，經(jīng)模型化的的類(lèi)神經(jīng)網(wǎng)絡(luò )，是由“輸入層”（Input layer）、“躲藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構成。其他，學(xué)習數據則是由輸入數據以及相對應的正確答復來(lái)組成。
以形象辨識為例，為了讓AI學(xué)習類(lèi)神經(jīng)網(wǎng)絡(luò )的模型，首先有必要先將形象學(xué)習數據切割成像素數據，然后將各像素值輸進(jìn)輸入層。
接受了數據的輸入層，將像素值乘上“權重”后，便傳送給后方躲藏層的神經(jīng)元。躲藏層的各個(gè)神經(jīng)元會(huì )累加前一層所接納到的值，并將其效果再乘上“權重”后，傳送給后方的神經(jīng)元。最終，經(jīng)由輸出層的神經(jīng)元的輸出，便可得到形象辨識的猜想效果。
為了讓輸出層的值跟各個(gè)輸入數據所對應的正解數據持平，會(huì )對各個(gè)神經(jīng)元的輸入核算出恰當的“權重”值。
這個(gè)權重的核算，一般是運用“過(guò)失倒傳遞算法”（Error Back Propagation），運用與正解數據之間的過(guò)失，從輸出層逆推回去。透過(guò)各「權重」的調整，來(lái)縮小輸出層的值與正解數據的值之間的過(guò)失，以樹(shù)立出結束學(xué)習的模型。
由于曩昔類(lèi)神經(jīng)網(wǎng)絡(luò )之間進(jìn)行傳遞的權重值難以?xún)?yōu)化，因此曾有大都研討者對類(lèi)神經(jīng)網(wǎng)絡(luò )的研討持否定態(tài)度。直到2006年，辛頓（Geoffrey Hinton）開(kāi)宣布自動(dòng)編碼器（Autoencoder）的辦法，才突破了這項瓶頸。
自動(dòng)編碼器是指，在類(lèi)神經(jīng)網(wǎng)絡(luò )的輸入層和輸出層運用相同數據，并將躲藏層設置于二者之間，藉此用來(lái)調整類(lèi)神經(jīng)網(wǎng)絡(luò )之間的權重參數的一種辦法。使用以自動(dòng)編碼器所獲得的類(lèi)神經(jīng)網(wǎng)絡(luò )權重參數值進(jìn)行初始化后，便能運用「過(guò)失倒傳遞算法」，前進(jìn)多層類(lèi)神經(jīng)網(wǎng)絡(luò )的學(xué)習準確度。
透過(guò)類(lèi)神經(jīng)網(wǎng)絡(luò )，深度學(xué)習便成為了“只需將數據輸入類(lèi)神經(jīng)網(wǎng)絡(luò )，它就能自行抽出特征”的人工智能，而這又稱(chēng)為“特征學(xué)習”（feature learning）。
深度學(xué)習最擅長(cháng)的，是它能辨識圖畫(huà)數據或波形數據這類(lèi)無(wú)法符號化的數據。自2010年代以來(lái)，如Google、Microsoft及Facebook等美國出名IT企業(yè)，都初步著(zhù)手深度學(xué)習的研討。例如，蘋(píng)果「Siri」的語(yǔ)音辨認，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度學(xué)習項目也已超越1,500項。
至于深度學(xué)習如此騰躍的生長(cháng)，要歸功于硬設備的進(jìn)步。圖形處理器（GPU）大廠(chǎng)輝達（NVIDIA）使用該公司的圖形適配器來(lái)進(jìn)步深度學(xué)習的功用，供給鏈接庫（Library）和結構（framework）產(chǎn)品，并活躍開(kāi)設研討課程。其他，Google也揭露了結構「TensorFlow」，可以將深度學(xué)習運用于數據分析。
三、AI的三大運用
AI運用范疇首要可分為語(yǔ)音辨認、形象辨識以及自然語(yǔ)言處理等三部分。
1、語(yǔ)音辨認
語(yǔ)音辨認部分，透過(guò)多年來(lái)語(yǔ)音辨認比賽CHiME的研討，已經(jīng)有了平等人類(lèi)的辨識度（CHiME，是針對實(shí)際日子環(huán)境下的語(yǔ)音辨認，所進(jìn)行評測的世界語(yǔ)音辨認比賽）。此外，Apple、Google、Amazon也相繼提出可運用于日常日子的效力，因此其成熟度已達到有用等級。
2、形象辨識
形象辨識部分，雖然一般圖片的辨識已有平等于人類(lèi)的辨識率，但動(dòng)態(tài)形象的辨識準確度卻仍比不上人類(lèi)，現在還在進(jìn)行各種算法的測驗。其間，形象辨識現在最火熱的運用場(chǎng)域非自動(dòng)駕馭莫屬了。
整個(gè)汽車(chē)、信息通訊工業(yè)都正朝著(zhù)自駕車(chē)的方向盡力，例如Google繼續進(jìn)行自動(dòng)駕馭的研討，TOYOTA也在美國樹(shù)立豐田研討所，可以知道現階段的開(kāi)發(fā)已非常挨近有用化。因此，我們可判別現在形象辨識的成熟度是介在研討和有用等級之間。
3、自然語(yǔ)言處理
自然語(yǔ)言處理（Natural language processing；NLP），是試著(zhù)讓人工智能能了解人類(lèi)所寫(xiě)的文字和所說(shuō)的言語(yǔ)。NLP首先會(huì )分化詞性，稱(chēng)之“語(yǔ)素分析”（morphemic analysis），在分化出最小的字義單位后，接著(zhù)會(huì )進(jìn)行“語(yǔ)法分析”（syntactic analysis），最終再透過(guò)“語(yǔ)意分析”（semantic analysis）來(lái)了解含義。
輸出部分，自然語(yǔ)言處理也與生成文法（generative grammar）密切相關(guān)。生成文法理論認為，只需遵照規則即可生成文句。這也代表著(zhù)，只需把規則組合在一起，便可能生成文章。
在自然語(yǔ)言處理中，最具代表性的運用就是“談天機器人”（Chatbot）了，它是一種如真人般，可透過(guò)文字音訊與人對話(huà)的程序。2016年，臉書(shū)推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促進(jìn)這種搭載NLP技術(shù)的談天機器人成為注視的焦點(diǎn)。
其他，由IBM所開(kāi)發(fā)的華生（IBM Watson），也是運用NLP的人工智能而成。華生可以從維基百科等語(yǔ)料庫中抽取知識，學(xué)習詞匯與詞匯之間的相關(guān)性?，F在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統。
只不過(guò)，由于在日常對話(huà)中，我們很常省掉詞句，也不用定會(huì )提及時(shí)空布景，因此當時(shí)的Chatbot尚無(wú)法與人類(lèi)進(jìn)行不著(zhù)邊際的對話(huà)。所以說(shuō)，現行大都的Chatbot廠(chǎng)商，仍是會(huì )約束對話(huà)的環(huán)境與運用范疇。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出現在網(wǎng)絡(luò )之前，因此又被稱(chēng)為“古典人工智能”。這時(shí)期出現的“符號主義”與“聯(lián)合主義”，分別是日后“專(zhuān)家系統”與“深度學(xué)習”的雛形。只不過(guò)，雖然當時(shí)的效果已能解開(kāi)拼圖或簡(jiǎn)略的游戲，卻幾乎無(wú)法處理有用的問(wèn)題。
第2次AI浪潮
第2次AI熱潮伴隨著(zhù)核算機的廣泛，出現在1980年代。這時(shí)期所進(jìn)行的研討，是以灌注「專(zhuān)家知識」作為規則，來(lái)幫助處理特定問(wèn)題的“專(zhuān)家系統”（Expert system）為主?？墒?，縱使當時(shí)有商業(yè)運用的實(shí)例，運用范疇卻很有限，熱潮也因此逐漸衰退。
第三次AI浪潮第三次AI浪潮則出現于2010年代，伴隨著(zhù)高功用核算機、因特網(wǎng)、大數據、傳感器的廣泛，以及核算成本的下降，“機器學(xué)習”隨之興起。所謂機器學(xué)習（Machine leaning），是指讓核算機許多學(xué)習數據，使它可以像人類(lèi)相同辨識聲音及形象，或是針對問(wèn)題做出適宜的判別。
二、AI的三大技術(shù)
快速了解了AI的發(fā)展史后，我們來(lái)看看當代人工智能的三大代表性模型：遺傳算法、專(zhuān)家系統、類(lèi)神經(jīng)網(wǎng)絡(luò )。
1、遺傳算法
遺傳算法（Genetic algorithm；GA），又稱(chēng)為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟示的人工智能。它透過(guò)「適者生存」的規則，將“優(yōu)異的個(gè)別”幻想成“好的答案”，透過(guò)演化的辦法來(lái)找出最佳解。
2、專(zhuān)家系統
專(zhuān)家系統（Expert system），則是針對預設的問(wèn)題，事前預備好許多的對應辦法。它運用在許多當地，尤其是疾病診斷。只不過(guò)，專(zhuān)家系統只能針對專(zhuān)家預先考慮過(guò)的狀況來(lái)預備對策，它并沒(méi)有自行學(xué)習的才干，因此仍是有其局限性。
3、類(lèi)神經(jīng)網(wǎng)絡(luò )
從第三次AI浪潮所興起的機器學(xué)習（Machine learning）有許多種辦法，其間最受注視的，莫過(guò)于深度學(xué)習（Deep learning）了。所謂深度學(xué)習，是透過(guò)仿照人腦的“類(lèi)神經(jīng)網(wǎng)絡(luò )”（Neural network）來(lái)學(xué)習許大都據的辦法。
類(lèi)神經(jīng)網(wǎng)絡(luò )的由來(lái)
若你去查詢(xún)腦的內部，會(huì )發(fā)現有許多稱(chēng)為“神經(jīng)元”的神經(jīng)細胞相相互連。一個(gè)神經(jīng)元從其他神經(jīng)元那里接納的電氣信號量達某必定值以上，就會(huì )振作（神經(jīng)激動(dòng)）；在某必定值以下，就不會(huì )振作。
振作起來(lái)的神經(jīng)元，會(huì )將電器信號傳送給下一個(gè)相連的神經(jīng)元。下一個(gè)神經(jīng)元同樣會(huì )因此振作或不振作。簡(jiǎn)略來(lái)說(shuō)，相相互連的神經(jīng)元，會(huì )構成聯(lián)合傳遞行為。我們透過(guò)將這種相連的結構來(lái)數學(xué)模型化，便構成了類(lèi)神經(jīng)網(wǎng)絡(luò )。
類(lèi)神經(jīng)網(wǎng)絡(luò )：深度學(xué)習
我們可以發(fā)現，經(jīng)模型化的的類(lèi)神經(jīng)網(wǎng)絡(luò )，是由“輸入層”（Input layer）、“躲藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構成。其他，學(xué)習數據則是由輸入數據以及相對應的正確答復來(lái)組成。
以形象辨識為例，為了讓AI學(xué)習類(lèi)神經(jīng)網(wǎng)絡(luò )的模型，首先有必要先將形象學(xué)習數據切割成像素數據，然后將各像素值輸進(jìn)輸入層。
接受了數據的輸入層，將像素值乘上“權重”后，便傳送給后方躲藏層的神經(jīng)元。躲藏層的各個(gè)神經(jīng)元會(huì )累加前一層所接納到的值，并將其效果再乘上“權重”后，傳送給后方的神經(jīng)元。最終，經(jīng)由輸出層的神經(jīng)元的輸出，便可得到形象辨識的猜想效果。
為了讓輸出層的值跟各個(gè)輸入數據所對應的正解數據持平，會(huì )對各個(gè)神經(jīng)元的輸入核算出恰當的“權重”值。
這個(gè)權重的核算，一般是運用“過(guò)失倒傳遞算法”（Error Back Propagation），運用與正解數據之間的過(guò)失，從輸出層逆推回去。透過(guò)各「權重」的調整，來(lái)縮小輸出層的值與正解數據的值之間的過(guò)失，以樹(shù)立出結束學(xué)習的模型。
由于曩昔類(lèi)神經(jīng)網(wǎng)絡(luò )之間進(jìn)行傳遞的權重值難以?xún)?yōu)化，因此曾有大都研討者對類(lèi)神經(jīng)網(wǎng)絡(luò )的研討持否定態(tài)度。直到2006年，辛頓（Geoffrey Hinton）開(kāi)宣布自動(dòng)編碼器（Autoencoder）的辦法，才突破了這項瓶頸。
自動(dòng)編碼器是指，在類(lèi)神經(jīng)網(wǎng)絡(luò )的輸入層和輸出層運用相同數據，并將躲藏層設置于二者之間，藉此用來(lái)調整類(lèi)神經(jīng)網(wǎng)絡(luò )之間的權重參數的一種辦法。使用以自動(dòng)編碼器所獲得的類(lèi)神經(jīng)網(wǎng)絡(luò )權重參數值進(jìn)行初始化后，便能運用「過(guò)失倒傳遞算法」，前進(jìn)多層類(lèi)神經(jīng)網(wǎng)絡(luò )的學(xué)習準確度。
透過(guò)類(lèi)神經(jīng)網(wǎng)絡(luò )，深度學(xué)習便成為了“只需將數據輸入類(lèi)神經(jīng)網(wǎng)絡(luò )，它就能自行抽出特征”的人工智能，而這又稱(chēng)為“特征學(xué)習”（feature learning）。
深度學(xué)習最擅長(cháng)的，是它能辨識圖畫(huà)數據或波形數據這類(lèi)無(wú)法符號化的數據。自2010年代以來(lái)，如Google、Microsoft及Facebook等美國出名IT企業(yè)，都初步著(zhù)手深度學(xué)習的研討。例如，蘋(píng)果「Siri」的語(yǔ)音辨認，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度學(xué)習項目也已超越1,500項。
至于深度學(xué)習如此騰躍的生長(cháng)，要歸功于硬設備的進(jìn)步。圖形處理器（GPU）大廠(chǎng)輝達（NVIDIA）使用該公司的圖形適配器來(lái)進(jìn)步深度學(xué)習的功用，供給鏈接庫（Library）和結構（framework）產(chǎn)品，并活躍開(kāi)設研討課程。其他，Google也揭露了結構「TensorFlow」，可以將深度學(xué)習運用于數據分析。
三、AI的三大運用
AI運用范疇首要可分為語(yǔ)音辨認、形象辨識以及自然語(yǔ)言處理等三部分。
1、語(yǔ)音辨認
語(yǔ)音辨認部分，透過(guò)多年來(lái)語(yǔ)音辨認比賽CHiME的研討，已經(jīng)有了平等人類(lèi)的辨識度（CHiME，是針對實(shí)際日子環(huán)境下的語(yǔ)音辨認，所進(jìn)行評測的世界語(yǔ)音辨認比賽）。此外，Apple、Google、Amazon也相繼提出可運用于日常日子的效力，因此其成熟度已達到有用等級。
2、形象辨識
形象辨識部分，雖然一般圖片的辨識已有平等于人類(lèi)的辨識率，但動(dòng)態(tài)形象的辨識準確度卻仍比不上人類(lèi)，現在還在進(jìn)行各種算法的測驗。其間，形象辨識現在最火熱的運用場(chǎng)域非自動(dòng)駕馭莫屬了。
整個(gè)汽車(chē)、信息通訊工業(yè)都正朝著(zhù)自駕車(chē)的方向盡力，例如Google繼續進(jìn)行自動(dòng)駕馭的研討，TOYOTA也在美國樹(shù)立豐田研討所，可以知道現階段的開(kāi)發(fā)已非常挨近有用化。因此，我們可判別現在形象辨識的成熟度是介在研討和有用等級之間。
3、自然語(yǔ)言處理
自然語(yǔ)言處理（Natural language processing；NLP），是試著(zhù)讓人工智能能了解人類(lèi)所寫(xiě)的文字和所說(shuō)的言語(yǔ)。NLP首先會(huì )分化詞性，稱(chēng)之“語(yǔ)素分析”（morphemic analysis），在分化出最小的字義單位后，接著(zhù)會(huì )進(jìn)行“語(yǔ)法分析”（syntactic analysis），最終再透過(guò)“語(yǔ)意分析”（semantic analysis）來(lái)了解含義。
輸出部分，自然語(yǔ)言處理也與生成文法（generative grammar）密切相關(guān)。生成文法理論認為，只需遵照規則即可生成文句。這也代表著(zhù)，只需把規則組合在一起，便可能生成文章。
在自然語(yǔ)言處理中，最具代表性的運用就是“談天機器人”（Chatbot）了，它是一種如真人般，可透過(guò)文字音訊與人對話(huà)的程序。2016年，臉書(shū)推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促進(jìn)這種搭載NLP技術(shù)的談天機器人成為注視的焦點(diǎn)。
其他，由IBM所開(kāi)發(fā)的華生（IBM Watson），也是運用NLP的人工智能而成。華生可以從維基百科等語(yǔ)料庫中抽取知識，學(xué)習詞匯與詞匯之間的相關(guān)性?，F在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統。
只不過(guò)，由于在日常對話(huà)中，我們很常省掉詞句，也不用定會(huì )提及時(shí)空布景，因此當時(shí)的Chatbot尚無(wú)法與人類(lèi)進(jìn)行不著(zhù)邊際的對話(huà)。所以說(shuō)，現行大都的Chatbot廠(chǎng)商，仍是會(huì )約束對話(huà)的環(huán)境與運用范疇。
