人工智能概览

一人工智能概述1.概念人工智能的一个比较流行的定义也是该领域比较早的定义是由约翰.麦卡锡 在1956年达特茅斯会议上提出的人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了人工智能的可行性。另一定义指的是人工智能是人造机器所变现出来的智能性也就是弱人工智能。2.什么是智能Howard Gardner教授提出了多元智能理论他指出多元智能的八种能力语言逻辑空间肢体动觉音乐人际内省自然3.什么是人工智能人工智能的定义可以分为两部分即“人工”和“智能”。“人工”即由人设计为人创造制造。人工智能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。1956年由约翰麦卡锡首次提出当时的定义为制造智能机器的科学与工程人工智能的目的就是让机器能够像人一样思考让机器拥有智能。时至今日人工智能的内涵已经大大扩展是一门交叉学科。对机器学习的认识可以从多个方面进行有着全球机器学习教父之称的汤姆将机器学习定义为对于某类任务T和性能度量P。如果计算机程序在T上以P衡量的性能随着经验E而自我完善。就称这个计算机全程序从经验E学习。这些定义都比较简单抽象但是随着对机器学习的深入了解我们会发现随着时间的变迁机器学习的内涵和外延在不断的变化因为涉及到的领域和应用很广。发展和变化也相当迅速简单明了的给出机器学习这一概念的定义并不是那么容易。普遍认为积极学习的处理系统和算法是主要通过找出数据里隐藏的模式进而做出预测的识别模式。它是人工智能的一个重要的领域而人工智能又与更广泛的数据挖掘和知识发现领域作为交叉为了更好的了解和区分人工智能。数据挖掘模式识别统计神经计算人工智能一词以前曾被用来描述模仿和展示与人类思维相关的人类认知技能的机器。机器学习算法主要是基于样本数据构建模型以便能在没有明确编程的情况下做出预测或决策。深度学习是机器学习的一种从而机器学习是实现人工智能的必经路径。深度学习概念源于人工神经网络的研究含多个隐藏层和多层感知器就像是一种深度学习结构深度学习通过组合低层特征形成更抽象的高层表示属性类或特征。已发现数据的分布式特征表示研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络。他模仿人。人脑的机制来解释数据例如图像声音和文本等。4.人工智能的主要学派a.符号主义又称为逻辑主义、心理学派或计算机学派。符号主义认为人工智能源于数据逻辑他们认为人类的认知基元是符号人类认知的过程是各种符号进行推理运算的过程。认为人是一个物理符号系统计算机也是一个物理符号系统。因此可以用计算机来模拟人的智能行为。符号主义在1956年首首先采用人工智能这个术语。并长期一枝独秀为人工智能发展做出了重要贡献特别是专家系统的开发与应用落地。专家系统的成功开发与应用为人工智能走向工程应用和实现理论。联系实际具有特别的重要意义。别的人工智能学派出现后符号主义仍是人工智能的主流派别。b.连接主义连接主义又称为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。他们认为人类的思维基元是神经元而不是符号处理过程。从神经元开始进而研究神经网络模型和脑模型成功开辟了人工智能的又一发展道理。连接主义的代表性成果是在1943年创立的脑模型即MP模型。20世纪70~80年代受限于生物模型和软硬件技术限制。人们对脑模型的研究一度陷入低潮直到有专家提出用硬件模拟神经网络以后。连接主义才又重新抬头当下人们对神经网络的研究热情仍然较高随着这类网络的复杂性和规模的提升也带来了许多可解释性的问题。网络中的单元可以代表神经元而连接可以代表突触就像人脑中一样。1986年。鲁梅尔哈特等人提出多层网络中的反向传播算法。此后连接主义又逐渐兴起。从模型到算法从理论分析到工程实现。c.行为主义行为主义又称为进化主义或控制论学派。行为主义认为人工智能源于控制论他们认为智能取决于感知和行动。认为智能不需要知识不需要表示不需要推理人工智能以像人类智能一样逐步进化。智能行为只能在现实世界中与周围环境交互作用而表现出来。行为主义在早期工作中主要是模拟人在控制过程中的智能行为和作用。到20世纪80年代诞生了智能控制和智能机器人系统。行为主义偏向于应用实践从环境不断学习以不断修正动作。学派代表作布鲁克斯的六足行走机器人它是一个基于感知-动作模式的模拟昆虫行为的控制系统。该学派有点类似自然适应控制系统基于传感器环境收集数据并对系统进行作用。二人工智能发展简史1568年8月在美国达特茅斯学院中约翰.麦卡西、马文.米斯基、克劳德.香农、艾伦.纽厄尔、赫伯特.西蒙等科学家聚集在一起。讨论着一个不食人间烟火的主题用机器来模仿人类学习以及其他方面的智能。会议足足开了两个月的时间。虽然大家没有达成普遍的共识但是却为会议讨论的内容起了一个名字人工智能因此1956年也就成为了人工智能元年。三人工智能的分类强人工智能强人工智能的观点认为有可能制造出真正能推理和解决问题的智能机器。并且这样的机器将被认为是有知觉的有自我意识的。可以独立思考问题并制定解决问题的最优方案有自己的价值观和世界观体系。有和生物一样的各种本能比如生存和安全需求。在某种意义上可以看作一种新的文明。弱人工智能弱人工智能是指不能制造出真正的推理和解决问题的智能机器。这些机器只不过看起来像是智能的但是并不真正的拥有智能也不会有自主意识。人工智能的一项重要指标是在没有任何先验知识的前提下通过完全的self learning也就是自我学习在极具挑战的领域里边达到超人的境界。强人工智能是指在各方面都能和人类比肩的人工智能因此强人工智能不是仅限于某一领域。而是让机器人全方位实现类人的能力强人工智能能够进行思考计划解决问题抽象思维。理解复杂理念快速学习和从经验中学习目前有一种认为是如果能够模拟出人脑并把其中的神经元神经突触等全部同规模的模仿出来那么强人工智能就会自然产生。当前我们正处于弱人工智能阶段弱人工智能的产生减轻了人类的智力劳动。类似于高级仿生学无论是阿尔法狗还是能够撰写新闻稿和小说的机器人。目前还仍只属于弱人工智能范围他们的能力仅在某些方面超过了人类。数据和算力在弱人工智能时代不言而喻其推动了人工智能的商业化发展。在强人工智能时代以上两个因素仍然是最重要的因素。与此同时以谷歌的IBM为代表的科技巨头在量子计算上的研究也为人类进入强人工智能的时代提供了强大助力。二、人工智能领域一国内人工智能企业应用技术分布技术层通过技术算法技术框架通用技术自然语言处理计算机视觉语音识别机器学习等算法机器学习强化学习深度学习等技术框架分布式存储分布式计算等二自然语言处理场舆情分析通过关键词提取、文本聚类、主题挖掘等算法模型。挖掘突发事件舆论导向、进行话题发现、趋势发现、舆情分析等。多维度分析情绪、热点、趋势、传播途径等及时全面的掌握舆情动态情感分析通过情感分析、观点抽取等相关技术从大量用户评论中提取出情感倾向以及观点的观点信息知识图谱通过NLPII那好技术辅助进行知识提取。比如模型是中文的机器翻译对一些医学材料从英文到中文。文本挖掘一段话提炼中心思想等三、华为人工智能的发展战略2020年第1季度开源MindSpore全场景AI计算框架。全栈是技术功能视角是包括芯片、芯片使能、训练和推理框架和应用使能在内的全堆栈方案全场景是包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等全场景的部署环境。这其中Atlas作为华为全栈全场景AI解决方案的基石基于昇腾AI处理器提供了模块、板卡、服务器等不同形态的产品满足客户全场景的算力需求。应用使能提供全流程服务ModelArts分层API和预集成方案。MindSpore支持端、边、云独立的和协同的统一训练和推理框架。CANN芯片算子库和高度自动化算子开发工具。Atlas基于Ascend系列AI处理器通过丰富的产品形态打造面向“端、边、云”的全场景AI基础设施方案。华为的AI全场景包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。昇腾主打胶片MindXDL昇腾深度学习组件是支持Atlas800训l练服务器、Atlas800推理服务器的深度学习组件参考设计提供昇腾AI处理器资源管理和监控、昇腾AI处理器优化调度、分布式训练集合通信配置生成等基础功能快速使能合作伙伴进行深度学习平台开发。MindXEdge轻量化的边缘计算资源管理运维使能行业客户快速搭建边云协同推理平台。MindXSDK面向行业场景的完整AI开发套件提供极简易用的API及图形界面使能开发者以极少代码快速开发行业AI应用。ModelZoo为开发者提供丰富的场景化优选预训l练模型为开发者解决了模型的选型难、训练难、优化难等问题。以前的AI应用是单技术方向的比如图像识别和分类声音识别和克隆等等可以算是AI行业的应用探索现状随着单模到多模的AI应用开发从感知到认知的知识计算方案落地AI开始走进企业核心生产系统深入企业的数字化工作中形成智慧城市、工业互联网等系统性的智能方案开始创造更大的价值。图像分类模型EfficientNet,YOLO等。2019年谷歌推出EfficientNet语音识别:RNN-T(Recurrent Neural Network Transducer)RNN Transducer基于联结时序分类CTC的声学模型不再需要对训练的音频序列和文本序列进行强制对齐实际上已经初步具备了端到端的声学模型建模能力。但是CTC模型进行声学建模存在着两个严重的瓶颈一是缺乏语言模型建模能力不能整合语言模型进行联合优化二是不能建模模型输出之间的依赖关系。RNN-Transducer针对CTC的不足进行了改进使得模型具有了端到端联合优化、具有语言建模能力、便于实现Online语音识别等突出的优点更加适合语音任务。四、人工智能的争议和未来一人工智能的争议随着人工智能技术的不断发展人工智能这个概念也逐渐在人们心中明朗但也因此暴露出诸多争议我们现在见到的听到的还是真的吗人工智能存在的伦理问题该如何解决未来大家会失业吗你的隐私会泄露吗怎么样保证隐私的安全未来人工智能可控吗大家都会失业吗从人类的发展进程上看我们一直在寻求提高效率的途径即以更少的资源获得更多。我们用尖锐的石头更高效地狩猎和采集食物用蒸汽机减少了对马匹的需求。实现自动化的每一步都会改变工作生活。在AI的时代哪些工作会被AI取代呢AI可能会取代重复性强的工作创造性低的工作弱社交的工作无法保证人身安全的工作机密计算指数据的传输和计算过程是机密的其保护隐私的代价较大。模型隐私保护常用到的方法有如数据脱敏、差分隐私训练、模型加密、模型混淆等。差分隐私可以衡量和控制模型对训练数据的泄露联邦学习通常是在不共享数据的情形下进行多方联合机器学习本质上是一种数据访问受限的分布式机器学习框架。计算节点间只共享梯度不共享原始数据。二人工智能的未来1.技术革新从专用智能向通用智能跨越未来人工智能的核心技术突破将聚焦于通用人工智能AGI的研发与落地打破当前专用人工智能“单点突破、场景受限”的局限。一方面大模型技术将持续迭代从“参数规模竞赛”向“高效可控、精准适配”转型通过多模态融合文本、图像、语音、视频等实现更全面的信息理解与生成提升模型的泛化能力与推理效率降低训练成本与能耗。另一方面强化学习、迁移学习、联邦学习等算法将不断优化解决当前人工智能“数据依赖、泛化不足、可解释性差”等痛点推动模型从“被动响应”向“主动学习、自主决策”升级。此外脑科学与人工智能的深度融合将成为重要方向通过模拟人类大脑的神经连接与信息处理机制实现更接近人类思维模式的智能决策推动通用人工智能从理论走向实践。2.应用拓展全场景渗透赋能产业升级与民生改善未来人工智能的应用将突破当前的细分场景实现全行业、全领域的深度渗透成为推动产业升级与民生改善的核心力量。在产业领域工业人工智能将实现从“自动化生产”向“智能化管控”转型通过智能传感器、工业机器人与人工智能算法的融合实现生产过程的实时监测、故障预警、精准调度提升生产效率与产品质量推动制造业向“智能制造”转型农业领域将通过人工智能实现精准种植、病虫害智能识别、农产品溯源破解农业生产“靠天吃饭”的困境推动农业现代化发展服务业领域将实现智能化升级智能客服、智能导购、智能物流等场景将更加普及提升服务效率与用户体验推动服务业向“智慧服务”转型。在民生领域人工智能将深度融入医疗、教育、养老、交通等核心场景。医疗领域人工智能辅助诊断系统将实现更精准的疾病筛查、诊断与治疗方案制定尤其是在疑难病症、罕见病诊断中发挥重要作用推动医疗资源的均衡分配教育领域个性化学习系统将根据学生的学习特点、兴趣爱好制定专属学习方案实现“因材施教”破解教育资源不均衡问题养老领域智能养老设备与系统将实现老人健康监测、应急救助、情感陪伴提升养老服务质量交通领域自动驾驶技术将逐步成熟实现从辅助驾驶向完全自动驾驶的跨越缓解交通拥堵、减少交通事故推动智慧交通体系的完善。3.伦理规范构建完善的治理体系防范技术风险随着人工智能的广泛应用伦理风险、安全风险日益凸显未来人工智能的发展将更加注重“技术创新与伦理规范并重”构建完善的治理体系。一方面各国将加快人工智能伦理规范的制定与完善明确人工智能在数据使用、算法公平、隐私保护、责任界定等方面的准则禁止人工智能在危害人类安全、侵犯个人权益、破坏社会公平等领域的应用划定人工智能发展的“红线”。另一方面将建立健全人工智能安全监管机制加强对人工智能技术研发、应用全过程的监管防范算法偏见、数据泄露、恶意滥用等风险确保人工智能技术的健康发展。此外将推动人工智能伦理教育的普及提升研发者、使用者的伦理意识引导全社会形成“尊重伦理、规范使用人工智能”的共识实现技术发展与伦理规范的协同推进。4.产业融合形成“人工智能”生态推动产业协同发展未来人工智能将不再是独立的技术领域而是与实体经济深度融合形成“人工智能”的产业生态推动各产业协同发展。一方面人工智能将与大数据、云计算、物联网、区块链等新一代信息技术深度融合构建“智能感知、智能分析、智能决策、智能执行”的完整产业链提升产业的数字化、智能化水平。例如物联网为人工智能提供海量数据支撑云计算为人工智能提供算力保障区块链为人工智能提供安全可信的技术支撑四者融合将推动数字经济的高质量发展。另一方面人工智能将推动跨产业的协同创新打破产业壁垒形成“人工智能制造业”“人工智能农业”“人工智能医疗”“人工智能金融”等多元化的产业形态推动产业结构优化升级培育新的经济增长点。此外人工智能产业将形成“研发、生产、应用、服务”的完整生态链吸引更多企业、科研机构参与其中推动技术成果的快速转化与落地。5.人才培养打造高素质人才队伍支撑技术创新与产业发展人工智能的发展离不开高素质人才的支撑未来人工智能人才培养将呈现“多元化、专业化、复合型”的趋势。一方面各国将加大人工智能人才培养力度优化教育体系在高校增设人工智能相关专业培养兼具理论知识与实践能力的专业人才涵盖算法研发、数据处理、应用落地、伦理监管等多个领域。另一方面将加强校企合作、产学研融合推动科研机构与企业协同培养人才让学生在实践中提升专业能力实现“人才培养与产业需求”的精准对接。此外将注重复合型人才的培养推动人工智能与数学、计算机科学、生物学、社会学、伦理学等多学科深度融合培养既懂技术、又懂伦理、又懂产业的复合型人才为人工智能的未来发展提供坚实的人才保障。