自用华为ICT云赛道AI第一章知识点-人工智能概览

二二孚日
147 阅读10分钟

何谓智能

HowardGardner教授提出多元智能理论，他指出了体现多元智能的八种能力：

  • 语言 (Verbal/Linguistic)
  • 逻辑(Logical/Mathematical)
  • 空间 (Visual/Spatial)
  • 肢体动觉(Bodily/Kinesthetic)
  • 音乐(Musical/Rhythmic)
  • 人际 (Inter-personal/Social)
  • 内省 (Intra-personal/Introspective)
  • 自然（Naturalist）

什么是人工智能

image.png

  • 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TomMitchell则将机器学习定义为：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了解的深入，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，简单明了地给出“机器学习”这一概念的定义并不是那么容易。
  • 普遍认为，机器学习（MachineLearning，常简称为ML）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（Artificial Intelligence，常简称为AI）的一个重要子领域，而人工智能又与更广泛的数据挖掘（Data Mining，常简称为DM）和知识发现（Knowledge Discovery in Database,常简称为KDD)领域相交叉。为了更好的理解和区分人工智能(Artificial Intelligence)、机器学习(Machine Leaning)、数据挖掘(DataMining)、模式识别(PatternRecognition)、统计(Statistics)、神经计算(Neuro Computing)

AI、机器学习、深度学习的关系

  • 人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。
  • 机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
  • 深度学习：深度学习的概念源于人工神经网络的研究。多层感知机（MLP，Multilayer Perceptron）就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个领域，它模仿人脑的机制来解释数据，例如图像，声音和文本。 image.png
  • “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（称为训练数据）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，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以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，它模仿人脑的机制来解释数据，例如图像，声音和文本等。

人工智能的主要学派一一符号主义

  • 符号主义（Symbolicism），又称为逻辑主义（Logicism）、心理学派（Psychologism）或计算机学派（Computerism）。
  • 符号主义认为人工智能源于数理逻辑。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年首先采用“人工智能”这个术语，并长期一枝独秀，为人工智能的发展作出重要贡献，特别是专家系统的开发与应用落地。
  • 1956后，符号主义又发展了启发式算法>专家系统>知识工程理论与技术，并在1980年代取得重要发展。
  • 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重要的意义。
  • 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。

人工智能的主要学派一一连接主义

  • 连接主义（Connection），又称为仿生学派（Bionicsism）或生理学派（Physiologism）。
  • 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，而不是信号处理过程。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年代受限于生物原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后，连接主义才又重新抬头。
  • 当下人们对人工神经网络（ANN）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，就像在人脑中一样。
  • 1986年，鲁梅尔哈特等人提出多层网络中的反向传播（BP）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。

人工智能的主要学派一一行为主义

  • 行为主义（Actionism），又称为进化主义（Evolutionism）或控制论学派（Cyberneticsism)。
  • 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一一一个基于感知-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。

人工智能发展简史

  • 1956年8月，在美国达特茅斯学院中，约翰·麦卡锡（JohnMcCarthy，LISP语言创始人）、马文·闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家聚在一起，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
  • LISP: en.wikipedia.org/wiki/Lisp_(…
  • LSIP Machine:en.wikipedia.org/wiki/Lisp_m… image.png

image.png

人工智能的分类

  • 强人工智能：

    • 强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）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地推理（Reasoning）和解决问题（Problem_solving）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地仿制出来，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，目前仍然还只属于弱人工智能范围，它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，以谷歌和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时代提供了强大助力。

AI产业生态

  • 人工智能应用落地的四要素是数据、算法、算力、场景。为实现智能社会，我们需要将AI与云计算、大数据和物联网等结合。

image.png

Al热门子领域

image.png

AI技术领域&应用领域概览

image.png

自然语言处理应用场景

  • 自然语言处理研究的主题主要包括机器翻译、文本挖掘和情感分析等。自然语言处理的技术难度高，技术成熟度较低。因为语义的复杂度高，仅靠目前基于大数据、并行计算的深度学习很难达到人类的理解层次。
  • 发展：从只能理解浅层语义到能自动提取特征并理解深层语义；从单一智能（ML）到混合智能（ML、DL……）。
  • 应用场景：
    • 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关键的观点信息
    • 知识图谱：通过NLP技术辅助进行知识抽取。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
avatar
文章
阅读
粉丝