精华内容
下载资源
问答
  • 人工智能简史� 在人工智能的早期,计算机科学家试图在计算机中重建人类思维的各个方面。 这就是科幻小说中的智力类型,即或多或少像我们一样思考的机器。 毫无疑问,这种类型的智能称为可理解性。 具有可理解性的...

    人工智能简史�

    在人工智能的早期,计算机科学家试图在计算机中重建人类思维的各个方面。 这就是科幻小说中的智力类型,即或多或少像我们一样思考的机器。 毫无疑问,这种类型的智能称为可理解性。 具有可理解性的计算机可用于探索我们如何推理,学习,判断,感知和执行脑力活动。

    可懂度的早期研究集中于在计算机中对现实世界和思维(来自认知科学家的领域)的部分进行建模。 当您考虑到这些实验是在60年前进行的时,这是非常了不起的。

    [ 也在InfoWorld上:2020年的人工智能预测 ]

    早期的智力模型侧重于演绎推理以得出结论。 这种类型的最早且最著名的AI程序之一是逻辑理论家,写于1956年,用以模仿人类的解决问题的技能。 逻辑理论家很快在《 数学原理》第二章中证明了前52个定理中的38个定理,实际上改进了一个定理。 首次清楚地表明,一台机器可以执行直到现在为止仍需要智能和创造力的任务。

    不久,研究转向了另一种类型的思维,即归纳推理。 归纳推理是科学家在检查数据并尝试提出假设进行解释时所使用的方法。 为了研究归纳推理,研究人员基于在NASA实验室工作的科学家创建了一个认知模型,以帮助他们使用有机化学知识来识别有机分子。 Dendral程序是人工智能第二功能( 仪器 )的第一个真实示例,该功能是完成归纳推理任务(在本例中为分子识别)的一组技术或算法。

    Dendral之所以与众不同,是因为它还包含第一个知识库,即一组捕获科学家知识的if / then规则,可与认知模型一起使用。 这种知识形式以后将称为专家系统 。 在一个程序中同时具有两种“智能”,计算机科学家就可以问:“是什么使某些科学家比其他科学家好得多? 他们具有卓越的认知能力还是知识渊博?”

    到1960年代后期,答案很明确。 Dendral的性能几乎完全取决于从专家那里获得的知识的数量和质量。 认知模型仅与绩效改善之间存在微弱的关系。

    这种认识导致了人工智能界的重大范式转变。 知识工程学成为一门学科,可以使用专家系统对人类专业知识的特定领域进行建模。 而且他们创建的专家系统经常超过任何一个人类决策者的性能。 这项非凡的成功激发了人工智能界,军事,工业,投资者和大众媒体对专家系统的极大热情。

    随着专家系统在商业上的成功,研究人员将注意力转向建模这些系统并使它们在问题领域更灵活的技术。 正是在这一时期,面向对象的设计和分层本体由AI社区开发,并被计算机社区的其他部分所采用。 如今,分层本体已经成为知识图的核心,近年来,知识图已经重新流行。

    [ 也在InfoWorld上:深度学习与机器学习:理解差异 ]

    当研究人员决定采用一种称为“生产规则”的知识表示形式(一种一阶谓词逻辑)时,他们发现系统可以自动学习。 也就是说,系统会根据其他数据自行编写或重写规则以提高性能。 对Dendral进行了修改,并使其能够根据来自实验的经验数据学习质谱法则。

    就像这些专家系统一样,它们确实有局限性。 它们通常仅限于特定的问题领域,无法与多个合理的选择区分开来,也无法利用有关结构或统计相关性的知识。 为了解决其中的一些问题,研究人员增加了确定性因素,即表示特定事实成立的可能性的数值。

    当研究人员意识到确定性因素可以包装到统计模型中时,就发生了AI的第二个范式转变。 统计数据和贝叶斯推断可用于根据经验数据对领域专业知识进行建模。 从现在开始,人工智能将越来越多地由机器学习主导。

    不过有一个问题。 尽管诸如随机森林,神经网络或GBT(梯度增强树)之类的机器学习技术可产生准确的结果,但它们几乎是无法穿透的黑匣子。 如果没有可理解的输出,则机器学习模型在几个方面不如传统模型有用。 例如,对于传统的AI模型,从业者可能会问:

    • 模型为什么会出错?
    • 模型有偏差吗?
    • 我们可以证明其合规性吗?
    • 为什么模型与领域专家意见不一致?

    缺乏清晰度也对培训产生影响。 当模型破裂而无法解释原因时,将使其更难修复。 添加更多示例? 什么样的例子? 尽管我们可以在此期间进行一些简单的取舍,例如接受较不准确的预测以换取可理解性,但解释机器学习模型的能力已成为AI即将实现的下一个重要里程碑之一。

    [ 通过InfoWorld的机器学习和分析报告时事通讯来掌握机器学习,人工智能和大数据分析的最新进展 ]

    他们说历史在重演。 像今天一样,早期的AI研究专注于对人类推理和认知模型进行建模。 早期AI研究人员面临的三个主要问题-知识,解释和灵活性-仍然是当代机器学习系统讨论的核心。

    知识现在以数据的形式出现,而对灵活性的需求可以从神经网络的脆弱性中看出,在神经网络中,数据的轻微扰动会产生截然不同的结果。 可解释性也已成为AI研究人员的头等大事。 讽刺的是,在60年后,我们如何从尝试复制人类思维转变为询问机器的思维方式。

    翻译自: https://www.infoworld.com/article/3527209/a-brief-history-of-artificial-intelligence.html

    人工智能简史�

    展开全文
  • 人工智能简史

    2020-05-20 13:43:54
    人工智能的早期,计算机科学家试图在计算机中重建人类思维的各个方面。 这就是科幻小说中的一种情报类型,即或多或少像我们一样思考的机器。 毫无疑问,这种智能被称为可理解性。 具有可理解性的计算机可以用来...

    在人工智能的早期,计算机科学家试图在计算机中重建人类思维的各个方面。 这就是科幻小说中的一种情报类型,即或多或少像我们一样思考的机器。 毫无疑问,这种智能被称为可理解性。 具有可理解性的计算机可以用来探索我们如何推理,学习,判断,感知和执行脑力活动。

    可懂度的早期研究集中于在计算机中对现实世界和思维(来自认知科学家的领域)进行建模。 当您考虑到这些实验发生在近60年前时,这是非常了不起的。

    [ 也在InfoWorld上:2020年的人工智能预测 ]

    早期的智力模型侧重于演绎推理以得出结论。 这种类型的最早且最著名的AI程序之一是逻辑理论家,写于1956年,用以模仿人类的解决问题的技能。 逻辑理论家很快在《 数学原理》第二章中证明了前52个定理中的38个定理,实际上是在此过程中改进了一个定理。 首次清楚地表明,一台机器可以执行直到现在为止仍需要智能和创造力的任务。

    不久,研究转向了另一种类型的思维,即归纳推理。 归纳推理是科学家在检查数据并尝试提出假设进行解释时所使用的方法。 为了研究归纳推理,研究人员基于在NASA实验室工作的科学家创建了一个认知模型,以帮助他们使用有机化学知识来识别有机分子。 Dendral程序是人工智能第二功能( 仪器 )的第一个真实示例,该功能是完成归纳推理任务(在本例中为分子识别)的一组技术或算法。

    Dendral之所以与众不同,是因为它还包含第一个知识库,即一组捕获科学家知识的if / then规则,可与认知模型一起使用。 这种知识形式以后将称为专家系统 。 在一个程序中同时具有两种“智能”,计算机科学家就可以问:“是什么使某些科学家比其他科学家好得多? 他们是否具有出色的认知能力或知识?”

    到1960年代后期,答案很明确。 Dendral的性能几乎完全取决于从专家那里获得的知识的数量和质量。 认知模型仅与绩效改善之间存在微弱的关系。

    这种认识导致了人工智能界的重大范式转变。 知识工程学成为一门学科,可以使用专家系统对人类专业知识的特定领域进行建模。 而且他们创建的专家系统经常超过任何一个人类决策者的性能。 这项非凡的成功激发了人工智能界,军事,工业,投资者和大众媒体中的专家系统的极大热情。

    随着专家系统在商业上的成功,研究人员将注意力转向了对这些系统进行建模并使它们在问题领域更灵活的技术。 正是在这一时期,面向对象的设计和分层本体由AI社区开发,并被计算机社区的其他部分所采用。 如今,分层本体已成为知识图的核心,近年来,知识图已重新流行。

    [ 也在InfoWorld上:深度学习与机器学习:了解差异 ]

    当研究人员选择一种称为“生产规则”的知识表示形式时,即一阶谓词逻辑,他们发现系统可以自动学习。 也就是说,系统会根据其他数据自行编写或重写规则以提高性能。 对Dendral进行了修改,并具有根据实验的经验数据学习质谱法则的能力。

    就像这些专家系统一样,它们确实有局限性。 它们通常仅限于特定的问题域,无法与多个合理的选择区分开来,也无法利用有关结构或统计相关性的知识。 为了解决其中的一些问题,研究人员增加了确定性因素,即表明特定事实成立的可能性的数值。

    当研究人员意识到确定性因素可以包装到统计模型中时,就发生了AI第二个范式转变。 统计和贝叶斯推断可用于根据经验数据对领域专业知识进行建模。 从现在开始,人工智能将越来越多地由机器学习主导。

    不过有一个问题。 尽管诸如随机森林,神经网络或GBT(梯度增强树)之类的机器学习技术可产生准确的结果,但它们几乎是无法穿透的黑匣子。 如果没有可理解的输出,则机器学习模型在几个方面不如传统模型有用。 例如,对于传统的AI模型,从业者可能会问:

    • 模型为什么会犯此错误?
    • 模型有偏差吗?
    • 我们可以证明合规吗?
    • 为什么模型与领域专家意见不一致?

    缺乏清晰度也对培训产生影响。 当模型破裂而无法解释原因时,将使其更难修复。 添加更多示例? 什么样的例子? 尽管我们可以在此期间进行一些简单的取舍,例如接受较不准确的预测以换取可理解性,但解释机器学习模型的能力已成为AI即将实现的下一个重要里程碑之一。

    [ 通过InfoWorld的机器学习和分析报告时事通讯来了解机器学习,人工智能和大数据分析的最新进展 ]

    他们说历史在重演。 像今天一样,早期的AI研究专注于对人类推理和认知模型进行建模。 早期AI研究人员面临的三个主要问题-知识,解释和灵活性-仍然是当代机器学习系统讨论的核心。

    知识现在以数据的形式出现,并且对灵活性的需求可以从神经网络的脆弱性中看出,在神经网络中,数据的轻微扰动会产生截然不同的结果。 可解释性也已成为AI研究人员的头等大事。 讽刺的是,在60年后,我们如何从尝试复制人类思维转变为询问机器的思维方式。

    From: https://www.infoworld.com/article/3527209/a-brief-history-of-artificial-intelligence.html

    展开全文
  • AI:人工智能概念之AI简史(人工智能发展历史)之详细攻略 目录 AI简史 AI简史 相关文章:DL:The development history of the important stage of DL 94页论文综述卷积神经网络:从基础技术到研究前景 ...

    AI:人工智能概念之AI简史(人工智能发展历史)之详细攻略

     

     

    目录

    AI简史


     

     

    AI简史

    相关文章:DL:The development history of the important stage of DL

    94页论文综述卷积神经网络:从基础技术到研究前景

     

    展开全文
  • 人工智能杂记 人工智能简史

    万次阅读 2019-07-05 15:39:33
    人工智能杂记 人工智能简史
                                                                           
          

    1人工智能基本概念

    人工智能(Artificial Intelligence,AI)是指计算机像人一样拥有智能能力,是一个融合计算机科学、统计学、脑神经学和社会科学的前沿综合学科,可以代替人类实现识别、认知,分析和决策等多种功能。如当你说一句话时,机器能够识别成文字,并理解你话的意思,进行分析和对话等。

    这里写图片描述

    2人工智能发展历程

    **人工智能的起源:**人工智能在五六十年代时正式提出,1950年,一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起,建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是,同样是在1950年,被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。按照图灵的设想:如果一台机器能够与人类开展对话而不能被辨别出机器身份,那么这台机器就具有智能。而就在这一年,图灵还大胆预言了真正具备智能机器的可行性。1956年,在由达特茅斯学院举办的一次会议上,计算机专家约翰·麦卡锡提出了“人工智能”一词。后来,这被人们看做是人工智能正式诞生的标志。就在这次会议后不久,麦卡锡从达特茅斯搬到了MIT。同年,明斯基也搬到了这里,之后两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。值得追的是,茅斯会议正式确立了AI这一术语,并且开始从学术角度对AI展开了严肃而精专的研究。在那之后不久,最早的一批人工智能学者和技术开始涌现。达特茅斯会议被广泛认为是人工智能诞生的标志,从此人工智能走上了快速发展的道路。

    如果你想要系统地学习人工智能,那么推荐你去看床长人工智能教程。非常棒的大神之作,教程不仅通俗易懂,而且很风趣幽默。

    人工智能的第一次高峰 在1956年的这次会议之后,人工智能迎来了属于它的第一段Happy Time。在这段长达十余年的时间里,计算机被广泛应用于数学和自然语言领域,用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时,有很多学者认为:“二十年内,机器将能完成人能做到的一切。”

    人工智能第一次低谷: 70年代,人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足,不仅导致与美国国防高级研究计划署的合作计划失败,还让大家对人工智能的前景蒙上了一层阴影。与此同时,社会舆论的压力也开始慢慢压向人工智能这边,导致很多研究经费被转移到了其他项目上。
    在当时,人工智能面临的技术瓶颈主要是三个方面,第一,计算机性能不足,导致早期很多程序无法在人工智能领域得到应用;第二,问题的复杂性,早期人工智能程序主要是解决特定的问题,因为特定的问题对象少,复杂性低,可一旦问题上升维度,程序立马就不堪重负了;第三,数据量严重缺失,在当时不可能找到足够大的数据库来支撑程序进行深度学习,这很容易导致机器无法读取足够量的数据进行智能化。
    因此,人工智能项目停滞不前,但却让一些人有机可乘,1973年Lighthill针对英国AI研究状况的报告。批评了AI在实现“宏伟目标”上的失败。由此,人工智能遭遇了长达6年的科研深渊。

    人工智能的崛起 1980年,卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种,采用人工智能程序的系统,可以简单的理解为“知识库+推理机”的组合,XCON是一套具有完整专业知识和经验的计算机智能系统。这套系统在1986年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后,衍生出了像Symbolics、Lisp Machines等和IntelliCorp、Aion等这样的硬件,软件公司。在这个时期,仅专家系统产业的价值就高达5亿美元。

    人工智能第二次低谷:可怜的是,命运的车轮再一次碾过人工智能,让其回到原点。仅仅在维持了7年之后,这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时,苹果和IBM公司生产的台式机性能都超过了Symbolics等厂商生产的通用计算机。从此,专家系统风光不再。

    人工智能再次崛起: 上世纪九十年代中期开始,随着AI技术尤其是神经网络技术的逐步发展,以及人们对AI开始抱有客观理性的认知,人工智能技术开始进入平稳发展时期。1997年5月11日,IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫,又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程。

    2006年,Hinton在神经网络的深度学习领域取得突破,人类又一次看到机器赶超人类的希望,也是标志性的技术进步。

    【注】Geoffrey Hinton的论文《A fast learning algorithm for deep belief nets》链接地址
    在最近三年引爆了一场商业革命。谷歌、微软、百度等互联网巨头,还有众多的初创科技公司,纷纷加入人工智能产品的战场,掀起又一轮的智能化狂潮,而且随着技术的日趋成熟和大众的广泛接受,这一次狂潮也许会架起一座现代文明与未来文明的桥梁。

    这里写图片描述

    2016 年,Google 的 AlphaGo 赢了韩国棋手李世石,再度引发 AI 热潮。

    这里写图片描述

    AI不断爆发热潮,是与基础设施的进步和科技的更新分不开的,从 70 年代 personal 计算机的兴起到 2010 年 GPU、异构计算等硬件设施的发展,都为人工智能复兴奠定了基础。

    这里写图片描述

    同时,互联网及移动互联网的发展也带来了一系列数据能力,使人工智能能力得以提高。而且,运算能力也从传统的以 CPU 为主导到以 GPU 为主导,这对 AI 有很大变革。算法技术的更新助力于人工智能的兴起,最早期的算法一般是传统的统计算法,如 80 年代的神经网络,90 年代的浅层,2000 年左右的 SBM、Boosting、convex 的 methods 等等。随着数据量增大,计算能力变强,深度学习的影响也越来越大。2011 年之后,深度学习的兴起,带动了现今人工智能发展的高潮。

    小贴士:人工智能开创先驱

    第一位名人大家耳熟能详,那就是大名鼎鼎的“计算机科学之父”和“人工智能之父”——阿兰·图灵(Alan Mathison Turing)。他对人工智能的贡献集中体现于两篇论文:一篇是1936年发表的《论数字计算在决断难题中的应用》,在文中他对“可计算性”下了一个严格的数学定义,并提出著名的“图灵机”设想,从数理逻辑上为计算机开创了理论先河;而另一篇论文对人工智能的影响更为直接,其名字就是《机器能思考吗》,在这篇论文中,图灵提出了一种判定机器是否具有智能的实验方法,即著名的图灵测试:如果一台机器能够与人类展开对话而不能被辨别出其机器身份,那么这台机器就是智能的。“中文房间实验”正是图灵测试的一个变种。可以说,图灵是第一个严肃地探讨人工智能标准的人物,被称作“人工智能之父”当之无愧。

    第二位名人是一位神童,18岁即取得数理逻辑博士学位,这就是“控制论之父”维纳(Norbert Wiener)。1940年,维纳开始考虑计算机如何能像大脑一样工作,发现了二者的相似性。维纳认为计算机是一个进行信息处理和信息转换的系统,只要这个系统能得到数据,就应该能做几乎任何事情。他从控制论出发,特别强调反馈的作用,认为所有的智能活动都是反馈机制的结果,而反馈机制是可以用机器模拟的。维纳的理论抓住了人工智能核心——反馈,因此可以被视为人工智能“行为主义学派”的奠基人,其对人工神经网络的研究也影响深远。

    第三位名人经常与图灵抢“人工智能之父”的帽子,第一次提出了“人工智能(Artificial Intelligence)”这一名词。他就是LISP语言发明者,真正的“人工智能之父”约翰·麦卡锡(John McCarthy)。在1955年,约翰·麦卡锡与另一位人工智能先驱马文·明斯基以及“信息论”创始人克劳德·香农一道作为发起人,邀请各路志同道合的专家学者在达特茅斯学院共同讨论人工智能。会上,正是约翰•麦卡锡说服大家使用人工智能(Artificial Intelligence)这一术语,参会人员也热烈讨论了自动计算机、自然语言处理和神经网络等经典人工智能命题。

    3人工智能的研究领域及分层

    人工智能研究的领域主要有五层,最底层是基础设施建设,包含数据和计算能力两部分,数据越大,人工智能的能力越强。往上一层为算法,如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法,都是机器学习的算法。第三层为重要的技术方向和问题,如计算机视觉,语音工程,自然语言处理等。还有另外的一些类似决策系统,像 reinforcement learning(编辑注:增强学习),或像一些大数据分析的统计系统,这些都能在机器学习算法上产生。第四层为具体的技术,如图像识别、语音识别、机器翻译等等。最顶端为行业的解决方案,如人工智能在金融、医疗、互联网、交通和游戏等上的应用,这是我们所关心它能带来的价值。

    这里写图片描述

    值得一提的是机器学习同深度学习之间还是有所区别的,机器学习是指计算机的算法能够像人一样,从数据中找到信息,从而学习一些规律。虽然深度学习是机器学习的一种,但深度学习是利用深度的神经网络,将模型处理得更为复杂,从而使模型对数据的理解更加深入。

    关于人工智能、机器学习和深度学习之间的关系请看笔者的另一篇文章。

    4人工智能的应用场景

     计算机视觉
    2000年左右,人们开始用机器学习,用人工特征来做比较好的计算机视觉系统。如车牌识别、安防、人脸等技术。而深度学习则逐渐运用机器代替人工来学习特征,扩大了其应用场景,如无人车、电商等领域。

     语音技术
    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。与图像相比,自然语言更难、更复杂,不仅需要认知,还需要理解。

     自然语言处理
    目前一个比较重大的突破是机器翻译,这大大提高了原来的机器翻译水平,举个例子,Google 的 Translation 系统,是人工智能的一个标杆性的事件。2010 年左右, IBM 的"Watson"系统在一档综艺节目上,和人类冠军进行自然语言的问答并获胜,代表了计算机能力的显著提高。

     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,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
    可以通过你之前看到的文章,理解你所喜欢的内容而进行更精准的推荐;分析各个股票的行情,进行量化交易;分析所有的像客户的一些喜好而进行精准的营销等。机器通过一系列的数据进行判别,找出最适合的一些策略而反馈给我们。

    5人工智能的挑战

    计算机视觉:未来的人工智能应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。
    语音识别:当前的语音识别虽然在特定的场景(安静的环境)下,已经能够得到和人类相似的水平。但在噪音情景下仍有挑战,如原场识别、口语、方言等长尾内容。未来需增强计算能力、提高数据量和提升算法等来解决这个问题。

    自然语言处理:机器的优势在于拥有更多的记忆能力,但却欠缺语意理解能力,包括对口语不规范的用语识别和认知等。人说话时,是与物理事件学相联系的,比如一个人说电脑,人知道这个电脑意味着什么,或者它是能够干些什么,而在自然语言里,它仅仅将"电脑"作为一个孤立的词,不会去产生类似的联想,自然语言的联想只是通过在文本上和其他所共现的一些词的联想, 并不是物理事件里的联想。所以如果要真的解决自然语言的问题,将来需要去建立从文本到物理事件的一个映射,但目前仍没有很好的解决方法。因此,这是未来着重考虑的一个研究方向。

    决策系统:存在两个问题,第一是不通用,即学习知识的不可迁移性,如用一个方法学了下围棋,不能直接将该方法转移到下象棋中,第二是大量模拟数据。所以它有两个目标,一个是算法的提升,如何解决数据稀少或怎么自动能够产生模拟数据的问题,另一个是自适应能力,当数据产生变化的时候,它能够去适应变化,而不是能力有所下降。所有一系列这些问题,都是下一个五或十年我们希望很快解决的。

    这里写图片描述

               
                       
    展开全文
  • 人工智能简史课件

    2018-12-20 18:34:39
    一份关于人工智能简史课件的课件,人工智能的入门级课件

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,975
精华内容 2,390
关键字:

人工智能简史