精华内容
下载资源
问答
  • 基础架构,应用解决方案,云计算,大数据,数据中心,智慧IT,IT架构,人工智能相关的产品白皮书,技术方案,技术架构介绍,适合IT技术专业人士阅读参考
  • ppt模版ppt模版ppt模版ppt模版ppt模版
  • 人工智能定义

    万次阅读 2019-01-18 20:56:09
    ——参考文献《人工智能:一种现代的方法》   在学习人工智能(aritificial intelligence)的时候,首先要考虑,什么是智能。 人类的智能,即我们在试图理解人是如何思考的。是通过模型吗?又是什么样的模型?...

    ——参考文献《人工智能:一种现代的方法》

     

    在学习人工智能(aritificial intelligence)的时候,首先要考虑,什么是智能。

    人类的智能,即我们在试图理解人是如何思考的。是通过模型吗?又是什么样的模型?如何建立的呢?

    人类智能的存在,使我们可以通过少量的物质,感知、理解、预测和操控一个远大于自身且比自身复杂的多的世界。

    而人工智能发展的起因,个人理解为是为了辅助人类认识、理解自己的思维过程。

     

    1.1 什么是人工智能

    总述:AI可分为八种定义,由两个维度决定。其中一个维度是从思维推理过程到行为结果(过程与结果),另一个维度是与人类表现的逼真度到数学与工程结合后的精确性(主观与客观)。

     

    1.1.1 像人一样行动:图灵测试的途径

    什么是图灵测试?一个人向计算机提出书面问题后,不能区分回答来自人还是计算机,则该计算机通过测试。

    完全图灵测试:需要计算机具有感知询问者的能力。

    注:该测试不关心计算机运算过程,注重结果。

     

     

    1.1.2 像人一样思考:认知建模的途径

    “如果我们说某个程序能想人一样思考,那么我们必须具有某种办法来确定人是如何思考的。”

    了解人的思维过程,可通过:内省,心理学实验,脑成像。

    注:涉及认知科学。不仅关心程序是否正确解决问题,更关心程序推理步骤的轨迹与人类个体思维轨迹之间的联系。

     

     

    1.1.3 合理地思考:"思维法则"的途径

    程序原则上可以解决用逻辑表示法描述的任何可解问题。

    有两个障碍:并不是所有的问题都可以用逻辑表示法陈述、一定量的推理会耗费许多计算机资源。

    注:涉及逻辑学。逻辑主义。

     

     

    1.1.4:合理地行动:合理Agent途径

    合理性:不是绝对正确的推理。而是在相对正确的基础上,允许直觉的存在。(比如手碰到火的反射不需要通过思考)有限的合理性。

     

     

    展开全文
  • 人工智能定义 人工智能对应的英文术语为“Artificial Intelligence”(简称AI),有时也被称为“Machine Intelligence”。作为计算机学科的一门分支,以及上世纪70年代以来的世界三大顶尖技术之一,AI虽然已经走过...

    以下文章摘录自:

    《机器学习观止——核心原理与实践》

    京东: https://item.jd.com/13166960.html

    当当:http://product.dangdang.com/29218274.html

    (由于博客系统问题,部分公式和图片有可能显示有问题)

     

      1. 人工智能的定义

    人工智能对应的英文术语为“Artificial Intelligence”(简称AI),有时也被称为“Machine Intelligence”。作为计算机学科的一门分支,以及上世纪70年代以来的世界三大顶尖技术之一,AI虽然已经走过了几十年的历史,但业界似乎还没有对它形成统一的定义。不过,这种“分歧”不但没有阻碍AI的蓬勃发展,反而“有助于”它的“野蛮生长”。

    对此Stanford大学曾在一份报告中指出:

    (参见https://ai100.stanford.edu/2016-report/section-i-what-artificial-intelligence/defining-ai)

    “Curiously, the lack of a precise, universally accepted definition of AI probably has helped the field to grow, blossom, and advance at an ever-accelerating pace. Practitioners, researchers, and developers of AI are instead guided by a rough sense of direction and an imperative to ‘get on with it.’ ”

    就如莎士比亚所说的,“一千个观众眼中有一千个哈姆雷特”一样,我们倒是可以借鉴一下计算机界先驱们心中的AI定义(从AI学科的角度)是什么样的。

    比如:

    1. AI定义1

    业界普遍认为,人工智能学科起源于1956年在Dartmouth College举办的一场workshop。当时出席的专家包括Allen Newell (CMU), Herbert Simon (CMU), John McCarthy (MIT), Marvin Minsky (MIT) and Arthur Samuel (IBM)等人。其中John McCarthy(因为在计算机及人工智能领域的突出贡献,于1971年获得了计算机最高奖——图灵奖)对人工智能的定义是:

    “The science and engineering of making intelligent machines.”

    1. AI定义2

    Stanford大学研究所人工智能中心主任Nils J. Nilsson对人工智能的定义是:

    “Artificial intelligence is that activity devoted to making machines intelligent, and intelligence is that quality that enables an entity to function appropriately and with foresight in its environment.”

    1. AI定义3

    另一位来自于MIT的人工智能科学家,Patrick Henry Winston(http://people.csail.mit.edu/phw/index.html)对人工智能的理解是“研究如何使计算机去做过去只有人才能做到的智能工作”

     

    从上面3种人工智能定义中,我们不难发现大家对于AI的理解可以分为两部分来阐述:

    1. 人工(Artificial)

    这一点和人类与生俱来的智能是相对的,即AI是由人工通过计算机程序等手段创造出来的一种技术

    1. 智能(Intelligence)

    智能是什么?这个问题可以说直到目前为止,在整个AI领域都还存在比较大的分歧。因为人类对于“智能的本质是什么,智能是如何构成的”等基础问题一直都是“一知半解”,所以自然无法准确定义智能是什么了。

     

    我们通常认为,“intelligence”至少会涉及到意识、自我、心灵等问题,因而是超越技术本身的一个概念。如果从人工智能学科目前的几大发展方向来看,那么AI在实现“智能”的路上,大致存在以下一些需要研究的领域:

    (1) 决策推理(reasoning)

    (2) 知识表示(Knowledge representation)

    (3) 学习能力(Learning)

    (4) 规划能力(Planning)

    (5) 自然语言处理(Natural Language Processing)

    (6) 感知(Perception)

    (7) 运动控制(Motion and Manipulation)

    (8) 通用智能(General intelligence)

    等等

     

    具体到人工智能的研究方法上,自然更是“百花齐放”了——而且在不同历史时期,一些流派会呈现出“各领风骚数百年”的现象。目前业界普遍认为AI可以划分为符号主义、连接主义和行为主义等几大流派,我们将在后面小节做详细讲解。

      1. 人工智能发展简史

    人工智能并不是一个新概念,它的发展可以算得上是“由来已久”了。如果按照AI的数次“高潮”与“低谷”作为界线,那么我们可以将它划分为6-8个阶段。需要特别指出的是,这些阶段的准确起始时间点业界还没有形成统一的认识,所以下面向大家阐述的只是业界认可度较高的其中一种划分方式:

    1. “AI史前文明”:1956年之前
    2. 第一次黄金时期:1956年-1974年
    3. 第一次AI寒冬:1974年-1980年
    4. 第二次黄金时期:1980年-1987年
    5. 第二次AI寒冬:1987年-1993年
    6. 第三次崛起:1993年-2011年
    7. 持续繁荣:2011年-至今

     

    如下所示的是AI的历史发展趋势简图:

     

    1956

    1970

    1980

    1990

    2011

    Year

     

    图 1‑1 人工智能发展热度趋势简图

     

    限于篇幅,接下来我们只能围绕上述8个阶段做精要讲解。

        1. 史前文明,曙光初现(1956年前)

    如果抛开“计算机范畴”这个限制,那么人工智能的历史绝对可以说是“源远流长”的。譬如古希腊神话中就有关于人造人的记载:Hephaestus是一位集砌石、雕刻、铁匠等艺术为一身的奥林匹斯十二主神之一,他制作的工艺品无人能敌。其中就包括了一组金制的女机器人,她们既可以在铁匠铺完成高难度工作,同时还可以和人类开口交流——这些机器人无疑已经具备了高度的“人工智能”了。

    又如希腊神话中描绘了一位名为Pygmalion的雕刻家,他爱上了自己的一尊雕塑作品Galatea,并每天对着她说话。他的这种“痴情”最终感动了爱神Aphrodite,于是这位女神给雕塑赋予了生命——然后像很多童话故事中的结尾一样,pygmalion和他的雕塑变成的美女结婚了(注:由此还引申出了“Pygmalion effect”,指的是人在被赋予很高的期望后,往往会表现得更好的一种现象)。

    图 1‑2 人们根据pygmalion和galetea的故事创作的绘画作品

     

    另外,人们针对“人造智慧”这一题材创作的小说也很多。例如科幻小说之母Mary Shelley(1797-1851年)在《Frankenstein》中描述了“一位青年科学家frankenstein创造了一个奇丑无比的怪物,但是它并不服从主人,反而接连杀害他的亲人,最终导致frankenstein忧愤而死的”故事。可以肯定的是,作者在两百年前所描绘的这个具有生命意识的怪物,直到目前为止我们还是没有办法真正实现出来。

    除了文学作品外,人类也在实践中探索着制造“类人”物体的可行性,例如古代社会里的很多“能工巧匠”们所制作的各式各样的“人偶”。《列子.汤问》中就记载了一位名为偃师的工匠,他以制造能歌善舞的人偶而著称于世(据称这也是我们可以追溯到的,中国最早出现的“机器人”),如下所示的是其中的一些节选片段:

    “周穆王西巡狩,越昆仑,不至弇山。反还,未及中国,道有献工人名偃师。穆王荐之,问曰:“若有何能?”偃师曰:“臣唯命所试。然臣已有所造,愿王先观之。”穆王曰:“日以俱来,吾与若俱观之。”翌日偃师谒见王。王荐之,曰:“若与偕来者何人邪?”对曰:“臣之所造能倡者。”穆王惊视之,趋步俯仰,信人也。巧夫!领其颅,则歌合律;捧其手,则舞应节。千变万化,惟意所适。王以为实人也,与盛姬内御并观之。技将终,倡者瞬其目而招王之左右侍妾。王大怒,立欲诛偃师。偃师大慑,立剖散倡者以示王,皆傅会革、木、胶、漆、白、黑、丹、青之所为。王谛料之,内则肝胆、心肺、脾肾、肠胃,外则筋骨、支节、皮毛、齿发,皆假物也,而无不毕具者。合会复如初见。王试废其心,则口不能言;废其肝,则目不能视;废其肾,则足不能步。穆王始悦而叹曰:“人之巧乃可与造化者同功乎?…”

    图 1‑3 偃师和人偶(图片来源于网络)

     

    而在电子计算机问世之前,很多名家学者们也尝试过以机械化的手段来“复现”人类的思考过程,从而达到“人造的智能”。中国、印度等多个国家的哲学家们都在公元前就提出了各自的形式推理(formal reasoning)理论——例如亚里士多德的三段论逻辑;欧几里得的几何原本等等。可以看到,这些学者们似乎都在试图从数学、逻辑推理等基础学科的角度来分析出人类智慧的本质。这种依托于科学推理的研究方法,无疑对后来计算机AI的发展产生了较为深远的影响。

    图 1‑4 基于charles babbage的设计实现的机器

     

    伴随着计算设备(特别是电子计算机)的不断改良,人们借助这些新型的“武器”也做了不少探索。比如Charles Babbage在19世纪初设计了一款可能会有无限潜能的可编程计算设备(不过很遗憾他自己最终没有让这一设计真正落地实现)。

    步入上世纪50年代后,距离人工智能学科成立的脚步越来越近了——这段时间内,数学、心理学、神经学、工程学等多个学科都发生了不少足以载入史册的关键事件。AI在当时已经是“山雨欲来风满楼”了:

    (1) 早期的人工神经网络

    事实上神经网络的出现甚至比人工智能学科还要早,只不过前期受限于很多因素它并没有能够取得很大的应用成果。人们普遍认为Walter Pitts和Warren McCulloch是最早描述人工神经网络理论的学者,他们分析了理想状态下的人工神经元以及它们可以完成的一些简单的逻辑功能。其后1951年左右他们的学生Minsky(麻省理工学院人工智能实验室的创始人之一,因其在人工智能方面的突出贡献,于1969年获得了图灵奖)在此基础上,构造出人类历史上的第一台神经网络机器SNARC。

    图 1‑5 神经网络机器SNARC

     

    (2) 神经病理学(neurology)

    人类社会很多划时代的科技创新,都是在向大自然学习和观察的过程中提炼出来的,比如飞机、潜艇等等。因而人们在研究AI时,自然不会放过“智能”的天然来源——也就是人类自身的大脑和神经系统了。在人工智能学科创立的前几年,神经病理学有了一个重大的发现,即人类大脑是由神经元组成的,它存在“激活状态”(只存在“有”和“无”两种可能性)。结合图灵的计算理论,人们逐渐对如何“仿造”人类大脑有了一些模糊的认知。

    图 1‑6 神经元经典结构(参考wikipedia)

     

    (3) 图灵测试

    诞生于1950年的图灵测试无疑是这一阶段最重要的AI“催化剂”之一(图灵本人被称为“人工智能之父”。另外,他和冯诺依曼还被并称为“计算机之父”。我们这里不去细究他们究竟谁“贡献大一些”的问题)。

    图灵测试是在什么历史背景下产生的,又或者说,它在解决一个什么样的问题呢?

    图灵测试是图灵在university of Manchester工作时,于1950年的一篇名为《Computing Machinery and Intelligence》中给出的一项提议。他最初的目的似乎是想解决“机器能不能思考”这个问题——由于直接回答这一问题太难了,于是他就想到了另外一个对等的问题,即大家现在所熟知的图灵测试了:

    图 1‑7 图灵测试示意图

     

    它涉及到3个角色:

    1. interrogator
    2. computer
    3. human

     

    首先,这三个角色是不能直接接触的,它们只通过一些受限的手段进行交流(比如计算机键盘和屏幕)。其次,interrogator可以和其它两个角色开展受限的交流——如果他无法准确区分computer和human的真实身份,那么我们就说这台机器通过了图灵测试。

    值得一提的是,在最初的图灵测试中,interrogator和其它角色是不能有物理上的互动和接触的,这其实在一定程度上降低了测试的难度。后来人们逐渐不满足于普通的图灵测试了,于是他们加入了部分物理上的交互要求,使得受试者不得不另外具备计算机视觉、自动化控制甚至“人类仿真皮肤/外表”等高阶能力——我们称这种类型的测试为“完全图灵测试“。

    (4) 游戏AI上的突破

    在人工智能的发展历史中,似乎总是和游戏(象棋、围棋、跳棋、Atari等)有着某种“千丝万缕”的联系。我们觉得这主要是以下几个方面的原因:

    1. 一方面,人类认为游戏是一种需要“高级智力”才能参与的活动,因而对于人工智能而言无疑是很有挑战的
    2. 另一方面,很多游戏都可以提供不错的仿真环境,帮助人们快速的迭代优化和验证人工智能理论

     

    图 1‑8 游戏和AI是两个“好兄弟”

     

    例如在上世纪50年代的初期,Manchester大学的Christopher Strachey和Dietrich Prinz分别在Ferranti Mark1机器上写出了第一个西洋跳棋和国际象棋程序。随着人工智能技术的不断演进,人类在各种游戏(主要是棋类游戏)上也可以说是“捷报频传”。特别是前两年DeepMind公司开发的AlphaGo与人类世界冠军的几次对决,彻底点燃了人工智能爆发的“导火索”,意义非凡。

        1. 初出茅庐,一战成名(1956年-1974年)

    业界普遍认为,人工智能学科起源于1956年在Dartmouth大学召开的一个大会,出席会议的不少人后来都成为了人工智能方面的大牛,比如:

    1. Dr. Claude Shannon(香农是信息论的创始人,相信大家都不会陌生)
    2. Dr. Marvin Minsky
    3. Dr. Julian Bigelow
    4. Professor D.M. Mackay
    5. Mr. Ray Solomonoff
    6. Mr. John Holland
    7. Mr. John McCarthy.

    等等

     

    会议召开的一个背景是:当时的学者们对于如何研究“会思考的机器”有各自的理解,对这种“机器”的命名也是五花八门,例如cybernetics、automata theory等等。有鉴于此,John McCarthy在1955年开始筹划组织一次研讨会,以便大家可以互通有无——“Artificial Intelligence”这个词就是他为这个新领域所取的名字。而且这个名字应该是在次年的Dartmouth大会正式开始之前就已经在圈内获得了一定的认可了。这一点从他和Marvin Minsky等人所发出的会议提案中可以得到论证:

    图 1‑9 Dartmouth AI研讨会(1956年)提案节选

    http://raysolomonoff.com/dartmouth/boxa/dart564props.pdf

     

    可以看到,1955年9月2号多人联名发出的提案中已经使用了“artificial intelligence”这个词。其后这个名字又在dartmouth研讨会上取得了与会人员的一致认同,于是一直沿用至今。1956年的dartmouth大会的研讨内容可以说影响了AI后来几十年的发展,核心议题包括:

    1. computers
    2. natural language processing
    3. neural networks
    4. theory of computation
    5. abstraction and creativity

    等等

     

    从1956年开始直到人工智能的第一次寒冬,有关AI的各种学术研究成果如“雨后春笋”般涌现了出来。其中John McCarthy仍然是发挥关键作用的学者之一,他从dartmouth大学转到MIT后(1958年)陆续做出了多项令人瞩目的贡献,例如:

    1. 定义了高级语言LISP

    LISP是人类历史上第二个高级语言(FORTRAN比它早一年)——如果从人工智能研究的角度来看它则是最早的一种语言(当然,LISP实际上是一种通用语言,只是在当时的环境下被主要用于人工智能领域罢了)。

    同时LISP还是第一个函数式程序语言,所以它和C等命令型语言以及java等面向对象语言在设计理念上会有些差异。

    下面是使用LISP语言编写的一个factorial函数,大家可以感受一下:

    (defun factorial (n)
       (if (= n 0) 1
           (* n (factorial (- n 1)))))

     

    1. 发明了garbage collection和time sharing等技术

    不得不承认,大牛的人生道路上(注:计算机大牛的经历总是惊人的相似,例如另一位图灵奖获得者Donald Ervin Knuth在写作《The Art of Computer Programming》时因为认为计算机排版软件效果太差,破坏了其著作的美感,居然辍笔数年创造出了划时代的字体设计系统METAFONT以及排版系统TEX等)的随便一个缩影都有可能让普通人“望尘莫及”,比如McCarthy为了解决LISP语言的问题而发明了“垃圾回收”机制;而为了解决计算机的效率问题(以便更好的研究AI),他还在1961年提出了“分时复用”的概念。这些基础技术为后来编程语言和计算机理论的发展起到了不小的促进作用。

    1. 创作第一个AI程序

    1958年,McCarthy在他的一篇论文《Programs with Common Sense》中提出了一个名为“advice taker”的计算机程序。他是人类历史上第一个提出通过逻辑推理来做知识表示的学者,对其后的问题系统和逻辑编程产生了很大的影响

    另外,1966年McCarthy以及他在stanford大学的团队还设计出了一个可以用于玩多种chess游戏的计算机程序。

     

    除了McCarthy之外,其他多位学者也在人工智能方面取得了突破性的研究成果。比如MIT AI实验室的Marvin Minsky和Seymour Papert等人提出了通过“Micro worlds”来开展AI研究工作。他们认为一个复杂的学科往往可以使用简化模型来帮助理解基本原则,其中应用最广泛的就是“blocks world”:

    图 1‑10 blocks worlds

     

    当时人们普遍对AI充满了信心,甚至有学者乐观地认为人类只需要在较短的时间内就可以彻底解决人工智能所遇到的问题。下图中部所示的就是部分专家在当时的环境下,针对AI所给出的预判:

    图 1‑11 AI第一次浪潮中,人们普遍都抱乐观态度

     

    由于人们的乐观态度,再加上AI学术界的蓬勃发展,当时人工智能项目的预算可以说是非常充足的。例如MIT仅在1963年一年间就收到了DARPA超过200万美金的AI项目资助,这在当时无疑是一笔巨款。

        1. 寒风凛冽,首次入冬(1974年-1980年)

    所谓“希望越大,失望也越大”,AI在第一次浪潮中的表现始终是“雷声大雨点小”。过度的收益承诺却始终无法兑现,让人们的耐心一点点地被消耗殆尽——于是在经历了将近20年的繁荣后,人工智能于上世纪70年代初逐步进入了第一次低谷。

    小结一下,AI首次入冬的时代背景大概是:

    1. AI没有产生有用的价值

    当时AI所能做的事情都是极其受限的,比如无法准确分辨出哪怕是诸如椅子这样的常见物体,仅能识别为数不多的几个词汇等等。换句话说,人工智能在当时只不过是用来尝鲜的玩具,除此之外似乎毫无价值

    1. 经济不景气

    我们可以看到,第一次AI寒冬前后的经济环境相对比较恶劣,在这种情况下人们首先考虑的当然是如何活下去的问题

     

    图 1‑12 Lighthill report节选

     

    在这样的历史条件下,各个国家纷纷表达了对AI领域的悲观态度。最终,1973年的一份非常著名的“Lighthill report”(即“Artificial Intelligence: A General Survey”)成为了“压死骆驼的最后一根稻草”(英国)。这份报告是由一位名为James Lighthill的应用数学家主导的,起初发表在《Artificial Intelligence: a paper symposium》上面。“Lighthill report”严厉地批评了AI并没有如承诺的那样体现出任何有用的价值,并对它的多个领域表达了非常失望的态度。英国政府随后就停止了对Edinburgh, Sussex和Essex三所大学的AI项目资助。同年,美国国家科学委员会在给AI赞助了近二千万美金后因为看不到希望也中止了资助。

    到了1974年,AI项目已经完全成了资本的弃儿。而随着AI项目资金链的中断,本身没有造血能力的AI研究自然而然就在寒冬中被“冻死”了。

        1. 卷土重来,威震八方(1980年-1987年)

    这种情况一直持续到6年后,也就是1980年才有所好转。那么当时发生了一些什么关键事件使得人工智能又重新进入了人们的视野呢?

    1. 专家系统得到大家的赏识

    专家系统(Expert system)如其名所述,主要是采用知识表示和知识推理的方式来让计算机程序具备人类的知识和经验,从而达到解决复杂问题的目的。

    所以专家系统一般是由两部分关键元素组成,即:

    knowledge base + inference engine

    其中knowledge用于承载人类的知识、经验等,inference engine则通过应用各种逻辑规则来做推理。

    图 1‑13 早期的专家系统

     

    当然,专家系统并不是这个阶段才出现的。它最早是由Edward Feigenbaum(专家系统之父,1994年图灵奖获得者)提出来的,并很快成为了人工智能领域的其中一个分支(后续小节我们还有更详细的讲解)。只不过直到上世纪80年代初,专家系统才开始取得了一些关键进展,而且这些进步还逐步体现在了实实在在的商业落地上——据当时的统计报告显示,有将近三分之二的财富500强公司都运用到了专家系统技术或者其延伸产品。换句话说,人工智能正在逐步完善自己的“造血能力”。从历史规律来看,这一点无疑是一项新兴技术能否可持续发展的关键所在。

    值得一提的是,当时第一个被大规模使用的专家系统是SID(Synthesis of Integral Design)。它是在1982年左右被开发出来的,而且使用的编程语言就是我们前面介绍的LISP。

    图 1‑14 专家系统

     

    据说当年还由此催生了一批“知识工程师”,他们的主要工作就是和各种各样的专家交流,研究后者是如何思考和解决问题的,然后再“填空”到专家系统中。对于简单的问题,这或许是一条可行之路。但现实情况是,很多专家解决问题的过程本身就依赖于“直觉”。换句话说连他们自己都无法准确描述出问题的思考和解决过程,更何况还要把这些过程逻辑化。不过当时专家系统正处于如日中天的时期,这些显而易见的问题似乎很轻易地就被人们忽视了,这或许也为后面的AI再次寒冬埋下了伏笔

    1. 连接主义重获新生

    连接主义在第一轮AI浪潮中,由于无法给出令人信服的理论基础而被人们所遗弃。不过从80年代初开始,以神经网络为代表的连接主义又重获新生了,这主要归功于以下两个因素:

    • 因素1:Hopfield net

    1982年,John Hopfield证明了神经网络是有能力来做更深层次的学习和处理工作的,人们称之为Hopfield net。简单来讲,它是一种结合了存储系统和二元系统的神经网络,如下简图所示:

    图 1‑15 hopfield net结构

     

    • 因素2:backpropagation在神经网络中的应用

    与此同时,Geoffrey Hinton(深度学习三驾马车之一)等人提出了直到现在我们都在使用的神经网络训练方法——backpropagation,从而有效解决了神经网络无法优化训练的问题。

     

    在多重因素的刺激之下,人工智能在沉寂了若干年之后,于上世纪80年代初又步入了人们的视野。全球多个国家又陆续在AI领域投入重金,比如日本的国际通商产业部(Ministry of International Trade and Industry)在1981年斥资8.5亿美金巨款,来支持其第五代计算机项目的研发。这个项目的目标是制造出可以翻译语言、与人对话、具备推理能力的机器。美国包括DARPA等在内的多个组织也纷纷慷慨解囊,使得AI项目的投资金额成倍增长。

    人工智能的第二春,就这样悄然来临了。

        1. 失望弥漫,再度入冬(1987年-1993年)

    在人工智能的“第二春”如火如荼之时,实际上就已经有人预测出它将会再度进入寒冷的冬季了——果不其然,仅7年后的1987年,AI就迎来了自己人生的第二个“大坎”。

    和首次入冬类似,人们主要还是因为看不到希望而对AI再次“判处了死刑”。当时的几个背景事件包括:

    1. Lisp machines产业崩塌

    Lisp machines是一种通用型的计算机,它以Lisp为主要的编程语言和软件(需要硬件上的支持)。而到了80年代,Apple和IBM等公司生产的桌面型计算机在性能和价格上都占据了绝对优势,因而前者逐步退出了人们的选购清单中了

    图 1‑16 上世纪80年代的Apple Macintosh计算机

     

    1. 专家系统“难以为继”

    前面我们所讲的专家系统,在此时也暴露出了很多问题——比如很难维护,经常出现各种奇奇怪怪的问题,而且价格高昂等等。

    当时有一个很有名的项目叫做Cyc(来源于encyclopedia),它是由Stanford大学教授Douglas Lenat在1984年设立,并由Cycorp公司开发维护的一个AI项目。Cyc致力于将各个领域的本体和常识集成在一起,并以此为基础来实现知识推理,以达到人工智能的目的。

    Cyc还发明了一种专有的基于一阶关系的知识表示语言CycL,用于表示人类的各种常识——例如“每棵树都是植物”、“植物都会死亡”等描述语句(语法上与LISP类似)。Lenat曾预测可能需要至少构建25万条规则,才能支撑Cyc系统的成功。不难理解这种人工构建的规则既费时费力,有时候还“事倍功半”。据悉Cyc就曾在一个故事中闹出过笑话:这个故事是说一个名为Fred的人正拿着一个电动剃须刀,因为在Cyc的知识库里“人体的构成是不包含电气零件的”,因而它推断出正在刮胡子的Fred已经不是人了。

    在人类认为很好理解的不少场景下,专家系统却总是表现得让人“啼笑皆非”,久而久之自然就沦落成大家“茶余饭后”的谈资了。

    1. 日本第五代计算机工程宣告失败

    日本在上世纪80年代左右经济形式还是不错的,因而愿意投入巨资来研究有潜力的方向。然而若干年过去后,在当年定下的计划目标始终“遥遥无期”的情况下,日本政府开始大幅缩减AI预算也就是情理之中的事了

    1. 统计学方法开始大行其道

    这个时期其实除了统计学外,还有一股力量是不容忽视的,那就是这几年才大红大紫的神经网络。不过神经网络能够发挥威力的一些前置条件(数据,算力)那时候还没有得到满足,所以当时不管从哪个角度来看,它在80年代都没有比统计学方法来得更为优秀——后者既简单实用,而且消耗的资源还少。因而神经网络在当时自然没有掀起多大的风浪

     

    据说那时候流行一个“月亮梯子”的笑话,专门用来描述人工智能的处境——即人工智能总是把目标设定为“登月”,但最后造出来的却多半只是一把“梯子”,让人贻笑大方。

    一言以蔽之,AI又一次进入了寒冬。

        1. 重出江湖,渐入佳境(1993年-至今)

    人类对于人工智能一直以来都有一种“执念”,因而即便是在它的两次寒冬期间,依然有人“孜孜不倦,十年如一日”地潜心做着研究——比如后面我们会讲到的深度学习“三驾马车”便是如此了(据说这也是他们获得图灵奖的原因之一)。

    或许也正是因为这种“执念”,大概从上世纪90年代初开始人工智能又开始时不是地出现在人们的视野中了。比如:

    1. 1997年,深蓝战胜国际象棋世界冠军Garry Kasparov

    这是人工智能历史上的一个里程碑,深蓝因此成为世界上首个打败人类顶尖国际象棋棋手的计算机系统

    1. 1998年,LeNet成功商用

    LeNet当时被美国银行和邮政系统所接纳,用来识别支票、邮政编码中的的手写或机打数字,也算是为神经网络的“可商用化”提供了有力证明(虽然当时的神经网络还比较简单)

    图 1‑17 LeNet网络结构

     

    1. 新的研究方法的出现

    人类逐渐意识到,专家系统虽然从理论上看是“靠谱”的,但如何构筑庞大的“专家知识库”却成了众多学者“心中的痛”。例如前面所提及的,美国科学家Douglas Lenat曾尝试建立一个名为Cyc的超级知识库,把几百万条常识用逻辑语言描述出来,借以帮助专家系统构建能力。然而这显然有点“天方夜谭”——举个简单的例子,猫应该有几条腿呢?正常的猫是4条腿,但我们并不能否认残疾的猫有可能出现3条腿或者2条腿的异常情况;又或者基因突变的猫有5条腿的情况。

    所以人们开始寻找其它的实现方式。比如MIT的Rodney Brooks在1990年左右曾发表了《Elephants Don’t Play Chess》的论文,阐述了基于“行为”和环境的人工智能模型。他在论文中对当时的AI研究方法提出了质疑,关键部分引用如下:

    What has gone wrong? (And how is this book the answer?!!)
    In this paper we argue that the
    symbol system hypothesis upon which classical AI is base is
    fundamentally flawed, and as such imposes severe limitations on the fitness of its progeny. Further, we argue that the dogma of the symbol system hypothesis implicitly includes a number of largely unfounded great leaps of faith when called upon to provide a plausible path to the digital equivalent of human level intelligence. It is the chasms to be crossed by these leaps which now impede classical AI research.
    But there is an alternative view, or dogma, variously called nouvelle AI, fundamentalist AI, or in a weaker form situated activity 1. It is based on the physical grounding hypothesis. It provides a different methodology for building intelligent systems than that pursued for the last thirty years.”

     

    2000年以后,人工智能以及多个学科的发展速度明显加快了。业界普遍认为这主要得益于以下几个核心因素:

    1. 互联网大发展的时代
    2. 云计算
    3. 芯片计算能力呈现指数级增长
    4. 大数据

    等等

     

    特别是Stanford大学等学术机构“十年如一日”建立起来的规模庞大的数据平台,为众多学者验证和改进模型提供了非常重要的基线。

    图 1‑18 ImageNet超大规模图像数据集

     

    而进入21世纪的第二个十年后,人们对于人工智能特别是深度学习的热情更是达到了“前无古人”的地步。可以说在这个“人人谈AI”的时期,不懂AI似乎就意味着“落伍”——在不少人的心里,AI甚至已经成为了前沿时尚的代表。例如下面所示的是Stanford大学某AI人员给某奢侈品牌做的广告(图片资源来源于网络):

    图 1‑19 AI与时尚

    (广告上的“CHERCHEUR EN INTELLIGENCE ARTIFICIELLE”是法语,译为“人工智能研究人员”)

     

    毫无疑问,我们正身处于人工智能的本轮热潮中。

    展开全文
  • 强人工智能又称通用人工智能或完全人工智能,指的是可以胜任人类所有工作的人工智能,人可以做什么,强人工智能就可以做什么,这种定义过于宽泛,缺乏一个量化的标准来评估什么样的计算机程序才是强人工智能。...

    https://www.toutiao.com/a6666346528631685646/

     

    强人工智能又称通用人工智能或完全人工智能,指的是可以胜任人类所有工作的人工智能,人可以做什么,强人工智能就可以做什么,这种定义过于宽泛,缺乏一个量化的标准来评估什么样的计算机程序才是强人工智能。

     

    什么是强人工智能,强人工智能的实现,需要具备哪些条件?

     

     

    一个可以称得上强人工智能的程序,大概需要具备以下几方面的能力:

    1.存在不确定因素时进行推理,使用策略,解决问题、制定决策的能力;

    2.知识表示的能力,包括常识性知识的表示能力;

    3.规划能力;

    4.学习能力;

    5.使用自然语言进行交流沟通的能力;

    6.将上述能力整合起来实现既定目标的能力。

    基于上面几种能力的描述,我们大概可以想象,一个具备强人工智能计算机程序会表现出什么样的行为特征。

    一旦实现了符合这一描述的强人工智能,那我们几乎可以肯定地说,所有人类工作都可以由人工智能来取代,从乐观主义的角度讲,人类到时就可以坐享其成,让机器人为我们服务,每部机器人也许可以一对一地替换每个人类个体的具体工作,人类则获得完全意义上的自由,只负责享乐,不再需要劳动。

    展开全文
  • 强人工智能又称通用人工智能或完全人工智能,指的是可以胜任人类所有工作的人工智能,人可以做什么,强人工智能就可以做什么,这种定义过于宽泛,缺乏一个量化的标准来评估什么样的计算机程序才是强人工智能。...

    强人工智能又称通用人工智能或完全人工智能,指的是可以胜任人类所有工作的人工智能,人可以做什么,强人工智能就可以做什么,这种定义过于宽泛,缺乏一个量化的标准来评估什么样的计算机程序才是强人工智能。

    一个可以称得上强人工智能的程序,大概需要具备以下几方面的能力:

    1.存在不确定因素时进行推理,使用策略,解决问题、制定决策的能力;

    2.知识表示的能力,包括常识性知识的表示能力;

    3.规划能力;

    4.学习能力;

    5.使用自然语言进行交流沟通的能力;

    6.将上述能力整合起来实现既定目标的能力。

    基于上面几种能力的描述,我们大概可以想象,一个具备强人工智能计算机程序会表现出什么样的行为特征。

    一旦实现了符合这一描述的强人工智能,那我们几乎可以肯定地说,所有人类工作都可以由人工智能来取代,从乐观主义的角度讲,人类到时就可以坐享其成,让机器人为我们服务,每部机器人也许可以一对一地替换每个人类个体的具体工作,人类则获得完全意义上的自由,只负责享乐,不再需要劳动
      人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
    1.人工智能时代,AI人才都有哪些特征?
    http://www.duozhishidai.com/article-1792-1.html
    2.大数据携手人工智能,高校人才培养面临新挑战
    http://www.duozhishidai.com/article-7555-1.html
    3.人工智能,机器学习和深度学习之间,主要有什么差异
    http://www.duozhishidai.com/article-15858-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 科技行业2020年中国人工智能手机白皮书:AI重新定义光感知.pdf
  • 2020中国人工智能手机白皮书:AI重新定义光感知精品报告2020.pdf
  • 人工智能定义.pptx

    2021-09-21 07:58:26
    人工智能定义.pptx
  • 人工智能定义 研究和及其应用;第1章 绪论; 自1956年人工智能诞生几十年来获得了很大发展引起众多学科和不同专业背景的学者政府和企业的高度重视已逐渐成为一门理论基础日臻完善应用领域广泛且多学科交叉的前沿科学 ...
  • 中国人工智能手机白皮书 AI重新定义光感知 2020年 核心摘要 1 研究背景 2 概念解析 3 市场综述 4 未来展望 智能手机渗透率趋近 AI重新定义光感知 AI+ 光感知系统主要 5G手机渗透率提升 饱和 手机市场缓慢 强调通过...
  • AI人工智能概念之AI发展历史的重要历史时间节点、大牛们对AI相关概念的定义 目录 1950~ 大牛们对重要概念的定义 ML的定义 1950~ 1950,人工智能之父Alan Mzthison Turing,艾伦图灵在1950年发表...
  • 从弱人工智能走向强人工智能

    千次阅读 2020-03-12 22:32:24
    #从弱人工智能走向强人工智能 摘 要: 时代发展到今天,人工智能可谓是无处不在,可是大众真的知道什么是人工智能吗?当前人工智能正处在弱人工智能时代,弱人工智能时代的到来引发了我们对“人工智能的思索。...
  • 人工智能定义的 IT 基础设施浅析

    千次阅读 2020-08-27 15:02:40
    在本篇文章中,TechTarget 技术顾问 Robert Sheldon 指出人工智能定义的基础设施是增强或改进软件定义的基础设施的一种方式,两者可以协同工作以简化 IT 并减少管理开销。 以下内容,对文章原文进行了翻译和整理: ...
  • 重新定义人工智能运维——让 Dynatrace 人工智能助推您的企业战略; Dynatrace 2020 展望 - 前景与创新
  • 人工智能定义23.ppt

    2020-11-21 11:27:27
    人工智能定义23;教材及参考书;结业安排;第一章 绪 论;第一章 绪 论;人工智能(Artificial Intelligence简记为AI)是当前科学技术迅速发展及新思想新理论新技术不断涌现的形势下产生的一个学科也是一门涉及数学计算机...
  • 人工智能定义及三次热潮

    千次阅读 2020-02-27 19:48:13
    深度学习+大数据 = 人工智能 目前人工智能正处于第三次热潮之中,且三次热潮都是从人机进行棋类比拼掀起,前两次热潮在持续一段时间后都进入了低谷期 关于第三次热潮: 前两次由学术研究主导,这次是现实商业需求...
  • 今日,滴滴出行对外宣布,正式成立AI Labs——人工智能实验室,以加重其在人工智能前瞻性基础研究上的砝码,进一步扩展滴滴的科研网络。AI Labs的成立,是继研究院、美国研究院之后,滴滴在科技领域的又一大动作。 ...
  • 强人工智能和弱人工智能

    千次阅读 2020-05-20 13:09:34
    来源:人机与认知实验室人工智能的一个比较流行的定义,也是该领域较早的定义,是由当时麻省理工学院的约翰·麦卡锡在1956年的达特矛斯会议上提出的(对此有争议):人工智能就是要让机器的行为看...
  • 11-人工智能定义23.pptx
  • 人工智能定义详解

    万次阅读 2018-09-25 09:13:04
    人工智能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,...
  • 1、强人工智能和弱人工智能 人工智能的一个比较流行的定义,也是该领域较早的定义,是由当时麻省理工学院的约翰·麦卡锡在1956年的 达特矛斯会议上提出的: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...
  •   在人工智能的早期,那些对人类智力来说非常困难、 且对计算机来说相对简单的问题迅速得到解决,比如,那些可以通过→系列形式化的数学规则来描述的问题 AI的真正挑战在于解决那些对人来说很容易执行、但很难形式...
  • 原创: 小七 AI商学院 昨天 人工智能的一个比较流行的定义,也是该领域较早的定义...但是这个定义似乎忽略了强人工智能的可能性。 另一个定义人工智能是人造机器所表现出来的智能性。总体来讲,对人工智能定义大...
  • 人工智能 人工智能 丁世飞 中国矿业大学 Dingsf@ 人工智能 教材及参考书 ? 教材 史忠植 , 王文杰 . 人工智能 国防工业出版社 ,2007 主要参考书 1. 王士同 . 人工智能教程 , 电子工业出版社 , 2006 2. 蔡自兴 , 徐...
  • 第 PAGE 页码 页码 页 / 总页数 NUMPAGES 总页数 总页数 页 人工智能是什么定义是什么 导读我根据大家的需要整理了一份关于人工智能是什么定义是什么的内容具体内容人工智能技术从20世纪50年代中期兴起到现在只有近...
  • 最近对信息技术危害的担忧促使人们考虑采取监管行动来阻止或限制人工智能 (AI) 领域的某些发展。 然而,定义的模糊性阻碍了就这一公众关注的紧迫话题进行对话的可能性。 法律和监管干预需要商定的定义,但围绕人工...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 270,705
精华内容 108,282
关键字:

强人工智能的定义