精华内容
下载资源
问答
  • AI Safety, Security, and Governance Allan Dafoe Centre for the Governance of AI Future of Humanity Institute University of Oxford Malicious Use of AI [Brundage et al.] Structural Risks [Remco Zwetslo
  • 1、AI发展历程 ...自1956年达特茅斯会议第一次提出人工智能的概念以来,人工智能发展经历了三次浪潮: 第一次浪潮(1956-1974):算法雏形初现 第一次浪潮的主要成就是算法、方法论及早期人工智能

    1、AI的发展历程

    人工智能(ArtificialIntelligence)指由人类制造出来的机器所展现出来的智能,试图通过计算机来模拟人的思维过程和行为。目前这一领域主要包括计算机视觉、自然语言处理、跨媒体分析推理、智适应学习、群体智能、自主无人系统、智能芯片和脑机接口等关键技术,将为人类的生产生活带来革命性的转变。
    
    自1956年达特茅斯会议第一次提出人工智能的概念以来,人工智能的发展经历了三次浪潮:
    
    第一次浪潮(1956-1974):算法雏形初现
    
    第一次浪潮的主要成就是算法、方法论及早期人工智能系统。其中最为杰出的代表就是贝尔曼公式(增强学习的雏形)和感知机(深度学习的雏形)。早期人工智能系统主要是用机器证明的办法去证明和推理一些知识,第一次浪潮中实现效果最好的就是定理证明。这一时期出了很多人工智能系统,如STUDENT(1964年)、ELIZA(1966年),前者能够实现应用题的证明,后者可以实现简单的人机对话。但随着计算能力的不足、社会资本的退出、政府资助的下降,人工智能迎来第一次寒冬。
    
    第二次浪潮(1974-2006):专业化发展
    
    较第一次浪潮而言,第二次浪潮朝着更为专业化的方向发展,侧重于借用领域专家的知识来武装自己。这一时期的主要成就是人工智能计算机、多层神经网络和BP反向传播等方算法的突破及语音识别和语言翻译等领域。第二次浪潮更专注于解决实际问题,不再专注于理论知识的证明。由于人工智能应用的范畴依旧有限,人工智能的浪潮在90年代开始逐渐消退。
    
    第三次浪潮(2006-至今):基于互联网大数据的深度学习
    
    与前两次浪潮不同,第三次浪潮依靠的是计算机性能的提升和海量数据的不断积累,其核心是深度学习的突破。2016年的AlphaG和2017年的AlphaGMaster这两个智能程序的胜出,促使着人工智能逐渐成为当下炙手可热的研究领域。依靠算法、大数据、计算力的作用,人工智能迎来第三次浪潮。此外,深度学习在语音识别、图像识别、自然语言理解等领域均取得了突破性进展,再加上海量数据提供测试样本和强大计算能力的支持,人工智能开始向前高速发展。
    

    人工智能发展历史

    在这里插入图片描述

    2、AI是中国弯道超车的好机会
    
    智研咨询发布的《2020-2026年中国AI芯片产业运营现状及发展前景分析报告》数据显示:众所周知,国内科技企业往往都是先从低端产品做起来,再逐步往上游延伸。比如先从EM做到系统集成,然后再做上游关键零部件,最后积累实力才涉及更基础的研发。AI的浪潮中,最核心的就是算法,大家都在算法上角逐,使得基础研究到技术开发到系统集成扁平化,研究比一般的企业更加贴近市场,这会带来全新的变化:企业创始人和核心管理团队都必须是技术大牛,企业的文化更加高效,从而极大降低管理成本。在基础研究领域中,国、内AI的水平在迅速提升,中美是最有可能引领该潮流的两个国家,AI是中国弯道超车的好机会。
    
    过去二十年间,全球众多国家和地区广泛地参与到人工智能领域的基础性研究中,其中中国和美国的论文产出位于全球的第一、二位,且是位于第三位的英国产出量的倍以上。英国、日本、德国、印度、法国、加拿大、意大利、西班牙、韩国、台湾、澳大利亚构成了该领域论文产出的第二梯队。
    

    在这里插入图片描述

    数据来源:公开资料整理

    虽然论文多,但是国际人工智能杰出人才集中投入于美、英、德、法等少数发达国家,排名前十的国家AI人才投入占据总量的63.6%。美国在人工智能杰出人才投入量上依旧遥遥领先,占据世界总体的25%,。中国排名第六,杰出人才占比过低。此外高强度人才投入的企业集中在美国,中国仅有华为一家企业进入前20。国际人工智能人才投入主要以计算机软硬件开发企业为主体,美国相关行业发轫于19世纪末,IBM、微软、谷歌等公司皆为行业巨头,在世界范围内拥有广泛的影响能力,成为集聚人工智能领域人才的企业前三甲,英特尔、通用电气、惠普、霍尼韦尔、思科、高通、苹果等美国知名企业也榜上有名。德国的西门子、SAP、软件、博世三家企业入驻前20,主要以大型制造企业为主。
    
    3、中国AI产业整体分布特征
    
    中国AI企业集中分布在京津、长三角、珠角及中西部几个重点省份。
    

    在这里插入图片描述

    数据来源:公开资料整理

    在这里插入图片描述

    数据来源:公开资料整理

    4、中国AI企业主要集中在应用层
    
    中国AI企业主要集中在应用层(AI应用终端及AI应用行业解决方案),占比接近80%;技术层的企业主要集中在计算机视觉领域,占比近70%;应用层企业中,机器人、无人机、AI+医疗、AI+教育、AI+金融、AI+制造等领域占比较大。
    

    在这里插入图片描述

    数据来源:公开资料整理

    中国AI企业发展尚处于早期,主要集中在A轮和天使轮
    
    按地域划分来看,北京、广东、上海、浙江、江苏、安徽等地发展较快,已经聚集一批发展到中后期甚至上市的企业,山东因为AI领域的企业主要是由传统制造业转型成工业机器人或者AI+制造企业,中后期企业占比相对较高。
    

    在这里插入图片描述

    数据来源:公开资料整理

    5、中国AI产业重点发展区域
    
    环渤海地区北京优势明显并将赋能周边,地区发展空间巨大
    
    环渤海地区依托北京的发展优势,未来会有较大的发展空间。北京AI产业链发展相对成熟、全国领先,在各细分领域已经发展出一批优秀企业,而山东、天津等地传统产业发展成熟,制造业基础雄厚,未来北京的龙头企业都可以赋能环渤海地区的传统产业升级,进而带动环渤海地区整个AI产业的发展。
    

    在这里插入图片描述

    数据来源:公开资料整理

    在这里插入图片描述

    数据来源:公开资料整理
    在这里插入图片描述

    G60科创走廊,长三角一体化给长三角地区AI产业的发展带来很大的集聚效应,并且在些AI细分领域已经形成龙头优势,计算机视觉、智能语音、芯片、AI+安防、机器人、AI+医疗等产业都已经全国领先,其中不乏科创板及主板、创业板A股上市公司。
    

    在这里插入图片描述

    数据来源:公开资料整理

    长三角地区AI企业细分领域及区域分布热力图

    数据来源:公开资料整理

    珠三角地区龙头企业带动产业整体发展智能终端优势明显
    
    珠三角地区的AI产业主要集中在深圳,得益于华为、中兴、大疆等龙头企业的带动作用,带动了周边相关产业的发展,同时深圳的先进AI技术又能赋能东莞、中山、佛山等地传统制造业的智能化改造和升级进一步推动周边整个地区的AI产业发展,随着南沙自贸区的成立和国家战略地位的作用凸显,广州AI产业快速崛起,进一步与整个珠三角地区协同。
    

    珠三角地区AI区域分布

    数据来源:公开资料整理

    珠三角地区AI企业细分领域及区域分布热力图

    数据来源:公开资料整理

    中西部地区主要聚集在高校和人才优势明显的核心城市
    
    中西部地区AI产业发展较好的省份主要有:陕西、四川、湖北、重庆、湖南等地,这些省份的AI企业主要聚集在省会城市,主要依托当地高等学校的优质的人才资源、科研技术资源及当地传统产业基础。
    

    中西部地区AI区域分布

    数据来源:公开资料整理

    中西部地区AI企业细分领域及区域分布热力图

    数据来源:公开资料整理

    6、中国AI产业重点发展城市
    
    重点城市的AI企业数量占到了全国AI企业总数的89.5%
    
    我国AI企业主要集中在北京、上海、 深圳等主要城市,人才、科研实力、产业环境、资本环境、政府的行动是影响的主要因素。
    

    中国AI企业重点城市分布

    数据来源:公开资料整理

    重点城市AI企业数量分布(单位:家)

    数据来源:公开资料整理

    7、中国AI产业地区发展总结及展望
    
    第-梯队:北京、上海、 深圳、杭州
    
    总结:经济、政策、人才、科研实力、产业环境、资本环境的全面优势使得四个城市的创新创业高度、速度均远超其他城市,进而AI产业发展的规模及成熟度远高于其他城市;展望:资本环境是影响第一梯队城市AI产 业发展壮大的重要因素, AI作为典型的2B型企业,发展速度较慢,客户靠结寨扎营式的逐步积累,因此发展到盈利一般需要较长的时间,需要资本的持续扶持。
    

    第一梯队核心城市AI企业细分领域分布热力图

    数据来源:公开资料整理

    第二梯队:苏州、广州、南京、天津、合肥、成都、武汉
    
    总结:人才是制约这些地区AI产业发展的重要因素,基础层和技术领域需要的高端技术人才、产业智能化改造的应用型人才受限于当地的人才培育环境、人才引进力度、当地的生活环境、薪资水平等诸多因素的影响;其中,广州天津、南京、成都、武汉等城市缺乏大型科技企业的支持,初创企业数量和规模不明显,进而较难通过大型企业赋能周边企业的发展,难以形成产业集聚的效应。
    
    展望:政府是推动当地AI产业发展的最重要力量;力度更大的国内外AI人才引进计划辅以本地化的人才培养是这些城市解决人才短缺问题可以采取的手段;通过与领先企业联合成立实验室、成立合资公司、邀请领头企业参与本地项目是这些城市提升本地科研技术水平、赋能当地产业、形成产业集聚的必要手段;当地与AI可应用产业吻合度高的产业基础更雄厚,本地化的数字化基础设施水平更高的地区更容易实现迅速发展,形成自己的优势产业。
    

    第二梯队核心城市AI企业细分领域分布热力图

    数据来源:公开资料整理

    其他:胺、庆、长沙、郑州
    
    总结:这些地区的AI产业大多处于萌芽或者刚起步的阶段,人才短缺、技术实力不足、资本环境较差、政策支持力度不足是导致这些地区AI产业发展落后的主要因素;部分地区也依赖本地化的优势资源,形成了一些当地的较为特色的细分产业,如西安的无人机产业、长沙的智能制造设备、郑州的智能终端等。
    
    展望:政府是推动当地AI产业发展的最重要力量,政府需要结合本地的产业特色做好战略规划,可以不用追求AI产业的全面发展,重力发展具有本地优势的可以与AI产业结合的产业更有优势,也更有利于推动本地AI产业的整体发展水平;结合本地的实际情况,出台专门的引进本地亟需的AI人才的手段;根据实际情况,引进龙头的AI企业,赋能当地相关产业的智能化的改造升级,赋能当地企业的发展,同时推动相关产业整体水平的提升,形成产业集聚。
    

    其他核心城市AI企业细分领域分布热力图

    数据来源:公开资料整理

    展开全文
  • 本文结合工业自动化和信息技术在工业革命中的作用以及制造与生产全流程决策、控制以及运行管理的现状和智 能化发展方向的分析, 提出了发展工业人工智能必要性. 通过对人工智能技术的涵义、发展简史和发展方向的...
  • 在这篇博客中,我们将研究简要的人工智能介绍,以了解什么是人工智能意义以及人工智能在当今世界中的重要。此外,还将学习人工智能的类型,目标和技术。此外,我们将研究AI应用程序。 2.人工智能介绍 根据人工...

    1. 目标

    在这篇博客中,我们将研究简要的人工智能介绍,以了解什么是人工智能意义以及人工智能在当今世界中的重要性。此外,还将学习人工智能的类型,目标和技术。此外,我们将研究AI应用程序。

    人工智能介绍

    2.人工智能介绍

    根据人工智能之父约翰麦卡锡的说法,它是“制造智能机器的科学与工程,特别是智能计算机程序”。

    此外,智慧将我们与世界上的一切区分开来。因为它有能力理解,应用知识。此外,提高在我们的进化中发挥重要作用的技能。

    我们可以将AI定义为计算机科学领域。此外,它们还涉及计算机的制作方式。正如他们为了执行归于人类的认知功能所做的那样。

    AI 主要依赖以下研究领域

    • 计算机科学
    • 认知科学
    • 工程
    • 伦理
    • 语言学
    • 逻辑
    • 数学
    • 自然科学
    • 哲学
    • 生理
    • 心理学
    • 统计

    3.人工智能的哲学

    好像我们看到利用计算机系统的力量的力量,人类的好奇心引起他的疑惑,

    “机器能像人类一样思考和行为吗?”

    因此,AI 开始的目的是在机器中创建类似的智能。而且,我们发现并且在人类中看得很高。

    4.人工智能的目标

    a. 创建专家系统

    它是系统表现出智能行为并向用户提供建议的系统类型。

    b. 为了实现人类智力的机器

    它是创建理解,思考,学习和行为像人类一样的系统的方式。

    5.什么有助于人工智能

    基本上,人工智能  基于以下学科

    • 计算机科学
    • 生物学
    • 心理学
    • 语言学
    • 数学   以及
    • 工程

    简介 - 人工智能

    6. AI的类型

    有两种类型的人工智能,例如:

    a. 强大的人工智能

    基本上,它涉及人工创造真实情报。此外,强大的AI认为机器可以变得有感知力。

    有两种类型的强AI:

    • 人性化的人工智能  

    在这个计算机程序中思考和理解人类的水平。

    •   非人类的AI

    在这个计算机程序中开发了一种非人类的思维和推理方式。

    b. 人工智能弱

    因此,它不相信在机器中创建人类级智能是可能的。虽然,可以开发 AI技术来解决许多现实问题。

    7.为什么是AI

    它的需要背后有一些原因。那么,让我们首先比较传统计算机程序与人类智能之间的差异。

    • 因为它确定了正常人具有相同的智力机制。此外,智力的差异与 “定量生化和生理条件” 有关。
    • 传统上,我们使用计算来使用固定程序执行机械计算。此外,还有一些我们需要解决的复杂问题。

    例如 :

    与人类不同,计算机在理解特定情况时会遇到更多麻烦。此外,我们需要人工智能来让机器思考和处理如此复杂的任务。这是一个改变游戏规则的游戏。

    8. AI技术是什么?

    • 基本上,它的体积是巨大的,接下来是难以想象的。
    • 此外,它没有良好的组织或格式良好。
    • 虽然,它不断变化不断。

    因为AI技术是一种组织方式。此外,我们以这样的方式有效地使用它-

    • 基本上,应该由提供它的人来感知它。
    • 因为它应该很容易修改以纠正错误。
    • 而且,它在许多情况下应该是有用的。虽然它不完整或不准确。

    9.人工智能的应用

    a. 自然语a言处理

    基本上,可以与计算机进行交互。而且,他们只了解人类所说的自然语言。

    b. Gaming

    • 在战略游戏中,AI扮演着至关重要的角色。如国际象棋,扑克,井字游戏等,
    • 随着应用程序的出现,它集成了机器,软件以传授推理和建议。它们为用户提供解释和建议。

    c. 语音识别

    基本上,系统能够听到语言。以及人类与之交谈时的意义。

    10.结论

    因此,我们研究了人工智能简介。此外,也研究了它的一些类型和技术。而且,学到的真实应用程序将明晰人工智能的概念。

    翻译自:原文及为何重要

    注:人工智能(AI):使机器可以从经验中学习,适应新的输入并执行类似人类的任务。你今天听到的大多数AI例子 - 从国际象棋电脑到自动驾驶汽车 - 在很大程度上依赖于深度学习和自然语言处理。使用这些技术,可以训练计算机通过处理大量数据和识别数据中的模式来完成特定任务。

    展开全文
  • 因此,非常有必要研究一种基于模糊系统的可解释强的人工智能算法。结合深度神经网络和模糊系统两者的优点,研究深度模糊系统及其算法,将有可能解决高维大数据问题。主要对模糊系统的发展历程与研究进展分别进行...
  •  人工智能发展,需要遵守的四个AI伦理原则:  第一个原则是安全可控是最高原则;  第二个是促进人类平等地获得技术和能力是创新愿景;  第三个则是人工智能的存在价值不是超越人、代替人,而是教人学习和...

      人们享受着AI智能生活的同时也开始对此感到担心。人们开始担心人工智能是不是一种仿生学,它会不会最终威胁到人类的安全。

      人工智能的发展,需要遵守的四个AI伦理原则:

      第一个原则是安全可控是最高原则;

      第二个是促进人类平等地获得技术和能力是创新愿景;

      第三个则是人工智能的存在价值不是超越人、代替人,而是教人学习和成长;

      第四个是人工智能的终极理想应该是带给我们更多的自由和可能。

      世界上不只有大公司需要AI的技术和能力,几千万的组织都需要。防止技术的不平等,导致人们在生活、工作上的不平等,这是我们需要思考的。

      AI技术的使命,就是要通过学习人、从而去忠诚服务于人,让人类生活得更美好,但AI的技术发展也需要价值观的指引,在AI伦理价值的新“红绿灯”指引下,才能迎来一个更加美好的AI时代。


    1.人工智能技术在计算机中的发展现状和实际应用
    http://www.duozhishidai.com/article-13415-1.html

    2.计算机人工智能发展分析
    http://www.duozhishidai.com/article-3459-1.html

    3.人工智能来势凶猛,人工智能最热门的技术趋势是什么?
    http://www.duozhishidai.com/article-923-1.html

     

    展开全文
  • 人工智能(一):技术发展

    千次阅读 多人点赞 2018-11-24 13:57:57
    我分六篇文章,大概把我学到的人工智能课程给大家介绍一下,与君共享。  这六篇文章会从人工智能的历史开始讲起,然后机器学习的核心方法——SVM的基本知识,再讲决策树的相关知识,最后讲近几年非常受欢迎的深度...

    2018年11月24日星期六

    我分六篇文章,大概把我学到的人工智能课程给大家介绍一下,与君共享。

     这六篇文章会从人工智能的历史开始讲起,然后机器学习的核心方法——SVM的基本知识,再讲决策树的相关知识,最后讲近几年非常受欢迎的深度学习。

    人工智能是利用智能学习算法,将大量数据中的经验来改善系统自身的性能,从而实现人类智慧所能作的事情。可以这么说,人工智能离不开数据分析和机器学习,研究智能数据分析的理论和方法已经成为人工智能的必要基础之一。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程进行模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。

    人工智能的开始始终绕不开艾伦·麦席森·图灵(Alan Mathison Turing,1912年6月23日-1954年6月7日)这个人,作为一个二战的英雄,一个伟大的数学家,密码学家,逻辑学家,他有着独特的想法,抽象的思维,传奇的经历(他的个人经历可以看2014年的电影《模仿游戏》,一个战争胜利背后的英雄)。

    1950年,阿兰·麦席森·图灵提出关于机器思维的问题,他的论文“计算机和智能(Computingmachiery and intelligence),引起了广泛的注意和深远的影响。1950年10月,图灵发表论文《机器能思考吗》。这一划时代的作品,使图灵赢得了“人工智能之父”的桂冠。也宣告了人工智能(AI)时代的到来。

    当然,事物的发展绝非偶然,AI时代的到来肯定也有着历史的必然,非常古老的历史我们就不谈了,直接从图灵开始,我们以时间发展的轨迹来介绍其中技术的演变,我在以后的文章中再详细介绍其中一些关键的人物,让我们膜拜大神吧。

     

    一、1950-1970年代,人工智能的“推理时代”。

    赫本于1949年基于神经心理学的学习机制开启机器学习的第一步。此后被称为Hebb学习规则。Hebb学习规则是一个无监督学习规则,这种学习的结果是使网络能够提取训练集的统计特性,从而把输入信息按照它们的相似性程度划分为若干类。这一点与人类观察和认识世界的过程非常吻合,人类观察和认识世界在相当程度上就是在根据事物的统计特征进行分类。

    从上面的公式可以看出,权值调整量与输入输出的乘积成正比,显然经常出现的模式将对权向量有较大的影响。在这种情况下,Hebb学习规则需预先定置权饱和值,以防止输入和输出正负始终一致时出现权值无约束增长。

    Hebb学习规则与“条件反射”机理一致,并且已经得到了神经细胞学说的证实。比如巴甫洛夫的条件反射实验:每次给狗喂食前都先响铃,时间一长,狗就会将铃声和食物联系起来。以后如果响铃但是不给食物,狗也会流口水(当然这个实验也被认为是广告学、神经学的开始)。

    1950年,阿兰·图灵创造了图灵测试来判定计算机是否智能。图灵测试认为,如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。

    2014年6月8日,一个叫做尤金·古斯特曼的聊天机器人成功让人类相信它是一个13岁的男孩,成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件。但是这比图灵自己预测的时间晚了整整14年。

    1956年夏季,以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会,共同研究和探讨用机器模拟智能的一系列有关问题,并首次提出了“人工智能”这一术语,它标志着“人工智能”这门新兴学科的正式诞生。 

    1957年,罗森·布拉特基于神经感知科学背景提出了第二模型,非常的类似于今天的机器学习模型。这在当时是一个非常令人兴奋的发现,它比赫布的想法更适用。基于这个模型罗森·布拉特设计出了第一个计算机神经网络——感知机(the perceptron),它模拟了人脑的运作方式。罗森·布拉特对感知机的定义如下:

    感知机旨在说明一般智能系统的一些基本属性,它不会因为个别特例或通常不知道的东西所束缚住,也不会因为那些个别生物有机体的情况而陷入混乱。

    The perceptron is designed to illustrate some of the fundamental properties of intelligent systems in general, without becoming too deeply enmeshed in the special, and frequently unknown, conditions which hold for particular biological organisms.

    3年后,维德罗首次使用Delta学习规则(即最小二乘法)用于感知器的训练步骤,创造了一个良好的线性分类器。

    1967年,最近邻算法(The nearest neighbor algorithm)出现,使计算机可以进行简单的模式识别。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。这就是所谓的“少数听从多数”原则。

    1969年马文·明斯基提出了著名的XOR问题,指出感知机在线性不可分的数据分布上是失效的。此后神经网络的研究者进入了寒冬,直到 1980 年才再一次复苏。

    从60年代中到70年代末,机器学习的发展步伐几乎处于停滞状态。无论是理论研究还是计算机硬件限制,使得整个人工智能领域的发展都遇到了很大的瓶颈。虽然这个时期温斯顿(Winston)的结构学习系统和海斯·罗思(Hayes Roth)等的基于逻辑的归纳学习系统取得较大的进展,但只能学习单一概念,而且未能投入实际应用。

    这一时期,一般认为只要机器被赋予逻辑推理能力就可以实现人工智能。不过此后人们发现,只是具备了逻辑推理能力,机器还远远达不到智能化的水平。 60年代末,70年代初神经网络学习机因理论缺陷未能达到预期效果而转入低潮。这个时期的研究目标是模拟人类的概念学习过程,并采用逻辑结构或图结构作为机器内部描述。机器能够采用符号来描述概念(符号概念获取),并提出关于学习概念的各种假设。事实上,这个时期整个AI领域都遭遇了瓶颈。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。要求程序对这个世界具有儿童水平的认识,研究者们很快发现这个要求太高了:1970年没人能够做出如此巨大的数据库,也没人知道一个程序怎样才能学到如此丰富的信息。可以说是计算能力的滞后导致了AI技术的停滞,这个阶段尽管学术思想已经达到很高的水平,但是工业界的发展严重滞后,科学与技术是相辅相成的,任何一方发展滞后都会拖累另一方的发展。

    二、1970-1990年代,人工智能的”知识工程“时代。

    这一时期,人们认为要让机器变得有智能,就应该设法让机器学习知识,于是计算机系统得到了大量的开发。后来人们发现,把知识总结出来再灌输给计算机相当困难。举个例子来说,想要开发一个疾病诊断的人工智能系统,首先要找好多有经验的医生总结出疾病的规律和知识,随后让机器进行学习,但是在知识总结的阶段已经花费了大量的人工成本,机器只不过是一台执行知识库的自动化工具而已,无法达到真正意义上的智能水平进而取代人力工作。

    伟博斯在1981年的神经网络反向传播(BP)算法中具体提出多层感知机模型(即著名的“人工神经网络”,ANN)。虽然BP算法早在1970年就已经以“自动微分的反向模型(reverse mode of automatic differentiation)”为名提出来了,但直到此时才真正发挥效用,并且直到今天BP算法仍然是神经网络架构的关键因素。有了这些新思想,神经网络的研究又加快了。

    在1985-1986年,神经网络研究人员(鲁梅尔哈特,辛顿,威廉姆斯-赫,尼尔森)相继提出了使用BP算法训练的多参数线性规划(MLP)的理念,成为后来深度学习的基石。

    在另一个谱系中,昆兰于1986年提出了一种非常出名的机器学习算法,我们称之为“决策树”,更具体的说是ID3算法。这是另一个主流机器学习算法的突破点。此外ID3算法也被发布成为了一款软件,它能以简单的规划和明确的推论找到更多的现实案例,而这一点正好和神经网络黑箱模型相反。

    决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出,若欲有复数输出,可以建立独立的决策树以处理不同输出。数据挖掘中决策树是一种经常要用到的技术,可以用于分析数据,同样也可以用来作预测。

    在ID3算法提出来以后,研究社区已经探索了许多不同的选择或改进(如ID4、回归树、CART算法等),这些算法仍然活跃在机器学习领域中。

     

    1990年, Schapire最先构造出一种多项式级的算法,这就是最初的Boosting算法。一年后 ,Freund提出了一种效率更高的Boosting算法。但是,这两种算法存在共同的实践上的缺陷,那就是都要求事先知道弱学习算法学习正确的下限。

    1992年,支持向量机(SVM)的出现是机器学习领域的另一大重要突破,该算法具有非常强大的理论地位和实证结果。在90年代曾风靡整个数据挖掘、机器学习、模式识别领域,至今依然很火热。那一段时间机器学习研究也分为NN和SVM两派。然而,在2000年左右提出了带核函数的支持向量机后。SVM在许多以前由NN占据的任务中获得了更好的效果。此外,SVM相对于NN还能利用所有关于凸优化、泛化边际理论和核函数的深厚知识。因此SVM可以从不同的学科中大力推动理论和实践的改进(当然现在SVM依然具有强大的生命力,深度学习算法无法解决问题时,SVM依然是很好的工具)。

    神经网络与支持向量机一直处于“竞争”关系。SVM应用核函数的展开定理,无需知道非线性映射的显式表达式;由于是在高维特征空间中建立线性学习机,所以与线性模型相比,不但几乎不增加计算的复杂性,而且在某种程度上避免了“维数灾难”(大概意思就是在高维空间质量会无限逼近他的表面,这是多么恐怖的事情,你的皮肤破了一个口,会发现自己是空的)。

    而神经网络遭受到又一个质疑,通过Hochreiter等人1991年和Hochreiter等人在2001年的研究表明在应用BP算法学习时,NN神经元饱和后会出现梯度损失(gradient loss)的情况。简单地说,早先的神经网络算法比较容易过训练,大量的经验参数需要设置;训练速度比较慢,在层次比较少(小于等于3)的情况下效果并不比其它方法更优,因此这一时期NN与SVM相比处于劣势。

     

     

    三、2000年至今,人工智能的”数据挖掘“时代。

    随着各种机器学习算法的提出和应用,特别是深度学习技术的发展,人们希望机器能够通过大量数据分析,从而自动学习出知识并实现智能化水平。这一时期,随着计算机硬件水平的提升,大数据分析技术的发展,机器采集、存储、处理数据的水平有了大幅提高。特别是深度学习技术对知识的理解比之前浅层学习有了很大的进步,Alpha Go和中韩围棋高手过招大幅领先就是目前人工智能的高水平代表之一。

    2001年,决策树模型由布雷曼博士提出,它是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习的一大分支——集成学习(Ensemble Learning)方法。随机森林的名称中有两个关键词,一个是“随机”,一个就是“森林”。“森林”我们很好理解,一棵叫做树,那么成百上千棵就可以叫做森林了,这样的比喻还是很贴切的,其实这也是随机森林的主要思想—集成思想的体现。

    其实从直观角度来解释,每棵决策树都是一个分类器(假设现在针对的是分类问题),那么对于一个输入样本,N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出,这就是一种最简单的 Bagging 思想。

    在机器学习发展分为两个部分,浅层学习(Shallow Learning)和深度学习(Deep Learning)。浅层学习起源上世纪20年代人工神经网络的反向传播算法的发明,使得基于统计的机器学习算法大行其道,虽然这时候的人工神经网络算法也被称为多层感知机,但由于多层网络训练困难,通常都是只有一层隐含层的浅层模型。

    神经网络研究领域领军者Hinton在2006年提出了神经网络Deep Learning算法(即深度学习),使神经网络的能力大大提高,向支持向量机(SVM)发出挑战。 2006年,机器学习领域的泰斗Hinton和他的学生Salakhutdinov在顶尖学术刊物《Scince》上发表了一篇文章,开启了深度学习在学术界和工业界的浪潮。(随后,随着工业界GPU在大型计算机上的应用,深度学习迎来了爆发)

    这篇文章有两个主要的讯息:1)很多隐层的人工神经网络具有优异的特征学习能力,学习得到的特征对数据有更本质的刻划,从而有利于可视化或分类;2)深度神经网络在训练上的难度,可以通过“逐层初始化”( layer-wise pre-training)来有效克服,在这篇文章中,逐层初始化是通过无监督学习实现的。

     

    当前统计学习领域最热门方法主要有deep learning和SVM(supportvector machine),它们是统计学习的代表方法。可以认为神经网络与支持向量机都源自于感知机。

    神经网络模型貌似能够实现更加艰难的任务,如目标识别、语音识别、自然语言处理等。但是,应该注意的是,这绝对不意味着其他机器学习方法的终结。尽管深度学习的成功案例迅速增长,但是对这些模型的训练成本是相当高的,调整外部参数也是很麻烦。同时,SVM的简单性促使其仍然最为广泛使用的机器学习方式。

    现在深度学习已经应用在各类学科之中,并且很多都取得了很好的效果。

    2016年3月,阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战,以4比1的总比分获胜;2016年末2017年初,该程序在中国棋类网站上以“大师”(Master)为注册帐号与中日韩数十位围棋高手进行快棋对决,连续60局无一败绩;2017年5月,在中国乌镇围棋峰会上,它与排名世界第一的世界围棋冠军柯洁对战,以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平,在GoRatings网站公布的世界职业围棋排名中,其等级分曾超过排名人类第一的棋手柯洁。而李世石取得的那一场胜利也被认为是人类的最后一场胜利,该事件也被认为是人工智能发展的里程碑。

    笔者在这里提一个问题,你认为“人工智能”能取代人类吗?

     

    参考文献:

    http://smart.blogchina.com/507540031.html

    http://blog.csdn.net/andrewseu/article/details/53488664

     

    展开全文
  • 研究报告:2021年的人工智能发展趋势预测

    千次阅读 多人点赞 2021-03-31 17:22:46
    与其他任何技术的未来趋势相比,人工智能的未来趋势有许多可能。2021年最有可能的AI趋势是什么? 超自动化 超级自动化是机器人过程自动化与人工智能技术的结合。 人们经常提到它是下一波数字转型浪潮的核心...
  • 对煤矿安全生产的发展现状和缺陷进行了简要的介绍,探讨了人工智能技术在煤矿安全生产领域中的应用,比如在煤矿安全仪器、仪表结构中和性能改进中的应用、优化设计开采方案决策及参数、在煤矿安全仪器、仪表网络化中的...
  • AI人工智能的局限--王垠

    千次阅读 2018-10-20 09:19:14
    人工智能的局限--王垠 2018年02月23日 16:54:13 田树东 阅读数:11250更多 <div class="...
  • 人工智能是这个时代的箴言,技术专家、学者、记者和风险投资家都在歌颂AI。不过,就像一些从专业学术领域延伸到日常生活中的短语一样,“人工智能”一词的使用也引起巨大的争议。 但这并不是通常情况中由于“大众...
  • 人工智能十大发展方向

    万次阅读 2017-11-14 09:13:56
    人工智能(ArtificialIntelligence),英文缩写为AI.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。目前要实现会自我思考的高级人工智能还需要科学理论和工程上的...
  • 矿山运输装备智能化技术研究现状及发展趋势.pdf
  • 人工智能--技术发展

    千次阅读 2018-12-11 13:31:23
    可以这么说,人工智能离不开数据分析和机器学习,研究智能数据分析的理论和方法已经成为人工智能必要基础之一。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式...
  • 人工智能发展简史

    千次阅读 2020-06-21 16:42:50
    文章来源:人工智能和大数据(ID:AIANDBIGDATA)人工智能是在1956年作为一门新兴学科的名称正式提出的,自此之后,它已经取得了惊人的成就,获得了迅速的发展,它的发展历史,可...
  • 然而,尽管它们很重要,但这些概念在概念上并未得到充分发展,并且在可解释人工智能 (XAI) 中的应用也不一致,这是一个快速发展的研究领域,迄今为止缺乏坚实的理论基础。 基于逻辑、概率和因果关系的工作,我们...
  • Linux内核在计算机世界的地位有目共睹,称它为计算机世界的基石也不...然而人工智能发展在近两年是如此的迅猛,技术圈内几乎每个领域都表示要拥抱人工智能,惟怕稍有走神就会全盘落后。对于Linux内核,大家对它的...
  • 在现代时代,人工智能产业以其自身的快速发展促进了经济的发展。 其中,财务管理占据着至关重要的,不可或缺的地位,尤其是在“独角兽”公司类别中的人工智能行业。 它依靠研发投入,但是在资本运作过程中仍然存在...
  • 人工智能的起源及发展

    千次阅读 2020-04-02 11:35:53
    人工智能的研究从1956 年正式开始,这一年在达特茅斯大学召开的会议上正式使用了“人工智能(ArtificialIntelligence,AI)这个术语。第一阶段: 50 年代人工智能的兴起和冷落。人工智能概念首次提出后,相继出现了一批...
  • AI(8)---人工智能发展的关键技术

    万次阅读 2018-06-04 08:42:06
    人工智能发展的关键技术(长文干货)从语音识别到智能家居,从人机大战到无人驾驶,人工智能的“演化”给我们社会上的一些生活细节,带来了一次又一次的惊喜,未来更多智能产品依托的人工智能技术会发展成什么样呢?...
  • 人工智能|人工智能语音识别系统的重要 摘要:在人工智能识别系统中,语音是AI获取信息的重要途径,(今日头条极速版码 CX46BJ3E ) 现在AI的语音识别真的可以和我们一样吗?各种算法的优化如何提升语音交互的用户...
  • 人工智能AI需要掌握哪些基础知识?

    万次阅读 2018-03-22 11:58:57
    无疑,人工智能发展近年是大热潮,对于人类市场而言,人工智能发展已经逐渐参透到人类生活及生产的方方面面。人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”比较好理解,争议也不大。有时我们...
  • 人工智能AI工程师职业规划指南

    千次阅读 2020-09-25 16:49:45
    230万个工作岗位,取代将消除的180万个工作岗位。在过去的几年中,工作增长已经淹没了整个行业,因为对具有AI技能的人的需求已经翻了一番。因此,在本文中,我将按以下...人工智能是计算机系统的理论和发展,能够执行
  • 以科学技术观看人工智能发展

    千次阅读 2019-09-02 15:15:58
    摘要:人工智能作为第四次工业革命的标志,它的兴起、发展与科学哲学渊源流长,人工智能本身包含了自然辩证法的哲学思想。人工智能是一个多学科交叉的研究领域,各领域的研究者们正在积极地对其原理、技术、应用进行...
  • 人工智能有什么价值和意义

    千次阅读 2020-11-27 17:36:28
    人工智能有什么价值和意义,人工智能(AI)使机器可以从经验中学习,适应新的输入并执行类似人的任务。您今天听到的大多数AI示例-从下象棋的计算机到自动驾驶汽车-都严重依赖于深度学习和自然语言处理。使用这些技术,...
  • 全文共2703字,预计学习时长7分钟图源:unsplash或许这是你第一次听到人工智能前面加“可解释的”这个形容词,但其实它的涵义你一定能理解。可解释的人工智能(XAI)是指构建AI应用...
  • 随着当今科学技术的飞速发展,除了给人们生活带来便利外,也使不少人生活受到威胁,就好比人工智能的异军突起,在其高效完成任务的同时,一些职业也因人工智能发展而逐渐退出历史舞台。 虽然对于备战高考的同学们...
  • 面对铺天盖地的咨询,我认为自己很有必要解答一下大家经常提出的疑问。话说,在过去几个月,销售小姐姐们最常被问到的问题是,学 AI 都要掌握哪些知识呢?今天我就回答一下大家的这个问题。如果上网查查,你会发现各...
  • 摘要面对人工智能带来的许多伦理困境在中国的社会环境下高校人工智能课程与伦理教育的融合是十分必要的通过我国思想政治教育来提高受教育者道德素质是基础的面临人工智能的特殊领域需要更有针对的教育方式与教育...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 46,948
精华内容 18,779
关键字:

发展人工智能的必要性