EN
HKBNES
人工智能的基础知识:揭开智能的神秘面纱
来源: | 作者:jos-china | 发布时间: 2019-08-07 | 3221 次浏览 | 分享到:


主导当今科技商业格局的热门关键词无疑是人工智能。1955年,达特茅斯的数学教授约翰·麦卡锡首次提到这个词,经历了大半个世纪,渐渐被大众所认知。


计算能力(得益于云和分布式计算)、可扩展性和内存体系结构的进步都有助于改善 AI 的前景。随着成功案例的激增,众多公司正奋力争取加入这一潮流。

但在尝试之前,公司需要了解什么是人工智能。


以下是开始AI旅程时要牢记的一些基本术语。并非所有人工智能都是一样的。一般来说,当我们说人工智能时,我们泛指这三种:狭义的人工智能、人工智能(AGI)和自我意识或奇点。


狭义人工智能

当今世界的大多数 AI 实现都是狭义的 AIIBM的深蓝就是一个很好的例子,1997年它击败了加里·卡斯帕罗夫后,引起了人工智能兴趣的迅速增长。甚至更先进的谷歌AlphaGo,使用神经网络(模仿我们大脑的工作方式),能很好地完成它的训练任务。

侠义 AI 经常受到各种情况的挑战,这些场景差异很大。例如无人驾驶汽车在繁忙的交通中行驶。但是,当给它一个定义狭窄的任务(例如,在国际象棋中获胜)时,它展示了很强的能力。

狭义人工智能也需要人类。例如,一个聊天机器人,一个普遍存在的狭义人工智能案例,可以通过训练来回答关键问题。但人类的行为是不可预测的、范围广泛的,所以它不能处理所有的问题,它们仍然需要人工干预、持续培训、优化或监督。

狭义人工智能的巨大优势也是具有可预测性。在类似的情况下,您可以信任人工智能决定每次完成任务的最佳方式,这与人的情绪、动机和精神状态(如醉酒)可能影响决策不同。非常适合在服务热线中处理客户查询;当你想让一个人参与关于各种话题的随意对话时,就不是很好了。


人工智能 (AGI)

AGI走得更远,它最接近人类的想法。从本质上讲,它允许机器应用智能来解决任何问题 -而不仅仅是一个特定的任务。

AGI仍然是实验室实验。当地一个受欢迎的例子是索菲亚汉森机器人公司创建,它试图让人类参与各种各样的话题。智能城市开发商看到了 AGI 的巨大潜力。它对于危及生命的任务特别好,比如在战场上替换人类部队或消防员进入着火的建筑物。

AGI 也在业务环境中迈出一小步。其中一个例子是使用面部识别技术来识别客户的情绪。类似于人类认识到真正的微笑和讽刺的微笑之间的区别,该系统能够相应地提供建议和建议。然而,AGI 也可以创造劳动力趋势的转变,因为他们可以永远接管人工任务。智能工厂的进步,不仅组装货物,而且还使用先进的机器人自主操作,这些进步都是向敏捷化迈出的一步。


奇点

它是好莱坞的超级明星;并不是真实存在。奇点有时被表述为人工智能自我意识,有时称为超级智能,既是当人工智能开始变得比人类更聪明的时候。

关于奇点的一个有趣的方面是,它能以不同的方式看待问题,而且因为它与数据流和其他AI思想相关联,所以它可以高效且快速地运行。

奇点可以极大地影响人类,但不是像电影《终结者》、《我》、《机器人》和《2001:太空奥德赛》那样预测的方式。最大的变化是,人类将不再是地球上唯一的智慧。这种情况产生了巨大的道德问题,如奴役和接受,并可能造成一些社会问题,在这些问题中,人类的某些部分甚至政府可能对一种思维方式的不同、可能失控的情报感到不舒服。

我们离实现奇点还有多远?很难说,未来学家、谷歌工程总监雷·库兹韦尔(RayKurzweil)表示,这种奇点将在2045年发生。但是,当它醒来时,它不会是一个灾难性的事件。

揭开人工智能的秘密

AI 与自动化区分开来的一个关键功能是其学习能力。我们称之为机器学习。1959 Arthur Samuel设计,机器学习是一种算法使用数据提高性能和预测的能力,而无需明确编程。

机器学习使 AI 能够适应不同的环境,同时不断改进自身。这就是为什么自动驾驶汽车比自动驾驶汽车更善于应对各种交通状况的原因。

为什么机器学习很重要?原因有二:第一,人类理解的比我们所学的要多。它被称为波拉尼的悖论。这就是为什么一个小孩子能够识别愤怒,识别一棵树或理解绿色,而不必经过严格的学校。以前,自动化机器依赖于特定的人工编程和指令,这些编程和指令仅限于程序员可以通过代码指定的内容。通过机器学习,AI 能够理解比所教的更多知识,它可以更好地适应或应用相同的知识来解决其他相关问题。

其次,AI 是超级学习者,具有摄影记忆。它可以更快、更有效地完成关键的人工任务,这就是AI现在用于从医学和法律到金融服务等不同领域提供帮助的原因。


AI 如何学习

AI有各种各样的模型可供教授。但是,我们正在寻找一些更成熟和流行的类型:监督学习,无监督学习和深度学习。

监督学习

监督学习是最常见的模式。在这里,一种算法尝试使用数据将一组输入映射到一组结果。例如,用于训练交易机器人以预测未来市场数据的历史数据。或者交通灯使用汽车位置和速度来管理交通流量。任何情况下,您拥有大量有关行为的数据,并且试图预测结果, 这已经为监督学习做好了准备。

无监督学习

无监督学习与人类学习方式非常相似。 我们倾向于获取知识而不需要拥有大量数据或为我们在生活中看到的所有对象提供特定的标记数据。 这就是为什么一个小孩可以快速抓住狗是一种四足动物吠叫或草的颜色是绿色。

无监督学习使用未标记的数据开发算法,无需事先培训。它可以执行比监督学习更复杂的过程,但结果也可能不可预测。当无监督的学习成熟时,可能性是无穷无尽的。然后,AI 可以帮助我们发现新的模式 - 非常适合识别威胁、财务机会、疾病或客户行为。

深度学习

深度学习是机器学习的一个快速增长分支,经常是人们谈论最多的分支。这也是不同的。基本的机器学习模型需要人工指导。当结果不准确时,程序员将通过微调算法来"干扰"

在深度学习中,算法确定其结果是否准确。他们仍然使用上述方法(即监督、强化等)进行学习。但是他们使用人工神经网络(ANN)来学习和决定,这类似于我们的大脑神经元的连接方式。因此,ANN 有时也称为连接系统。

因此,例如,监督学习和深度监督学习使用相同的方法从可用数据中学习。但后者学习时没有人类干涉。

深入学习不容易。但是,当它这样做,结果可能是惊人的。它允许谷歌的AlphaGo击败多个世界冠军(顺便说一句,AlphaGo也使用深度强化学习,从以前的AlphaGo版本学习)

深度学习已经用于改善计算机视觉、语音识别、自然语言处理 (NLP)、机器翻译、药物设计等。


不,AI 并没有消除人类

大众对人工智能可能存在许多误解,最大的问题是人工智能将根除人类的工作,事实并非如此。

狭义AI旨在增强或帮助人类- 而不是取代他们。有些工作可能会被取代,但许多职业会欢迎AI。想象一下,在医疗实践中,AI 如何帮助外科医生和医生根据早期课程确定治疗方法或改进外科手术;或者想象一个聊天机器人帮助你回答大部分问题,而不必等待人工的答案。在这种情况下,呼叫中心人员也受益于能够专注于高级或复杂的问题。

不可避免的是,一些工作,如司机,私人助理等将被淘汰。但是新的就业机会也将被创造特别是在管理AI的时候。因此,人类就业市场将发生转变——就像自动化普及时一样。