文庫中心
news information
- 線束組裝膠帶纏繞指示書
- 線束密封件的設(shè)計
- 線束包扎和固定設(shè)計
- 汽車碳纖維應(yīng)用技術(shù)解析
- 動力電池內(nèi)部線束布置及
- 防水連接器的性能標(biāo)準
- 【IQC】如何做好來料檢驗
- 乘聯(lián)會預(yù)測2020年國內(nèi)汽車
- 同比下降6.4% 9月份汽車進
- 投資96億 廣州將建國家級
聯(lián)系我們
contact us
-
地址：山東省濟南市歷下區(qū)解放路華強廣場A1307 -
電話：15666328617 -
座機：400-0304-588 -
郵箱：jishubu@xianshu.com
所謂人工智能（Artificial Intelligence；縮寫：AI），是指以人工辦法來結(jié)束人類所具有之智慧的技術(shù)。只不過，現(xiàn)在能結(jié)束與人類智能平等的技術(shù)還不存在，世界上絕大大都的人工智能仍是只能處理某個特定問題。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出現(xiàn)在網(wǎng)絡(luò)之前，因此又被稱為“古典人工智能”。這時期出現(xiàn)的“符號主義”與“聯(lián)合主義”，分別是日后“專家系統(tǒng)”與“深度學(xué)習(xí)”的雛形。只不過，雖然當(dāng)時的效果已能解開拼圖或簡略的游戲，卻幾乎無法處理有用的問題。
第2次AI浪潮
第2次AI熱潮伴隨著核算機的廣泛，出現(xiàn)在1980年代。這時期所進行的研討，是以灌注「專家知識」作為規(guī)則，來幫助處理特定問題的“專家系統(tǒng)”（Expert system）為主。可是，縱使當(dāng)時有商業(yè)運用的實例，運用范疇卻很有限，熱潮也因此逐漸衰退。
第三次AI浪潮第三次AI浪潮則出現(xiàn)于2010年代，伴隨著高功用核算機、因特網(wǎng)、大數(shù)據(jù)、傳感器的廣泛，以及核算成本的下降，“機器學(xué)習(xí)”隨之興起。所謂機器學(xué)習(xí)（Machine leaning），是指讓核算機許多學(xué)習(xí)數(shù)據(jù)，使它可以像人類相同辨識聲音及形象，或是針對問題做出適宜的判別。
二、AI的三大技術(shù)
快速了解了AI的發(fā)展史后，我們來看看當(dāng)代人工智能的三大代表性模型：遺傳算法、專家系統(tǒng)、類神經(jīng)網(wǎng)絡(luò)。
1、遺傳算法
遺傳算法（Genetic algorithm；GA），又稱為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟示的人工智能。它透過「適者生存」的規(guī)則，將“優(yōu)異的個別”幻想成“好的答案”，透過演化的辦法來找出最佳解。
2、專家系統(tǒng)
專家系統(tǒng)（Expert system），則是針對預(yù)設(shè)的問題，事前預(yù)備好許多的對應(yīng)辦法。它運用在許多當(dāng)?shù)?，尤其是疾病診斷。只不過，專家系統(tǒng)只能針對專家預(yù)先考慮過的狀況來預(yù)備對策，它并沒有自行學(xué)習(xí)的才干，因此仍是有其局限性。
3、類神經(jīng)網(wǎng)絡(luò)
從第三次AI浪潮所興起的機器學(xué)習(xí)（Machine learning）有許多種辦法，其間最受注視的，莫過于深度學(xué)習(xí)（Deep learning）了。所謂深度學(xué)習(xí)，是透過仿照人腦的“類神經(jīng)網(wǎng)絡(luò)”（Neural network）來學(xué)習(xí)許大都據(jù)的辦法。
類神經(jīng)網(wǎng)絡(luò)的由來
若你去查詢腦的內(nèi)部，會發(fā)現(xiàn)有許多稱為“神經(jīng)元”的神經(jīng)細胞相相互連。一個神經(jīng)元從其他神經(jīng)元那里接納的電氣信號量達某必定值以上，就會振作（神經(jīng)激動）；在某必定值以下，就不會振作。
振作起來的神經(jīng)元，會將電器信號傳送給下一個相連的神經(jīng)元。下一個神經(jīng)元同樣會因此振作或不振作。簡略來說，相相互連的神經(jīng)元，會構(gòu)成聯(lián)合傳遞行為。我們透過將這種相連的結(jié)構(gòu)來數(shù)學(xué)模型化，便構(gòu)成了類神經(jīng)網(wǎng)絡(luò)。
類神經(jīng)網(wǎng)絡(luò)：深度學(xué)習(xí)
我們可以發(fā)現(xiàn)，經(jīng)模型化的的類神經(jīng)網(wǎng)絡(luò)，是由“輸入層”（Input layer）、“躲藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構(gòu)成。其他，學(xué)習(xí)數(shù)據(jù)則是由輸入數(shù)據(jù)以及相對應(yīng)的正確答復(fù)來組成。
以形象辨識為例，為了讓AI學(xué)習(xí)類神經(jīng)網(wǎng)絡(luò)的模型，首先有必要先將形象學(xué)習(xí)數(shù)據(jù)切割成像素數(shù)據(jù)，然后將各像素值輸進輸入層。
接受了數(shù)據(jù)的輸入層，將像素值乘上“權(quán)重”后，便傳送給后方躲藏層的神經(jīng)元。躲藏層的各個神經(jīng)元會累加前一層所接納到的值，并將其效果再乘上“權(quán)重”后，傳送給后方的神經(jīng)元。最終，經(jīng)由輸出層的神經(jīng)元的輸出，便可得到形象辨識的猜想效果。
為了讓輸出層的值跟各個輸入數(shù)據(jù)所對應(yīng)的正解數(shù)據(jù)持平，會對各個神經(jīng)元的輸入核算出恰當(dāng)?shù)?ldquo;權(quán)重”值。
這個權(quán)重的核算，一般是運用“過失倒傳遞算法”（Error Back Propagation），運用與正解數(shù)據(jù)之間的過失，從輸出層逆推回去。透過各「權(quán)重」的調(diào)整，來縮小輸出層的值與正解數(shù)據(jù)的值之間的過失，以樹立出結(jié)束學(xué)習(xí)的模型。
由于曩昔類神經(jīng)網(wǎng)絡(luò)之間進行傳遞的權(quán)重值難以優(yōu)化，因此曾有大都研討者對類神經(jīng)網(wǎng)絡(luò)的研討持否定態(tài)度。直到2006年，辛頓（Geoffrey Hinton）開宣布自動編碼器（Autoencoder）的辦法，才突破了這項瓶頸。
自動編碼器是指，在類神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層運用相同數(shù)據(jù)，并將躲藏層設(shè)置于二者之間，藉此用來調(diào)整類神經(jīng)網(wǎng)絡(luò)之間的權(quán)重參數(shù)的一種辦法。使用以自動編碼器所獲得的類神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)值進行初始化后，便能運用「過失倒傳遞算法」，前進多層類神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)準確度。
透過類神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)便成為了“只需將數(shù)據(jù)輸入類神經(jīng)網(wǎng)絡(luò)，它就能自行抽出特征”的人工智能，而這又稱為“特征學(xué)習(xí)”（feature learning）。
深度學(xué)習(xí)最擅長的，是它能辨識圖畫數(shù)據(jù)或波形數(shù)據(jù)這類無法符號化的數(shù)據(jù)。自2010年代以來，如Google、Microsoft及Facebook等美國出名IT企業(yè)，都初步著手深度學(xué)習(xí)的研討。例如，蘋果「Siri」的語音辨認，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度學(xué)習(xí)項目也已超越1,500項。
至于深度學(xué)習(xí)如此騰躍的生長，要歸功于硬設(shè)備的進步。圖形處理器（GPU）大廠輝達（NVIDIA）使用該公司的圖形適配器來進步深度學(xué)習(xí)的功用，供給鏈接庫（Library）和結(jié)構(gòu)（framework）產(chǎn)品，并活躍開設(shè)研討課程。其他，Google也揭露了結(jié)構(gòu)「TensorFlow」，可以將深度學(xué)習(xí)運用于數(shù)據(jù)分析。
三、AI的三大運用
AI運用范疇首要可分為語音辨認、形象辨識以及自然語言處理等三部分。
1、語音辨認
語音辨認部分，透過多年來語音辨認比賽CHiME的研討，已經(jīng)有了平等人類的辨識度（CHiME，是針對實際日子環(huán)境下的語音辨認，所進行評測的世界語音辨認比賽）。此外，Apple、Google、Amazon也相繼提出可運用于日常日子的效力，因此其成熟度已達到有用等級。
2、形象辨識
形象辨識部分，雖然一般圖片的辨識已有平等于人類的辨識率，但動態(tài)形象的辨識準確度卻仍比不上人類，現(xiàn)在還在進行各種算法的測驗。其間，形象辨識現(xiàn)在最火熱的運用場域非自動駕馭莫屬了。
整個汽車、信息通訊工業(yè)都正朝著自駕車的方向盡力，例如Google繼續(xù)進行自動駕馭的研討，TOYOTA也在美國樹立豐田研討所，可以知道現(xiàn)階段的開發(fā)已非常挨近有用化。因此，我們可判別現(xiàn)在形象辨識的成熟度是介在研討和有用等級之間。
3、自然語言處理
自然語言處理（Natural language processing；NLP），是試著讓人工智能能了解人類所寫的文字和所說的言語。NLP首先會分化詞性，稱之“語素分析”（morphemic analysis），在分化出最小的字義單位后，接著會進行“語法分析”（syntactic analysis），最終再透過“語意分析”（semantic analysis）來了解含義。
輸出部分，自然語言處理也與生成文法（generative grammar）密切相關(guān)。生成文法理論認為，只需遵照規(guī)則即可生成文句。這也代表著，只需把規(guī)則組合在一起，便可能生成文章。
在自然語言處理中，最具代表性的運用就是“談天機器人”（Chatbot）了，它是一種如真人般，可透過文字音訊與人對話的程序。2016年，臉書推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促進這種搭載NLP技術(shù)的談天機器人成為注視的焦點。
其他，由IBM所開發(fā)的華生（IBM Watson），也是運用NLP的人工智能而成。華生可以從維基百科等語料庫中抽取知識，學(xué)習(xí)詞匯與詞匯之間的相關(guān)性?，F(xiàn)在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統(tǒng)。
只不過，由于在日常對話中，我們很常省掉詞句，也不用定會提及時空布景，因此當(dāng)時的Chatbot尚無法與人類進行不著邊際的對話。所以說，現(xiàn)行大都的Chatbot廠商，仍是會約束對話的環(huán)境與運用范疇。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出現(xiàn)在網(wǎng)絡(luò)之前，因此又被稱為“古典人工智能”。這時期出現(xiàn)的“符號主義”與“聯(lián)合主義”，分別是日后“專家系統(tǒng)”與“深度學(xué)習(xí)”的雛形。只不過，雖然當(dāng)時的效果已能解開拼圖或簡略的游戲，卻幾乎無法處理有用的問題。
第2次AI浪潮
第2次AI熱潮伴隨著核算機的廣泛，出現(xiàn)在1980年代。這時期所進行的研討，是以灌注「專家知識」作為規(guī)則，來幫助處理特定問題的“專家系統(tǒng)”（Expert system）為主。可是，縱使當(dāng)時有商業(yè)運用的實例，運用范疇卻很有限，熱潮也因此逐漸衰退。
第三次AI浪潮第三次AI浪潮則出現(xiàn)于2010年代，伴隨著高功用核算機、因特網(wǎng)、大數(shù)據(jù)、傳感器的廣泛，以及核算成本的下降，“機器學(xué)習(xí)”隨之興起。所謂機器學(xué)習(xí)（Machine leaning），是指讓核算機許多學(xué)習(xí)數(shù)據(jù)，使它可以像人類相同辨識聲音及形象，或是針對問題做出適宜的判別。
二、AI的三大技術(shù)
快速了解了AI的發(fā)展史后，我們來看看當(dāng)代人工智能的三大代表性模型：遺傳算法、專家系統(tǒng)、類神經(jīng)網(wǎng)絡(luò)。
1、遺傳算法
遺傳算法（Genetic algorithm；GA），又稱為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟示的人工智能。它透過「適者生存」的規(guī)則，將“優(yōu)異的個別”幻想成“好的答案”，透過演化的辦法來找出最佳解。
2、專家系統(tǒng)
專家系統(tǒng)（Expert system），則是針對預(yù)設(shè)的問題，事前預(yù)備好許多的對應(yīng)辦法。它運用在許多當(dāng)?shù)?，尤其是疾病診斷。只不過，專家系統(tǒng)只能針對專家預(yù)先考慮過的狀況來預(yù)備對策，它并沒有自行學(xué)習(xí)的才干，因此仍是有其局限性。
3、類神經(jīng)網(wǎng)絡(luò)
從第三次AI浪潮所興起的機器學(xué)習(xí)（Machine learning）有許多種辦法，其間最受注視的，莫過于深度學(xué)習(xí)（Deep learning）了。所謂深度學(xué)習(xí)，是透過仿照人腦的“類神經(jīng)網(wǎng)絡(luò)”（Neural network）來學(xué)習(xí)許大都據(jù)的辦法。
類神經(jīng)網(wǎng)絡(luò)的由來
若你去查詢腦的內(nèi)部，會發(fā)現(xiàn)有許多稱為“神經(jīng)元”的神經(jīng)細胞相相互連。一個神經(jīng)元從其他神經(jīng)元那里接納的電氣信號量達某必定值以上，就會振作（神經(jīng)激動）；在某必定值以下，就不會振作。
振作起來的神經(jīng)元，會將電器信號傳送給下一個相連的神經(jīng)元。下一個神經(jīng)元同樣會因此振作或不振作。簡略來說，相相互連的神經(jīng)元，會構(gòu)成聯(lián)合傳遞行為。我們透過將這種相連的結(jié)構(gòu)來數(shù)學(xué)模型化，便構(gòu)成了類神經(jīng)網(wǎng)絡(luò)。
類神經(jīng)網(wǎng)絡(luò)：深度學(xué)習(xí)
我們可以發(fā)現(xiàn)，經(jīng)模型化的的類神經(jīng)網(wǎng)絡(luò)，是由“輸入層”（Input layer）、“躲藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構(gòu)成。其他，學(xué)習(xí)數(shù)據(jù)則是由輸入數(shù)據(jù)以及相對應(yīng)的正確答復(fù)來組成。
以形象辨識為例，為了讓AI學(xué)習(xí)類神經(jīng)網(wǎng)絡(luò)的模型，首先有必要先將形象學(xué)習(xí)數(shù)據(jù)切割成像素數(shù)據(jù)，然后將各像素值輸進輸入層。
接受了數(shù)據(jù)的輸入層，將像素值乘上“權(quán)重”后，便傳送給后方躲藏層的神經(jīng)元。躲藏層的各個神經(jīng)元會累加前一層所接納到的值，并將其效果再乘上“權(quán)重”后，傳送給后方的神經(jīng)元。最終，經(jīng)由輸出層的神經(jīng)元的輸出，便可得到形象辨識的猜想效果。
為了讓輸出層的值跟各個輸入數(shù)據(jù)所對應(yīng)的正解數(shù)據(jù)持平，會對各個神經(jīng)元的輸入核算出恰當(dāng)?shù)?ldquo;權(quán)重”值。
這個權(quán)重的核算，一般是運用“過失倒傳遞算法”（Error Back Propagation），運用與正解數(shù)據(jù)之間的過失，從輸出層逆推回去。透過各「權(quán)重」的調(diào)整，來縮小輸出層的值與正解數(shù)據(jù)的值之間的過失，以樹立出結(jié)束學(xué)習(xí)的模型。
由于曩昔類神經(jīng)網(wǎng)絡(luò)之間進行傳遞的權(quán)重值難以優(yōu)化，因此曾有大都研討者對類神經(jīng)網(wǎng)絡(luò)的研討持否定態(tài)度。直到2006年，辛頓（Geoffrey Hinton）開宣布自動編碼器（Autoencoder）的辦法，才突破了這項瓶頸。
自動編碼器是指，在類神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層運用相同數(shù)據(jù)，并將躲藏層設(shè)置于二者之間，藉此用來調(diào)整類神經(jīng)網(wǎng)絡(luò)之間的權(quán)重參數(shù)的一種辦法。使用以自動編碼器所獲得的類神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)值進行初始化后，便能運用「過失倒傳遞算法」，前進多層類神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)準確度。
透過類神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)便成為了“只需將數(shù)據(jù)輸入類神經(jīng)網(wǎng)絡(luò)，它就能自行抽出特征”的人工智能，而這又稱為“特征學(xué)習(xí)”（feature learning）。
深度學(xué)習(xí)最擅長的，是它能辨識圖畫數(shù)據(jù)或波形數(shù)據(jù)這類無法符號化的數(shù)據(jù)。自2010年代以來，如Google、Microsoft及Facebook等美國出名IT企業(yè)，都初步著手深度學(xué)習(xí)的研討。例如，蘋果「Siri」的語音辨認，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度學(xué)習(xí)項目也已超越1,500項。
至于深度學(xué)習(xí)如此騰躍的生長，要歸功于硬設(shè)備的進步。圖形處理器（GPU）大廠輝達（NVIDIA）使用該公司的圖形適配器來進步深度學(xué)習(xí)的功用，供給鏈接庫（Library）和結(jié)構(gòu)（framework）產(chǎn)品，并活躍開設(shè)研討課程。其他，Google也揭露了結(jié)構(gòu)「TensorFlow」，可以將深度學(xué)習(xí)運用于數(shù)據(jù)分析。
三、AI的三大運用
AI運用范疇首要可分為語音辨認、形象辨識以及自然語言處理等三部分。
1、語音辨認
語音辨認部分，透過多年來語音辨認比賽CHiME的研討，已經(jīng)有了平等人類的辨識度（CHiME，是針對實際日子環(huán)境下的語音辨認，所進行評測的世界語音辨認比賽）。此外，Apple、Google、Amazon也相繼提出可運用于日常日子的效力，因此其成熟度已達到有用等級。
2、形象辨識
形象辨識部分，雖然一般圖片的辨識已有平等于人類的辨識率，但動態(tài)形象的辨識準確度卻仍比不上人類，現(xiàn)在還在進行各種算法的測驗。其間，形象辨識現(xiàn)在最火熱的運用場域非自動駕馭莫屬了。
整個汽車、信息通訊工業(yè)都正朝著自駕車的方向盡力，例如Google繼續(xù)進行自動駕馭的研討，TOYOTA也在美國樹立豐田研討所，可以知道現(xiàn)階段的開發(fā)已非常挨近有用化。因此，我們可判別現(xiàn)在形象辨識的成熟度是介在研討和有用等級之間。
3、自然語言處理
自然語言處理（Natural language processing；NLP），是試著讓人工智能能了解人類所寫的文字和所說的言語。NLP首先會分化詞性，稱之“語素分析”（morphemic analysis），在分化出最小的字義單位后，接著會進行“語法分析”（syntactic analysis），最終再透過“語意分析”（semantic analysis）來了解含義。
輸出部分，自然語言處理也與生成文法（generative grammar）密切相關(guān)。生成文法理論認為，只需遵照規(guī)則即可生成文句。這也代表著，只需把規(guī)則組合在一起，便可能生成文章。
在自然語言處理中，最具代表性的運用就是“談天機器人”（Chatbot）了，它是一種如真人般，可透過文字音訊與人對話的程序。2016年，臉書推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促進這種搭載NLP技術(shù)的談天機器人成為注視的焦點。
其他，由IBM所開發(fā)的華生（IBM Watson），也是運用NLP的人工智能而成。華生可以從維基百科等語料庫中抽取知識，學(xué)習(xí)詞匯與詞匯之間的相關(guān)性?，F(xiàn)在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統(tǒng)。
只不過，由于在日常對話中，我們很常省掉詞句，也不用定會提及時空布景，因此當(dāng)時的Chatbot尚無法與人類進行不著邊際的對話。所以說，現(xiàn)行大都的Chatbot廠商，仍是會約束對話的環(huán)境與運用范疇。
