<form id="1tbf9"><nobr id="1tbf9"></nobr></form>

          <address id="1tbf9"></address>

            <address id="1tbf9"></address>

                    <form id="1tbf9"></form>

                    ./t20170717_532314_taonews.html
                    專題
                    首頁  >  專題  >  媒體視點  >  名刊精選  >  《科學24小時》

                    《科學24小時》

                    開博時間:2016-07-01 14:43:00

                    旨在向全國廣大群眾,特別是具有中等文化程度的廣大青年,普及科學技術知識,繁榮科普創作,啟迪思想,開拓視野。

                    文章數
                    分享到:

                    走進人工智能

                    2017-07-17 00:55:00

                      2016年3月,人工智能Al-phaGo挑戰人類圍棋世界冠軍李世石。比賽結果卻出人意料地幾乎一邊倒, 圍棋高手李世石的智商幾乎被 Alpha Go碾壓。 曾經被視作人類智慧在棋類游戲上的最后堡壘——圍棋,被人工智能徹底攻破,輿論一時嘩然,人工智能也成為全世界關注的焦點。

                      人工智能是什么

                      那么問題來了,大家是否知道到底什么是“人工智能”?是計算機?是軟件程序?還是機器人?人工智能,全稱為 Arti-ficial Intelligence,英文縮寫為AI。 其實從字面上我們就可以解讀出兩層含義:其一是“人工”;其二是“智能”?!叭斯ぁ狈浅:美斫?,指的一定是經過人類活動創造出來的成果。 但是“智能”是什么呢? 這其實是一個非常難以準確描述的概念。 事實上直至今

                      日,人類對于到底什么是智能還知之甚少。

                      在人類智慧的范疇內,智能涉及到的意識、自我、思維等,仍然是自然科學、哲學乃至神學研究的焦點之一。 因此,對于人工智能我們只能定義為研究、開發用于模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門技術科學。 而電子計算機、軟件程序及機器人與人工智能之間的確存在著密切的關系。 簡單地說,電子計算機為人工智能提供了硬件基礎,軟件程序是人工智能實現的主要方式,而機器人則是人工智能的應用成果

                      一路走來的人工智能

                      數千年來,人類對于人工智能的研究從未停止過,西方的《荷馬史詩》中有關于大型三足機器人的描述, 中國古代也有能工巧匠制造自動設備的記載。 然而直到20世紀40年代,電子計算機的發明提供了硬件基礎,真正意義上的人工智能才逐漸出現。

                      第一次高潮

                      20世紀50年代早期,人們開始注意到人工智能與機器之間的聯系。 1955年年末,第一個 AI程序“邏輯專家”(Logic Theorist)誕生,對AI研究領域產生巨大影響,成為AI 發展史中一個重要的里程碑。 1956 年,美國達特茅斯學院數學系助理教授麥卡錫(John McCarthy)等一批志同道合的年輕科學家們召開了一個研討會,這次會議起了一個在當時看來別出心裁的名字——人工智能夏季研討會。會議持續了一個月,以大范圍的集思廣益,催生了后來人所共知的人工智能革命,因此被公認為是現代人工智能研究的起源。

                      人工智能夏季研討會后的1 0年,AI研究開始快速發展,因此這10年也被稱為人工智能研究的第一次高潮。 當時的研究多被稱為機器學習(machine learning),主要集中在利用統計與概率的方式協助處理數據。

                      1957年,美國計算機科學家羅森布拉特(F. Roseblatt)提出了感知器(Perceptron)概念,這是最早的人工神經網絡,具有劃時代的意義。單層感知器是一個具有一層神經元,采用閾值激活函數的前向網絡。 通過對網絡權值的訓練,可以使感知器對一組輸入矢量的響應達到元素為 0 或1的目標輸出,從而實現對輸入矢量分類的目的。

                      第一次寒冬

                      但是在第一次高潮之后,人工智能的發展卻遠遠滯后于當年的預測。 一方面,人們發現人工智能所基于的數學模型和數學手段有一定的缺陷, 如邏輯證明器、感知器、增強學習等只能做非常簡單、專業且很窄的任務,稍微超出范圍就無法應對。另一方面,有很多計算復雜度以指數程度增加,成了不可能完成的計算任務。1973年,《萊特希爾報告》用詳實的數據說明,幾乎所有的人工智能研究都遠未達到早前承諾的水平。 于是在1974年到1980年,人工智能的發展邁入第一次寒冬。  

                      第二次高潮

                      20世紀80年代,隨著第五代計算機的研制成功,人工智能獲得了進一步的發展。誤差反向傳播算法(Error Back Propaga-tion, BP)和 Hopfield 多層神經網絡模型的提出,使人工神經網絡研究與應用再度出現了欣欣向榮的景象,人工智能走出寒冬迎來第二次高潮。然而,1987年到1993年,個人計算機的出現,卻讓人工智能的熱潮降溫。當時蘋果、IBM公司開始推廣第一代臺式機,計算機開始進入尋常百姓家,其費用遠遠低于人工智能專家系統所使用的Symbolics和Lisp等機器。相比于個人計算機,專家系統被認為古老陳舊且難以維護。20世

                      紀90年代中后期,人工智能走入一個平緩發展的時期。

                      近年來,隨著科技的不斷進步,特別是互聯網的蓬勃發展與大數據概念的出現,極大地加速了人工智能的發展。不過,任何智能的發展都需要一個學習的過程,依賴于大量數據的訓練。由于各類感應器和數據采集技術的發展,我們開始擁有以往難以想象的海量數據。同時,也開始在某一領域擁有深度、細致的數據。如果把人工智能看成一個嬰兒,某一領域專業、海量、深度的數據就是喂養這個嬰兒的奶粉。那么,奶粉的數量決定了嬰兒是否能長大,而奶粉的質量則決定了嬰兒后續的智力發育水平。

                      避免下一個寒冬

                      很多從事人工智能領域開發的科學家均樂觀地認為,我們已經處于人工智能的第三次高潮期,且在未來相當長的一段時間內,人工智能的發展不會再遭遇新的寒冬。 然而,在樂觀預期的同時,困境和挑戰也始終存在。

                      中國科學院副院長、中國科學院院士譚鐵牛就提出,要警惕人工智能進入下一個寒冬。 因為一方面,人工智能熱門技術目前正處于“期望膨脹期”,接下來可能進入“幻滅期”;另一方面,當前的研究熱點過于集中在深度學習,但是深度學習不等于 AI,它只是人工智能領域機器學習方向的一種方法,也存在明顯的局限性。 如果不能找到新的更優模型的研究方向,那么將來必定會成為人工智能研發的新瓶頸。

                      人工智能走向未來

                      毋庸置疑,研發技術突飛猛進中的人工智能,正逐漸被應用于人類生產、生活的方方面面。從Windows10 自帶的人工智能小娜,到 Google無人駕駛汽車,拜人工智能所賜, 曾經科幻電影中的場景正在一步步走入我們的生活。

                      那么,將來人工智能的發展方向是什么呢? 簡單地說,就是人工智能會逐漸向人類的智慧水平看齊。 而想實現這個目的,人工智能就需要從目前比較成熟的監督學習,更多地向無監督學習發展。

                      這兩者有什么區別呢? 學習的過程,用一個成語來概括就是舉一反三。 以高考為例,高考的題目在上考場前我們從來沒有做過,但在高中我們做過很多題目,懂得解題方法,因此在考場上面對陌生問題也能獲解。 人工智能的學習思路也類似:利用一些訓練數據,找到方法分析未知數據。 最簡單也是最普遍的一類人工智能學習算法,就是分類。

                      對于分類,輸入的訓練數據有特征,有標簽。 所謂的學習,其本質就是找到特征和標簽間的關系。 這樣,當有特征而無標簽的未知數據輸入時,我們就可以通過已有的關系得到未知數據的標簽。 在上述的分類過程中,如果所有訓練數據都有標簽,則為有監督學習。 如果數據沒有標簽,顯然就是非監督學習了,即聚類。 目前,分類算法的效果還是不錯的,但相對而言,聚類算法就有些慘不忍睹了。 正如我們做題時,答案(標簽)是非常重要的。 假設兩個智力完全相同的人參加高考,一人正常答題,另一人做的所有題目都沒有答案,那么想必第一個人會取得較好的高考成績,第二個人則會發瘋。

                      因此,在監督學習的模式下,人工智能會表現出很好的分類與預測能力。 而非監督學習本身的特點使其難以得到如分類一樣近乎完美的結果。但是對人工智能來說,只有在非監督學習下,才有可能實現如人類一樣自主思考,實現知識的表示與推理。

                      誤差反向傳播算法

                      這是一種用于多層神經網絡訓練的著名算法。 其基本思想是,學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成,具有理論依據堅實、推導過程嚴謹、物理概念清楚、通用性強等優點。 直到今天,BP算法仍然是自動控制上最重要、應用最多的有效算法。 但是人們在使用過程中發現, BP算法存在收斂速度緩慢、易陷入局部極小等缺點。

                      多層Hopfield神經網絡

                      這是一種結合存儲系統和二元系統的循環神經網絡。 它采用反饋連接,考慮輸出與輸入在時間上的傳輸延遲,所表示的是一個動態過程,需要用差分或微分方程來描述,保證了向局部極小的收斂,但收斂到錯誤的局部極小值,而非全局極小的情況也可能發生。 即便如此, Hopfield神經網絡畢竟提供了模擬人類記憶的模型,是神經網絡發展歷史上的一個重要的里程碑。

                    上一篇:AlphaGo是學習達人嗎
                    下一篇:污染預警級別之藍、黃、橙、紅
                    ?2011-2020 版權所有:中國數字科技館
                    未經書面許可任何人不得復制或鏡像
                    京ICP備11000850號 京公網安備110105007388號
                    信息網絡傳播視聽節目許可證0111611號
                    國家科技基礎條件平臺
                    久久这里只精品国产免费99热4_一起射久久_久久在线视频_日日天天夜夜久久_日日扞夜夜燥国产