人工智能現(xiàn)狀調(diào)查

陳俊宇 重慶育才中學(xué)

人工智能現(xiàn)狀調(diào)查

陳俊宇 重慶育才中學(xué)

近些年，人工智能在高度發(fā)達(dá)的電子技術(shù)支持下，以極其迅猛的速度發(fā)展起來(lái)，甚至很多人工智能產(chǎn)品已經(jīng)投入應(yīng)用，走進(jìn)人們的生活。本文簡(jiǎn)單分析了人工智能的發(fā)展現(xiàn)狀和現(xiàn)在常用的機(jī)器學(xué)習(xí)算法，并簡(jiǎn)單地探討了一下人工智能現(xiàn)如今的發(fā)展難點(diǎn)，讓大家對(duì)人工智能有一個(gè)基礎(chǔ)的了解。

人工智能 現(xiàn)狀 發(fā)展

1 人工智能、發(fā)展現(xiàn)狀、機(jī)器學(xué)習(xí)算法

近年來(lái)，人工智能學(xué)術(shù)研究方面最大的成果非深度學(xué)習(xí)莫屬。深度學(xué)習(xí)[2]最初由加拿大多倫多大學(xué)Hinton教授和他的學(xué)生Salakhutdinov于2006年在發(fā)表于頂尖學(xué)術(shù)刊物《Science》上的一篇論文中提出。Hinton在2012年ImageNet圖像分類(lèi)競(jìng)賽中利用深度學(xué)習(xí)技術(shù)取得重大突破，識(shí)別準(zhǔn)確率超出第二名10%以上。深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)的研究，作為機(jī)器學(xué)習(xí)研究的一個(gè)重要分支，其主要目的在于建立、模擬人腦機(jī)制來(lái)進(jìn)行數(shù)據(jù)的分析與解釋。

Hinton教授和他的兩個(gè)研究生AlexKrizhevsky和IlyaSutskever于2012年底成立了一個(gè)名叫“深度神經(jīng)網(wǎng)絡(luò)研究”(DNNresearch)的公司，3個(gè)月后就被谷歌以500萬(wàn)美元收購(gòu)。Hinton從此一半時(shí)間留在多倫多大學(xué)，另外一半時(shí)間在硅谷。兩位研究生則成為谷歌的全職雇員。原來(lái)在紐約大學(xué)教書(shū)的YannLecun，2013年底被臉書(shū)(Facebook)聘請(qǐng)為人工智能研究院的總管。曾在斯坦福大學(xué)和谷歌工作的吳恩達(dá)，2012年創(chuàng)立了網(wǎng)上教育公司Coursera，2014年5月被百度聘任為首席科學(xué)家負(fù)責(zé)百度大腦的計(jì)劃。2015年，谷歌公布開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)TensorFlow；FaceBook打造其專(zhuān)屬機(jī)器學(xué)習(xí)平臺(tái)FBLearnerFlow，大幅提高員工效率；2015年5月，特斯拉創(chuàng)立開(kāi)源人工智能系統(tǒng)OpenAI。其他工業(yè)巨頭也紛紛斥巨資推動(dòng)人工智能的發(fā)展，例如IBM的沃森系統(tǒng)、百度大腦計(jì)劃、微軟的同聲翻譯等等。2016年的IBM正在率先推動(dòng)全球人工智能的第一次商業(yè)化浪潮與核心業(yè)務(wù)轉(zhuǎn)型。目前，深度學(xué)習(xí)的研究熱點(diǎn)正在迅速轉(zhuǎn)向基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)與定位/分割能力，其突破將推動(dòng)人工智能的實(shí)際應(yīng)用與產(chǎn)業(yè)發(fā)展。

2 說(shuō)完人工智能的發(fā)展現(xiàn)狀，再來(lái)看看一些機(jī)器學(xué)習(xí)算法的知識(shí)概念

它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。

而機(jī)器人的學(xué)習(xí)算法又可以分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)：

2.1 監(jiān)督學(xué)習(xí)(supervised learning)

在監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)被稱(chēng)為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)有一個(gè)明確的標(biāo)識(shí)或結(jié)果，如對(duì)防垃圾郵件系統(tǒng)中“垃圾郵件”“非垃圾郵件”，對(duì)手寫(xiě)數(shù)字識(shí)別中的“1”，“2”，“3”，“4”等。在建立預(yù)測(cè)模型的時(shí)候，監(jiān)督式學(xué)習(xí)建立一個(gè)學(xué)習(xí)過(guò)程，將預(yù)測(cè)結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷的調(diào)整預(yù)測(cè)模型，直到模型的預(yù)測(cè)結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。監(jiān)督式學(xué)習(xí)的常見(jiàn)應(yīng)用場(chǎng)景如分類(lèi)問(wèn)題和回歸問(wèn)題。常見(jiàn)算法有邏輯回歸（Logistic Regression）和反向傳遞神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）常見(jiàn)的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計(jì)分類(lèi)。

2.2 非監(jiān)督學(xué)習(xí)(unsupervised learning)

非監(jiān)督學(xué)習(xí)又稱(chēng)歸納性學(xué)習(xí)（clustering）利用K均值聚類(lèi)(Kmeans)，建立中心（centriole），通過(guò)循環(huán)和遞減運(yùn)算(iteration&descent)來(lái)減小誤差，達(dá)到分類(lèi)的目的。常見(jiàn)算法包括Apriori算法以及k-Means算法。

機(jī)器學(xué)習(xí)的問(wèn)題主要包括如下4個(gè)方面：

（1）理解并且模擬人類(lèi)的學(xué)習(xí)過(guò)程；

（2）針對(duì)計(jì)算機(jī)系統(tǒng)和人類(lèi)用戶之間的自然語(yǔ)言接口的研究；

（3）針對(duì)不完全的信息進(jìn)行推理的能力，即自動(dòng)規(guī)劃問(wèn)題；

（4）構(gòu)造可發(fā)現(xiàn)新事物的程序．

下面介紹兩個(gè)目前非常火的兩個(gè)算法

（1）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類(lèi)模式匹配算法。通常用于解決分類(lèi)和回歸問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個(gè)龐大的分支，有幾百種不同的算法。（其中深度學(xué)習(xí)就是其中的一類(lèi)算法，我們會(huì)單獨(dú)討論），重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network），反向傳遞（Back Propagation），Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map，SOM）。學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）

（2）深度學(xué)習(xí)

深度學(xué)習(xí)算法是對(duì)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在近期贏得了很多關(guān)注，特別是百度也開(kāi)始發(fā)力深度學(xué)習(xí)后，更是在國(guó)內(nèi)引起了很多關(guān)注。在計(jì)算能力變得日益廉價(jià)的今天，深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)。很多深度學(xué)習(xí)的算法是半監(jiān)督式學(xué)習(xí)算法，用來(lái)處理存在少量未標(biāo)識(shí)數(shù)據(jù)的大數(shù)據(jù)集。常見(jiàn)的深度學(xué)習(xí)算法包括：受限波爾茲曼機(jī)（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷積網(wǎng)絡(luò)（Convolutional Network），堆棧式自動(dòng)編碼器（Stacked Auto-encoders）。