人工智能是什么?

现如今,已经被炒的非常火热,似乎不管是不是科技圈的人士,都要在嘴边聊上几句,以显示自己多么与时俱进。

人工智能的定义是让机器实现原来只有人类才能完成的任务,其核心是算法

例如下图所示就是让机器模拟人各种能力的人工智能领域示意图:

当然一方面人工智能的确是未来的方向,而另一方面则是因为人工智能有可能是科技圈中的下一个黑天鹅。说不定什么时候,一只就会从中诞生。

但在此之前,一定要正确的认清什么才是真正的人工智能。

现在大多数人工智能都属于伪人工智能。为什么这么说,可以从以下两个方面来解释。

第一,人工智能不是一下就能做出来的,需要时间以及实验的积累。

而做出人工智能的这些人才也是一样,他们需要切实的接触到真正的人工智能当中,不过这样的人才在全世界也就寥寥几百个。

但是好像在一瞬间,在中国就有几万个人工智能方面的人才被选拔了出来,可想而知这样的人才是真正的人工智能专家吗?

这些人才往往被大公司冠以年薪30万或50万疯抢,虽然里面的确有很多优秀的人才,但是这样未免显得太过着急。从人才培养角度来看,人工智能领域还存在着大量的。

第二,许多项目只不过是换了个‘马甲’。

许多公司喜欢为自己的项目贴上一个标签,这样的话不但可以吸引眼球,更能得到人的青睐。

虽然不能说这种做法是错误的,但这显然也不是真正的人工智能,甚至会误导其他人对于人工智能的认知。

比如许多项目在贴上人工智能标签之前非常简单,只是一些如同学习,或者算法研究之类的项目,如今摇身一变全都成为了人工智能。

什么才是真正的人工智能?

我们既不是专家,也不是专门研究这种领域的学者,有没有简单的方法直接辨别什么是人工智能,什么是伪人工智能?

举一个简单的例子,之前人们也尝试教机下国际象棋。计算机经过学习之后,与人们依然互有胜负,在最终完全战胜人类的时候,时间已经过去了10年。

而的AlphaGo,从什么都不会到围棋中不可战胜的存在只用了短短一年的时间。

由此可以看出,真正的人工现在其卓越的学习能力。

如果你隔一段时间,大概3个月左右去看一个算法的进步,比如,如,如果该算法进步只是代数级,没有达到指数级,那么这种算法可能更多的是,还未达到人工智能水平。

既然已经辨别了什么是真正的人工智能,那么对于人工智能而言,什么才是最重要的。

可能有些人会说算法,有些人会说设备,有些人会说编程技术。虽然它们也是构成人工智能中重要的一环,但是这些都不是最重要的。

对于真正的人工智能而言,最重要的永远是,只有拥有完整的数据,人工智能才能真正的发展起来。就像是一把宝刀,需要有一块好的磨刀石才能让它更加锐利,而恰好就是这块最好的磨刀石。

就像是谷歌的AlphaGo,有人说为什么AlphaGo不去下象棋,而是只在围棋领域中称雄呢。

AlphaGo的专家则表示,不是他们不想这么做,而是无法这么做。因为在围棋中,人一直以来有保存棋谱的习惯,在每个棋谱上都标注了什么是第1手,什么是第100手,这样很容易被AlphaGo学习。

但是对于象棋来说,自古以来大多数都是残局。虽说残局也很精彩,但是对于AlphaGo来说,它不知道残局形成的原因,对之前的步骤一无所知,这样就会对它的认知造成障碍。

这也说明,完整的数据对于人工智能多么重要。任何抛开数据谈人工智能的,全都是耍流氓。

目前,中国的大部分数据全都被BAT所掌握着,国外则是、Google、之类的。对于创业者而言,想要打破数据的具有相当大的挑战,但也不是没有机会。

比如说,BAT就还没有形成。方面数据,更多的掌握在公司手中,这些互联网企业也没有。

在这两个领域,不管你的技术水平如何,至少在数据方面是在同一起跑线上,这对于创业者或后进入的公司是一个难得机遇。同时,下一个也有可能在这两个领域诞生。

就拿医疗来说,国外已经有许多家企业与达成协作,直接读取中的病例以及X光片或者CT片。

医生一天看10张并且分析出症状都已经是非常有经验了,而人工智能,则可以在1个小时内看10万张,效率不可同日而语。

对于医生而言,诊断病因需要基于自己的经验积累。但是对于人工智能来说这就太简单了,通过图像和最终诊断结果的闭环学习,人工智能很快就能对X光片或CT片进行病因分析。当然这一过程需要不断完善,才能提升正确性及智能化。

在国外由于保护非常严密,很多数据无法开放,因此无法做到大量数据录入。

但是由于如今中国民众对于保护还没有那么严格,因此中国企业还是有机会在这个领域中实现超越的。

只要有了大数据,特定领域超越BAT也不是不可能的。

所以说,数据才是人工智能中最重要的一环。

  人工智能是一门边缘学科,用来模拟人的思维,已经引起了许多学科的日益重视,并且有越来越多的实用意义,而且许多不同专业背景的科学家正在人工智能领域内获得一些新的思维和新的方法。作为一个计算机科学中涉及智能计算机系统的一个分支,这些系统呈现出与人类的智能行为有关的特性。

  人工智能的核心问题包括建构能够跟人类似甚至超卓的推理、知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等。当前有大量的工具应用了人工智能,其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学,以及基于概率论和经济学的算法等等也在逐步探索当中。 思维来源于大脑,而思维控制行为,行为需要意志去实现,而思维又是对所有数据采集的整理,相当于数据库,所以人工智能最后会演变为机器替换人类。

  人工智能的第一个大成就是发展了能够求解难题的下棋程序。在1997年,IBM“深蓝”在世界象棋中战胜世界棋王卡斯帕罗夫,最重要原因就是其强悍的数据处理能力。“深蓝”每秒能够进行2亿次的运算,能够通过计算预判之后的12步,对比做出最优的决策。谷歌的搜索引擎与亚马逊的智能推荐系统也都是人工智能的具体应用领域,在大量数据的训练下,无论是谷歌的搜索结果,还是亚马逊的推荐结果,都越来越精准,这构成了两家数据公司的核心竞争力。据悉,在研发过程中,IBM研制小组向“深蓝”输入100年来所有国际特级大师开局和残局的下法。在下棋程序中应用的其他技术也包括把困难的问题分成一些比较容易的子问题,发展成为搜索和问题规约这样的人工智能基本技术。今天的计算机程序更是能够达到击败人类的世界冠军的程度,已经展现了人工智能的威力。

  下面,来简述一下人工智能是怎样下棋并打败人类的:
为了实现一个能够下棋的程序,我们采用状态空间的方法来解决问题。首先要为象棋建立一个数学模型,用一种或多种合适的数据结构来表示象棋。这样就有一个建立模型的逻辑问题,合适的逻辑将对后面的求解象棋问题起到重要的作用。一个比较简单的方法是:给不同的棋子赋予不同的权值,其中给“王”赋予超过其他棋子很多的权值,这样再确定一个目标函数,以减少对方的权值总和为目的,就可以获得一个比较简单的走法。当然如果这样的模型过于简单,效果也不会很好。在我们获得了一个数学上的模型之后,将问题分解成为用这模型能够理解的子问题。而求解象棋问题的过程就是一个试探搜索的过程,把象棋的规则和目标函数的可能运行方向结合起来,就可以指导下一个子的落子位置,也就是说获得了一个状态的集合。然后从这个状态集合的每个状态推导再下一步的状态集合,这样反复运行,就可以得到一个树型结构,在这个结构中运用一系列的规则和搜索技术,就可能确定一个合理的走法。很明显,如果状态空间的精度越高,属性结构的复杂度就越高。

  从上面可以看出,类似上面这样的状态空间求解问题的主要技术包括状态的描述、描述目标状态和搜索策略。其中搜索策略模拟人的思维过程,是体现算法优劣的关键部分。主要的搜索策略包括有宽度优先的搜索、深度优先的搜索、启发式的搜索等。状态空间方法借助于现代计算机的强大的计算能力,尽可能地穷尽所有的可能的状态,是一个最多被应用的人工智能理论分支。

  另一种不同于状态空间法的方法是问题规约的方法。在问题规约的方法中,问题描述或目标是其主要的数据结构。已知问题的描述,然后通过一系列的变换,把此问题最终变为一个子问题的集合;这些子问题的解可以直接得到,从而解决了初始的问题。比如著名的“梵塔问题”就是可以这样解决的一个问题。可见一个采用问题规约的问题表示可以有三个部分组成:一个初始问题的描述、一套把问题变成子问题的算符、一套本原问题的描述。

人工智能(AI)到底是什么?对当前产业升级有什么作用?与人类的关系将如何发展?关于这些问题众说纷纭,莫衷一是。

通过对AI的科学基础、科学内涵、科学成果和实际应用四方面的梳理发现,科学实践中的AI主要是经典人工智能,它将在15年内推动大面积、颠覆性创新的产业落地。

经典人工智能的科学基础和科学内涵

通常认为,AI是人类智能的机器模拟。然而AI奠基人、创始人艾伦·图灵创立的经典人工智能的基本原理是“功能模仿”。

1931年,哥德尔证明了递归函数的计算可以“模仿”形式算术的某些推理,这是科学史上第一次严格证明了计算可以模仿推理。1936年形成、后被普遍接受的丘奇-图灵论题主张:图灵机可以“模仿”任何计算。综合上述两项成果得出哥德尔-图灵引理:用图灵机可以“模仿”某些推理。

丘奇-图灵论题中的“模仿”和哥德尔证明中的“模仿”具有相同的数学定义,同时积累了大量研究成果,并不断产生新的模仿方式。“符号主义” “连接主义” “行为主义”分别模仿了智能的不同功能,都属于经典人工智能。

一个学科的科学内涵主要包括该学科的科学问题和实证准则,而科学问题往往表现为科学假说。将哥德尔-图灵引理加以推广,就得到经典人工智能的“图灵假说”:用图灵机可以模仿人的部分思维功能,如推理、学习、理解、决策和创造。图灵并未使用“假说”这个术语,他认为用自然语言表达假说不够严格,所以他提出“图灵测试”作为经典人工智能的实证准则,通过图灵测试意味着图灵假说得到了科学实验的验证。在图灵假想的一次图灵测试中,AI写了一首十四行诗,然后人类裁判与AI进行了如下问答:

人类裁判:你的诗里说,“我能把你比作夏天吗?”如果把“夏天”替换为“春天”,是否更好?

AI:替换以后不押韵。

人类裁判:换成“冬天”如何?

AI:这样押韵了,但没人想被比作冬天。

为了回答人类裁判的第一个问题,AI要能理解自然语言,其中“把夏天改为春天”属于意向性语义替换。第二个问题在字面表达之外隐晦地涉及常识、情感和因果推理,否则AI就无法答出“没人想被比作冬天”。图灵相信,经过大约50年研究,依靠“功能模仿”的AI将能够通过这样的检验,从而让人类认为“有智能”。

经典人工智能的科学成果和实际应用

70余年来,虽然尚未达到图灵的预期,但AI领域取得了显著成就。最有代表性的两大类成果是基于模型的强力法(如知识图谱)和基于元模型的训练法(如深度学习),它们都是“模仿”的产物。强力法又分为推理法、概率法、规划法和因果法,它们的工作原理都有严格的数学定义,所以是可解释的。训练法的元模型主要包括学习对象、训练目标、数据标注、训练方法和网络表示等;然后通过训练,得到一个参数被调节好的神经网络。训练法的工作原理尚未得到严格的数学定义,因而不具有可解释性。

围棋阿法狗包含强力法的两项技术(新型决策论规划模型、蒙特卡洛树搜索)和训练法的两项技术(强化学习、深层残差网络),其中深层残差网络属于深度学习。因此,认为阿法狗仅仅使用了深度学习技术,是严重背离科学事实的。

阿法狗的棋力令人类望尘莫及,但其核心技术的工作原理与人类围棋博弈的思维原理差别极大,阿法狗还对围棋问题进行了封闭化,而人类围棋和阿法狗之前的围棋AI都没有进行封闭化。实践证明,“只有模拟人类思维原理,AI才能具备人类思维能力”的常规看法并不成立,局限于模拟人类思维原理有时反而严重阻碍AI进步。

计算科学的问题都是封闭的,即所有“变元”是已知的、可解的;而AI问题一般不是封闭的,但有可能转换为封闭的。经典人工智能的科学挑战是发展新理论新方法,以解决不可封闭化的问题,如家庭、养老院等环境中的机器人服务;工程挑战是场景封闭化,用现有AI技术解决实际问题。

下列战略性产业的封闭化或半封闭化条件已经成熟,将在15年内实现颠覆性创新。

智能制造。近年来,我国高端装备制造领域取得可喜进展,但制造业“中下游”和“中低端”被混淆了。随着AI、机器人、物联网等新技术的快速发展,通过场景封闭化,可以实现制造业中下游的智能化,进而实现全产业链的高端化,确保制造业的立国之本地位。

智慧农业。我国将于2022年建成10亿亩高标准农田,这些农田基本满足半封闭化要求,使得AI、机器人、物联网等技术能够大规模应用。我国智慧农业将成为全球最大的单一AI工程,彻底颠覆农业、农村和农民的传统形态,产生难以估量的巨大、深远影响。

智能驾驶。通过车路协同等半封闭化措施,包括无人工干预的L4在内,驾驶自动化有望于3至5年内实现商业化落地。这将颠覆公路运输和出行方式,并颠覆相当规模人群的居住和工作形态,带动相关产业的巨大改变。

智能家电、医疗健康、AI加速的科研和研发等行业和领域也正在发生颠覆性创新。

经典人工智能已初步形成较完整的学科体系,成为一个独立的科学分支。然而人们对经典人工智能存在着普遍误解。

有哲学家提出“强人工智能”和“弱人工智能”概念,前者是机器载体上的人脑和人心,后者是脑和心理过程的计算模拟,并认为经典人工智能是弱人工智能。经典人工智能显然不是强人工智能,但也不是弱人工智能,因为经典人工智能不立足于脑和心理过程的模拟,否则就不可能产生阿法狗。可见“强/弱人工智能”概念脱离、误解了科学实践中的AI。

经典人工智的产物(产品、服务)既不是人,也不是传统机器,而是人类根据自身需要创造的似人非人、似物非物的第三种存在物。这个定性具有重大科学、哲学和社会意义。例如,法学界有种观点认为,AI不具备法律主体地位、但可被赋予某些权利;还有一种立法主张,要求所有AI产物必须明确标识不是人。经典人工智能为这些法学判断和主张提供了科学依据;同时,经典人工智能与人类法律体系之间也不存在根本性冲突。可是,强人工智能、通用人工智能等设想隐含着巨大的伦理风险和法律冲突。

著名未来学家凯文·凯利预测,AI将越来越多地与人类发生关系,人类期望与AI的关系将不再是朋友、亲人、同事、恋人等传统关系,而是与宠物、外星人、精灵、佣人等角色的关系。经典人工智能可以把这些角色变成“现实”,即第三种存在物。因此,经典人工智能符合人类的某些未来期望,也为研判人类与AI的未来关系提供了科学依据。

AI与其他事物一样有利有弊,但其发展潜力更大,并具有本质不同的新特点,正带来从生产到生活、从现实到理念的巨大变迁。因此,有必要对这种变迁进行全面、深入的预研预判,厘清其本质特征和发展规律。

(作者系中国科学技术大学教授、中国人工智能学会人工智能伦理与治理工委会主任)

版权声明:凡本网注明“来源:中国科学报、科学网、科学新闻杂志”的所有作品,网站转载,请在正文上方注明来源和作者,且不得对内容作实质性改动;微信公众号、头条号等新媒体平台,转载请联系授权。邮箱:。

我要回帖

更多关于 ipd培训机构推荐 的文章