?
產品驗證TAG標簽加入收藏

銷售咨詢熱線:0579-83188302

業務咨詢:

聯系電話:

0579-83188302

電子郵箱:

Email:market@fynet.cn

當前位置:首頁 > 新聞資訊 > 公司新聞 >

完整解析AI人工智能:3大浪潮+3大技術+3大應用

所謂人工智能(Artificial Intelligence;縮寫:AI),是指以人工方式來實現人類所具有之智慧的技術。只不過,目前能實現與人類智能同等的技術還不存在,世界上絕大多數的人工智能還是只能解決某個特定問題。本篇文章是在我閱讀了幾本AI的相關書籍后,所概略統整出的架構,希望讓初次接觸AI的讀者,能透過333口訣,快速理解AI到底是什么。

一、AI的三次浪潮


人工智能AI發展史


第一次AI浪潮

第一次AI浪潮起于1950~1960年,止于1980年代。由于出現在網絡之前,因此又被稱為“古典人工智能”。這時期出現的“符號主義”與“聯結主義”,分別是日后“專家系統”與“深度學習”的雛形。只不過,雖然當時的成果已能解開拼圖或簡單的游戲,卻幾乎無法解決實用的問題。

第二次AI浪潮

第二次AI熱潮伴隨著計算機的普及,出現在1980年代。這時期所進行的研究,是以灌輸「專家知識」作為規則,來協助解決特定問題的“專家系統”(Expert system)為主。然而,縱使當時有商業應用的實例,應用范疇卻很有限,熱潮也因此逐漸消退。

第三次AI浪潮

第三次AI浪潮則出現于2010年代,伴隨著高性能計算機、因特網、大數據、傳感器的普及,以及計算成本的下降,“機器學習”隨之興起。所謂機器學習(Machine leaning),是指讓計算機大量學習數據,使它可以像人類一樣辨識聲音及影像,或是針對問題做出合適的判斷。

二、AI的三大技術

快速了解了AI的發展史后,我們來看看當代人工智能的三大代表性模型:遺傳算法、專家系統、類神經網絡。

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發的人工智能。它透過「適者生存」的規則,將“優秀的個體”想象成“好的答案”,透過演化的方式來找出最佳解。

2、專家系統

專家系統(Expert system),則是針對預設的問題,事先準備好大量的對應方式。它應用在很多地方,尤其是疾病診斷。只不過,專家系統只能針對專家預先考慮過的狀況來準備對策,它并沒有自行學習的能力,因此還是有其局限性。

3、類神經網絡

從第三次AI浪潮所興起的機器學習(Machine learning)有許多種手法,其中最受矚目的,莫過于深度學習(Deep learning)了。所謂深度學習,是透過模仿人腦的“類神經網絡”(Neural network)來學習大量數據的手法。


類神經網絡的由來



若你去觀察腦的內部,會發現有大量稱為“神經元”的神經細胞彼此相連。一個神經元從其他神經元那里接收的電氣信號量達某一定值以上,就會興奮(神經沖動);在某一定值以下,就不會興奮。

興奮起來的神經元,會將電器信號傳送給下一個相連的神經元。下一個神經元同樣會因此興奮或不興奮。簡單來說,彼此相連的神經元,會形成聯合傳遞行為。我們透過將這種相連的結構來數學模型化,便形成了類神經網絡。


類神經網絡:深度學習


我們可以發現,經模型化的的類神經網絡,是由“輸入層”(Input layer)、“隱藏層”(Hidden layer)及“輸出層”(Output layer)等三層所構成。另外,學習數據則是由輸入數據以及相對應的正確解答來組成。

以影像辨識為例,為了讓AI學習類神經網絡的模型,首先必須先將影像學習數據分割成像素數據,然后將各像素值輸進輸入層。

接受了數據的輸入層,將像素值乘上“權重”后,便傳送給后方隱藏層的神經元。隱藏層的各個神經元會累加前一層所接收到的值,并將其結果再乘上“權重”后,傳送給后方的神經元。最后,經由輸出層的神經元的輸出,便可得到影像辨識的預測結果。

為了讓輸出層的值跟各個輸入數據所對應的正解數據相等,會對各個神經元的輸入計算出適當的“權重”值。

這個權重的計算,一般是使用“誤差倒傳遞算法”(Error Back Propagation),使用與正解數據之間的誤差,從輸出層逆推回去。透過各「權重」的調整,來縮小輸出層的值與正解數據的值之間的誤差,以建立出完成學習的模型。

由于過去類神經網絡之間進行傳遞的權重值難以優化,因此曾有多數研究者對類神經網絡的研究持否定態度。直到2006年,辛頓(Geoffrey Hinton)開發出自動編碼器(Autoencoder)的手法,才突破了這項瓶頸。

自動編碼器是指,在類神經網絡的輸入層和輸出層使用相同數據,并將隱藏層設置于二者之間,藉此用來調整類神經網絡之間的權重參數的一種手法。利用以自動編碼器所獲得的類神經網絡權重參數值進行初始化后,便能應用「誤差倒傳遞算法」,提高多層類神經網絡的學習準確度。

透過類神經網絡,深度學習便成為了“只要將數據輸入類神經網絡,它就能自行抽出特征”的人工智能,而這又稱為“特征學習”(feature learning)。

深度學習最擅長的,是它能辨識圖像數據或波形數據這類無法符號化的數據。自2010年代以來,如Google、Microsoft及Facebook等美國知名IT企業,都開始著手深度學習的研究。例如,蘋果「Siri」的語音識別,Microsoft搜索引擎「Bing」所具備的影像搜尋等等,而Google的深度學習項目也已超過1,500項。

至于深度學習如此飛躍的成長,要歸功于硬設備的提升。圖形處理器(GPU)大廠輝達(NVIDIA)利用該公司的圖形適配器來提升深度學習的性能,提供鏈接庫(Library)和框架(framework)產品,并積極開設研討課程。另外,Google也公開了框架「TensorFlow」,可以將深度學習應用于數據分析。

三、AI的三大應用

據羿戓制造了解到,AI應用領域主要可分為語音識別、影像辨識以及自然語言處理等三部分。

1、語音識別

語音識別部分,透過多年來語音識別競賽CHiME的研究,已經有了等同人類的辨識度(CHiME,是針對實際生活環境下的語音識別,所進行評測的國際語音識別競賽)。此外,Apple、Google、Amazon也相繼提出可應用于日常生活的服務,因此其成熟度已達到實用等級。

2、影像辨識

影像辨識部分,雖然一般圖片的辨識已有同等于人類的辨識率,但動態影像的辨識準確度卻仍比不上人類,目前還在進行各種算法的測試。其中,影像辨識目前最火熱的應用場域非自動駕駛莫屬了。

整個汽車、信息通訊產業都正朝著自駕車的方向努力,例如Google持續進行自動駕駛的研究,TOYOTA也在美國設立豐田研究所,可以知道現階段的開發已十分接近實用化。因此,我們可判斷目前影像辨識的成熟度是介在研究和實用等級之間。

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理解人類所寫的文字和所說的話語。NLP首先會分解詞性,稱之“語素分析”(morphemic analysis),在分解出最小的字義單位后,接著會進行“語法分析”(syntactic analysis),最后再透過“語意分析”(semantic analysis)來了解含意。

輸出部分,自然語言處理也與生成文法(generative grammar)密切相關。生成文法理論認為,只要遵循規則即可生成文句。這也代表著,只要把規則組合在一起,便可能生成文章。

在自然語言處理中,最具代表性的應用就是“聊天機器人”(Chatbot)了,它是一種如真人般,可透過文字訊息與人對話的程序。2016年,臉書推出了“Facebook Messenger Platform”,而Line也推出了“Messaging API”,因而促使這種搭載NLP技術的聊天機器人成為矚目的焦點。

另外,由IBM所開發的華生(IBM Watson),也是應用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,學習詞匯與詞匯之間的相關性?,F在,就連軟件銀行(SoftBank)機器人Pepper也是搭載華生系統。

只不過,由于在日常對話中,我們很常省略詞句,也不一定會提及時空背景,因此當前的Chatbot尚無法與人類進行天花亂墜的對話。所以說,現行多數的Chatbot廠商,還是會限定對話的環境與應用領域。

(責任編輯:風云網絡)

上一篇:區塊鏈的技術簡史與未來前景,從互聯網進化角度分析
下一篇:智能制造到底是什么
返回頂部
到底有没有北京时时彩 一 Welcome 买平特一肖料被骗 cfpls4半决赛辽宁倾城vs摩登电竞 香港六合彩赛马会网站 ds游戏平台 澳门ds真人 3d开机号和试机号今天 俄罗斯5分彩 秒速飞艇信誉平台 奥客竞彩足球比分直播 腾讯分分彩输了好多钱 腾讯分分彩杀号软件安卓版 三分彩官网地址 河内五分彩投注网站 足彩进球彩玩法介绍 竟彩猫 足彩混合过关容错几场