侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

小i机器人朱频频:人工智能从2014年进入第三次高潮

2016-06-17 15:21
林契于宸
关注

  计算机的人工智能实现方法

  具体到计算机的人工智能实现的方法,我们可以用这样的图来去大致的说明一下实现的路径。刚开始的时候,AI主要还是通过一些复杂的规则系统来实现,这个概念叫什么呢?就是相当于说我们人类的专家把我们人类所认知到的一些规律用计算机能够实现的方法来去教给他们。比如说编程、规则的方法教给计算机,计算机可以忠实的按照我们的想法给执行好,计算能力也很强。这个系统比较复杂的时候,会成为非常强的智能能力。

  但是这种方法有很多问题解决不了,比如说处理人脸识别的时候,你怎么去定义这种规则,这个人脸就是他,那个人脸就是他,这个很难定义规则去描述的。我们开始用统计的方法,或者是归纳的方法,这是什么呢?就是让计算机去找里面的特征和最后结果,或者是标签之间的关系,在一个模型里面让计算机去找。就是用大量标志的数据和结果,让计算机确定这个模型里面不同的参数,然后把这些归纳到一起。

  比如说做人脸识别的时候,我们可以由专家来定义,这一块是非常重要的特征,这一块是非常重要的特征,根据特征,用大量标注好的数据进行训练,得出里面对应的关系,就是这个特征和最后标识之间的关系,这就是人脸识别的过程。

  还要举一个例子,一个非常重要的话题就是做分词,给中文一句话,把这个词给分了。早期的方法通过规则,要做一个比较巨大的字典,让字典去分词,这能解决不少的问题,似乎也可以工作了。但是有很多的问题解决不了,比如说歧义的问题,前面一个词,后面一个词,哪一个词比较合适呢?比如说软件和服务,正常的话应该是软件名词,和是连词,再加上服务的名词。和服也是一个名词。人一看,是知道是软件和服务,但是计算机怎么知道呢?你不能列太多的规则。我们去训练,拿大量人已经标注好的数据去训练,这样可以找到一些规律出来,可以找到这个字和那个字搭配的概率,到底哪个概率会比较高。我虽然分的时候可以有几种途径,可以通过这个方式计算出哪种概率最大,分析出结果。这个就是通过经济学的方法训练模型。

  深度学习

  现在最流行的方式是先进技术的方式,深度学习就是其中的一个代表,所谓的深度学习更多的是指深度学习神经网络。这个过程观点在于说,之前可能是要去做一个人脸识别,需要专家去找到底哪样特征能够描述人脸的重要的特征,让专家去找。但是这个特征其实很难找,不同的专家有不同的定义方法。所以那时候图象识别的瓶颈就会局限在如何寻找这个特征,但是现在这个事情让计算机自己去做,通过深度学习的方法,让计算机自己去找,所花的代价就是计算的代价,不停的试。他所看到的东西哪些跟最后人脸识别相关,计算机有自己的途径,跟人并不是完全一样。这种方式的确是很大程度上解决了这个问题。

  从规则系统到统计和学习。我们告诉他第一步干什么,第二步干什么,碰到这种情况干什么,他会忠实的执行这些工作。到了机器学习这一块,很多有统计的方法,模型有很多了,有贝叶斯网络方式,有最大熵模型,还有HMM和CRF,就是语音识别和自然语言处理等。这都是统计的模型。还包括人工神经网络的模型,在那个时代,其实人工神经网络虽然说这种方式似乎跟人的神经元和大脑皮层比较接近,但是表现得并不好。所以当时人工神经网络使用的并不是特别多,虽然这种技术在上个世纪60年代就已经实现了,但是其实并不是很多。

  我们做一个形象的比喻,就像一个高级的技工或者是高级的工人一样,你不用去告诉他第一步干什么,第二步干什么,但是你要告诉他你要完成这件事情,最重要是这个事情你要注意,这个事情你要注意,然后自己形成自己的一些规律,形成自己的一些方法。这个是需要一定的学习能力的。

  比如说有符号主义和联结主义,人工神经网络就是很典型的联结主义的方法。现在对于实际的系统当中,包括我们所使用的,其实是几种方法的结合,没有哪一种方法可以单独的解决这些问题。

  机器自动寻找与目标最相关的特征,主要就是深度神经网络,刚才也提到了深度神经网络为什么现在这么火,这个算法究竟有多么牛,其实恰恰可能相反,是因为这种算法很简单,就是因为这种算法简单,所以具备比较好的通用性,算法的稳定性,所谓稳定性就是从上个世纪50、60年代开始到目前为止,几乎没有什么变化,这是好事,这是非常重要的好事。我们可以做大量的工作,具有延续性,我们用这些方法训练模型,是可以延续的。而且还有非常重要的特点是什么呢?深度神经网络、人工神经网络,是非常容易实现这种并行化的,这里面有一个图,你可以把整个的计算过程分割成不同的模块,每个模块单独去计算,模块和模块之间连接相对来说不是那么多,所以你可以分布到不同的计算机的核,甚至是分布到不同的计算机里面去训练,去计算。但是中间其实还是有这个连接的。

  也就是说,计算的下一步会用到上一步,用到各个部门计算结果的会合。所以说在并行计算或者是叫做分布式计算里面,对性能的影响其实是非常巨大的。

  我们要举一个例子,到底什么是深度学习?形象的比喻一下就像一个职业经理人一样,我们请职业经理人的目的是我给你目标,给你资源,然后你帮我去完成这个事情,我肯定不会教给你使用方法,我只看结果。现在深度学习有一点像这样的情况,你给他足够的资源,你给他计算的资源,给他一个确切的目标,找出这样的对应关系。其实深度学习找出的是什么东西呢?其实就是找出输入和输出之间的映射关系。如果说输入是一个问题,回答是一个答案,那么这个训练出来的系统就是一个问答的系统,如果输入的是一个图象,输出的是一个标签,做的就是一个图象分类,或者是图象识别。所以说关键就是如何去建立这个模型,以及如何在这个模型之下给它足够多的又好又足够的数据。

  现在很多人在讨论,说哪天计算机会超越人类,所谓的真正的无监督的学习方法会出现。比如说人类还有一些非常重要的特点,对小数据的学习能力非常强,我们看几次现象就可以总结出规律来,苹果掉到牛顿的脑袋里,他有可以总结出万有引力来,这种能力是计算机目前完全不具备的,甚至这种能力是怎么发生的,大家都不是很清楚,因为并不每个人类都有这样的水平,只有天才才有这样的水平。

  到那一步的话,就像一个创业者和开拓者一样,没有人告诉你应该怎么做,甚至是没有人告诉你目标是什么,我要不断的自我去激励和不断的学习。

  阿尔法狗就是深度学习和相关驱动的人工智能系统,有很多地方都做过分析,我就简单的过一下。阿尔法狗里有四个重要的深度神经学习网络,快速走子、专家训练、自我提升、价值判断,前面三个基本类似,结果就是给出一个棋局,判断下一个子走的最大的可能性是哪一个,怎么训练呢?就是从大量的棋局里面训练过来的。几万局对应的棋局里面去训练出来这样的结果,按照我刚才说的,输入的是棋局,输出的是跟这个棋局对应的下一步走子的可能性。通过专家训练的结果,进行自我对应,自我对应了三千万盘,所以就创造了很多人类历史上从来没有出现过的对应的棋局的状况。人类从来没有碰到过,但是它碰到过,所以它用这些东西再去做自我的训练和提升。你想象一下这是什么概念呢?这个家伙不是那么聪明,但是这个家伙特别勤奋,在你睡觉的时候,他在不断的下棋,而且下棋的速度特别快。你可以想象他的能力能够超越你吗?从这个趋势来看,肯定会,他们那个团队非常牛,所以在三月份的时候就把人类给打败了。下一次跟柯洁去下,其实赢不赢都无所谓,长期来看一定会赢的。因为人不可能有像计算机那么勤奋,但是有可能会针对他的这些方法针对性的做一些策略。其实某种程度来说不是一个确切的结果,只是说我要做下一个动作,这种可能性会最大。从某种意义来说,具备了大局观和棋感的要素。

<上一页  1  2  3  4  5  6  7  下一页>  余下全文
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号