人工智能的发展现况.doc

《人工智能的发展现况.doc》由会员分享，可在线阅读，更多相关《人工智能的发展现况.doc（17页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、人工智能的发展现况最近看了电影黑客帝国一系列，对其中的科幻生活有了很大的兴趣，不觉有了疑问：现在的世界是否会如电影中一样呢？人工智能的神话是否会发生在当前社会中的呢 ？ 在黑客帝国的世界里，程序员成为了耶稣，控制着整个世界，黑客帝国之所以成为经典，我认为，不是因为飞来飞去的超级人物，而是因为她暗自揭示了一个人与计算机世界的关系，一个发展趋势。谁知道200年以后会不会是智能机器统治了世界？ 人类正向信息化的时代迈进，信息化是当前时代的主旋律。信息抽象结晶为知识，知识构成智能的基础。因此，信息化到知识化再到智能化，必将成为人类社会发展的趋势。人工智能已经并且广泛而有深入的结合到科学技术的各门学科和

2、社会的各个领域中，她的概念，方法和技术正在各行各业广泛渗透。 智能是一个宽泛的概念。智能是人类具有的特征之一。然而，对于什么是人类智能（或者说智力），科学界至今还没有给出令人满意的定义。有人从生物学角度定义为“中枢神经系统的功能”，有人从心理学角度定义为“进行抽象思维的能力”，甚至有人同义反复地把它定义为“获得能力的能力”，或者不求甚解地说它“就是智力测验所测量的那种东西”。这些都不能准确的说明人工智能的确切内涵。 虽然难于下定义，但人工智能的发展已经是当前信息化社会的迫切要求，同时研究人工智能也对探索人类自身智能的奥秘提供有益的帮助。所以每一次人工智能技术的进步都将带动计算机科学的大跨步前进

3、。如果将现有的计算机技术、人工智能技术及自然科学的某些相关领域结合，并有一定的理论实践依据，计算机将拥有一个新的发展方向。 当前人工智能的发展方向可以分为两种：一种受控于人类的智能机器或智能程序，人类输入指令后让其达到预期的目的；另一类，能自主推理，逻辑，判断，学习，进步的智能， 而后一种而有吸引力，更增加了人工智能无穷的魅力。 人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所

4、有学科，其范围已远远超出了计算机科学的范畴，在不断的接近。他并不像很多人想象的是几个科学家的工作，而是随着社会各学科发展而默默发展的。在智能领域里，最关键的问题之一，就是机器学习的问题。一旦机器有了学习的能力，谁还（敢）预测未来呢？人类的社会发展其实也是在不断积累中发展而来，人的智能也就是事实依据库+推理机制所构成了的。当所有领域的定律都能用特定的公式推理出来，黑客帝国的实现就要到来了。 研究人工智能的目的，一方面是要创造出具有智能的机器，另一方面是要弄清人类智能的本质，因此，人工智能既属于工程的范畴，又属于科学的范畴。通过研究和开发人工智能，可以辅助，部分替代甚至拓宽人类的智能，使计算机更好

5、的造福人类。人工智能是机器模拟人脑的具体表现形式，当前以智能搜索、深度学习、云操作处理等为代表的大规模联网应用已经成为信息通信技术引人瞩目的重要方向。2013年美欧相继启动的人脑研发计划，力图打造基于信息通信技术的综合性研究平台，促进人工智能、机器人和神经形态计算系统的发展，预计将助推信息通信技术乃至人类社会生产生活发生深刻的革命性变化。从发展脉络看，人工智能一直处于技术创新的前沿，近年来更是呈现集中爆发态势，在智能搜索、人工交互、可穿戴设备等领域得到了前所未有的重视，成为产业界力夺的前沿领域。一、打开搜索引擎发展新空间信息搜索是互联网流量的关键入口，也是实现信息资源与用户需求匹配的关键手段，

6、人工智能的引入打开了搜索引擎发展的新空间。几个重要方向是：由低级算法向高级算法发展。搜索巨头美国谷歌公司每天都要进行200多项改进搜索算法的在线实验，陆续完成由关键字匹配到知识图谱、语义搜索的算法创新，正在掀起一场以数据驱动、实验评估、数理模型算法改进为轴心的大数据革命，如谷歌禽流感地图。由文本检索向语音图像检索发展。已发生的典型案例是，第一，融合了深度学习技术的搜索引擎正大幅度提升图像搜索的准确率。如谷歌街景视图通过“以图搜图”和“以图搜信息”，能够识别物体详细位置。第二，吸纳了自然语言处理和云操作处理技术的搜索引擎，可将语音指令转化为实时搜索结果。谷歌、苹果均已推出人工语音智能计算产品Go

7、ogle Now和Apple Siri，将自然语言转换成搜索指令，简化用户输入门槛。第三，在人工智能辅助性搜索引擎可能添加意念情感元素，发展出真正意义上的神经心理学搜索引擎。谷歌正在研发能够读懂人类情感的智能搜索系统，以应用于心理辅导和心理医学领域。由互联网搜索向云物搜索演进。一方面，基于人工智能的搜索引擎技术正向物联网、信息化不断深化应用。基于标签感应和阅读技术的物联网搜索引擎shodan，几乎能够搜索到所有与网络相连的工业控制系统，大大提升物联网的可视化应用和管理水平。另一方面，基于人工智能的搜索引擎技术和云操作处理技术不断耦合，正在推动云计算技术发生重要变革。如基于目录索引服务系统的对象

8、存储技术，可实现云协作条件下大型归档数据的可在线回收。二、加速移动互联网应用创新和产业变革嵌入了人工智能技术的移动终端打破了时空地理限制，激发了人机高频互动，也促使产业界开发出以人工智能技术为基础的海量互联网业务和应用。比如：自然语言交互已经成为互联网上成熟应用，蕴含无穷商机。自然语言交互发展已较成熟，可与视觉操控、姿态操控和手势操控等人工智能感应技术结合应用。如微软同声传译系统（GPGPU）采用基于大量历史数据训练出的神经网络，使语音识别的单词错误率降低了18%-33%。深度学习技术在互联网领域已经产生众多创意和新兴应用。深度学习是人工智能的最新演进，它引发了机器学习的新浪潮，加速“大数据深

9、度模型”时代的来临。第一，基于深度学习的信息产品已经成为最活跃的创新领域。三星“新技术实验室”正在研发基于脑电波识别控制技术 EEG-control。的“人脑意念控制智能设备”，将“读心应用程序”安装在脑电波识别设备中，通过与平板电脑进行脑电波扫描和交互，实现人类意念操控平板电脑。第二，深度学习融贯人脸识别的相关产品已开始用于社会公共管理。美国国土安全部(DHS)将深度学习技术用于“生物特征识别视觉监控系统” Biometric Optical Surveillance System，简称BOSS。这是一种典型的人脸识别应用系统。，通过在计算机和摄像机之间建立连接并对人群不断扫描，即可根据面孔

10、自动识别和定位目标。基于深度学习的战略重要性，我国互联网企业已开始布局深度学习技术研发，百度公司基于深度学习技术的“百度翻译”、“百度叫醒”等智能终端应用软件，通过与云端协同，能够实现目标的特征演算和定义，提供日益理想的拟人化知行协助服务。穿戴式智能联网设备正在引领信息技术产品和信息化应用发展的新方向。当前，基于人工智能技术的穿戴式智能联网设备已成为各方竞争的新热点，苹果公司智能手表（iWatch）、谷歌眼镜（Google Glass）、加拿大Thalmic Labs公司MYO臂环、盛大果壳智能手表、百度眼镜等，都是引发业界关注的穿戴式智能联网设备。最新趋势是，穿戴式智能联网设备正在向体育、生

11、物、医疗等领域进行应用延伸。谷歌摩托罗拉研发的电子药片吞服后利用胃酸发电，产生体内信号，从而使人体变成密码，用于生物识别和身份验证。无人驾驶和智能机器人正在成为产业研发热点，依托移动互联网将其应用场景广泛渗透、延伸至传统产业领域。无人驾驶技术方面，亚马逊公司正在研发用于派送包裹的无人飞行器 这些无人飞行器被亚马逊称之为“电脑导航八轴飞行器（octocopters）”。机器人技术方面，谷歌在全球范围已经收购8家科技公司，正在研发用于市场营销、工业制造等领域的智能机器人；苏黎世ABB Group、德国Kuka AG等机器人生产厂商以及我国台湾台达电子、富士康等信息技术企业正在研发、生产并试验以低于

12、人力成本提供服务的低端机器人以及有视力、触觉甚至学习能力的高端人形机器人。三、人脑科学有望助推人工智能达到最佳理想状态迄今为止的人工智能都只是利用机器来模拟人脑进行简单的运算和处理。与简单的人工智能相同步，模拟人脑进行复杂、高级运算的人脑研发活动始终未曾止步，美欧人脑科研计划（统称“人脑计划”）为这一技术努力描绘了一份崭新的演进路线图。2013年1月28日，欧盟委员会宣布，“人脑工程项目（HBP）”被选入欧盟“未来新兴旗舰技术项目（FET）”，成为欧盟第七框架科研计划（FP7）中信息通信技术（ICT）研究子计划的重要组成部分。2013年4月2日，美国总统奥巴马正式宣布了“运用先进创新型神经技术

13、的大脑研究计划（BRAIN）” 又称“大脑活动图谱项目”。，由美国国家卫生研究院、国防高级研究计划局及国家科学基金会等单位组织实施。美欧人脑计划的共同目的，是打造基于信息通信技术的综合性研究平台，采用计算机模拟法绘制详细的人脑模型，促进人工智能、机器人和神经形态计算系统的发展，预计将引发人工智能实现由低级别人脑模拟向高级别人脑模拟的飞跃，从而助推人工智能实现终极理想和目标。=功能=人工智能现在已经能实现很多功能了，比如:语音识别李开复博士当年做的工作奠定了很多当今识别系统的基础。这里忍不住说一下，Siri本身的技术并没有特别大的亮点，真正nb的是它的模式（语音识别直接与搜索引擎结合在一起，产品

14、体验做得好。而且关键是这样的模式能采集到更多数据，使得系统的精度越来越高） 自然语言理解目前看到的最强的结果应该是IBM Watson。但其实我们现在用的搜索引擎、中文输入法、机器翻译（虽然其实还不怎么work）都和自然语言理解相关。这块儿不是我的专业，请 段维斯 同学补充。数据挖掘随着近年数据量的疯狂增长，数据挖掘也有了长足进步。最具有代表性的是前几年著名的Netflix challenge（Netflix公司公开了自己的用户评分数据，让研究者根据这些数据对用户没看过的电影预测评分，谁先比现有系统好10%，谁就能赢100万美元）最后这一比赛成绩较好的队伍，并非是单一的某个特别nb的算法能给出

15、精确的结果，而是把大量刻画了不同方面的模型混合在一起，进行最终的预测。 计算机视觉目前越来越多的领域跟视觉有关。大家可能一开始想到的都是自动驾驶。虽然大家都在说googleX的无人车， 但实际上现在无论是商业上，还是技术整合上最成功的算法是Mobile Eye的辅助驾驶系统。这个公司也是目前computer vision领域最挣钱的公司。 从实现新功能方面说，视觉的发展的趋势主要有两方面，A) 集成更多的模块，从问题的各种不同方面，解决同一个问题（比如Mobile Eye，就同时使用了数十种方法，放到一起最终作出决策） B) 使用新的信息，解决一个原来很难的问题。这方面最好的例子是M$的Kin

16、ect，这个产品最让人拍案叫绝的就是那个红外pattern投影仪。=理论基础=这里说的是数学理论，是为实现功能解决问题而存在的。与人类的智能的联系在下一节说。从这个角度，我们已经有了很多强有力的数学工具，从高斯时代的最小二乘法，到现在比较火的凸优化，其实我们解决绝大多数智能问题的套路，都可以从某种意义上转换成一个优化问题。真正限制我们解这个优化问题的困难有以下三个：计算复杂度能保证完美解的算法大都是NP-hard的。如何能让一个系统在当前的硬件下“跑起来”，就需要在很多细节取巧，这是很多learning paper的核心冲突。模型假设所有模型都要基于一些假设，比如说，无人车会假设周围的汽车加速

17、度有一个上限（至少不会瞬间移动吧，否则怎么闪避）绝大多数假设都不能保证绝对正确，我们只是制定那些在大多数时候合理的假设，然后基于这些假设建模（比如，在语音识别里，我们是否要假设存在背景噪声呢？如果有背景噪声，这个噪声应该符合什么特点呢？这时候无论你怎么定标准，总能找出“反例”）数据基础任何学习过程都需要数据的支持，无论是人类学说话学写字，还是计算机学习汽车驾驶。但是就数据采集本身来说，成功的案例并不多。大概这个世界上最强的数据采集就是google了吧。每次你搜索一个关键词，然后点进去，google就自动记录了你的行为，然后以此数据来训练自己的算法。人工智能前景人工智能是人造的智能,是计算机科学

18、、逻辑学、认知科学交叉形成的一门科学。其基本目标就是使机器表现出类似人类的智慧,使机器具有类似人类的智能行为,使机器思维(MakingMachineThink)。 关于人工智能,科学界存在各种各样的认识和看法,这些看法可以归纳为:技术观、模拟观、建模观、理论观。 技术观将人工智能视为一门技术。技术观追求人工智能的工程目标,即智能机的实现。技术观只注重智能机的外部功能,不关心智能机的工作过程。技术观认为,只要机器能做那些原来需要人的智能才能完成的工作,机器便具有了智能。模拟观着眼于计算机程序复现人脑在完成同一任务时的内部状态和过程,强调必须先了解人脑的活动机制,才能通过模拟使机器表现出智能。建模

19、观希望基于数学模型的理论和方法,建立人脑的模型。建模观认为,通过对人脑输入输出信号的观察,即对人脑外部行为的观察,可以建立人脑的数学模型,这种模型与人脑在外部行为上的相似性将使机器表现出智能。理论观注重理解形成或产生智能的规律和原理。理论观追求人工智能的科学目标,即Winston所阐述的人工智能的中心目标,试图建立使智能的实现成为可能的原理。 人类有关用机器模拟人类智能的思想可以追溯到很远,甚至可以追溯到公元前四世纪的亚里士多德时代。然而,作为一门学科,可以说,人工智能诞生于 1956年Dartmouth夏季会议。人工智能在20世纪经历了四个发展阶段:五十年代是神经网络时代,六十年代是弱方法时

20、代,七十年代是知识工程时代,八十和九十年代是知识工业时代。 1948年Wiener发表了控制论。Wiener将机器与生物的控制和通讯机制进行类比,抽象出共同特征,形成控制论这门独立的新学科。Wiener指出:就其控制行为而言,所有的人工系统都模仿生物系统,但没有任何一种生物系统模仿人工系统。Wiener的思想及其控制论引发了科学界对生物控制机能、生物通讯机能、生物信息处理机能和生物智能进行模拟的科学研究热情。特别是Wiener关于生物神经系统及其信息处理机制的观点,引起了人们对生物神经系统进行仿真研究的兴趣。Wiener在其控制论中指出:能够做计算系统所做工作的人和动物的神经系统,它们的工作单

21、元动作起来就像继电器。这个事实值得我们注意,这些工作单元就是所谓的神经元或神经细胞。在这一思想的影响下,五十年代兴起了基于开关网的神经系统模拟研究,其中较为成功和较有影响的是对青蛙视神经的模拟。Simon和Newell称,用计算机程序实现的人对弱结构化问题的求解搜索方法为弱方法,其弱的含义为:求解的问题为弱结构化问题,求解问题的过程具有试探性,所得的问题的解是非最优的。对于弱结构化问题,由于知识的不完备性,人只能运用试验、试探和搜索的方法,在巨大的问题空间中,运用非完备的知识、经验和启发性的知识,寻求可行的问题求解途径,做计划、设计和决策,获取问题的可行解,而非最优解。Simon和Newell

22、的弱方法强调问题求解方法的重要性,注重对人脑思维过程的模拟和仿真,却忽视了对知识的研究。人求解问题的过程是一个基于知识,应用知识的过程。一个知识贫乏的大脑,不可能有多少智能,这就是弱方法为什么只能用于一些简单的和游戏性质的智力求解问题的原因。 七十年代,鉴于弱方法存在的问题,人工智能研究领域出现了知识工程学派。知识工程学派认为,没有知识,就没有智能;要使计算机表现出智能,必须给予它知识。使人工智能由弱方法的研究转向知识工程研究的是DENDRAL项目。这项研究工作是Feigen-baum1965年到斯坦福大学后不久开始的。六十年代末七十年代初,第一个专家系统问世以来,有影响的专家系统有:DEND

23、RAL,世界上第一个专家系统,帮助化学家解释和设计化学结构式;MYCIN,世界上最有影响的专家系统,帮助医生诊断抗菌性感染病,并推荐治疗方案。 专家系统的成就使人们看到了知识工程的前景。专家系统解决实际问题的能力展现了智能系统的商用价值,由此,智能产业在八十年代初期开始形成。智能产业指智能应用系统和智能计算机构成的产业。尽管全球的智能产业在1981年只有1亿美元,但人们仍然乐观地预测,二十一世纪初,全球的智能产业将超过2500亿美元。 面对人工智能的大好发展形势,Machlup等人在知识工程概念的基础上,提出了一个更具感召力的概念:知识工业。人工智能的研究并不像人们一开始所期望的那样一帆风顺,

24、成果辉煌。五十年代,神经网络随Perceptron被否定而沉寂。六十年代,游戏性质的弱方法没有大的作为。七十年代,专家系统受到了来自许多方面的怀疑和批评。八十年代,日本人雄心勃勃的第五代计算机计划以彻底的失败而告终。人工智能从诞生那天起就承受着来自多方面的批评和攻击。人工智能过分乐观的预言大多未能实现。尽管人工智能的发展未能跟上人们对它的期望,但它的确在不断地进步。人工智能取得的成就足以让人们相信,机器正变得越来越聪明。以人们今天的想象力,很难想象出,人工智能能走多远,未来的机器能有多聪明,类似DeepBlue战胜Kasparov之类的事情在Chess之外的其它领域是否还会发生。人,没有理由说

25、,机器不能思维,更没有理由否定人工智能。 最近几年,人工神经网络技术和遗传算法的应用取得了很大的成功。广泛应用于工业、军事等各个领域。 人工神经网络技术在20世纪70到80年代取得了重大进展,其成果大量应用于系统的识别,建模和控制。比如,关于建模,神经网络通过对输入输出样本的学习,不断地调整网络的权值和阈值,使网络实现给定的输入输出映射关系,并具有一定的学习和泛化能力。以研究直升机在偏航方向上的动力学特性和建立动力学模型为例,可将直升机偏航方向上的输入和输出数据作为学习样本,对神经网络进行训练,从而得到直升机在偏航方向上的神经网络预测模型。在这个模型的基础上,可以进一步设计出直升机的偏航方向控

26、制器。 众所周知,在很多场合要求对数字进行准确识别。例如最常见的邮电系统中的自动分信设备,就涉及到邮政编码的识别。这六位数都标示在信封的六个方框中,如何利用一种快速有效的智能方法或技术正确地进行识别是急待解决的问题。神经网络具有并行处理和大规模平行计算能力,既是高度非线性动力学系统,又是自适应组织系统,可以用来描述认知、决策及控制的智能行为。它的中心问题是智能的认知和模拟,能 高度逼近非线性系统并对不确定问题具有自适应能力,因而利用神经网络有望解决这一问题。 遗传算法(GA)是1975年美国密执安大学J.H. Holland教授提出的,是一种基于达尔文生物进化思想的优化算法,与其它优化算法相比

27、,GA具有更好的通用性,较强的鲁棒性和智能性,使其广泛地应用于各个 领域。遗传算法是一种基于自然选择和自然遗传的全局优化算法。它采用从自然界选择、遗传操作中抽象出来的几个算子,对参数编码的字符串进行遗传操作,每一个字符串对应于一个可行解。这种遗传操作是对多个可行解组成的群体进行的,故在进化过程中可以并行地对解空间的不同区域进行搜索,可使搜索趋于全局最优解而不会陷于局部极小解。正是由于这种内在的优良特性,GA可广泛应用于各种优化问题。对于动态环境中移动机器人的局部路径规划问题,遗传算法具有很大潜力。移动机器人是能够在道路和野外连续、实时地自主运动的智能机器人是一种集环境感知,动态决策与规划,行为控制与执行等多项功能于一体的高智能化机器系统。移动机器人的动态行为是,机器视觉获取前方的路面环境及障碍物信息,然后用智能系统产生最优化路径,并用智能路径跟踪控制方法使移动机器人沿规划路径行走。类似传统方法不能解决的这类问题,遗传算法表现出很大的优越性。