人造智能怎么着工夫在某一天地达到人类水平?

图片 9

摘要:在很多方面,人工智能的表现已经超越了人类,这并不代表人工智能很聪明。相反,其实人工智能是很傻很天真的,你认认真真与它交流,会被吓到,但如果稍微使点诈,它就会原形毕露。
  在很多方面,人工智能的表现已经超越了人类,这并不代表人工智能很聪明。相反,其实人工智能是很傻很天真的,你认认真真与它交流,会被吓到,但如果稍微使点诈,它就会原形毕露。那么人工智能是如何看起来很聪明的呢,下面笔者以讲故事的形式,让大家了解监督学习下的人工智能是如何运作的。  非人工智能阶段  故事的主角叫小A(AI),我们让小A学习化妆。在没有任何的帮助下,小A化妆只有一个步骤,那就是上色,所以刚开始小A化妆会全部涂成纯色。这是因为初始化的小A相当于计算器,你给她一个指令,她就输出一个结果。你让她化妆,她就涂上纯色。结果客户非常不满意,怎么办?你得先教小A认脸。  人工智能起步阶段  小A眼中的世界与我们是不一样的,我们能够看到色彩、形状,而小A的眼里只有0和1两个数字(二进制),你可以理解为小A高度近视,但不愿意戴眼镜。所以小A想要认脸,先要把人脸抽象化,比如人的嘴巴就是一条曲线。小A将这条曲线对应的0、1排列顺序认作是人的嘴巴。  问题又来了,曲线代表嘴巴的话,小A有时候会把眉毛也看成嘴巴,为了避免笑话,你让小A判断是不是嘴巴的时候,不要单纯的以“是”或“不是”为结果。这时候你给小A的一些算法,让她把疑似嘴巴的曲线对应的0、1排列顺序输入算法中,最终结果会出现一个百分数,当百分数大于90%的时候,小A就知道这条曲线就是嘴巴,然后就能化妆了。以上就是比较初级的人工智能,比刚开始聪明一些,但还是不够聪明。  人工智能发展阶段  小A又遇到了问题。小A给一个人化妆的时候没有问题,但给多个人化妆就有问题了,因为人之间差别太大。比如之前都是给樱桃小口的客户化妆,现在突然来了一位大嘴客户,小A不知道该怎么化了。  那该怎么办?为了让小A能够快速掌握技能,你准备了一沓照片,上面几乎拥有人类的全部嘴型(大数据),然后又掺进去了一沓动物嘴型和其他乱七八糟的照片(负样本),一张张的让小A认。小A认对了,你就鼓励她,认错了,就打一巴掌。认对就夸、认错就打,这就是监督学习。  这个过程中小A如何成长呢?还记得之前你给小A的算法吗,现在这个算法里面有几项数值非常重要,这几项数值就是权重。在小A判断照片是不是人的嘴巴时,小A会根据正确或错误的结果调整权重,直到能够不会出现错误。  小A要看多少照片呢?越多越好,而且要重复的让她看。除了看嘴巴的照片,还要看眼睛的、鼻子的,还要给她看拥有全部五官的……这样小A就能将识别的正确率提升到很高的水平。再给客户化妆的时候,客户就会夸小A真智能。  以上就是人工智能发展时要经历的几个阶段,当然其中涉及到很多复杂的知识和技术,而且后续还会有更为复杂的理论和概念,笔者在此就不做深入探究了。  对人工智能的一些认识  相信很多朋友在学生时代对数学中的回归计算有着比较深刻的印象吧,xy轴上的很多个点,你需要找一条线,让所有点到曲线的距离是最近的,然后用一串字符模拟出这条曲线。人工智能机器学习的过程就相当于回归方程计算的过程。只不过人工智能的“回归计算”包含很多节点,过程更加庞大、复杂罢了。  回归计算与人工智能是相似的,以往人工智能没有得到重视的原因是大数据和硬件运算能力达不到神经网络运行的要求,而如今已经达到了,所以人工智能才得以迅速发展。  曾经有组织对某人工智能大赛冠军GoogLeNet网络进行过测试,测试方法与普通识图稍有不同。他们在一张大熊猫的照片中加入了肉眼无法辨别的影响因素后,GoogLeNet网络竟然将大熊猫认成了长臂猿。从这个例子我们能够看出,目前人工智能是很傻很天真的,只是在某些领域发挥除了机器计算的优势而已。  小A要看多少照片呢?越多越好,而且要重复的让她看。除了看嘴巴的照片,还要看眼睛的、鼻子的,还要给她看拥有全部五官的……这样小A就能将识别的正确率提升到很高的水平。再给客户化妆的时候,客户就会夸小A真智能。以上就是人工智能发展时要经历的几个阶段,当然其中涉及到很多复杂的知识和技术,而且后续还会有更为复杂的理论和概念,笔者在此就不做深入探究了。  相信很多朋友在学生时代对数学中的回归计算有着比较深刻的印象吧,xy轴上的很多个点,你需要找一条线,让所有点到曲线的距离是最近的,然后用一串字符模拟出这条曲线。人工智能机器学习的过程就相当于回归方程计算的过程。只不过人工智能的“回归计算”包含很多节点,过程更加庞大、复杂罢了。  以往人工智能没有得到重视的原因是大数据和硬件运算能力达不到神经网络运行的要求,而如今已经达到了,所以人工智能才得以迅速发展。  曾经有组织对某人工智能大赛冠军GoogLeNet网络进行过测试,测试方法与普通识图稍有不同。他们在一张大熊猫的照片中加入了肉眼无法辨别的影响因素后,GoogLeNet网络竟然将大熊猫认成了长臂猿。从这个例子我们能够看出,目前人工智能是很傻很天真的,只是在某些领域发挥除了机器计算的优势而已。
(来自:中关村在线)

这段时间听关于机器学习的分享,因此总结以下几点。

移动互联网时代已结束,未来是人工智能的——李彦宏
我们花了几千年走出农业时代,花了几百年迈过工业时代,正在用几十年跨越信息互联网时代,现在,未来的冰山已经显露一角,我们卧榻之旁不是有人酣睡,而是有人醒来,这,就是智能革命。

一【发展历史】

图片 1

人工智能发展成熟度曲线

这幅有关“人工智能发展成熟度曲线”的漫画,形象地展示出人们在此前两次人工智能热潮中,从被人工智能在某些领域的惊艳表现震撼,到逐渐认识到当时的人工智能还有各种局限,以至于产生巨大心理落差的有趣过程。
人工智能基本可以分为三个阶段:符号阶段,统计学习阶段,神经网络。

1 . 符号阶段

这个阶段技术原理:人为指定逻辑 =》 机器执行逻辑并产生结果

图片 2

图灵机

这个是图灵机的原型,图灵的基本思想是用机器来模拟人们用纸笔进行数学运算的过程。

在这个阶段,是人制定规则,然后由机器去执行这些规则,进行推理和预测。

但是,这个阶段是有问题,什么问题?
比如:一个医疗专家系统(用于判断病情)
问题1:世界是复杂的,混沌的,老专家的经验能转为计算机的规则和逻辑的部分也是有限的,是没有办法穷举的。

问题2:而且不同病情有相同的症状,导致无法准确的判断病情,所以这个阶段自身存在的知识获取难、知识领域窄、推理能力弱、实用性差等问题逐步暴露。

因此从 1976 年开始,人工智能的研究进入长达 6 年的萧瑟期。

2 . 统计学习阶段

这个阶段技术原理:数据 + 算法 =》机器学习逻辑 =》 根据学习的逻辑产生结果

图片 3

机器学习算法

这个阶段是通过数据加算法改变自身的学习,所以又可以称为机器学习,有了简单模拟人的思维,这个阶段的思维是学习来的,规则也是学习来的,而
“ 符号阶段 “
是人给机器制定规则,机器帮人决策,和前一个阶段有着本质的区别。

举几个例子:

  • 房价预测(线性回归算法)

图片 4

通过面积预测房价

这里只关心面积和房价的二维关系,其实现实中是多维关系,比如:房价和区域,房价和房间数,房价和楼层等等。

  • 图片处理(聚类算法)

图片 5

彩色照片转换成素描

这个例子是把彩色照片转换成素描产品,其实原理就是通过机器的学习的聚类算法(属于无监督学习)

但是统计学习阶段很难准确模仿人的直觉,比如:声音识别,人脸识别,情绪识别等。

3 . 神经网络

这个阶段技术原理:数据 + 模拟人的大脑结构 =》机器学习逻辑 =》
根据学习的逻辑产生结果

这个阶段就是把上一个阶段的 算法 换成了
模拟人的大脑结构(神经元),每个神经元代表不同的维度,把这些维度结合综合分析,然后得出结果,这就非常接近人的思维逻辑了,比如看一张照片,确认照片里的人是谁,我们能快速的认出来,但是却无法解释我们是如何分辨的,其实就是一种直觉,说不清,道不明,神经网络也是如此,就像一个黑盒子,你不知道里面是如何运作的。
正因为如此,所以结构复杂,结果非常难以预测,在有些情况下(比如数据量或算力不够大),神经网络还不如普通的机器学习算法,比如SVM(支持向量机)。

3.1神经网络模仿人的大脑结构:

图片 6

模拟人的大脑结构

3.2.实现原理:

图片 7

神经网络

图中的小圆圈其实是一个个的神经元,每个神经元负责某一个特征,神经元之间相互联系,然后把所有的特征组合为更高级的复杂特征。神经元越多,神经网络越复杂,就和人的神经元一样,大脑不断的学习,树突不断在增加。

神经网络也是有问题,甚至不能简单的异或逻辑运算,需要大量的数据学习,大量的数据学习需要大量的算力。

直到大数据和GPU的出现,有了充足的数据和强的算力,让训练复杂的神经网络变为现实,以往打游戏的显卡NVIDIA
,成为了专业人工智能驯兽师。

1 机器学习和专家系统

专家系统是基于经验,人为的归纳总结规则,再基于此类规则进行逐一归类;其优点:人参与规则的制定,可理解性强,易用性;但也因为人的参与导致制定的规则是有限的,很难满足当前环境的需要。

机器学习是利于历史数据和不断的自学习,能够不断的改进模型,适应新的变化和需求,覆盖面较广;学习要求较高,
计算耗费较多的资源等。

图片 8

二 【关于大数据和人工智能】

某些复杂系统面前, 数据在增长,大数据的洞见确没有增长。
因为大数据预测遇到了噪声失效。
例如:
美国大选,数据上看是希拉里占优势,但是还是出现了黑天鹅事件,特朗普赢了。
所以多维度,多因素的复杂系统面前,大数据预测往往就失效了,这个时候大数据

  • 人工智能也许是更好的解决方案。

2 机器学习

HBO《西部世界》海报

三 【机器学习分类】

1.根据学习模式分类

  • 监督学习
![](https://upload-images.jianshu.io/upload_images/7551212-62c7e4cb4c06cacc.png)

监督学习

通过告诉计算机哪些是猫,哪些是狗,让计算机不断的学习猫和狗,通过这种指引的方式,计算机就掌握辨别猫和狗的能力,其实就是给图片打上猫和狗的标签,这个过程是有人参与的,所以叫监督学习。

  • 非监督学习

图片 9

非监督学习

通过给计算机大量猫和狗的图片,让计算机发现其中猫和狗特征的规律,然后把猫和狗分类,这里学习到是猫和狗的特征规律,计算机并不知道猫是猫,狗是狗。

  • 强化学习
![](https://upload-images.jianshu.io/upload_images/7551212-05c85d019a240c4c.png)

强化学习



例如一家日本公司
Fanuc,工厂机器人在拿起一个物体时,会捕捉这个过程的视频,记住它每次操作的行动,操作成功还是失败了,积累经验,下一次可以更快更准地采取行动。

发表评论

电子邮件地址不会被公开。 必填项已用*标注