人工智能是怎样运作的
收听音频课程
人工智能试图了解智能的实质，并生产出一种新的能以人类智能相像的形式作出反应的智能机器，该领域的研究包括机器人、语言辨识、图像辨识、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日渐成熟，应用领域也不断扩大，可以预见未来几年将会步入“人工智能时代”。
目前AI早已布满我们的世界但是在日常生活中形成了巨大的变化。这种AI并不是悬疑连续剧中的这些有自我意识，计划毁灭世界邪恶的机器人。而是像我们的智能手机、智能家装、银行信用卡管家和智能车辆这种围绕我们每晚生活的产品和服务都在使用AI。
AI将通过促进手动驾驶车辆的发展、改善医学图象剖析、促进更好的医疗确诊和个性化医疗，因而带来社会的重大转变。AI也将是支撑未来技术发展的基础资源，如同电力和网路一样。但对大部份人来说，AI还是很奇特并且饱含神秘感。
这么我们明天就来聊一聊AI最重要的功能——模式辨识的工作原理。希望通过简明简略的介绍帮助你们了解这个领域。
AI是一门严谨科学而不是无所不能神话故事，媒体过于夸大报导AI的功能，宣扬恐吓论都是不负责任的。AI目标是设计具有智能的机器，其中的算法和技术部份借鉴了当下对人脑的研究成果。明天许多流行的AI系统使用人工神经网路来模拟由特别简单的相互联接单元组成的网路，有点像脑部中的神经元。这种网路可以通过调整单元之间的联接来学习经验，这个过程类似人类和鸟类的脑部通过更改神经元之间的联接来进行学习。神经网路可以学习模式辨识、翻译语言、学习简单的逻辑推理，甚至创建图象或则产生新设计。其中，模式辨识是一项非常重要的功能，由于AI非常擅于辨识海量数据中的隐藏的模式，而这对于依赖经验和知识的人类来说就没有这么容易。这种程序运行的神经网路具有数百万单位和数十亿的联接。我们如今所能创造下来的“智能”就是由那些电子神经元网路组成的。
机器不像人类具有感知脏器和脑部，而且还能挺好地协调工作，例如当我们看见一只狗的时侯，都会很快的判定下来这是哪些植物，但是具体哪些种类。这个看似简单的过程对于机器来说都是非常困难的。而人类获得这样的能力，也是源自于生物上亿年的进化过程。而机器认识世界的方法是通过模型，须要通过复杂的算法和数据来建立模型，进而使机器获得很简单的感知和判定的能力。
下边介绍一下深度学习系统中一个最重要算法——卷积神经网路。假如你之前对AI相关知识有所了解的话，那你一定据说这个概念。这些算法参考了生物学研究人类和其他植物脑部视觉皮层的结构。简单介绍一下这些特定类型的人工神经网路，它使用感知器、机器学习单元算法，用于监督学习剖析数据。适用于图象处理、自然语言处理和其他类型的认知任务。与其他类型的人工神经网路一样，频域神经网路具有输入层、输出层和各类隐藏层。其中一些层是频域的，使用物理模型将结果传递给连续的层。这过程模拟了人类视觉皮层中的一些动作，所以称为频域神经网络，也就是CNN。
举例子来看，当我们人类看见一只猫和一只狗时，虽然它们的身材很类似，但我们还是马上就能分辨它们分别是猫和狗。对计算机而言，图象仅仅只是一串数据。在神经网路的第一层会通过特点测量物体的轮廓。神经网路的下一层将测量这种简单纹样的组合所产生的简单形状，例如昆虫耳朵和鼻子。再下一层将测量这种形状组合所构成的物体的个别部份，比如猫和狗的头或则腿。神经网路的最后一层将测量刚刚这些部份的组合：一只完整的猫、一只完整的狗等等。每一层的神经网路就会目标进行图象组合剖析和特点检查，因而进行判别和组合，并将结果传递给下一层神经网路。实际使用的神经网路的层次深度会比这个事例多好多，所以神经网路才能以这些分层的方法进行复杂的模式辨识。
只要有大量被标记的样本数据库，就可以对神经网路进行特点训练。它对于辨识图象、视频、语音、音乐甚至文本等信息非常有用。为了挺好地训练AI的机器视觉，我们须要提供给那些神经网路被人标记的大量图象数据。神经网路会学习将每位图象与其相应的标签并互相关联上去。能够将先前未曾见过的图象及其相应的标签配对。这样的系统可以梳理各类各样的图象，而且辨识相片中的元素。同时神经网路在语音辨识和文本辨识中也十分有用，手动驾驶车辆和最新医学图象剖析系统中也是关键组成部份，所以你可以看见神经网路的运用是极其广泛并且有效的。原先须要依赖人工标记大量有效数据来完成知识的输入，现今通过运行海量数据，让神经网路进行自我学习。大大提高的人工智能的应用范围，增加了使用的门槛。
人类脑部与植物远远不同，在进化过程中高度特化而且具有显著的适应性。而当前的AI系统远远不具有人类拥有的看似通常的智能。人工智能更中级的发展将会在旁边进行讨论，我们这儿还是关注如今实现的AI的基本原理。
AI最常见的三种学习方法
加强学习这是关于机器应当怎样行动以获得最大化奖励的问题，它受行为心理学理论的启发。在特定场景下，机器选购一个动作或一系列动作并获得奖励。机器行为每一步骤就会被标记，而且记录结果和赋于权重。加强学习一般用于教机器玩游戏和博得赛事，例如国际围棋、围棋或简单的视频游戏。加强学习的问题是，单纯地加强学习须要海量的试错，就能学会简单的任务。用处是只要你提出一个有价值的问题，提供足够的数据输入，理论上来说加强学习最终会找到哪个最优解。
监督学习就是须要我们告诉机器特定输入的正确答案：这是一幅车辆的图象，正确答案是“汽车”。它之所以被称为监督学习，是由于算法是从带标签数据学习的。这个过程类似于向年幼的儿子展示图画书。成年人预先晓得正确的答案，儿子按照上面的事例作出猜测。这也是训练神经网路和其他机器学习体系结构最常用的技术。
无监督学习人类和大多数其他植物的学习过程，非常是刚生出来的时侯，是以没有人监督的方法来进行学习的：我们通过观察和认知我们行动的结果来了解世界怎么运作。没有人告诉我们刚开始所听到的每一个物体的名称和功能。但我们一直学会特别基本的概念，当前我们还不晓得怎样在机器头上实现这一点，起码难以达到人类和其他植物的水平。缺少用于无监督学习的AI技术，也是当前AI发展问题之一。
概括来说当前AI技术原理是：将大量数据与强悍的运算处理能力和智能算法两者相结合上去，构建一个解决特定问题的模型，使程序才能手动地从数据小学习潜在的模式或特点，进而实现接近人类的思索形式。下边补充介绍三个AI研究领域重要的理论技巧和技术便于理解：
一、机器学习手动化剖析建模。
它使用来自神经网路、统计、数学和数学学的方式来发觉数据中的隐藏模型智能AI，而且无需明晰编程查找具体目标和范围。理论基础是这样的：如果我们为了研究某个复杂的科学问题，须要创建海量的机器学习模型、使用大量的算法、使用不同的参数配置，在这些情况下，我们就可以使用手动化的形式进行建模。发展手动化机器学习是为了向科学家提供帮助，而不是替代她们。这种方式使数据科学家甩掉了令人厌恶和复杂历时的任务（例如详尽的参数优化和调试），机器可以更好地解决这种任务。而旁边的数据剖析与推论的工作一直须要人类专家来完成。在未来，理解行业应用领域的数据科学家，也就是数据业务构架师，一直非常的重要。而这一项人工智能技术，将会辅助数据科学家构建模型而且加速验证的速率，进而减少科学家的压力，让她们将精力放到这些机器难以完成的任务里面，通过愈发合理的分工协作，大大推动科学技术研制速率。
二、深度学习领域
这是应用十分广的技术，它使用具有多层处理单元的巨大神经网路，借助强悍估算能力和改进的训练技术来学习大量数据中的复杂模式。原理是计算机在学习特定问题时，须要大量输入这个问题相关的学习材料也就是数据，之后在计算机通过算法和模型来建立对这个具体问题的认知，也就是总结出一个规律，这么在之后碰到相像问题时，计算机会把搜集的数据转成特点值，假如这个特点值符合这上面规律上面的特点值，这么这个事物、行为或则模式，就可以被辨识下来。常见的应用太多了，这儿大约举一些事例：
计算机视觉，这如同是机器的“眼睛”。依赖于模式辨识和深度学习来辨识图片或视频中的内容。当机器可以剖析和理解图象时，她们可以实时捕捉图象或视频并剖析周围环境。感知周围环境、识别可行驶区域以及辨识行驶路径，这也是无人驾驶的基础技术。其中图象辨识原理是通过辨识图片中的对象，之后完善标签，实现对海量图片进行分类，也可以对图象中的人脸或则其他目标进行辨识，运用在安防监控等领域；
自然语言处理中语音辨识技术如同是机器的“耳朵”：这是计算机剖析、理解和生成人类语言和语音的能力。运用语音采集的技术和技巧，对音频中的语言内容进行提取和辨识，实现语音实时转文字的功能；下一阶段将会是自然语言交互，人们将可以使用普通的日常语言与计算机进行交流和执行任务。这也是AI语音助手和语音控制交互技术的基础。
机器翻译：模仿人脑理解语言的过程，产生愈加符合句型规则同时愈发容易被人理解的翻译，微软在线翻译功能就是运用了深度学习技术，让机器的翻译水平大大提高；
情感辨识：通过辨识新闻、社交媒体、论坛等文本内容中所包含的情感诱因，及时了解网路舆论对新闻风波的反应情况；
医疗确诊：例如通过对各个阶段的癌症确诊这类医疗图象数据进行学习，总结出恶性脑瘤形状、纹理、结构等“特征”模型，进而使机器可以进行判定。
可以看见深度学习在神经元网路的基础上，发展出了十分多的应用案例，但是当下各个行业的人工智能辅助工具和软件都在大力开发中，各类数据都在被大量采集、清洗、输入模型训练，一旦训练成功就可以大规模布署，带来巨大的商业价值。具体有多大呢？参考一下人脸辨识领域的独角企业市值和堪称千亿的市场规模就晓得了。假如这样的市场再除以百倍、千倍呢，这儿面的蕴涵商业机会有多少呢？
三、认知估算
这也是人工智能的子领域，目标是与机器进行自然的、类似人类的交互。使用人工智能和认知估算，最终目标是让机器获得理解图象和语音的能力，模拟人类交流过程，因而实现与人类的自然对话。也是依照神经网路和深度学习来建立的，应用来自认知科学的知识来建立模拟人类思维过程的系统。它囊括多个学科，包括机器学习、自然语言处理、视觉和人机交互。IBM就是认知估算的一个反例，在日本答题大赛节目上诠释了它先进的问答交互能力智能AI，而且击败了人类。与此，同时这种服务应用插口也进行了开放，可提供其他组织用于视觉辨识、语音辨识、语言翻译以及对话引擎等等。
如同AI的形成是多学科发展的综合成果一样，当下AI的快速发展也是多方面技术进步综合上去取得的成果，总结上面重要的三个方面：
1.硬件方面：
直至本世纪初研究人员才意识到，为视频游戏设计的GPU（图形处理单元）可以被用作硬件加速器，以运行比先前更大的神经网路。这要归功于这种芯片才能进行大量并行估算，而不是像传统CPU那样按次序处理它们。这对于同时估算构成深度学习神经网路的数百个神经元的权重非常有用。
2.通用算法：
AI那么快就流行上去，在很大程度上是由于开放的软件工具(亦称为框架)，促使建立和训练一个神经网路实现目标应用程序显得容易上去，即便是使用各类不同的编程语言。对于已知的辨识目标，可以离线定义和训练一个神经网路。一旦训练完成，神经网路可以很容易地布署到嵌入式平台上，也可以迁移到各类软件程序和硬件平台中。这是一个聪明的构架，允许利用PC或云的能力训练神经网路，而低帧率的嵌入式处理器只需使用训练好的数据来进行辨识。人体和物体的能力与流行的应用密切相关，例如工业机器人和手动驾驶车辆。
3.其他技术支持：
图形处理单元是AI的关键，由于它们提供了迭代处理所需的大量估算能力。训练神经网路须要大数据和估算能力。而物联网从联接的设备生成大量数据，其中大部份未经剖析。使用AI手动化模型将容许我们使用更多的物联网数据进行剖析，将货运和信息流更好的结合上去。还有就是AI应用程序插口，可以将AI功能添加到现有产品和软件中。例如它们可以为安防视频系统中添加图象辨识功能；也可以在我们观看网路视频时，手动创建翻译和字幕；或则是在照相程序中手动识他人物性别和年纪甚至是表情和情绪等等，应用将会十分广泛。
其实，这都是AI常常使用的方式，虽然我们创造了单个项目拥有赶超人类智慧的机器，这种机器一直能力有限。短期来看，人工智能将提供接近人类交互体验，并为特定任务提供辅助支持，但它还不能成为人类的代替品，有自我意识的AI还不会很快出现。
本篇是老张创作的课程《人工智能进化论课程》基础篇内容，转载需授权。
免责声明：部分文章信息来源于网络以及网友投稿，本站只负责对文章进行整理、排版、编辑，出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性，如本站文章和转稿涉及版权等问题，请作者在及时联系本站，我们会尽快为您处理。
