河南奥康肥业有限公司

您所在的位置 > 主页 > 新闻中心 > 行业新闻 >
行业新闻Company News
人工智能的突破和局限,知道这两点就够了
发布时间: 2019-12-30 来源:互联网

今天我们继续讨论硬科技话题,人工智能,很多人满天嘴里都是“ABCD”,炒作概念,跟踪热词,但是很多人都是浑水摸鱼,不懂装懂。这里科普一下,A(人工智能)B(区块链)C(云计算)D(大数据)。

很多人对人工智能有不同意见和看法,有悲观也有乐观,这很正常,因为一千个读者,就有一千个哈姆雷特。但是似乎对人工智能的看法分为两个极端,大家各执己见,要么过度恐惧,要么过度兴奋。其实这两种观点都不够客观,我们需要更冷静客观,需要知道人工智能的突破和局限,塔带来的技术变革,还有它的局限和不足。

有人认为当前的人工智能只是“高级自动化”;也有人说人工智能即将超越人类,大面积取代人的工作。

今天,我们不妨来分析一下人工智能相对于人类智能来说有什么优势和劣势,从而推断人工智能的有效应用以及下一步的发展方向。

这一轮人工智能的核心:表征学习 人工智能这个词实际上是以人类为中心的。人类具有智能,我们希望制造出机器能模仿人类的智能,更好地为人类服务。然而人的智能不过是自然界的一种生物信息处理系统,智能仍可以以其他形式存在。

就像巴普洛夫的狗一样,基于条件反射。不断重复强化,小狗学习的过程叫做强化学习。通过对正确的行为给予奖励,错误的行为给以惩罚,从而获得正确的行动模式,就是基本的强化学习过程。

人工智能的学习过程和小狗十分相似,给计算机一张图片,上面写着基本的算式,并让计算机给出结果,通过训练,机器会比小狗做得更快更好。在小狗和人工智能的学习过程中,有一个概念非常重要,就是“表征”。河南硫基

在学习过程中,小狗会把看到的算式图片转化成一个简化的模式信号,通过强化学习,将这个模式信号映射到结果,简单来讲,就是看到这张图后能识别出其中的关键信息,然后联想到应该叫几声。将图片转化成模式信号的过程叫做“表征”。人工智能学习的过程中,表征学习起了很重要的作用。

人工智能在识别一只猫的时候,深度神经网络会通过学习大量的各种各样的猫的样本,然后将各种不同的猫的输入图片简化为基本相同的一个模式信号,这个过程即表征学习。经过可视化处理,学到的猫的表示信号如下图。

最后通过强化学习,人工智能识别准确率会逐渐提升,然后就可以成功地识别出一只猫了!所以说这一轮人工智能进步的核心就是表征学习。

人工智能神经网络的表征学习可以有效地简化各种复杂的输入信号,从而推动人工智能的不同领域,如图像识别,语音识别的进步。然而神经网络的表征学习需要大量的输入样本,计算量也很大。在表征学习的背后,是大数据和计算能力的支持。

表征学习确实是一个有效的进步,它把人工智能带入公众的视线。弱人工智能与强人工智能。我们不妨来看看人工智能和人类智能的差距。

小朋友不仅将看到的算式简化为模式,更理解算式本身的含义。在算术之上,人可以进一步去学代数方程。这是人类智能的强大之处。在表征学习之上,人类还有一个强大的知识体系。知识体系中累积了人的学习成果,好用的有效的被保存下来,无用的或不利的则被删除。

人脑的强项在于感知当前的复杂形势,结合自己的知识体系,推理出合理的行为。表征学习,知识体系和自动推理的有机结合,形成了人类智能。

与人类智能相比,机器学习算术只能将输入的算式图片映射为结果,缺少知识体系的支持。它不理解算式的河南尿基含义,当然也不可能会把算式应用在别的场合,不能像人类那样,在学会算术的基础上,进行更深的学习。当需要综合调动表征学习,知识体系和推理时,人类很容易完成的事情,对于机器却不可能。

眼下的人工智能,只是在特定领域,反馈目标明确下学习获得的智能,也就是弱人工智能。比如学习算术这个任务。这里的输入样本相对确定,都是数字图片,对学习结果对错的反馈直接,学习的目标单一而明确。有了这些限制条件,机器可以胜任这类学习任务。学围棋比学算术在工程实现上复杂,但学习的任务模式类似。

与弱人工智能相对,能够模仿人类学习的人工智能叫做强人工智能或通用人工智能。强智能是人工智能的目标,有关强智能的研究还处于起步阶段。

当前人工智能在应用上的问题是缺少通用智能的支持。尽管弱人工智能通过大数据训练,在特定任务上可以取得不错的效果,但在与人的交流中,随时都可能需要通用智能的支持。

可以看出,在缺乏通用智能的支持下,很多人工智能的实际应用差强人意,难以与人有效交流。

另外一些领域,如自然语言,场景不受限制的图像,完全自动驾驶等,靠谱的应用则需要通用智能的支持。

虽然当前人工智能很热,我们仍需冷静看待,要看到人工智能的用武之地,也要看到当前技术能力的界限。准确把握当前的技术,才能产生有效的创新与应用。

最后,不知道你对人工智能的应用场景有哪些思考,还有你是人工智能的乐观派还是悲观派?欢迎留言区分享讨论。