当前位置:   article > 正文

人工智能入门(二)(简述、理论基础、历史和发展现状)_智能决策理论基础

智能决策理论基础

简述

  • 1956年的“达特茅斯夏季人工智能研究计划”会议,被认为是人工智能的诞生。

  • “图灵测试”提出于1950年,是用来提供一种令人满意的关于智能的可操作定义:如果一个人类的提问官,在提出一些书面问题之后,无法分辨这些书面回答究竟是来自于人还是一台计算机,则认为计算机通过了该测试,是对机器智能的度量。

  • “视觉图灵测试”提出于2014年,是采用一个操作员辅助设备、根据给定的图像产生随机的二元问题序列。

  • 目前的计算机视觉系统是测试任务的精度,这些任务包括对象检测、图像分割和定位。

  • “中文屋”是一个思想实验,也被称为希尔勒的中文屋论证,试图揭示计算机绝不能描述为有“智力”或“知性”,不管它多么智能。

  • 实验为对中文一窍不通的人通过操作处理符号和数字,生成了准确的字符串。得出结论是,按程序运行的计算机可以使它看起来理解了语言,但并没有产生真正的理解。


理论基础

  • 人工智能的八个理论基础:哲学、数学、经济学、神经科学、心理学、计算机工程、控制理论和控制论、语言学。

  • 数学对人工智能的理论支撑包括三个方面:
    (1)逻辑学:得出正确结论的形式规则。
    发展:命题逻辑,即布尔逻辑——一阶逻辑,扩展布尔逻辑,增加了对象和关系——指称理论,揭示如何将逻辑中的对象与对象相关联。
    (2)计算:研究什么是可计算的。
    发展:描述可计算的函数——提出计算的易处理性概念——提出了NP完全性理论。
    NP完全性理论:P(确定多项式时间的问题)、NP(不确定性多项式时间的问题)、NPC(NP完全性问题,是NP中最难的问题)。
    它是计算复杂性理论中的一个重要概念,它表征某些问题的固有复杂度。一旦确定一类问题具有NP完全性时,就可知道这类问题实际上是具有相当复杂程度的困难问题。
    (3)概率:研究如何根据不确定信息进行推理。
    发展:将概率描述为博弈事件中可能的结果——推进这一理论,并引入了新的统计学方法——提出贝叶斯规则,成为不确定性推理的现代方法基础。

  • 神经科学研究大脑如何处理信息:
    神经科学研究神经系统,尤其是大脑。大脑在记性决策方面(预测和仿真是决策关键)非常优越,且不像软件那样模块化。
    大脑中神经元的数量基本上固定的,计算机中处理单元的数量每五年增加十倍。

  • 认知心理学研究人类如何思考与行动:
    把大脑看作是信息处理设备,是研究心智过程的学科。
    研究方面:注意机制(意识集中在某个有用的感知信息子集的状态)、语言应用(研究语言习得、语言形成的组件、语言使用的语气及其他相关领域)、记忆(包括三个子集:过程、语义和情景)、感知(研究人类物理感知及认知过程)、问题求解、创造力、思考。
    元感知是关于认知的认知,有两个组成部分:关于认知的知识,以及认知的调节。
    认知心理学是研究人脑如何接受外部世界的输入,如何处理以及作用等;认知科学则是研究如何在大脑中形成以及转录过程的跨领域学科,关注于通过研究收集数据。

  • 控制理论与控制论研究机器如何能在自身的控制下运行:
    控制理论是工程与数学的交叉学科分支,研究处理动态系统对输入的行为,以及该行为如何通过反馈进行调整。
    控制论是跨学科的研究途径,探索调控系统的结构、约束和可能性,1948年被定义为“研究动物与机器的控制与通信的科学”,21世纪被简单解释为“用技术控制任何系统”。


历史

  • 1950-1956:人工智能诞生,标志是达特茅斯会议和图灵测试的提出。
  • 1956-1974:人工智能的黄金时代,代表性事件为:
    1958年,出现了被称为“逻辑理论家(LT)”的第一个人工智能程序,同年出现了著名的Lisp编程语言作为AI语言。
    1960年,出现了用于机器翻译的语义网络。
    1963年,关于模式识别的论文被发表,其中描述了第一个机器学习程序。
    1965年,出现了首套专家系统——Dendral,一个用于推断有机化合物分子结构的软件。
    1974年,出现了MYCIN程序,一个非常实用的基于规则的医学诊断方法。
  • 1974-1980:人工智能进入第一次寒冬,在此之前,有一系列的失败昭示:
    1966年,机器翻译失败。
    1970年,连接主义遭到遗弃。
    1971年,美国国防部高级研究计划局(DRAPA)对卡内基梅隆大学的语音理解研究项目感到沮丧。
    1973年,受到“人工智能:综合调查”报告的影响,英国大幅缩减AI研究。
    1974年,DARPA削减了一般性AI学术研究经费。
  • 1980-1987:人工智能进入繁荣期,标志性事件如下:
    1980年,美国人工智能学会(AAAI)在斯坦福大学召开了第一届全国大会。
    1982年,日本启动第五代计算机系统(FGCS)项目,用于知识处理。(计算机前四代都是由器件划分的,第一代为真空管,第二代为晶体管,第三代为集成电路,第四代为微处理器。)
    1980年代中期,机器学习出现,当时发明了决策树模型,具有可视化、易说明等特点。同年出现了多层人工神经元网络(ANN),具有足够多的隐蔽层,可以表达任意的功能,因而突破了感知的局限性。
  • 1987-1993:人工智能进入第二次寒冬,标志性事件如下:
    1987年,Lisp机的市场崩溃。
    1988年,美国取消新的AI经费。
    1993年,专家系统滑向低谷。
    1990年,日本第五代计算机项目因未达目标而落幕。
  • 1993至今:人工智能取得突破性进展:
    1997年,IBM深蓝战胜卫冕国际象棋冠军,成为第一台计算机国际象棋系统。
    2005年,斯坦福大学的Stanley,赢得DRAPA无人驾驶汽车挑战赛。
    2006年,Science发表有关”深度学习“论文,该术语成为热门。
    2011年,IBM沃森战胜智力竞赛Jeopardy冠军,同年谷歌启动了深度学习项目“谷歌大脑”,它将一万六千台计算机连成集群,致力于模仿人类大脑。
    2012年,苹果公司推出Siri,作为一种智能个人助理和知识导航软件,使用自然语言用户接口来回答问题、做出建议和执行动作。同年微软首席研究官,演示了一款实时英语-中文通用翻译系统,可以保持讲者的口音和语调。
    2014年,微软推出智能个人助理Cortana,微软中国推出聊天机器人小冰,同年聊天机器人Eugene Goostman被认为通过图灵测试,同年IBM发表了类人脑工作的TrueNorth芯片,总计刚好超过百万个神经元。
    2015年,谷歌DeepMind公司在Nature上发表了Deep Q-network,通过深度强化学习达到人类水平的操控,同年AlphaGo打败欧洲围棋冠军。
    2016年,位于华盛顿特区的信息技术与创新基金会(ITIF),将年度卢德奖颁发给包括史蒂芬霍金在内的“一个科学家和名人组成的松散联盟,他们在2015年警告AI将会导致人类的末日,激起恐惧和歇斯底里。”

发展现状

  • 将人工智能划分为如下四类:
Humanly(类人地:以对人类表现的逼真度衡量)Rationally(理性地:用理想的性能表现衡量)
ActingActing Humanly(需要人类智能才能完成的功能)Acting Rationally(关注于用人工手段去实现智能行为)
ThinkingThinking Humanly(与人类思维相关活动的自动化)Thinking Rationally(通过使用计算模型进行心智能力的研究)

——理性:一个系统如果对已知的知识做出正确的动作,则被称为理性。

  • 将人工智能划分为如下三类:
    Weak AI:弱人工智能,也称人工狭义智能(ANI),是无意识的,专注于一个具体的任务。
    Strong AI:强人工智能,也称人工广义智能(AGI),意味着机器具有将智能用于处理任何问题的能力,是AI研究的主要目标。
    Super AI:超人工智能,也称人工超级智能(ASI),是一个假定的智能体,拥有远超人类大脑的智能;也指问题求解系统的特性,例如,超级智能语言翻译器或工程助理。
  • 人工智能的专业应用:计算机视觉、图像处理、AR(增强现实)、VR(虚拟现实)、MR(混合现实)、模式识别、智能诊断、博弈论和策略规划、AI游戏和游戏机器人、机器翻译、自然语言处理和聊天机器人、非线性控制和机器人技术等。
  • 在其他领域的应用:智能生活、自动推理、自动化、生物计算、概念挖掘、数据挖掘、知识表示、语义Web、垃圾邮件过滤、诉讼、机器人学、混合人工智能、智能代理、智能控制等。
  • 推荐论文:
    “A Global Framework for Nonlinear Dimensionality Reduction”,《一种用于非线性降维的全局几何框架》;
    “Nonlinear Dimensionality Reduction by Locally Linear Embedding”,《通过局部线性嵌入进行非线性降维》;
    “Reducing the Dimensionality of Data with Neural Networks”,《利用神经元网络降低数据的维度》;
    “Clustering by fast search and find of density peaks”,《通过快速查找和发现密度峰值进行聚类》;
    “Human-level concept learning through probabilistic program induction”,《凭借概率规划归纳法进行人类层级的概念学习》;
    “Human-level control through deep reinforcement learing”,《凭借深度强化学习达到人类水平的操控》;
    “Deep learing”,《深度学习》;
    “Mastering the game of Go with deep neural networks and tree search”,《利用深度神经网络和树搜索征服围棋游戏》;
  • 人工智能的五大研究领域(前四种为原理):
    搜索:针对问题空间,也被称为问题求解。
    推理:根据知识。
    规划:根据规则。
    学习:从数据中学习。
    应用:沟通(自然语言处理、机器翻译和聊天机器人等)、感知(视觉、听觉和语音等)和动作(机器人、无人飞行器和无人驾驶等)。
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/神奇cpp/article/detail/1011579
推荐阅读
相关标签
  

闽ICP备14008679号