到底什么成就了今天的人工智能?(上)

来源:http://www.gdhfd.com 作者:澳门太阳娱乐集团官网 人气:174 发布时间:2019-07-02
摘要:随着联结主义技术的广泛运用,其劲敌符号主义AI的战略互补性愈发凸显出来,主要适用于任务关键型应用,具有动态调试、可验证性、可解释性等特点。 摘要: 人工智能发展迅速,可

随着联结主义技术的广泛运用,其劲敌符号主义AI的战略互补性愈发凸显出来,主要适用于任务关键型应用,具有动态调试、可验证性、可解释性等特点。

摘要: 人工智能发展迅速,可是到底什么成就了今天的人工智能呢?跟随我们一起来探索吧。

图片 1

维基百科对智能有如下定义:

每当有这样的两方旗鼓相当、针锋相对时,人们很快会选好阵营,为喜欢的一方摇旗呐喊,对另一方予以攻讦。一直以来,人工智能技术就分为两个阵营:符号主义AI与联结主义AI。由于近期的成功案例与媒体的大肆宣传,联结主义目前已大占上风。有人甚至散布虚假消息,称人们将不再关注传统AI研究与发展,停止对其注资。

智能是一种能够感知或推断信息,并将其作为知识留存下来,自适应地用于某种环境或上下文的能力。

实际上,符号主义与联结主义在人工智能领域都有自己的一席之地。人工智能算法中并没有一个杀手锏,能像欧洲传说里的银色子弹那样,让所有的技术难题似邪魔般触之即散,试图用同一种算法一劳永逸地解决问题不过是痴人说梦。尺有所短,寸有所长,对症下药,方为王道。

人工智能(Artificial Intelligence)虽然我们很难对人工智能做一个确切的解释,但可以从查尔斯巴贝奇的分析机讲起。它虽然没有任何特殊的“自适应”能力,但却非常灵活。遗憾的是,理论上虽然完美,但却没有得以实现。

何为符号主义AI?

图片 2

符号主义有时也被成为GOFAI(优秀的老式人工智能)。当然,这绝不是指该技术垂垂老矣,死气沉沉。符号主义更是一种就相关问题进行建模的经典手段,借由该模型来处理输入数据,以此求解。

巴贝奇分析机早图灵机50年左右出现。从理论上讲,它能够将任何可计算的函数作为输入,并在完全机械的情况下产生输出。

符号主义技术的推广与发展呼声渐高。越来越多的人认识到,高风险决策领域对人工智能系统有需求,因此这些系统的行为要有可验证性与可解释性,而这恰恰是联结主义算法的短板。

复杂性理论(complexity theory)由此得以发展,同时人们也意识到构建通用计算机其实相对简单。此外,算法的实现也越发多样。尽管还存在一些技术上的挑战,但在过去的70年中,相同价格可购买到的计算量大约每两年翻一番。

基于符号主义的系统需要演绎归纳、逻辑推理,以及在特定模型下求解的搜索算法。这包括专家系统(通过规则与决策树从输入数据中推导出结论),约束求解器(在一些给定可能性中求解)和规划系统(从一些初始状态值中找到一系列动作来实现给定目标)。此外,该系统通常还包括一些能控制不确定性与风险的变量。

也就是说,构建计算力强大的人工智能系统越发容易。然而,这受到了所提供或输入的数据,以及处理时间的限制。可以做如下思考:如果每台计算机的能力都受到数据和时间的限制,我们还能称之为智能计算机么?

图片 3

下面我们简单回顾一下人工智能的发展史。人类的智能主要包括归纳总结和逻辑演绎,对应着人工智能中的联结主义符号主义。符号主义认为智能是基于逻辑规则的符号操作;联结主义认为智能是由神经元构成的信息处理系统。其发展轨迹如下图所示:

井字游戏中的极大极小博弈树

图片 4

这种算法往往很复杂,可能是NP难题,或是更糟。因此在解决一些现实问题时,这些算法需要很大的搜索空间。而这意味着,除小范围人为限制的例子外,经典的盲目搜索穷举法是行不通的。因而,这一最不可能求解的途径被排除于搜索空间之外,或者说在很长的时间内都无人问津。

联结主义,即“橙色阵营”在一开始处于领先地位,得益于其与神经科学和人类大脑之间的关系。人类大脑被视为“强AI(Strong Artificial Intelligence)”和“通用人工智能(Artificial General Intelligence,AGI)”唯一的成功应用。然而,第一代神经网络在处理实际问题时屡屡受挫。因为神经网络多数是线性的,并且能力十分有限,深受外界质疑。与此同时,符号主义,即“蓝色阵营”利用严谨的数学理论创造出了更多有用的东西。

符号主义所涉甚广。分支定界算法适用于那些启发式算法无法解决的优化问题即约束满足问题。该算法用上界与下界把解空间分割成一个个分支,并在这些分支里找出可行解。局部搜索算法研究最终值的近似值,并不断对其修正,而在求值过程中有时要随机跳跃邻域来避免局部最优解。元启发式算法所涉甚广,其中进化算法会模拟自然界中的分布和协作机制,如自然选择与仿群行为。

随着手工知识的积累,输入或输出数据量急速增长,系统的性能无法适应需求,联结主义逐渐衰败。就好比法律,专家制定出再完备的规则都有可能相互冲突,此时便需要越来越多的“法官”来解决这些问题。这减缓了联结主义的发展。

启发式搜索算法用评价函数来判断目前状态和目标状态的差距,并且用估测的方式来求值,比起求具体值来这样更省力。松弛算法是一种与任务域无关的启发式算法,该算法不考虑一些给定的约束条件(或现实中可能存在的阻碍),以加快求值效率(该值处于一个更加松弛的约束范围),这一点值得注意。松弛算法具有指导作用,有助于系统在搜索过程中的各个决策点做出更多知情选择。优秀的启发式算法既具有容许性,又有信息性,它会求出最优解,但是,这样的启发式算法并非每次都行得通。对于复杂问题来说,想找到一个满足所有约束条件的可行解,都相当于大海捞针。

后来,“橙色阵营”获取了足够的标签数据和计算资源,能够在可接受的时间内对网络进行“训练”,世界各地的研究学者开始进行大量试验。尽管如此,联结主义仍花费了大量的时间使大众重新信任神经网络,开发人员也花了较长才适应了模糊逻辑和统计的概念。

图片 5

在对人工神经网络进行详细讨论前,本文将先介绍一些其它方法:决策树、概率模型、进化算法。

使用A^启发式搜索来寻找最短路径(图片来源:维基百科)

图片 6

虽然符号主义AI技术可以处理部分不可观察概率模型,但这些技术并不适用于有噪输入信号,也不适用于无法精确建模的场合。在那些可以准确判断出特定条件下特定动作利弊与否的场合中,它们会更有效。此外,算法系统还要提供适当的机制来实现清晰的规则编码与规则执行。

决策树(Decision Tree)是最简单有效的算法之一。其“学习”是通过顺序地遍历数据的每个属性并找到对特定输出具有最大预测能力的属性来执行的。像随机森林这样的高级变体使用了更复杂的学习技术,并在同一个模型中组合多个树,它们的输出是通过“投票”得到的,这与人类的“直觉”类似。

符号主义算法会剔除不符合特定模型的备选值,并能对符合所有约束条件的所求值做出验证,以后者而言,符号主义AI远比联结主义AI便捷。因为符号主义AI几乎或根本不包括算法训练,所以这个模型是动态的,能根据需要迅速调整。

概率模型(Probabilistic models)是统计方法的代表。概率模型与神经网络常共享架构、学习/优化过程甚至符号。但是概率模型大多受概率逻辑的约束,而神经网络则无此约束。

何为联结主义AI?

进化算法(Evolutionary computation)最初是受到生物进化的启发,且以随机突变和适应度为主。由于修改通常是随机的,其限制噪声的效果突出。进化算法是一种引导式搜索,许多方面与退火过程类似。

联结主义AI取名自网络拓扑学。联结主义AI中知名度最高的是人工神经网络技术。它由多层节点组成,这些节点可处理输入信号,并通过权重系数实现彼此的联结,并相互挤压形成下一层。支持向量机也属于联结主义AI。

图片 7

人工神经网络大小不一,形状各异,包括卷积神经网络(擅长图像识别与位图文件分类)与长短期记忆网络(主要应用于时间序列分析等时间类问题)。深度学习与人工神经网络有着异曲同工之妙。

上述方法有一个共同点:它们从较差的策略开始,逐渐对其改善,以期在某种性能评估方法中取得更好的分数。

图片 8

如今,机器学习技术,尤其是深度学习正在主导人工智能的发展。与大多数使用1到2个中间抽象层机器学习方法不同,深度学习可能包含数百甚至数千个堆叠的可训练层。

人工神经网络的一个神经元(图片来源:维基百科)

图片 9

该技术的关键在于,用户无需指定模拟领域的规则,神经网络可以从训练数据中自行摸索。用户只需提供输入数据与输出数据采样(数据采样规模越大种类越多,效果则越好)。联结主义算法不断采用回归模型来调节中间变量的权重系数,直到找到最优模型为止。它通过梯度下降算法来调整权重,将所有训练数据点的累积误差最小化。

研究学者认为对这样的深度网络进行训练,需要全新的优化程序。事实证明,使用梯度下降的逆向传播即可很好的进行训练,也可使用Adam或RMSProp。

本文由澳门太阳娱乐集团官网发布于澳门太阳娱乐集团官网,转载请注明出处:到底什么成就了今天的人工智能?(上)

关键词:

最火资讯