人工智能技術現(xiàn)狀
人工智能技術現(xiàn)狀
最近十年興起的新一波的人工智能熱潮，已經(jīng)在工業(yè)，交通，教育，娛樂，生活甚至在軍事等方面改變了人類社會。當前，人工智能的研究方興未艾，這次人工智能的熱潮主要得益于以下幾個方面技術的發(fā)展，下面是學習啦小編為你整理的人工智能技術現(xiàn)狀，供大家閱覽!
人工智能發(fā)展技術現(xiàn)狀
1.深度學習：作為本次人工智能革命的發(fā)動機，深度學習已經(jīng)在諸多領域取得突破性進展，例如圖像識別，語音識別，自然語言處理，還有最近全球矚目的AlphaGo圍棋程序。與傳統(tǒng)機器學習模型相比，深度學習能從海量數(shù)據(jù)中自動提取高度抽象的特征，在很多特定任務上能達到甚至超越人類的表現(xiàn)。
2.強化學習：與監(jiān)督學習和無監(jiān)督學習一樣，強化學習是第三種機器學習框架。它適用于人工智能對自身所處環(huán)境或要求執(zhí)行的任務未知的情況，強調(diào)如何基于目前的環(huán)境而進行決策，逐步根據(jù)環(huán)境給予的獎懲反饋，調(diào)整自身的參數(shù)和決策策略以取得最大化的預期利益。從另一個角度看，這相當于生物進化和優(yōu)勝劣汰。例如，AlphaGo通過與自身的無數(shù)次博弈進行強化學習提高下棋水平。
3.人工智能專用芯片：除了算法和模型，近年來計算硬件的發(fā)展也推動了人工智能高速發(fā)展。使用英偉達圖像處理器(GPU)進行矩陣運算大大加快了深度神經(jīng)網(wǎng)絡的訓練速度。隨后，各種基于可編程邏輯門陣列(FPGA)的人工智能專用芯片層出不窮，英偉達也推出了專為人工智能應用設計的加速卡。人工智能專用芯片能在很低的功耗下達到傳統(tǒng)CPU集群的計算能力，同時保持很小的體積，使得人工智能廣泛應用于移動設備。
4.大規(guī)模機器學習：數(shù)據(jù)是訓練人工智能系統(tǒng)的必要條件，如何快速地收集，存儲與處理海量數(shù)據(jù)是人工智能發(fā)展的一個重要問題。數(shù)據(jù)庫系統(tǒng)和大規(guī)模機器學習算法的研究也是當前的一大研究熱點。
5.云計算技術：云計算大大降低了大規(guī)模機器學習的硬件成本。用戶可以按其所需靈活租用高性能硬件，而不需要付出時間和金錢成本去調(diào)研，采購以及維護管理機器學習任務所需的硬件設備。這極大地方便了中小企業(yè)和創(chuàng)業(yè)者快速搭建自己的機器學習系統(tǒng)。同時，云計算平臺往往會部署主流機器學習工具，讓非機器學習領域研究者也可以快速入門。
當前，基于機器學習的人工智能取得了很多令人矚目的成果。但目前機器學習的一個很多局限是需要大量標注好的數(shù)據(jù)來進行學習。展望人工智能的未來，我們該如何從技術方面更好的發(fā)展人工智能呢?
1.開源代碼和共享數(shù)據(jù)：目前，人工智能之所以能在全球范圍內(nèi)快速發(fā)展，得益于高質(zhì)量的開源代碼，其中不乏有谷歌微軟等知名公司的作品。有了開源代碼，小型企業(yè)和研究機構(gòu)可以在短時間內(nèi)重現(xiàn)最先進的技術為己所用，并在此基礎上做進一步提升，推進人工智能的發(fā)展。然而在當下，由于涉及到企業(yè)利益和用戶隱私，企業(yè)共享數(shù)據(jù)并不常見，而高質(zhì)量的標注數(shù)據(jù)恰恰是訓練人工智能系統(tǒng)所必需的。
2.政府公開數(shù)據(jù)：過去數(shù)十年里，通過實現(xiàn)電子化政務，政府都累積了大量的數(shù)據(jù)，但大部分數(shù)據(jù)都只是沉淀起來卻從沒有被利用。這些數(shù)據(jù)對于分析特定領域乃至整個社會的運轉(zhuǎn)，預測未來趨勢都有極大的作用。因此，政府應該建立良好的開放數(shù)據(jù)機制，在保護居民隱私的前提下，將利于民生的數(shù)據(jù)公諸于眾，并鼓勵從中發(fā)掘有用的信息，利用人工智能技術促進社會發(fā)展。同時，政府也應該主動收集有用的數(shù)據(jù)以備未來所需，例如各地各行業(yè)的經(jīng)濟數(shù)據(jù)，交通和教育，醫(yī)療等數(shù)據(jù)。
3.特定領域的人工智能：人工智能技術在學術界取得重大進展的同時，也該走出實驗室服務社會。一些傳統(tǒng)領域，例如交通管理，醫(yī)療診斷和法律咨詢，仍在使用傳統(tǒng)的，基于固定策略結(jié)合人的經(jīng)驗的方法。如今，有了海量的歷史數(shù)據(jù)和先進的人工智能技術，智能交通，智慧醫(yī)療和人工智能律師成為了可能。這將大大緩解由于醫(yī)生和律師等專用人才缺乏所帶來的壓力，將人類從復雜繁瑣的勞動中解放出來。
4.機器認知與推理：目前人工智能技術多數(shù)使用數(shù)值的方式來表示信息，而沒有形成類似人類思維中的“概念”，更不能進行歸納，推理，知識遷移，因此只能在特定領域里完成特定任務。想要實現(xiàn)通用人工智能，必須賦予其綜合多個領域的信息，進行認知與推理的能力。
5.無監(jiān)督學習：互聯(lián)網(wǎng)上有著取之不盡的海量數(shù)據(jù)，但絕大部分數(shù)據(jù)都是未標注的。相對于監(jiān)督學習，無監(jiān)督學習框架有希望能夠充分利用這些數(shù)據(jù)，而不需要花費大量的人力物力去標注訓練數(shù)據(jù)，這大大減少了訓練機器學習模型的成本。另一方面，無監(jiān)督學習更加接近人類的學習與認知方式：從混沌未知的世界中學習知識。
6.小樣本學習：深度學習目前取得了巨大成功，但其局限性也很明顯，即它需要大量的數(shù)據(jù)及計算資源去訓練模型。從這方面上說，深度學習與人的學習能力還相差很遠，例如小孩只需幾張貓的圖片就能學習準確地識別貓，而深度學習模型則需幾百萬張的圖片。人駕駛汽車行駛了幾千公里就是老司機了，而自動駕駛則需行駛幾百萬公里才能訓練到令人滿意的效果。小樣本學習更接近人類的智能模型，小樣本學習能力的發(fā)展能夠?qū)⑷斯ぶ悄芗夹g應用到更多更廣泛的領域。小樣本學習研究的一個重大突破是三名分別來自麻省理工學院、紐約大學和多倫多大學的研究者在2015年提出的Bayesian Program Learning方法，并利用它解決 “看一眼就會寫字”問題。
7.模型的可解釋性和穩(wěn)定性：人工智能另外一個難題就是機器學習模型的可解釋性和穩(wěn)定性。目前大部分機器學習模型都是“黑盒”模型，很難讓人理解。當模型出現(xiàn)失敗，我們很難理解到底是哪里及為什么出錯了，在醫(yī)療領域，無法解釋的模型很難讓病人及醫(yī)生接受。而且模型穩(wěn)定性也一直是個問題，例如給圖片加些白噪音，深度學習模型會給出令人大跌眼鏡的預測結(jié)果。要想人工智能普遍被接受并應用到人們生活當中去，必須以人們能夠理解模型為前提。然后才會獲得信任，促使其產(chǎn)業(yè)化，大規(guī)模生產(chǎn)。
8.多學科交叉研究：目前在一些特定領域上，人工智能系統(tǒng)取得了相當好的結(jié)果，但和人腦相比，沒有任何一個人工智能系統(tǒng)能夠具有像人腦一樣的自適應性，魯棒性等等。未來的人工智能發(fā)展需要多學科(例如腦科學，心理學，哲學，社會學，教育等) 交叉研究。
9.如何約束人工智能：隨著人工智能進入人們的生活，各種對于人工智能的擔心接踵而來。約束人工智能的行為，使之更好的服務人類而不被濫用和失控，不僅是倫理和政治問題，也是技術需要解決的問題。1942年，阿西莫夫在他的小說中提出著名的機器人三定律作為機器人的行為準則，然而技術上的實現(xiàn)還遠未完善。
猜你喜歡：