《人工智能现状与未来编订》由会员分享，可在线阅读，更多相关《人工智能现状与未来编订（98页珍藏版）》请在金锄头文库上搜索。
1、,人工智能的现状与未来,网经科技,刘继明,目录 content,人工智能简述,深度学习算法,知识图谱,人工智能将引领人类第四次工业革命 智能化,时间,18世纪末,工业1.0 创造了机器工厂的 “蒸汽时代”,20世纪初,电力广泛应用,蒸汽机,信息物联系统,1970年代初,今天,工业2.0 将人类带入分工明确、大批量生产的流水线模式和“电气时代”,工业3.0 应用电子信息技术，进一步提高生产自动化水平,自动化、信息化,工业4.0 开始应用信息物理融合系统（CPS）,复 杂 度,悄悄 来临,互联网时代,正在 终结,人工智能 机器人,交通工具（即无人机、无人驾驶等） VR（虚拟现实）,AI将催生“无用
2、阶层”吗？,人工/脑力劳动：翻译、记者. 人工/体力劳动：保安、保姆.,什么是人工智能(AI)?,全面实施战略性新兴产业发展规划，加快人工智能等技术的研发和转化，做大做强产业集群 把发展智能制造作为主攻方向，推进国家智能制造示范区、制造业创新中心建设,人工智能：国家战略(2017年政府工作报告),人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处
3、理和专家系统等。 人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。,什么是人工智能？,人工智能有那些类型？,弱人工智能，包含基础的、特定场景下角色型的任务，如Siri等聊天机器人和AlphaGo等下棋机器人； 通用人工智能，包含人类水平的任务，涉及机器的持续学习； 强人工智能，指比人类更聪明的机器；,1956,1974,1980,1987,1993,2006,AI的诞生 1956达特矛斯 会议，“人工智 能”正式诞生,孕育期 电子计算机 机器翻译与NLP 图灵测试 计算机下棋 早期神经网络,搜索式推理 聊天机器人,乐观思潮,所有的AI程序
4、 都只是“玩具”,运算能力,计算复杂性,常识与推理,专家系统,知识工程,五代机,神经网络重生,未达预期 削减投入,摩尔定律,统计机器学习,AI广泛应用,大数据,计算能力,应用增多,深度学习,人工智能,2016,人工智能发展历程,手机中的AI,人工智能相关技术刚刚越过曲线高峰（处于狂热期），是推动透明化身临其境体验技术发展的主要动力 涉及透明化身临其境体验的人本技术（如智能工作空间、互联家庭、增强现实、虚拟现实、脑机接口）是拉动另外两大趋势的前沿技术 数字平台在曲线上处于快速上升期，其中的量子计算和区块链将在今后510年带来变革性的影响,AI处于什么阶段？,AI Roadmap,国人为什么要关注
5、AI？,为什么人类能成为地球的主宰？,基因：人和大猩猩的基因，有98.4%都是完全一样的，只有1.6%有区别,“符号语言”（口头语言和书面文字）：传递、保存、共享知识 “集体知识”：人类的大脑可以相互共享信息，交换知识,人类个体比其他动物没有多大优势，掌握了符号语言，人类社会的结构发生了突变，有了一个连接在一起的集体大脑。这种物种之间相互关联、相互作用的方式，才是我们和其他物种的真正区别,脑容量：历史上的“尼安德特人”和我们的祖先脑容量是一样的。但后来尼安德特人就没留下来，只有我们这一支留下来了,时间地图：大历史导论,知识和创新是推动人类发展的动力,AI学科结构,AI的几大门派,符号学派,联结
6、学派,行为学派,神经网络,知识表示,机器人,模拟人的心智,模拟脑的结构,模拟人的行为,聪明的AI,有学识的AI,深度学习,知识图谱,感知 识别 判断,思考 语言 推理,贝叶斯学派,进化学派,类推学派,人工智能产业生态的三层基本架构,基础资源层：主要是计算平台和数据中心，属于计算智能； 技术层：通过机器学习建模，开发面向不同领域的算法和技术，包含感知智能和认知智能； 应用层：主要实现人工智能在不同场景下的应用。,基础资源支撑,AI生态逐步形成：基础资源+技术+应用,人工智能系统的技术架构,智能终端,智能云平台,人工智能简述,深度学习算法,知识图谱,推理期,知识期,机器学习期,人工智能的三个研究阶
7、段,1950s,1970s,1980s,基于符号知识表示 通过演绎推理技术,基于符号知识表示 通过获取和利用领域知识 建立专家系统,神经网络第二个高潮 NP(non-deterministic polynomial-time)难题 中获重大进展 助力大量现实问题,神经网络 第一个高潮期,神经网络以深度学 习之名再次崛起 大幅提升感知智能 准确率,2017,90s中期,统计学习登场并占据主流，支持向量机、核方法为代表性技术,提出支持向量、VC维等概念,统计学的研究成果经由机器学习 研究，形成有效的学习算法,联结学派对大脑进行逆向分析 灵感来自于神经科学和物理学 产生的是“黑箱”模型 神经网络可归
8、置此类,符号学派将学习看作逆向演绎 并从哲学、心理学、逻辑学中寻求洞见 代表包括决策树和基于逻辑的学习,机器学习&深度学习,从以“推理”为重点到以“知识”为重点，再到以“学习”为重点 机器可以自动“学习”的算法，即从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。目前，机器学习=“分类” 人工智能 机器学习 深度学习,深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法 深度学习是一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方
9、法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征,用数据优化计算机程序的模型参数,通过经验自动改进的计算机算法,深度学习算法简介：机器学习,机器学习的基本定理 模型的出错率 推论： 模型复杂-大样本 样本小-简化模型,Class label (Classification),Vector (Estimation),机器学习实施过程,特征提取,特征选取是成败的关键,人脑是通过分级的、多层网络模型来识别 减少数据量，保留物体的有用信息,低层信息,预处理,特征提取,识别分类,对效果影响极大 手动化特征工程
10、 非常耗时,图像识别的一般流程,人脑识别图像的过程,第一个模型是一个线性模型，低度拟合，不能很好地适应训练集；第三个模型是一个四次方的模型，过度拟合，虽然能非常好地适应我们的训练集，但在新输入变量进行预测时可能会效果不好；中间的模型似乎最合适,经过算法预测的结果是一个连续的值，我们称这样的问题为回归问题。,算法能够学会如何将数据分类到不同的类里，我们称这样的问题为分类问题。,深度学习算法简介：数学基础,当感知器用于两类模式的分类时，相当于在高维样本空间中，用一个超平面将两类样本分开 神经网络的学习过程就是神经网络参数的设定过程 一个神经元网络结构确定之后，需要对一系列参数（权重、阈值等）进行有
11、效的设定。这个过程叫做学习或训练过程，此时的方法叫学习算法,是一个由线性阈值元件组成的单层（或多层）神经元的神经网络 当输入的加权和大于或等于阈值时，输出为1，否则为0 模型假定神经元中间的耦合程度（即加权系数W）可变，这样，该模型可以学习,深度学习算法简介：感知器,深度学习的训练方法,2006年，Geoffrey Hinton在科学上发表论文提出深度学习主要观点： 多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类 深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pre-training）来有效克服，逐层初始化可通
12、过无监督学习实现的 在著名的ImageNet问题上将错误率从26降低到了15，并且输入没有用到其他任何人工特征，仅仅是图像的像素,深度学习的神经网络训练方法,C1层： 输入图片大小：32*32 卷积窗大小：5*5 卷积窗种类：6 输出特征图数量：6 输出特征图大小：28*28(32-5+1) 神经元数量：4707 (28*28)*6) 连接数：12304 (5*5+1)*6*(28*28) 可训练参数：156 (5*5+1)*6,局部感受 - 卷积,FeatureMap,池化,原理：根据图像局部相关的原理，图像某个邻域内只需要一个像素点就能表达整个区域的信息 常见的方法： 最大值池化（max-
13、pooling） L2池化（L2 pooling） 均值池化（Mean Pooling）,LeNet-5,Yann Lecun,1989年用美国邮政系统提供的近万个手写数字的样本来训练神经网络系统，在独立的测试样本中,错误率只有5%,进一步运用CNN，开发出LeNet-5用于读取银行支票上的手写数字，这个支票识别系统在九十年代末占据了美国接近20%的市场,深度学习的训练方法,Hinton in ImageNet 比赛 140万图像， 1000类 图库 1000万图像 20000类 7层CNN 准确率74%-85%,深度学习的成功应用,AlphaGo战胜李世乭 图像识别全面超越人类 语音识别接近
14、人类 将声学模型中混合高斯模型替换为DNN模型 获得30%+ 相对提升 Tesla Autopilot投入商用 Google Translate投入商用 它把原文例如中文词先翻成一个词向量，变成一个数字向量。 它对这个词向量再编辑，变成一个语义表示的方式。 再把它翻译成它的目标语言，例如英文。,人工智能简述,深度学习算法,知识图谱,知识图谱(Knowledge Graph),知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，一般用三元组表示 知识图谱亦可被看作是一张巨大的图，节点表示实体或概念，边则由属性或关系构成,知识图谱构建,Web,字典, 术语表, 百科,书本,知 识 获 取,已有
15、知识库,知 识 融 合,知 识 验 证,知识图谱,基于人工规则的语义理解,神话是孙楠和谁合唱的？,文法 解析,知识库 查询,SPARQL查询语句生成,答案生成,孙楠和韩红合唱了神话,韩红,歌手 6万 歌曲 260万 专辑 44万 标签 2000类,param:singer孙楠 #param:song神话 #predicate:chorusWith 神话是孙楠和谁合唱的,查询神话这首歌曲的演唱者，演唱者要包括孙楠，输出还包括的另外一个演唱者,文法,规则,模板,歌手 6万 歌曲 260万 专辑 44万 标签 2000类,互联网 各种音乐相关信息,下载,融合,知识图谱的成功应用：现代搜索引擎,半结构
16、化数据,结构化数据,文本数据,实体对齐,异构数据整合,属性值决策,关系建立,知立方数据,索引生成,检索系统,本体库,SPARQL查询语句,Query,面向知识图谱的Sogou搜索技术,Gene Ontology,LOD,企业对知识图谱根据内部数据有大量的业务需求,从两方面来建设知识图谱体系: 知识实体，算法,企业知识图谱的建立,结构化数据,数据融合,自由扩展数据模式,行业智能问答,业务需求,技术方案,数据挑战,知识图谱助力企业商业智能,通用知识图谱 + 行业知识图谱,通用知识图谱的广度，行业知识图谱的深度，相互补充，形成更加完善的知识图谱,通用知识图谱中的知识，可以作为行业知识图谱构建的基础；而构建的行业知识图谱，再融合到通用知识图谱中,通用知识图谱,行业知识图谱,通用知 识图谱,深度学习与智能围棋,第二节,从AlphaGo Lee/Mast
