江苏龙网

  1. 首页 > 资讯 > 科技 > >

埃尔法哥哥■为什么已经步入人工智能时代，还不了解人工智能的基本常识？( 二 )


但是 ， 过分简单的算法、匮乏的难以应对不确定环境（这种情形在生活中无处不在）的理论 ， 以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题 。 伴随着对缺乏继续努力的失望 ， 人工智能于20世纪70年代中期逐渐淡出公众视野 。
20世纪80年代早期 ， 日本发起了一个项目 ， 旨在开发一种在人工智能领域处于领先的计算机结构 。 西方开始担心会在这个领域输给日本 ， 这种焦虑促使他们决定重新开始对人工智能的投资 。 20世纪80年代已经出现了人工智能技术产品的商业供应商 ， 其中一些已经上市 ， 例如Intellicorp、Symbolics、和Teknowledge 。
20世纪80年代末 ， 几乎一半的“财富500强”都在开发或使用“专家系统” ， 这是一项通过对人类专家的问题求解能力进行建模 ， 来模拟人类专家解决该领域问题的人工智能技术 。
对于专家系统潜力的过高希望彻底掩盖了它本身的局限性 ， 包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本 ， 当这一点被越来越多的人所认识到时 ， 人工智能研究再一次脱离轨道 。
20世纪90年代在人工智能领域的技术成果始终处于低潮 ， 成果寥寥 。 反而是神经网络、遗传算法等科技得到了新的关注 ， 这一方面是因为这些技术避免了专家系统的若干限制 ， 另一方面是因为新算法让它们运行起来更加高效 。
神经网络的设计受到了大脑结构的启发 。 遗传算法的机制是 ， 首先迭代生成备选解决方案 ， 然后剔除最差方案 ， 最后通过引入随机变量来产生新的解决方案 ， 从而“进化”出解决问题的最佳方案 。
3、人工智能进步的催化剂
截止到21世纪前10年的后期 ， 出现了一系列复兴人工智能研究进程的要素 ， 尤其是一些核心技术 。 下面将对这些重要的因素和技术进行详细说明 。
1）摩尔定律
在价格、体积不变的条件下 ， 计算机的计算能力可以不断增长 。 这就是被人们所熟知的摩尔定律 ， 它以Intel共同创办人GordonMoore命名 。 GordonMoore从各种形式的计算中获利 ， 包括人工智能研究人员使用的计算类型 。 数年以前 ， 先进的系统设计只能在理论上成立但无法实现 ， 因为它所需要的计算机资源过于昂贵或者计算机无法胜任 。 今天 ， 我们已经拥有了实现这些设计所需要的计算资源 。 举个梦幻般的例子 ， 现在最新一代微处理器的性能是1971年第一代单片机的400万倍 。
2）大数据
得益于互联网、社交媒体、移动设备和廉价的传感器 ， 这个世界产生的数据量急剧增加 。 随着对这些数据的价值的不断认识 ， 用来管理和分析数据的新技术也得到了发展 。 大数据是人工智能发展的助推剂 ， 这是因为有些人工智能技术使用统计模型来进行数据的概率推算 ， 比如图像、文本或者语音 ， 通过把这些模型暴露在数据的海洋中 ， 使它们得到不断优化 ， 或者称之为“训练”——现在这样的条件随处可得 。
3）互联网和云计算
和大数据现象紧密相关 ， 互联网和云计算可以被认为是人工智能基石有两个原因 ， 第一 ， 它们可以让所有联网的计算机设备都能获得海量数据 。 这些数据是人们推进人工智能研发所需要的 ， 因此它可以促进人工智能的发展 。 第二 ， 它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练 。 比如 ， 有些研究人员使用类似MechanicalTurk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像 。 这就使得图像识别算法可以从这些描绘中进行学习 。 谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量 。
4）新算法
算法是解决一个设计程序或完成任务的路径方法 。 最近几年 ， 新算法的发展极大提高了机器学习的能力 ， 这些算法本身很重要 ， 同时也是其他技术的推动者 ， 比如计算机视觉（这项科技将会在后文描述） 。 机器学习算法目前被开源使用 ， 这种情形将促成更大进步 ， 因为在开源环境下开发人员可以补足和增强彼此的工作 。


推荐阅读


上一篇：『Geeks小树』华为"最贵终端"定价超3万？这几大卖点绝对值回票价

下一篇：『登哥谈电脑DIY』2020年组装电脑主机配置单推荐收藏，办公电脑到高性能的组装机