人工智能云平台:原理、设计与应用
上QQ阅读APP看书,第一时间看更新

第1章 人工智能云平台简介

1.1 人工智能发展

在计算机科学中,人工智能(Artificial Intelligence,AI)被定义为对“智能Agent”的研究,即任何能够感知其环境并采取行动以最大限度地实现其目标的设备。更精细的定义则是将AI系统的能力描述为“能正确解释外部数据,从这些数据中学习,并能够灵活运用学习所得来实现特定目标和完成任务。”

人工智能是计算机科学与技术领域的一个分支,通过研究智能的实质,以产生新的能以与人类相似的方式进行工作的智能机器。人工智能自1956年成为一门新学科后,经历了多年的发展,产生过很多的流派,包括符号主义、连接主义和行为主义等。这些流派兴起而又没落,相辅相成地推进了人工智能的发展。因此,随着人工智能技术中统治性流派的兴替变迁,人工智能在不同阶段的定义也在发生着微妙的变化。人工智能发展的历史进程如图1-1所示。

图1-1 人工智能发展的历史进程

人工智能有很多流派,因此也有很多实现手段。近20年来,机器学习(Machine Learning,ML)成为实现人工智能的一种手段,也被认为是目前比较有效的实现人工智能的主要手段。目前许多领域,例如计算机视觉、自然语言处理、推荐系统、文本分类等,都在广泛地使用机器学习技术。机器学习已经有了一套完备的模型结构,经典的机器学习模型包括线性回归、Logistic回归、决策树、支持向量机、贝叶斯模型、随机森林、集成模型、神经网络。

传统的(或者说经典的)机器学习模型的一个主要瓶颈在于特征工程环节。特征工程环节主要依靠手工设计,需要大量的领域专门知识,也是大多数算法科学家要花费大量时间精力做的事情,因此设计有效的特征成为大多数机器学习任务的主要瓶颈。

人工智能的流派没有绝对的对错优劣,而是三十年河东,三十年河西。近年来,随着大数据时代的到来以及云计算和大规模并行处理技术的飞速发展,计算机的处理能力得到了极大的提高。主流人工智能算法已不再局限于通过传统机器学习所偏爱的低功耗简单模型加特征工程来实现,计算机科学家重新使用曾经囿于数据和计算瓶颈而被遗忘的多层神经网络来完成复杂的任务。算法人员将重生的多层神经网络重新命名为深度学习(Deep Learning,DL)。深度学习算法已经在图像分类、语音识别、自然语言理解甚至是决策优化等领域带来了一个又一个重大的突破。

深度学习是机器学习中一种对数据进行表征学习的方法。数据可以使用多种方式来表示,而使用某些特定的表示方法更容易从样本中学习任务。相比于传统的机器学习,深度学习的好处是用监督或非监督式的特征学习和分层特征提取算法来替代手工获取特征,使得算法科学家不需要再为人工设计特征耗费大量的心血和精力。目前,深度学习已经成为了图像理解和语音处理等领域统治性的人工智能手段。

深度学习技术不仅与图像、语音、文本领域的传统算法框架融合演进,还在不断地与人工智能的多个领域中的传统范式结合发展。2016年3月,谷歌AlphaGo与韩国围棋棋手李世石展开世纪之战,AlphaGo以4:1战胜李世石,掀起了深度强化学习(Reinforcement Learning,RL)的高潮。AlphaGo的深度强化学习算法让自己变成了自己的老师。智能系统一开始并不知道围棋是什么,只是从单一神经网络开始,通过强大的搜索算法,进行自我对战。随着自我博弈次数的增加,神经网络逐渐调整,逐渐地提升预测下一步的能力,直至赢得比赛。更为厉害的是,随着训练的深入,AlphaGo还独立发现了游戏规则,并走出了新策略,为围棋这项古老的游戏带来了新的见解。一时间,在研究人员之中出现了DL+RL=Universal AI的呼声。

虽然深度学习的风潮正盛,但目前的人工智能还远未找到最终的答案,可以预见,未来一定会有新的统治流派再次颠覆现在的技术,而人们则要时刻做好准备。