當(dāng)事物飛速發(fā)展時(shí)，你往往需要停下來，回顧自己的位置，否則你很容易對(duì)細(xì)節(jié)感到興奮。構(gòu)成人工智能基礎(chǔ)的數(shù)據(jù)技術(shù)正以不同的方式發(fā)展，速度很快。所以，在你改變職業(yè)之前，或者決定用人工智能拓展業(yè)務(wù)的時(shí)候，讓我們先鳥瞰一下人工智能，幫助我們了解自己的位置和未來方向。下面就由小編為您介紹一下人工智能的發(fā)展三個(gè)發(fā)展階段。

秘塔OCR

0

0條點(diǎn)評(píng)

咨詢產(chǎn)品

免費(fèi)試用

解決用戶選型困難的好軟件，有各維度的信息

客戶案例

暫無

合作品牌

9

人工智能的發(fā)展三個(gè)發(fā)展階段

      我們傾向于把人工智能看做新事物，尤其是新技術(shù)以及和深度學(xué)習(xí)相關(guān)的新技巧。然而，人工智能已經(jīng)過數(shù)十年的發(fā)展，否認(rèn)過往的成功似乎不合邏輯，因?yàn)榧夹g(shù)總是不斷向前發(fā)展。

     當(dāng)我費(fèi)力向其他人解釋人工智能之時(shí)，我不斷為預(yù)測分析尋找一些分界線，這些分析我們已經(jīng)實(shí)踐了相當(dāng)一段時(shí)間，也是大眾對(duì)人工智能持有的觀點(diǎn)。最近我讀到了一本名叫《人工智能的三次浪潮（Three Waves of AI）》的書，作者是 DARPA 信息創(chuàng)新辦公室主管 John Launchbury，他從一個(gè)更長遠(yuǎn)和寬廣的視角，將人工智能的歷史與未來劃分為了三個(gè)階段：

1. 手工知識(shí)（Handcrafted Knowledge）階段

2. 統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning）階段

3. 語境順應(yīng)（Contextual Adaptation）階段

      Launchbury 的觀點(diǎn)對(duì)我?guī)椭鷺O大。盡管階段（ages）的比喻很有用，但是這很容易讓人誤解為一個(gè)階段結(jié)束了下一個(gè)階段作為替代才開始。與此相反，我把人工智能看作一個(gè)金字塔，其中下一階段的發(fā)展奠定在前一階段之上。這也清晰地表明了即使是最古老的人工智能技術(shù)也不會(huì)過時(shí)，且實(shí)際上依然在使用之中。

     對(duì)于第二個(gè)階段統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning），即我們目前所處的階段，我分為了一些更細(xì)的階段，因?yàn)榈诙€(gè)階段之中有一些重大突破值得單獨(dú)作解釋。

第一階段：手工知識(shí)

      第一個(gè)階段的典型代表是「專家系統(tǒng)」（expert systems），其把大量知識(shí)轉(zhuǎn)化為由中小企業(yè)團(tuán)隊(duì)精心制定的決策樹來增強(qiáng)人類的智能。專家系統(tǒng)的代表例子是 TurboTax 或者做調(diào)度的物流程序，它們?cè)谏鲜兰o(jì) 80 年代已經(jīng)出現(xiàn)，且很有可能更早。

      盡管我們有能力運(yùn)用機(jī)器學(xué)習(xí)統(tǒng)計(jì)算法諸如回歸、SVM、隨機(jī)森林以及神經(jīng)網(wǎng)絡(luò)，且這些算法自上世紀(jì) 90 年代以來獲得了飛速擴(kuò)展，但手工系統(tǒng)的應(yīng)用并未完全消失。最近 Launchbury 提及到該系統(tǒng)的一個(gè)應(yīng)用成功防御了網(wǎng)絡(luò)攻擊。大約在 2004 年之前，相似的系統(tǒng)實(shí)際上已經(jīng)成為自動(dòng)駕駛車的核心（其失敗的主要原因是不能解釋所有的現(xiàn)實(shí)問題）。

      Launchbury 認(rèn)為專家系統(tǒng)在推理方面表現(xiàn)不俗，但僅限于幾個(gè)嚴(yán)格定義的問題，且沒有學(xué)習(xí)能力，不能處理不確定性問題。

第二階段：統(tǒng)計(jì)學(xué)習(xí)

      第二個(gè)階段是我們現(xiàn)在所處的階段。盡管 Launchbury 傾向于關(guān)注深度學(xué)習(xí)方面的進(jìn)步，實(shí)際上早在我們使用計(jì)算機(jī)尋找數(shù)據(jù)中的信號(hào)之時(shí)就已經(jīng)步入了第二階段。統(tǒng)計(jì)學(xué)習(xí)階段開始于數(shù)十年之前，但是在上世紀(jì) 90 年代獲得了牽引力，并通過處理新數(shù)據(jù)、容量甚至是數(shù)據(jù)流而不斷獲得擴(kuò)展。

      由于不斷增加的深度學(xué)習(xí)技術(shù)工具箱（比如回歸、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、SVM、GBM），統(tǒng)計(jì)學(xué)習(xí)階段伴隨著從數(shù)據(jù)之中尋找信號(hào)能力的爆炸性增長應(yīng)運(yùn)而生。

     這是一種不會(huì)消失的基礎(chǔ)數(shù)據(jù)科學(xué)實(shí)踐，它可以解釋消費(fèi)者（他們?yōu)槭裁磥怼槭裁戳簟槭裁醋撸⒔灰祝ㄊ欠翊嬖谄墼p）、裝置（它是否有問題）、數(shù)據(jù)流（30 天之后其價(jià)值是什么）的所有行為問題。統(tǒng)計(jì)學(xué)系對(duì)人類智能的增強(qiáng)是不斷發(fā)展的人工智能的部分之一。

     在第二階段之中，至少有另外兩個(gè)重大突破極大地提升了人類的能力。第一個(gè)是 Hadoop 與大數(shù)據(jù)。現(xiàn)在我們已經(jīng)有了大規(guī)模并行處理以及儲(chǔ)存和查詢大的非結(jié)構(gòu)快速移動(dòng)數(shù)據(jù)集的方法。2007 年 Hadoop 首次開源，直到現(xiàn)在。第二個(gè)小的突破是現(xiàn)代人工智能工具集的興起，其由以下 6 種技術(shù)組成：

1. 自然語言處理

2. 圖像識(shí)別

3. 強(qiáng)化學(xué)習(xí)

4. 問答機(jī)

5. 對(duì)抗式訓(xùn)練

6. 機(jī)器人

      除了少數(shù)例外，這些技術(shù)可被整合為依賴于深度學(xué)習(xí)的一類，但是如果你查看深度學(xué)習(xí)工作方式以及深度神經(jīng)網(wǎng)絡(luò)運(yùn)行方式的詳情，你很快會(huì)意識(shí)到這些并不是問題的核心。

      在卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)之中的進(jìn)化神經(jīng)網(wǎng)絡(luò)及其所有變體之中通常有很少；反過來在問答機(jī)（Watson）、機(jī)器人或者不使用深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)變體之中存在更少。

       由于這些技術(shù)的共同之處是它們生成自己的特征，也許我們應(yīng)該稱之為無特征建模的階段（Era of Featureless Modeling）。你仍然不得不使用已知的標(biāo)注實(shí)例進(jìn)行訓(xùn)練，但是你不必在列中填入預(yù)定義的變體和屬性。它們?cè)跇O其大的計(jì)算陣列上也需要大規(guī)模并行處理，很多次需要專業(yè)芯片（比如 GPU、FPGA）以在人類時(shí)間尺度上搞定一切。

      因此，重要的區(qū)別就是第二階段的人工智能可以延續(xù)幾十年，并且其主要從機(jī)器學(xué)習(xí)、大數(shù)據(jù)/Hadoop 和無特征建模三個(gè)方面已經(jīng)對(duì)新技術(shù)進(jìn)行了三次大的變革。但這些突破仍然在統(tǒng)計(jì)學(xué)習(xí)方法這一階段內(nèi)，該階段還會(huì)繼續(xù)發(fā)展并產(chǎn)生更多的突破。

       Launchbury 表明，到目前為止，我們已經(jīng)擁有非常先進(jìn)、細(xì)分和強(qiáng)大預(yù)測能力的系統(tǒng)，但是仍然還沒有理解語境和最小推理能力。因?yàn)槲覀兊募夹g(shù)對(duì)數(shù)據(jù)有更大量的需求，這已經(jīng)成為了一個(gè)障礙，而對(duì)我們?nèi)匀挥袃r(jià)值和高效的預(yù)測分析技術(shù)并不應(yīng)該是這樣的。但我們?cè)谶@個(gè)階段早期無法解決的困難，包括自動(dòng)駕駛汽車、機(jī)器贏得日益復(fù)雜游戲的能力、圖像、文本和自然語言處理等方面目前都已經(jīng)取得了重大的突破。

第三階段：語境順應(yīng)（contextual adaption）

       接下來呢？Lauchbury 說，當(dāng)前統(tǒng)計(jì)學(xué)習(xí)時(shí)代出現(xiàn)了兩個(gè)問題，第三個(gè)階段要解決兩個(gè)問題。

      解釋推理行為的模型：雖然我們的深度神經(jīng)網(wǎng)絡(luò)善于分類，比如圖片，但是處理原理仍然顯得神秘莫測。我們需要既可以進(jìn)行分類也可以得到解釋的系統(tǒng)。理解推理就能讓對(duì)處理過程的修正真正有效。

生成模型：這些模型可以從潛在語境中進(jìn)行學(xué)習(xí)，比如一個(gè)模型，掌握了每個(gè)字母的筆畫，而不是基于大量糟糕的書寫樣本進(jìn)行粗暴分類。我們今天使用的生成模型有望顯著減少對(duì)訓(xùn)練數(shù)據(jù)的需求。

     鑒于這些特點(diǎn)，處在這一階段的人工智能系統(tǒng)就能使用語境模型（contextual models）進(jìn)行感知、學(xué)習(xí)、推理以及抽象，將從一個(gè)系統(tǒng)中學(xué)習(xí)到的東西應(yīng)用到一個(gè)完全不同的語境中。

全景視野

      新階段的開始并不意味著前一階段會(huì)戛然而止。一些技術(shù)、功能的有用性或許會(huì)降低，但是完全被淘汰出局也不太現(xiàn)實(shí)。比如，最新技術(shù)所需的大量計(jì)算力、研發(fā)的復(fù)雜性以及訓(xùn)練都會(huì)制約這些技術(shù)退出歷史舞臺(tái)，將來某個(gè)時(shí)候出現(xiàn)的高價(jià)值的問題可能還會(huì)用到這些技術(shù)。

      其他情況，比如語境采用階段，我們可能不得不等待新一代芯片的出現(xiàn)，這類芯片更加類似人腦。這些被稱為神經(jīng)形態(tài)或者脈沖神經(jīng)網(wǎng)絡(luò)的第三代神經(jīng)網(wǎng)絡(luò)都會(huì)用到現(xiàn)在研發(fā)最早階段的那些芯片。

現(xiàn)在，我們處在第二階段（統(tǒng)計(jì)學(xué)習(xí)）的什么位置？

      當(dāng)前階段的三章內(nèi)容中，人們可能最關(guān)注的是新東西，深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)以及上述構(gòu)成該階段的六種技術(shù)之間的平衡。

     這是一個(gè)進(jìn)化的艱難過程，剛開始結(jié)果，但這些新的發(fā)展大多還沒有準(zhǔn)備好開花結(jié)果。雖然我們可以看到這些技術(shù)會(huì)向哪個(gè)方向發(fā)展，但只有兩三種技術(shù)有望可靠和商業(yè)化。當(dāng)你試圖將這些技術(shù)擰在一起時(shí)，這些技術(shù)只是松散的，集成這些技術(shù)仍然是最具挑戰(zhàn)性的事情之一。以上就是小編為您介紹的人工智能的發(fā)展三個(gè)發(fā)展階段。