|
人工智能这个词，从诞生到一路坎坷地迎来辉煌，就注定与“模拟”紧密相连。 1956年，在新罕布什尔州达特茅斯学院的一次小型会议上，赫伯特西蒙、约翰麦卡锡、克劳德香农等AI界的开山鼻祖们，就提出了“智能的任何特征，原则上都可以精确描述，因此我们可以制造机器来对它进行模拟”。 先解释一下，虽然都是对大脑智能的“模拟”，但不同人工智能学派的理念却各不一样。 符号主义学派主张模拟人脑的逻辑思维。先把问题或知识表示为某种逻辑结构，运用符号演算，从而实现表示、推理和学习等功能，典型代表就是专家系统。 联结主义学派则主张模拟人脑的生理结构和工作机理。通过人脑神经网络、神经元之间的连接以及在神经元间的并行处理,实现对人脑智能的模拟。现在街知巷闻的神经网络算法，就是这一理念的成功应用。
而行为主义学派则主张直接模拟智能行为的感知和动作模式。不要考虑复杂的知识、表征、推理等等，让AI在现实世界中通过自动控制过程与环境交互作用表现出来就好。 在感知层面，利用现代计算机算力的提升，以及网络数据量的暴涨，让深度学习通过大规模数据集与训练来获得数据模型成为了可能。 而在让机器“看起来智能”的核心推理能力上，深度学习也展现了足够强大的进步。主要体现在两个方面：一种是判别事物。在已知属性的条件下，让机器对某个事物进行判断与分类，比如找出垃圾邮件或攻击性语言，亦或是从图像、视频中识别出某种特殊物体等等。 另一个能力则是生成。也就是通过训练好的模型，产生处符合该模型描述的数据。比如风靡一时的AI换脸，越来越机灵的智能语音助手，自动编写新闻的机器人等等。 得益于这种在应用场景上快速打开商业想象力的优势，我们今天提到AI，绝大多数人的第一反应，已经不再是被替代的恐慌、超越人类的恐怖故事，而是如何让数字世界为AI所用，再让以深度学习及衍生技术为基石的AI反哺千行万业，为社会生活提质增效。 一个是如前面科学家们所说，为人工智能算法找到新的突破口，脱离“模拟程序智能”的桎梏； 而另一个机器人的智能也可以得到显著提高。“多任务训练”一直是当下人工智能的突破难点，随着模拟人脑的深入，既不用让人类辛辛苦苦地对其进行“殴打”，来训练其灵活处理信息的能力，避免了不少伦理难题；还有可能将人类智能导入机器，培养出能够执行复杂任务的“多功能”机器人。 或许也只有这样，AI才能拥有一个真正智慧的“大脑”。不同道路在未来的交汇，将为AI的极限发挥埋下一个漂亮的引线。 |
|
|
来自： fatstudent > 《网站》
