e-works数字化企业网  »  文章频道  »  基础信息化  »  IT综合

人工智能,请准备迎接冬天

2017/8/16    来源:搜狐    作者:佚名      
关键字:人工智能  深度学习  
如果要找这两年最大的风口,那非人工智能莫属。无论是学术界、企业界、资本市场,还是政府机构,都对人工智能怀着极大的期待和热情。
    如果要找这两年最大的风口,那非人工智能莫属。无论是学术界、企业界、资本市场,还是政府机构,都对人工智能怀着极大的期待和热情。但是,很多时候期望越大失望也越大。当有一天人们发现人工智能并不是想象中的那么强大时,会不会由一个极端走向另一个极端,觉得人工智能什么都不是呢?
 
    本文试图理性分析这次人工智能浪潮褪去的可能性,以及泡沫破灭的可能“姿势”。值得提出的是,虽然人工智能有泡沫,那也不是一件多么坏的事情,适度的泡沫有助于驱动大众的热情,助推整个智能产业的发展。只是我们要保持理性,并对泡沫破灭的时候有所准备。
 
    历史上的寒冬,人工智能的三次沉浮录
 
    如果将眼光放长远一点,历史上已经经历了三次发展浪潮,也经历了两次低谷。换言之,人工智能的泡沫已经破灭两次了。让我们先来回顾一下人工智能这三起两落的历史,从历史中来找寻现在的意义,推导出我们可能面临的未来。
 
人工智能沉浮史
 
    人工智能沉浮史
 
    第一次浪潮和第一次低谷:
 
    达特茅斯会议推动了全球第一次人工智能浪潮的出现,这次浪潮从1956年一直持续到1974年。当时乐观的气氛弥漫着整个学界,在算法方面出现了很多世界级的发明,其中包括一种叫做增强学习的雏形(即贝尔曼公式),增强学习就是谷歌AlphaGo算法核心思想内容。
 
    70年代初,AI遭遇了瓶颈。人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务,稍微超出范围就无法应对。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。
 
    研究者们很快发现,要求程序对这个世界具有儿童水平的认识这个要求都太高了——1970年没人能够做出人工智能需要的巨大数据库,也没人知道一个程序怎样才能学到如此丰富的信息。另一方面,有很多计算复杂度以指数程度增加,这成为了不可能完成的计算任务。
 
    第二次浪潮和第二次低谷:
 
    在80年代,一类名为“专家系统”的AI程序开始为全世界的公司所采纳,而“知识处理”成为了主流AI研究的焦点。专家系统的能力来自于它们存储的专业知识,知识库系统和知识工程成为了80年代AI研究的主要方向。
 
    但是专家系统的实用性仅仅局限于某些特定情景,不久后人们对专家系统的狂热追捧转向巨大的失望。另一方面,1987年到1993年现代PC的出现,其费用远远低于专家系统所使用的Symbolics和Lisp等机器。
 
    相比于现代PC,专家系统被认为古老陈旧而非常难以维护。于是,政府经费开始下降,寒冬又一次来临。
 
    第三次浪潮:
 
    1993年后,出现了新的数学工具、新的理论和摩尔定律。人工智能也在确定自己的方向,其中一个选择就是要做实用性、功能性的人工智能,这导致了一个新的人工智能路径。
 
    深度学习为核心的机器学习算法获得发展,积累的数据量极大丰富,新型芯片和云计算的发展使得可用的计算能力获得飞跃式发展,现代AI的曙光又再次出现了。一个标志性事件发生在2016年3月,谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世乭。随后,大众开始熟知人工智能,各个领域的热情都被调动起来了。
 
    深度学习算法,这次人工智能崛起的技术根基
 
    可以看到,每次技术的突破,都会迎来一波人工智能的发展浪潮。这次人工智能浪潮的基石有三个,分别是算法、数据和计算能力。尤其是算法,直接决定了人工智能的发展水平。
 
 人工智能的三大根基
 
    人工智能的三大根基
 
    首先,我们来看看这次人工智能的技术根基。1943年,美国心理学家McCulloch和数学家Pitts在论文《神经活动中所蕴含思想的逻辑活动》中首次提出神经元的M-P模型,该模型从逻辑功能器件的角度来描述神经元。M-P模型将生物神经信息处理模式简化为数学模型,为神经网络的理论研究开辟了道路。
 
 人工智能的三大根基
 
    M-P模型
 
    在M-P模型中,Xi(i=1,2,...,n)表示来自于与当前神经元j相连的其他神经元传递的输入信号,Wij表示从神经元i到j的连接强度,
 
    为神经元的激活阈值,F为转移函数。那么神经元的输出Yj可以表示为
 
    用向量表示就是Yj=F(XW)。
 
    2006年,加拿大多伦多教授Hinton和他的学生发表了《Reducing the dimensionality of data with neural networks》,提出了一种面向复杂通用学习任务的深度神经网络,指出具有大量隐层的网络具有优异的特征学习能力,而网络的训练可以采用“逐层初始化”与“反向微调”技术解决。
 
    自此,人类借助神经网络找到了处理“抽象”概念的方法,人工智能进入了一个崭新的时代。
 
 人工智能的三大根基
 
    深度神经网络
 

责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐