Ai intro
AI概述
AI介绍
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新型的智能机器,特别是智能计算机系统。人工智能让机器具有学习、推理、解决问题以及在复杂环境下运作的能力。
人工智能包含以下主要概念:
- 智能:智能是相对于人工而言的,是天然存在的对环境的感知、学习、推理和解决问题的能力。人工智能的目标是在计算机和机器人中实现同类的智能。
- 学习:通过数据或经验获取知识和技能的过程。机器学习是人工智能的核心,让计算机系统具备学习能力,可以从数据中找出规律来预测或决策。
- 推理:使用知识或规则推导出结论或新知识的过程。机器推理模拟人类的逻辑推理和判断,可以解决复杂问题并作出决定。
- 知识:信息的集合体,学习和推理的基础和前提。知识由事实、规则、示例、技能等组成。
- 问题解决:利用学习、推理和知识设法达到目的的过程。人工智能系统能够模拟人类解决各类问题的能力。
- 环境:人工智能系统能够感知并在其中运作的复杂信息集合。环境提供了学习、推理和问题解决所需要的数据和背景。
- 规划与控制:根据感知信息制定达成目标的行为计划并实施的过程。人工智能可以扩展到控制领域,实现机器人和自动化系统中的规划与控制。
- 感知:获取环境信息的能力,是智能行为的基础,为学习、推理和问题解决提供数据与背景知识。
人工智能的研究覆盖了计算机科学、生物学、心理学、语言学等多个领域。它将智能的本质转化为可以在计算机和机器人上实现的理论、方法和技术。
人工智能的具体领域又可以分成三类:
1. 智能理论与方法:研究智能的本质与规律,探索实现智能的理论基础与技术方法。主要包括:
- 符号主义:使用符号推理和演绎来实现智能,典型方法如知识表示、专家系统、规划等。
- 联结主义:通过神经网络等方法模拟大脑,实现机器学习与智能,典型方法如深度学习、强化学习等。
- 经验主义:利用大数据和统计学来寻找规律,实现机器学习与智能,典型方法如决策树、朴素贝叶斯等。
- 演化计算:借鉴生物演化思想,使用遗传算法和梯度提升算法等方法实现智能。
2. 智能技术与系统:基于智能理论与方法开发的技术与应用系统,如:
- 机器学习:使用算法和统计学从数据中自动发现规律,并利用规律进行预测或决策。
- 深度学习:使用深度神经网络的机器学习方法,实现对象识别、语音识别、机器翻译等。
- 专家系统:利用知识库模拟人工专家的推理与决策过程。
- 计算机视觉:使机器具备视觉感知与理解能力,实现图像分类、目标检测、场景理解等。
- 自然语言处理:使机器具备解析、理解和生成语言的能力,实现机器翻译、情感分析、对话系统等。
- 规划与搜索:在复杂环境下实现智能Pathfinding和优化决策。
- 机器人:将机器人的行为组织起来,完成复杂任务,需要机器人的硬件、控制、运动学等技术支持。
3. 智能应用:将智能理论、方法和技术应用于各个领域和行业,产生较大影响和价值,主要包括:
- 金融:量化投资、智能财务、反洗钱等。
- 医疗:辅助诊断、健康管理、药物研发等。
- 教育:在线教育、智能培训、学习分析等。
- 游戏:游戏AI、游戏机器人等。
- 交通:无人驾驶、智能运输等。
- 制造业:工业机器人、智能质检、智能仓储等。
- 农业:智能种植、智能喂食等。
- 城市管理:智慧城市、环境监测等。
- 信息安全:恶意软件检测、网络入侵检测等。
所以人工智能包括理论基础、技术方法与应用系统,覆盖计算机科学、神经科学、心理学等多个学科,应用于生活的各个方面,是一个相互联系而又相对独立的广阔的研究领域。
人工智能可以分为强人工智能和弱人工智能: 强人工智能(Artificial General Intelligence, AGI):
- 也称人工一般智能或人工强智能。指一种理论上可以与人类智力相当的人工智能。
- 可以自主推理、学习和解决广范围问题,具有类似人类的一般智能。
- 目前尚未实现,仍处在理论与科幻小说中,但被视为人工智能发展的终极目标。
- 一旦实现,可以产生剧烈影响,存在各种风险。所以一般认为应更加谨慎地发展人工智能。
弱人工智能(Artificial Narrow Intelligence, ANI):
- 也称为专业人工智能或应用人工智能。是当前人工智能的主要形式。
- 只能应用于特定的任务或场景,无法像人那样具有泛用的智能。
- 通过机器学习等方法,在大量数据的基础上找出规律并优化,达到或超过人类水平的性能。
- 无法自主推理或自我学习,只能在人类编写的算法和数据的范围内运作。
- 已经在图像识别、语音识别、机器翻译等领域实现,并被广泛应用于现代生活与工作中。
- 这类人工智能不会产生不可控的后果,所以被视为相对更加安全的人工智能发展途径。
所以强人工智能追求与人类一般智能相当的理想状况,弱人工智能专注于实现某一特定任务的超人性能。强人工智能更具理论价值,弱人工智能更具实用性。在技术难度和风险性上,强人工智能远高于弱人工智能。目前主流研究和应用更集中在弱人工智能领域。
总而言之,强人工智能是目的,弱人工智能是手段。弱人工智能的发展会不断加深我们对智能本质的理解,推动强人工智能最终的实现。但强人工智能的实现仍需要数十年乃至更长的时间。
AI发展历史
人工智能的发展历史可以大致分为两波: 第一波人工智能浪潮:理论与程序推动(1956-1974)
* 1956年,达特茅斯会议上人工智能概念首次正式提出。 * 1959年,IBM的 firmly Planner可以解决问题。 * 1965年,Herbert Simon提出人工智能需要解决巨大而简单的问题。 * 1970年,上市的Eliza可以进行简单的对话。
这一阶段人工智能研究主要在理论和程序上推进,提出了人工智能的概念与框架,解决了一些具体问题,实现了符号主义和经验主义相结合。但由于计算能力限制,未能取得突破。到1974年,研究资金减少,首波人工智能浪潮结束。
第二波人工智能浪潮:计算机与数据驱动(1997至今)
- 1997年,深蓝超级计算机击败国际象棋冠军,标志第二波人工智能浪潮来临。
- 2006年,Geoffrey Hinton提出深度学习概念
- 2011年,IBM的Watson系统在电视节目中与人对话。
- 2012年,谷歌的深度神经网络学习识别猫的视频。
- 2016年,AlphaGo超级计算机击败人类世界冠军,代表机器学习和深度学习在游戏领域的一次重大突破。
- 2018年,OpenAI的GPT语言模型在一系列自然语言处理任务上达到人类水平。
这一阶段计算机硬件的提升和大数据的出现带来计算能力的飞跃式提高,深度学习等技术实现了人工智能在视觉和语言上的重大突破。人工智能迅速应用于各行各业,并产生深刻影响。这标志人工智能进入快速发展期,第二波人工智能浪潮至今继续推进。 人工智能发展仍处在提高和扩展阶段,理论、技术和应用都在飞速演进与发展。新的计算架构、更大的模型与数据集,以及robots和自动驾驶汽车的广泛应用,将进一步推动第三波人工智能浪潮的到来。人工智能的发展前景广阔而令人兴奋。
AI应用领域
人工智能已广泛应用于生活和工作的各个领域:
- 计算机视觉:图像分类、目标检测、语义分割等,应用于安防监控、无人驾驶等。
- 自然语言处理:机器翻译、语音识别、智能客服等,应用于各种语音助手与聊天机器人。
- 智能推荐:个性化推荐、商品推荐、新闻推荐等,广泛应用于各大电商和内容平台。
- 机器人:工业机器人、服务机器人、软件机器人等,应用于生产制造、交通运输、医疗服务等行业。
- 金融:量化投资、反欺诈、信用评估等,应用于各大金融机构。
- 游戏:策略与控制、内容生产等,应用于各种人工智能游戏与交互体验。
- 教育:在线教学、学习分析、智能培训等,应用于各级教育与职业技能培训。
- 医疗:辅助诊断、健康管理、疾病预测等,应用于医院、保健公司与生命科学研究等。
- 制造业:工业机器人、质检与流程优化、智能仓储等,应用于高端装备与消费电子等制造行业。
- 交通:无人驾驶、智能运输、智慧城市等,应用于新型智能交通系统及交通管理。
- 农业:智能种植、智能监测、生产优化等,应用于现代农业与种植业。
- 安全:网络入侵检测、恶意软件检测、反欺诈等,应用于网络空间与社会治理。
- 能源:智能电网、能源管理与交易等,应用于电力、石油、天然气等领域。
- 航空航天:宇航员辅助、飞机防御、飞行控制等,应用于空军及航空公司等。
人工智能与人工智能技术与系统正在深刻变革生产与生活的各个方面,推动产业转型与升级,提高效率与质量,创造经济与社会价值。人工智能的应用前景极为广阔,将在未来产生更加深远的影响
AI伦理及监管
人工智能的发展带来许多伦理和社会问题,主要包括:
- 失业:人工智能可能导致大规模失业,特别是对低技能工作者的冲击。这个问题需要政府和企业共同努力解决。
- 歧视与偏见:人工智能系统可能产生针对性别、种族的歧视与偏见。这需要在数据和算法设计中减少偏差。
- 安全与控制:可能引发网络攻击或被用于生产自动武器,威胁人类生命。这需要进行严格的监管和限制。
- 责任与隐私:涉及人工智能系统责任归属与个人隐私保护,需要制定相关政策与准则加以规范。
- 环境与可持续发展:大规模的人工智能系统可能产生较大的碳排放与环境影响。这需要考虑人工智能的“绿色发展”。
- 人工智能对人性的影响:长期依赖人工智能可产生对人类身心的影响与依赖。这需要平衡人工智能与人的关系。
针对以上问题,许多组织已经在研究人工智能伦理,并制定了初步的准则与政策:
- 人工智能伦理准则:包括公平、可解释、隐私与安全、可靠和可控等原则,为人工智能的发展设定了伦理范围。
- 人工智能政策:各国政府纷纷出台人工智能发展战略和政策,以推动人工智能发展并 constraints 相关风险。
- 人工智能法律:出台相关的人工智能法律法规,对开发与应用设定规范、责任和权利。但总体上还相对滞后。
- 人工智能自我监管:人工智能企业与组织之间进行标准设定、经验交流与联合行动,实现自我约束与规范。
- 人工智能体制机制:建立专门的人工智能伦理委员会与工作组,不断检讨人工智能发展中的问题和涉及的社会影响。
虽然人工智能伦理与监管正得到越来越广泛地关注,但制定和实施相关政策还需要一个渐进的过程。人工智能的监管难度较大,规则和政策也需要在实践中不断修正和改善。人工智能伦理与监管需要各方携手合作,共同应对人工智能带来的机遇与挑战。
大模型介绍
近年来,一些超大规模的深度学习模型产生,这些模型被称为“大模型”。典型的大模型有:
- GPT(Generative Pre-Training)系列:由OpenAI研发的一系列语言模型,包括GPT、GPT-2、GPT-3等,参数规模从100亿到1000亿。这些模型在自然语言处理任务上达到人类水平,代表了深度学习在NLP领域的最新进展。
- BERT(Bidirectional Encoder Representations from Transformers):由谷歌研发的一种变向语言模型,参数规模为100亿,在11种自然语言处理任务上创建了最先进的结果。BERT标志着深度学习在NLP上获得重大突破。
- AlphaGo:由DeepMind研发的一系列围棋AI,AlphaGo Master的参数规模达到1600亿,AlphaGo Zero达到4300亿。AlphaGo击败人类世界冠军,代表机器学习和深度学习在游戏领域的重大突破。
- Switch Transformer:常被称为“万亿参数模型”,由达到了1000亿参数规模,在机器翻译和摘要生成任务上获得最先进的性能,代表机器学习模型规模的一个新纪录。
- DALL·E:由OpenAI研发的一种多模态语言-图像模型,整合了字词、句法和视觉表示,达到了100亿参数规模。DALL·E可以根据文本描述生成图像,代表多模态学习的最新进展。
- NLP大模型:除上述模型外,还有微软的Turing NLG,阿里巴巴的ERNIE 3.0,腾讯的Turing davinci等,规模均在百亿参数量级。这些模型在各种自然语言处理任务上都 ranked top,代表业界的最先进水平。
这些大模型让机器学习模型在视觉、语言、游戏等领域达到或超越人类水平,使相关技术发生质的飞跃。大模型依赖于强大的计算资源,需要数以千万级的参数和海量数据进行训练。大模型有可能进一步推动第三代人工智能的发展,但也面临推理效率低、消耗大量能源、参数不可解释等挑战。 大模型代表了机器学习和深度学习模型在规模上的新的突破,其应用前景十分广阔,同时也面临更加严峻的技术与伦理挑战。这将是机器学习发展的新方向和研究热点。
AI 知识库目录