人工智能综述-毕业论文Word格式.docx
《人工智能综述-毕业论文Word格式.docx》由会员分享,可在线阅读,更多相关《人工智能综述-毕业论文Word格式.docx(14页珍藏版)》请在冰豆网上搜索。
![人工智能综述-毕业论文Word格式.docx](https://file1.bdocx.com/fileroot1/2022-10/4/0fa9618c-be74-4d85-a498-962e1f16f4dc/0fa9618c-be74-4d85-a498-962e1f16f4dc1.gif)
artificialintelligence;
depthlearning;
neuralnetwork
0引言
从1956年达特茅斯会议首次定义“人工智能”(ArtificialIntelli-gence,AI)开
始,AI研究已经历了几次历史浮沉。
在一次又一次的高潮和低谷的交替中,不可否认,AI无论是在理论还是在实践上都取得了扎实的进步,人类对于智能的理解进一步加深。
[9-11]尤其是近期以深度学习(DeepLearning,DL)为代表的AI技术取得了突破性的进展,从而在全世界范围内又掀起了一个AI研究热潮。
与以往不同的是,这次的研究热潮同时伴随着AI商业化浪潮,实验室成果很快就进入工业界,甚至工业界在这股热潮中也站在了学术研究的前沿,这在以往的技术发展史上是非常罕见的[12-13]。
2015年7月,人工智能被写入《国务院关于积极推进“互联网+”行动的指导意见》;
2016年3月,人工智能一词被写入“十三五”规划纲要;
2016年5月,国家发展改革委员会等四部门联合下发《“互联网+”人工智能三年行动实施方案》;
李克强总理的政府工作报告中也提到了人工智能产业发展;
中国科学技术部
“科技创新2030—重大项目”近期或将新增“人工智能2.0”,人工智能将进一步上升为国家战略。
这充分可以看出我国对AI的重视程度。
2017年,中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿( 英文) 》出版了“Ar-tificialIntelligence2.0”专题,潘云鹤等多位院士及专家学者对AI2.0所涉及的大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。
面对人工智能热潮,我们该如何理解,看待其进步?
又如何了解其功能和限制?
已经有不少书籍和论文讨论了上述问题,本文将从人工智能的产业化浪潮、学术流派和研究方法,
以深度神经网络为主的AI发展历史、近期成果和存在问题等诸多方面对人工智能做一个的介绍,希望能对读者了解AI有所帮助。
1人工智能商业化浪潮
20世纪末,当以神经网络为主流的AI研究又一次跌入低谷的时候,加拿大多伦多大学的Hinton教授等还是坚守阵地,辛勤耕耘,并在2006年获得了突破。
2012年他和两位学生成立“深度神经网络研究”(DNNResearch)公司,数个月后被Google收购,从此Hinton教授身兼多伦多大学教授和Google研究者的双重身份。
Google随后斥资4亿美元收购人工智能初创的前沿人工智能企业Deep
Mind。
另外,Google还收购了乌克兰面部识别技术开发商View-dle。
紧随Hinton教授的步伐,纽约大学YannLeCun教授,2013年底被聘请为
Facebook人工智能研究院的总管;
斯坦福大学吴恩达(AndrewNg)教授,2014年被百度聘任为首席科学家负责“百度大脑”的计划(2017年已经辞职);
斯坦福大学李飞飞教授(Fei-FeiLi)成为谷歌云计算部门的负责人之一。
这些现象一方面说明人工智能现在受工业界的欢迎程度,同时也说明了人工智能目前的发展趋势是学术研究和企业开发的快速深度结合。
2人工智能的主要研究学派
2.1结构模拟
近代科学强调“结构决定论”[14],认为只要系统的结构清楚了,功能也就认识清楚了。
最先提出来的智能模拟就是结构模拟的思路,其代表性的成果有神经元的
MP模型、多层感知器MLP模型和人工神经网络等[15]。
在机械系统的研究中非常有用的结构决定论,在智能系统的研究中却存在很多问题。
结构只是硬件基础,不能完全确定系统的智能行为。
正如现在对于单个神经元的生理活动机制已经研究得非常深入,但是大量的神经元连接在一起所呈现的智能行为目前的理解还是非常肤浅。
作为结构模拟的主流成功方法,人工神经网络具有非常突出的优点:
1) 人工神
经网络具有比较规范的结构;
2) 系统具有大量可以调节的参数,自由度大,可以实
现非常多样的系统;
3)网络具有并行处理的机制;
4)信息分布存储,提供了优良的
记忆和联想能力;
5) 系统具有很强的自适应能力和高度的容错能力。
当然人工神经
网络也具有很多弱点和局限性[16]:
1)人的智能系统不仅结构复杂,而且机制深奥,
不是现在的人工神经网络所能完全模拟的;
2) 人工神经网络能做到的规模和人脑相
比还是太小;
3)神经元的工作机理过度简化,难以保证系统能最终模拟人脑。
另外,人工神经网络将一切智能都归为数值计算,在未能回答任何问题是否都可以形式化或者数值化这个问题之前,这种数值化计算能否完全模拟人类智能还是一个问题。
2.2功能模拟
面对结构模拟所存在的问题,另外一类观点认为,人工智能的研究无需去理会
智能的具体结构,只要能够模拟智力功能即可,这就是“功能主导论”下的功能模拟思路。
实际上,功能模拟的最典型代表就是传统的人工智能,如专家系统是其最成功的应用。
功能模拟也常常被称为符号主义、逻辑主义、心理学派。
符号主义认为人工智能源于数理逻辑。
数理逻辑在20世纪30年代开始应用于描述智能行为
[17],并在计算机上实现逻辑演绎系统。
后来符号主义者进一步发展为启发式算法—
专家系统—知识工程理论和技术。
这方面的研究一开始取得了不少成绩,但是一直被批评为难以解决实际问题。
直到专家系统出现,为工业、经济和社会领域带来了
成功的方案,如第一个专家系统DENDRAL用于质谱仪分析有机化合物的分子结构,
MYCIN[18]医疗专家系统用于抗生素药物治疗等。
符号主义曾经在人工智能领域中一枝独秀,为人工智能发展做出了极大贡献,我国吴文俊院士关于几何定理机械化证明就是其中一项非常重要的成果。
[19]当然,功能模拟也具有明显的缺点:
系统的智能水平与获得的知识水平有很大的关系。
而且很多知识获取困难,专家知识充满矛盾和偏面,再加上现有逻辑理论的局限性等,使得功能模拟在发展过程中也困难重重。
2.3行为模拟
在功能模拟和结构模拟都暴露了各自的缺陷后,20世纪90年代,开始出现了行为模拟的思路,即“行为表现论”。
[20]该观点认为,无论采用什么样的结构和具有
什么样的功能,只要系统能表现出智能行为( 在外界刺激时能够产生恰当的行为响应) ,就等于模拟了智能系统。
在这个研究方法中,首先是机器感知,然后针对感知信息做模式分类,最后是对感知判断结果做出的模拟智能的行为,这也被称为感知-动作系统。
这方面的典型应用是Brooks完成的模拟六脚虫的爬行机器人等系统。
[21]感知-动作系统涉及到一个重要问题:
随着任务环境的变化,系统如何能自主学习并扩充从感知到动作之间的映射知识?
这当然就是一个机器学习问题。
行为模拟也具有明显的缺点:
只有那些能用行为表现的智能才能被模拟,可是很多智能过程无法用行为直接表达。
2.4机制模拟
结构模拟、功能模拟和行为模拟都具有先天不足,而且这3大方法之间缺乏理论上的统一性。
后来的研究发现,智能的生成机制才是智能系统的核心。
机制模拟方法认为,无论对什么问题、环境和目标,智能系统的生成机制必然要获得“问题、约束条件、预设目标”等信息,然后提取和建立相关知识,进而在目标控制下,利用上述信息和知识演绎出求解问题的策略,并转化为相应的智能行为作用于问题,并解决问题。
这可以概括为一种“信息—知识—智能转换过程”。
根据这个观点,结构模拟可以认为是“信息—经验知识—经验策略转换过程”,功能模拟是“信息—规范知识—规范策略转换过程”,行为模拟可以认为是“信息—常识知识—常识策略
转换过程”。
因此,结构模拟、功能模拟和行为模拟三者都是平行的,而机制模拟和谐地统一了上述3种模拟方法,成为了一个统一的理论。
[22]
在AI发展过程中,上述多个方法各自都出现过自己的发展巅峰和低谷时期。
目前的AI热潮则源于结构模拟方法方面的突破,即由于解决了深度神经网络的训练问题,加上大数据的高性能计算平台(云计算、GPU等)变成现实,使得深度神经网络的表达能力得到了充分的发挥,对AI的发展起到了推波助澜的作用。
本文将进一步以深度学习为主介绍其发展和成功案例。
3深度学习促进的人工智能发展
深度学习提出至今,已经在各类应用上取得了巨大的进展。
尤其是基于深度学习的AlphaGo系统一举击败韩国围棋手李世石以后,人们都对以深度学习为主的
AI研究充满了期待。
事实上,现在几乎每天都可以看到AI取得各类突破的报道。
感兴趣的读者可以在网上找到各种最新的进展报道。
本文将选择其中几个主要的进展进行简单介绍。
[23]
深度学习在实际应用中的成功案例首推图像识别。
2009年,普林斯顿大学建立了第一个超大型图像数据库供计算机视觉研究者使用,随后在以Ima-geNet为基础的大型图像识别竞赛“ImageNetLargeScaleVisualRecognitionChallenge2012”中,
Hinton团队将深度学习应用到ImageNet图像识别问题上,正确率稳居第一,并且
性能遥遥领先第二名团队。
这标志着深度学习在图像识别领域大幅度超越其他技术,成为AI技术突破点。
随后以深度学习为主的图像分析处理方法层出不穷,如深度残余学习(DeepResidualLearning)方法等。
目前基于深度学习的图像识别功能已经超越了人类。
[24]
语言是人机交流的一种重要途径,攻克语音识别是AI必须面对的问题之一。
最先开始在语音识别上取得成功的深度学习方法是Hinton等在文献中的方法,该方法用RBM对神经网络进行预训练,再用深度神经网络模型(
DNN)识别语音。
在Google的一