人工智能现状与未来.pptx

人工智能现状与未来.pptx

《人工智能现状与未来.pptx》由会员分享，可在线阅读，更多相关《人工智能现状与未来.pptx（98页珍藏版）》请在冰豆网上搜索。

人工智能的现状与未来网经科技刘继明人工智能概述第一节深度学习与智能围棋第二节人工智能3.0第三节目录content人工智能的新革命第一节人工智能简述深度学习算法知识图谱人工智能将引领人类第四次工业革命智能化时间时间1818世纪末世纪末工业工业1.01.0创造了机器工厂的创造了机器工厂的“蒸汽时代蒸汽时代”2020世纪初世纪初电力广泛应用电力广泛应用蒸汽机蒸汽机信息物联系统信息物联系统19701970年代初年代初今天今天工业工业2.02.0将人类带入分工明将人类带入分工明确、大批量生产的确、大批量生产的流水线模式和流水线模式和“电电气时代气时代”工业工业3.03.0应用电子信息技术，应用电子信息技术，进一步提高生产自进一步提高生产自动化水平动化水平自动化、信息化自动化、信息化工业工业4.04.0开始应用信息物理开始应用信息物理融合系统（融合系统（CPSCPS）复复杂杂度度悄悄悄悄来来临临互联网时代正正在在终终结结人工智能机器人交通工具（即无人机、无人驾驶等）VR（虚拟现实）AI将催生“无用阶层”吗？

人工人工人工人工/脑力劳动：

翻译、记者脑力劳动：

翻译、记者脑力劳动：

翻译、记者脑力劳动：

翻译、记者.人工人工人工人工/体力劳动：

保安、保姆体力劳动：

保安、保姆体力劳动：

保安、保姆体力劳动：

保安、保姆.什么是人工智能（AI）?

全面实施战略性新兴产业发展规划，加快人工智能等技术的研发和转化，做大做强产业集群把发展智能制造作为主攻方向，推进国家智能制造示范区、制造业创新中心建设人工智能：

国家战略（2017年政府工作报告）人工智能（ArtificialIntelligence），英文缩写为AI。

它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能是对人的意识、思维的信息过程的模拟。

人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

什么是人工智能？

人工智能有那些类型？

弱弱人工智能人工智能，包含基础的、特定场景下角色型的任务，如Siri等聊天机器人和AlphaGo等下棋机器人；通用通用人工智能人工智能，包含人类水平的任务，涉及机器的持续学习；强强人工智能人工智能，指比人类更聪明的机器；195619741980198719932006AI的的诞诞生生1956达特矛斯达特矛斯会会议议，“人工智人工智能能”正式正式诞诞生生孕育期孕育期电电子子计计算机算机机机器翻器翻译译与与NLP图图灵灵测试测试计计算算机下棋机下棋早期神早期神经经网网络络搜索式推理搜索式推理聊天机器人聊天机器人乐观乐观思潮思潮所有的所有的AI程序程序都只是都只是“玩具玩具”运算能力运算能力计计算复算复杂杂性性常常识识与推理与推理专专家系家系统统知知识识工程工程五代机五代机神神经经网网络络重生重生未达未达预预期期削减投入削减投入摩摩尔尔定律定律统计统计机器学机器学习习AI广泛广泛应应用用大数据大数据计计算能力算能力应应用增多用增多深度学深度学习习人工智能人工智能2016人工智能发展历程手机中的AI人工智能相关技术刚刚越过曲线高峰（处于狂热期），是推动透明化身临其境体验技术发展的人工智能相关技术刚刚越过曲线高峰（处于狂热期），是推动透明化身临其境体验技术发展的主要主要动力动力涉及涉及透明化身临其境体验的人本技术（如智能工作空间、互联家庭、增强现实、虚拟现实、脑透明化身临其境体验的人本技术（如智能工作空间、互联家庭、增强现实、虚拟现实、脑机接口）是拉动另外两大趋势的前沿机接口）是拉动另外两大趋势的前沿技术技术数字数字平台在曲线上处于快速上升期，其中的量子计算和区块链将在今后平台在曲线上处于快速上升期，其中的量子计算和区块链将在今后510510年带来变革性的年带来变革性的影响影响AI处于什么阶段？

AIRoadmap国人为什么要关注AI？

为什么人类能成为地球的主宰？

基因：

人和基因：

人和大猩猩的基因，有大猩猩的基因，有98.4%98.4%都是完都是完全一样的，只有全一样的，只有1.6%1.6%有有区别区别“符号语言符号语言”（口头语言和书面文字（口头语言和书面文字）：

）：

传递传递、保存、共享知识、保存、共享知识“集体知识集体知识”：

人类：

人类的大脑可以相互共的大脑可以相互共享信息，交换享信息，交换知识知识人类个体比其他动物没有多大优势，掌握人类个体比其他动物没有多大优势，掌握了符号语言，人类社会的结构发生了突变，了符号语言，人类社会的结构发生了突变，有了一个连接在一起的集体大脑。

这种物有了一个连接在一起的集体大脑。

这种物种之间相互关联、相互作用的方式，才是种之间相互关联、相互作用的方式，才是我们和其他物种的真正我们和其他物种的真正区别区别脑容量脑容量：

历史上：

历史上的的“尼安德特人尼安德特人”和我们和我们的祖先脑容量是一样的。

但后来尼安德特的祖先脑容量是一样的。

但后来尼安德特人就没留下来，只有我们这一支留下来人就没留下来，只有我们这一支留下来了了时间地图：

大历史导论时间地图：

大历史导论时间地图：

大历史导论时间地图：

大历史导论知识和知识和创新是推动人类发展的动力创新是推动人类发展的动力AI学科结构AI的几大门派符号学派符号学派联结学学派派行行为学派学派神神经网网络知知识表示表示机器人机器人模拟人的心智模拟脑的结构模拟人的行为聪明的AI有学识的AI深度学习深度学习知识图谱知识图谱感知感知识别识别判断判断思考思考语言语言推理推理贝叶斯学派叶斯学派进化学派化学派类推学派推学派人工智能人工智能产业生态产业生态的三层基本架构的三层基本架构u基础资源层基础资源层：

主要是：

主要是计计算平台算平台和和数据中心数据中心，属于，属于计算智能；计算智能；u技术层技术层：

通过机器学习：

通过机器学习建模，开发面向不同领域建模，开发面向不同领域的的算法算法和和技术技术，包含，包含感知感知智能智能和和认知智能认知智能；u应用层应用层：

主要实现人工：

主要实现人工智能在不同场景下的应用。

智能在不同场景下的应用。

基础资源支基础资源支撑撑AI生态逐步形成：

基础资源+技术+应用人工智能系统的技术架构智能终端智能终端智能云平台智能云平台人工智能的新革命第一节人工智能简述深度学习算法知识图谱推理期推理期知识期知识期机器学习期机器学习期人工智能的三个研究阶段人工智能的三个研究阶段1950s1950s1970s1970s1980s1980s基于基于符号符号知识表示知识表示通过演绎推理技术通过演绎推理技术基于基于符号符号知识表示知识表示通过通过获取和利用领域知识获取和利用领域知识建建立专家系统立专家系统神经网络第二个高潮神经网络第二个高潮NNP（P（nnoonn-dedetteerrmminiinissttiiccppoolynlynomomiiaall-t-tiimmee）难题难题中获重大进展中获重大进展助力大助力大量现实问题量现实问题神经网络神经网络第一个高潮期第一个高潮期神经网络以深度学神经网络以深度学习之名再次崛起习之名再次崛起大幅提升感知智能大幅提升感知智能准确率准确率201720179090ss中期中期统计学习登场并占据主流统计学习登场并占据主流，支支持向量机持向量机、核方法为代表性技术、核方法为代表性技术提出支持向量、提出支持向量、VVCC维等概念维等概念统计学的研究成果经由机器学习统计学的研究成果经由机器学习研究，形成有效的学习算法研究，形成有效的学习算法联结学派联结学派对大脑进行逆向分析对大脑进行逆向分析灵感来自于神经科学和物理学灵感来自于神经科学和物理学产生的是产生的是“黑箱黑箱”模型模型神经神经网络可归置此类网络可归置此类符号学派符号学派将学习看作逆向演绎将学习看作逆向演绎并从哲并从哲学、心理学、逻辑学中寻求洞见学、心理学、逻辑学中寻求洞见代表代表包括决策树和基于逻辑的学习包括决策树和基于逻辑的学习机器学习&深度学习从以“推理”为重点到以“知识”为重点，再到以“学习”为重点机器可以自动“学习”的算法，即从数据中自从数据中自动分析获得规律，并利用规律对未知数据进行动分析获得规律，并利用规律对未知数据进行预测的算法预测的算法。

目前，机器学习机器学习=“分类分类”人工智能机器学习深度学习深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法深度学习是一种基于对数据进行表征学习的方法。

观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。

而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。

深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征用数据优化用数据优化计算机程序计算机程序的模型参数的模型参数通过经验自通过经验自动改进的计动改进的计算机算法算机算法深度学习算法简介：

机器学习机器学习的基本定理机器学习的基本定理模型的出错率模型的出错率推论：

推论：

模型复杂模型复杂-大样本大样本样本小样本小-简化模型简化模型模型的复杂程度样本的大小Classlabel（Classification）Vector（Estimation）机器学习实施过程特征提取特征1样本数据样本数据样本数据n预处理特征样本集原始样本集机器学习算法训练预测输出验证集评价目标特征1n目标特征1n目标特征1n训练集目标特征1n目标特征1n目标特征1n验证集目标特征1n目标特征1n目标预测目标预测目标预测目标改进特征提取特征提取特征1样本数据样本数据样本数据n特征样本集原始样本集目标特征1n目标特征1n目标统计分析变换特征运算特征选取是成败的关键人脑是通过分级的、多层网络模型来识别减少数据量，保留物体的有用信息低层信息预处理特征提取识别分类对效果影响极大对效果影响极大手动化特征工程手动化特征工程非常耗时非常耗时图像识别的一般流程人脑识别图像的过程第一个模型是一个线性模型，低度拟合，不能很好地适应训练集；第三个模型是一个四次方的模第一个模型是一个线性模型，低度拟合，不能很好地适应训练集；第三个模型是一个四次方的模型，过度拟合，虽然能非常好地适应我们的训练集，但在新输入变量进行预测时可能会效果不好；型，过度拟合，虽然能非常好地适应我们的训练集，但在新输入变量进行预测时可能会效果不好；中间的模型似乎最中间的模型似乎最合适合适经过算法预测的结果是一个连续的值，经过算法预测的结果是一个连续的值，我们称这样的问题为回归问题我们称这样的问题为回归问题。

算法能够学会如何将数据分类到不同的类算法能够学会如何将数据分类到不同的类里，我们称这样的问题为分类问题里，我们称这样的问题为分类问题。

深度学习算法简介：

数学基础当感知器用于两类模式的分类当感知器用于两类模式的分类时，相当于时，相当于在高维样本空间中，用一个超平面将两类样本分开在高维样本空间中，用一个超平面将两类样本分开神经网络神经网络的学习过程就是神经网络参数的设定过程的学习过程就是神经网络参数的设定过程一个神经元网络结构确定之后，需要对一系列参数（权重、阈值等）进行有效的设定。

这个过一个神经元网络结构确定之后，需要对一系列参数（权重、阈值等）进行有效的设定。

这个过程叫做学习或训练过程，此时的方法叫学习程叫做学习或训练过程，此时的方法叫学习算法算法是一个由线性阈值元件组成的单层（或多层）神经元的神经网络是一个由线性阈值元件组成的单层（或多层）神经元的神经网络当输入的加权和大于或等于阈值时，输出为当输入的加权和大于或等于阈值时，输出为11，否则为，否则为00模型假定神经元中间的耦合程度（即加权系数模型假定神经元中间的耦合程度（即加权系数WW）可变，这样，该模型可以）可变，这样，该模型可以学习学习深度学习算法简介：

感知器监督学习通过已有的训练样本（即已知数据以训练样