zhinengabc 5分钟，带你了解人工智能ABC

本文摘自德勤DUP公司发布的报告《揭开人工智能的神秘面纱》，该报告来源于父母进化论

1.人工智能的定义

人工智能领域有很多概念和定义，有些太多，有些不够。

该领域的创始人之一尼尔斯·尼尔森写道:“人工智能缺乏一个通用的定义。”

随着计算机解决新任务挑战的升级和普及，人们对需要依靠人类智能来解决的任务的定义门槛越来越高。

因此，人工智能的定义随着时间的推移而演变。这种现象被称为“人工智能效应”。总之，“人工智能是没有人类智能就无法实现的任务的集合。”

2.人工智能的历史

人工智能不是一个新名词。

事实上，这一领域始于20世纪50年代，这段探索史被称为“喧嚣与渴望、沮丧与失望交替的时代”——这是最近给出的更恰当的评价。

20世纪50年代，人工智能模拟人类智能的大胆目标就明确了。从那以后，研究人员进行了一系列的研究项目，这些项目贯穿了20世纪60年代，一直延续到20世纪70年代。这些项目表明，计算机可以完成一系列仅在人类能力范围内的任务，如证明定理、解微积分、通过计划响应命令、执行物理动作，甚至模拟心理学家和作曲。

但是过于简单的算法，缺乏无法应对不确定环境的理论，计算能力的限制，严重阻碍了我们利用人工智能解决更加困难和多样的问题。

随着对缺乏持续努力的失望，人工智能在20世纪70年代中期逐渐淡出公众视野。

20世纪80年代末，世界500强企业中几乎有一半在开发或使用专家系统，这是一种人工智能技术，通过对人类专家解决问题的能力进行建模，来模拟人类专家解决该领域的问题。

对专家系统潜力的厚望完全掩盖了它的局限性，包括明显缺乏常识，难以捕捉专家的隐性知识，以及构建和维护大规模系统的复杂性和成本。当这一点被越来越多的人认识到的时候，人工智能的研究又一次偏离了轨道。

20世纪90年代，人工智能领域的技术成果一直处于低潮，成果寥寥。相反，神经网络、遗传算法等技术受到了新的关注。这些技术一方面避免了专家系统的一些局限性；另一方面，新的算法使它们运行得更有效率。

神经网络的设计受大脑结构的启发。遗传算法的机制是迭代生成备选解，然后淘汰最差解，最后通过引入随机变量生成新的解，从而“进化”出问题的最优解。

3.人工智能进步的催化剂

到21世纪第一个十年的后期，一系列的元素已经出现，以复兴人工智能的研究进程，特别是一些核心技术。这些重要的因素和技术将在下面详细描述。

1)摩尔定律

在价格和体积不变的情况下，计算机的计算能力可以不断增长。这就是众所周知的摩尔定律，它是以英特尔的联合创始人戈登·摩尔的名字命名的。

戈登·摩尔受益于各种形式的计算，包括人工智能研究人员使用的计算类型。

几年前，先进的系统设计只能在理论上建立，无法实现，因为它需要的计算机资源太贵或者计算机不称职。

今天，我们拥有实现这些设计所需的计算资源。举个奇妙的例子，最新一代微处理器的性能是1971年第一代单片机的400万倍。

2)大数据

多亏了互联网、社交媒体、移动设备和廉价的传感器，这个世界产生的数据量急剧增加。

随着对这些数据价值的不断认可，数据管理和分析的新技术也得到发展。大数据是人工智能发展的助推器。这是因为一些人工智能技术使用统计模型来计算数据的概率，如图像、文本或声音。通过将这些模型暴露在数据的海洋中，它们被不断地优化，或者“训练”——现在这样的条件在任何地方都是可用的。

3)互联网和云计算

互联网和云计算之所以能被视为人工智能的基石，有两个原因。

首先，它们可以使所有联网的计算机设备获得海量数据。人们需要这些数据来促进人工智能的研究和发展，因此可以促进人工智能的发展。

其次，它们提供了一种可行的合作方式——有时显式，有时隐式——来帮助人工智能系统训练。

例如，一些研究人员使用基于云计算的众包服务，如Mechanical Turk，雇佣数千人来描绘数字图像。这使得图像识别算法从这些描绘中学习。Google Translate通过分析用户反馈和免费投稿来提高其自动翻译的质量。

4)新算法

算法是解决一个设计程序或完成一个任务的路径方法。

近年来，新算法的发展大大提高了机器学习的能力。这些算法本身就很重要，也是其他技术的推动者，比如计算机视觉。

机器学习算法目前在开源中使用，会促进更大的进步，因为开发者可以在开源环境中相互补充和增强工作。

4.认知技术

我们将区分人工智能领域和扩展技术。

大众媒体将人工智能描绘成与人一样聪明或比人更聪明的计算机的出现。但是在过去只有人才能做的具体任务上，各种技术越来越好。我们把这些技术称为认知技术，它是人工智能的产物，可以完成以前只有人才能完成的任务。

而这正是商业和公共部门领导人应该关注的。

接下来，我们将介绍一些最重要的认知技术，这些技术正在被广泛采用，进展迅速，并获得了大量投资。

1)计算机视觉

它指的是计算机从图像中识别物体、场景和活动的能力。

计算机视觉技术利用图像处理操作等技术组成的序列，将图像分析任务分解成可管理的小任务。

例如，一些技术可以从图像中检测对象的边缘和纹理。分类技术可用于确定所识别的特征是否能代表系统已知的一类对象。

计算机视觉应用广泛。

其中，医学影像分析用于提高疾病的预测、诊断和治疗；人脸识别被Facebook用来自动识别照片中的人；用于识别安全和监控领域的嫌疑人；在购物方面，消费者现在可以用智能手机对产品拍照，以获得更多的购买选择。

2)机器学习

它指的是计算机系统通过暴露于数据而不是遵循显式程序指令来提高其性能的能力。

机器学习的核心是从数据中自动发现模式，一旦发现模式，就可以用于预测。例如，如果给机器学习系统一个信用卡交易信息数据库，如交易时间、商家、地点、价格和交易是否合法，系统将学习可用于预测信用卡欺诈的模式。处理的交易数据越多，预测就越好。

机器学习有着广泛的应用，它有潜力提高几乎所有产生巨大数据的活动的性能。除了欺诈筛选，这些活动还包括销售预测、库存管理、石油和天然气勘探以及公共卫生。

机器学习技术在计算机视觉等其他认知技术领域也发挥着重要的作用，可以通过不断训练和改进海量图像中的视觉模型来提高其识别物体的能力。

3)自然语言处理

是指计算机所具备的类人文本处理能力。

例如，我们可以从文本中提取意义，甚至可以独立于那些具有自然风格和正确语法的可读文本来解释意义。

一个自然语言处理系统不知道人类是如何处理文本的，但是它可以通过非常复杂和成熟的手段来熟练地处理文本，比如自动识别一个文档中提到的所有人和地方；确定文件的核心问题；或者在一堆人类可读的合同中，提取各种条款，做成表格。

这些任务是传统的文本处理软件无法完成的，只能对简单的文本匹配和模式进行操作。

请想一个老套的例子，可以反映自然语言处理面临的一个挑战。

在“时间像箭一样飞逝”这句话中，每个词的意思似乎都很清楚，直到系统遇到“水果像香蕉一样飞逝”这句话，将“时间”替换为“水果”，将“香蕉”替换为“箭”

自然语言处理和计算机视觉技术一样，集成了各种有助于实现目标的技术。

建立一个语言模型来预测语言表达的概率分布，例如，它是给定字符串或单词表达特定语义的最大可能性。选定的特征可以与文本中的某些元素相结合，以识别一段文本。通过识别这些元素，可以将某些类型的文本与其他文本区分开来，例如垃圾邮件和普通邮件。

4)机器人技术

机器视觉、自动规划等认知技术融合到极小但高性能的传感器、执行器和巧妙设计的硬件中，诞生了新一代机器人，能够与人类协同工作，在各种未知环境中灵活处理不同任务。

比如无人机，“cobots”，可以在车间里为人类分担工作，也包括从玩具到家政人员的消费品。

5)语音识别技术

它主要关注人类语音的自动和精确转录。

这项技术必须面对一些类似于自然语言处理的问题。它在处理不同的口音、背景噪音、区分同音异义词等方面都有一定的难度，还需要有一个跟得上正常语速的工作速度。

语音识别系统使用一些与自然语言处理系统相同的技术，辅以其他技术，如描述声音及其在特定序列和语言中出现的概率的声学模型。

语音识别的主要应用包括医学听写、语音书写、计算机系统语音控制、电话客服等。例如，多米诺披萨最近推出了一款移动应用，允许用户通过语音下单。

5.认知技术的广泛使用

各个经济部门都把认知技术应用到了各种业务功能中。

1)银行业

自动欺诈检测系统使用机器学习来识别指示欺诈支付行为的行为模式；借助语音识别技术，可以自动完成电话客服；语音识别可以验证呼叫者的身份

2)医疗卫生领域

美国半数医院使用自动语音识别帮助医生自动抄单，使用率仍在快速增长；机器视觉系统自动完成乳腺摄影和其他医疗影响分析。

IM的Watson利用自然语言处理技术阅读理解大量医学文献，通过自动生成假设完成自动诊断，利用机器学习提高准确率。

3)生命科学领域

机器学习系统用于预测生物数据和化合物活动之间的因果关系，从而帮助制药公司识别最有前途的药物。

4)媒体和娱乐业

许多公司正在使用数据分析和自然语言生成技术，根据数据自动起草官方文件，如公司的收入状况、体育赛事摘要等。

5)石油和天然气

机器学习在矿产资源定位、钻井设备故障诊断等诸多方面被厂家广泛应用。

6)公共部门

公共部门也开始将认知技术用于特定目的，如监测、合规和欺诈检测。

例如，格鲁吉亚正在通过众包将财务披露和竞选捐款表格数字化，在此过程中，他们采用了自动手写识别系统。

7)零售商

零售商使用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。

8)科技公司

他们正在利用机器视觉、机器学习等认知技术来改进产品或开发新产品，如Roomba机器人吸尘器、Nest智能恒温器等。

以上例子表明，理解技术的潜在商业利益远大于自动化带来的成本节约，主要体现在:

更快的行动和决策

更好的结果

更高的效率，

更低的成本

规模更大

产品和服务创新