前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的人工智能神經(jīng)網(wǎng)絡(luò)概念主題范文,僅供參考,歡迎閱讀并收藏。
關(guān)鍵詞:人工智能 機(jī)器學(xué)習(xí) 機(jī)器人情感獲得 發(fā)展綜述
中圖分類號:TP18 文獻(xiàn)標(biāo)識碼:A 文章編號:1003-9082 (2017) 04-0234-01
引言
人類自從工業(yè)革命結(jié)束之后,就已然開始了對人工智能的探索,究其本質(zhì),實(shí)際上就是對人的思維進(jìn)行模仿,以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期,那時圖靈就希望未來的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代,人工智能被首次確定為一個新興的學(xué)科,并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過長時間的探索和嘗試,人工智能的許多重要基本理論已經(jīng)形成,如模式識別、特征表示與推理、機(jī)器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來,隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展,人工智能再一次成為研究熱點(diǎn)。人工智能技術(shù)與基因過程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù), 并且人工智能涉及的學(xué)科多,社會應(yīng)用廣泛,對其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程
回顧人工智能的產(chǎn)生與發(fā)展過程 ,可以將其分為:初期形成階段,綜合發(fā)展階段和應(yīng)用階段。
1.初期形成階段
人工智能這一思想最早的提出是基于對人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年,兩名普林斯頓大學(xué)的研究生制造出了第一臺人工神經(jīng)元計算機(jī)。而其真正作為一個新的概念被提出是在1956年舉行的達(dá)茅斯會議上。由麥卡錫提議并正式采用了“人工智能”(Artificial Intelligence)礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學(xué)科。1969年的國際人工智能聯(lián)合會議標(biāo)志著人工智能得到了國際的認(rèn)可。至此,人工智能這一概念初步形成,也逐漸吸引了從事數(shù)學(xué)、生物、計算機(jī)、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。
2.綜合發(fā)展階段
1.7 7年, 費(fèi)根鮑姆在第五屆國際人工智能聯(lián)合會議上正式提出了“知識工程”這一概念。而后其對應(yīng)的專家系統(tǒng)得到發(fā)展,許多智能系統(tǒng)紛紛被推出,并應(yīng)用到了人類生活的方方面面。20世紀(jì)80年代以來,專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開發(fā)采用了多種人工智能語言、多種知識表示方法、多種推理機(jī)制和多種控制策略相結(jié)合的方式, 并開始運(yùn)用各種專家系統(tǒng)外殼、專家系統(tǒng)開發(fā)工具和專家系統(tǒng)開發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過程中,人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展,并能夠在一些具體的任務(wù)中接近甚至超過人類專家的水平。
3.應(yīng)用階段
進(jìn)入二十一世紀(jì)以后,由于深度人工神經(jīng)網(wǎng)絡(luò)的提出,并在圖像分類與識別的任務(wù)上遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)的方法,人工智能掀起了前所未有的。2006年,由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章,其中首次提到了深度學(xué)習(xí)這一思想,實(shí)現(xiàn)對數(shù)據(jù)的分級表達(dá),降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN),以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Network, R-CNN),等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu),使得訓(xùn)練和測試的效率得到大幅提升,識別準(zhǔn)確率也顯著提高。
二、人工智能核心技術(shù)
人工智能由于其涉及的領(lǐng)域較多,內(nèi)容復(fù)雜,因此在不同的應(yīng)用場景涉及到許多核心技術(shù),這其中如專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個核心技術(shù)。
1.專家系統(tǒng)
專家系統(tǒng)是一類具有專門知識和經(jīng)驗(yàn)的計算機(jī)智能程序系統(tǒng),通過對人類專家的問題求解能力建模,采用人工智能中的知識表示和知識推理技術(shù)來模擬通常由專家才能解決的復(fù)雜問題,達(dá)到具有與專家同等解決問題能力的水平。對專家系統(tǒng)的研究,是人工智能中開展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測、文化教育等方面。
2.機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)是一個讓計算機(jī)在非精確編程下進(jìn)行活動的科學(xué),也就是機(jī)器自己獲取知識。起初,機(jī)器學(xué)習(xí)被大量應(yīng)用在圖像識別等學(xué)習(xí)任務(wù)中,后來,機(jī)器學(xué)習(xí)不再限于識別字符、圖像中的某個目標(biāo),而是將其應(yīng)用到機(jī)器人、基因數(shù)據(jù)的分析甚至是金融市場的預(yù)測中。在機(jī)器學(xué)習(xí)的發(fā)展過程中,先后誕生了如凸優(yōu)化、核方法、支持向量機(jī)、Boosting算法等等一系列經(jīng)典的機(jī)器學(xué)習(xí)方法和理論。機(jī)器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。
3.模式識別
模式識別是研究如何使機(jī)器具有感知能力 ,主要研究圖像和語音等的識別。其經(jīng)典算法包括如k-means,主成分分析(PCA),貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發(fā)展起來應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計學(xué)習(xí)的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字,識別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實(shí)際應(yīng)用。語音識別主要研究各種語音信號的分類,和自然語言理解等等。模式識別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域,其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。
4.人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā), 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。而近年來發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks, CNNs)具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),與經(jīng)典的機(jī)器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強(qiáng)的特征學(xué)習(xí)和表達(dá)能力。含有多個隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述,從而有利于解決特征可視化以及分類問題。另外,通過實(shí)現(xiàn)“逐層初始化”這一方法,實(shí)現(xiàn)對輸入數(shù)據(jù)的分級表達(dá),可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識別任務(wù)中取得了十分明顯的進(jìn)展,基于CNN的圖像識別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點(diǎn)。
三、機(jī)器人情感獲得
1.智能C器人現(xiàn)狀
目前智能機(jī)器人的研究還主要基于智能控制技術(shù),通過預(yù)先定義好的機(jī)器人行動規(guī)則,編程實(shí)現(xiàn)復(fù)雜的自動控制,完成機(jī)器人的移動過程。而人類進(jìn)行動作、行為的學(xué)習(xí)主要是通過模仿及與環(huán)境的交互。從這個意義上說,目前智能機(jī)器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運(yùn)動機(jī)制方面,目前幾乎所有的智能機(jī)器人都不具備類人的外周神經(jīng)系統(tǒng),其靈活性和自適應(yīng)性與人類運(yùn)動系統(tǒng)還具有較大差距。
2.機(jī)器人情感獲得的可能性
人腦是在與外界永不停息的交互中,在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機(jī)器人在不斷的機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理中,中樞處理系統(tǒng)不斷地自我更新、升級,便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進(jìn)化歷程,也就是說,智能機(jī)器人有充分的可能性獲得與人類同等豐富的情感世界。
3.機(jī)器人獲得情感的利弊
機(jī)器人獲得情感在理論可行的情況下,伴之而來的利弊則眾說紛紜。一方面,擁有豐富情感世界的機(jī)器人可以帶來更多人性化的服務(wù),人機(jī)合作也可進(jìn)行地更加深入,可以為人類帶來更為逼真的體驗(yàn)和享受。人類或可與智能機(jī)器人攜手共創(chuàng)一個和諧世界。但是另一方面,在機(jī)器人獲得情感時,機(jī)器人是否能徹底貫徹人類命令及協(xié)議的擔(dān)憂也迎面而來。
4.規(guī)避機(jī)器人情感獲得的風(fēng)險
規(guī)避智能機(jī)器人獲得情感的風(fēng)險應(yīng)預(yù)備強(qiáng)制措施。首先要設(shè)計完備的智能機(jī)器人情感協(xié)議,將威脅泯滅于未然。其次,應(yīng)控制智能機(jī)器人的能源獲得,以限制其自主活動的能力,杜絕其建立獨(dú)立體系的可能。最后,要掌控核心武器,必要時強(qiáng)行停止運(yùn)行、回收、甚至銷毀智能機(jī)器人。
三、總結(jié)
本文梳理了人工智能的發(fā)展歷程與核心技術(shù),可以毋庸置疑地說,人工智能具有極其廣闊的應(yīng)用前景,但也伴隨著極大的風(fēng)險?;仡櫰浒l(fā)展歷程,我們有理由充分相信,在未來人工智能的技術(shù)會不斷完善,難題會被攻克。作為世界上最熱門的領(lǐng)域之一,在合理有效規(guī)避其風(fēng)險的同時,獲得情感的智能機(jī)器人會造福人類,并極大地幫助人們的社會生活。
參考文獻(xiàn)
[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作,2016,(12):95.
[2]曾毅,劉成林,譚鐵牛.類腦智能研究的回顧與展望[J].計算機(jī)學(xué)報,2016,(01):212-222.
[3]張?jiān)?人工智能綜述:讓機(jī)器像人類一樣思考
計算智能(ComputationalIntelligenee,簡稱CI),又稱軟計算,該詞于1992年被美國學(xué)者J.C.Bezdekek首次提出,1994年全計算智能大會明確提出了計算智能的概念,標(biāo)志著計算智能作為一門獨(dú)立學(xué)科的誕生。傳統(tǒng)的人工智能問題的處理、結(jié)論的得出都需要在建立精確的數(shù)字模型的基礎(chǔ)上才能實(shí)現(xiàn),但現(xiàn)實(shí)中有很多的數(shù)據(jù)都是模糊的,無法建立精確的模型,使得人工智能的應(yīng)用范圍相對狹窄,而計算智能則突破了人工智能的瓶頸,以模型為基礎(chǔ),模擬人的理論與方法,只需要直接輸入數(shù)據(jù),系統(tǒng)就可以對數(shù)據(jù)進(jìn)行處理,應(yīng)用范圍更加的廣泛。計算智能的本質(zhì)是一類準(zhǔn)元算法,主要包括進(jìn)化計算,人工神經(jīng)網(wǎng)絡(luò)、模糊計算、混沌計算、細(xì)胞自動機(jī)等,其中以進(jìn)化計算、人工神經(jīng)網(wǎng)絡(luò)及模糊系統(tǒng)為典型代表。
1.1進(jìn)化計算
進(jìn)化計算是采用簡單的編碼技術(shù)來表示各種復(fù)雜的結(jié)構(gòu),并通過遺傳操作和優(yōu)勝劣汰的自然選擇來指導(dǎo)學(xué)習(xí)和確定搜索的方向,具有操作簡單、通用性強(qiáng)、效率高的優(yōu)點(diǎn),其工作原理是通過種群的方式進(jìn)行計算,借助生物進(jìn)化的思想來解決問題,分為遺傳算法、進(jìn)化規(guī)劃及進(jìn)化策略三大類。
1.2人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng),具有模糊推理、并行處理、自訓(xùn)練學(xué)習(xí)等優(yōu)勢,其工作原理是仿照生物神經(jīng)網(wǎng)絡(luò)處理信息方式,通過不同的算法和結(jié)構(gòu),將簡單的人工神經(jīng)細(xì)胞相互連接,通過大量的人工神經(jīng)單元來同時進(jìn)行信息的傳播,并將信息儲存在改革細(xì)胞單元的連接結(jié)構(gòu)中,快速地得到期望的計算結(jié)構(gòu)。生物神經(jīng)網(wǎng)絡(luò)的細(xì)胞是在不斷的生成和更新著的,即部分細(xì)胞壞死,整個神經(jīng)網(wǎng)絡(luò)仍能維持正常的運(yùn)轉(zhuǎn)秩序而不會驟然崩潰,同樣人工神經(jīng)網(wǎng)絡(luò)也有著這樣的特性,即使部分神經(jīng)細(xì)胞發(fā)生問題,整個網(wǎng)絡(luò)也能夠正常的運(yùn)轉(zhuǎn)。人工神經(jīng)網(wǎng)絡(luò)按照連接方式的不同分為前饋式網(wǎng)絡(luò)與反饋式網(wǎng)絡(luò),前饋式網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元是單層排列的,分為輸入層、隱藏層及輸出層三層,信息的傳播是單向的,每個神經(jīng)元只與前一層的神經(jīng)元相連,即信息只能由輸出層傳向隱藏層再傳向輸入層,而不能由輸出層直接傳向輸入層;反饋式網(wǎng)絡(luò)結(jié)構(gòu)中每個人工神經(jīng)細(xì)胞都是一個計算單元,在接受信息輸入的同時還在向外界輸出著信息。不同的行業(yè)和領(lǐng)域可以根據(jù)自身的需要將不同的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)方法相結(jié)合,建立不同的人工神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)不同的研究目的。
1.3模糊系統(tǒng)
客觀世界中的事物都具有不同程度的不確定性,如生活中的“窮與富”、美與丑”“、相關(guān)與不相關(guān)”無法用一個界線劃分清楚,對于事物不確定研究的過程中產(chǎn)生了模糊數(shù)學(xué),所謂模糊性是指客觀事物差異的中間過渡中的“不分明性”。美國專家L.A.Zdahe教授首次運(yùn)用了數(shù)學(xué)方法描述模糊概念,自此之后模糊數(shù)學(xué)形成了一個新的學(xué)科,并在世界范圍內(nèi)發(fā)展起來,在醫(yī)學(xué)、農(nóng)業(yè)等方面得到了應(yīng)用。
2計算智能在機(jī)械制造中的應(yīng)用
機(jī)械制造業(yè)是國民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè),機(jī)械制造業(yè)的發(fā)展對于促進(jìn)工業(yè)生產(chǎn)領(lǐng)域的發(fā)展,保持經(jīng)濟(jì)穩(wěn)步增長,滿足人們?nèi)粘I畹男枨螅岣呷藗兊纳钯|(zhì)量有著重要意義。一個國家機(jī)械制造業(yè)水平的高低是衡量該國工業(yè)化程度的重要指標(biāo)。由于研究角度的不同,機(jī)械制造業(yè)有著不同的分類,如國家統(tǒng)計局將機(jī)械制造行業(yè)分為通用設(shè)備、專用設(shè)備、交通運(yùn)輸設(shè)備、電氣設(shè)備、儀器儀表及辦公設(shè)備五大類,證券市場將機(jī)械制造行業(yè)分為機(jī)械、汽車及配件、電氣設(shè)備三大子行業(yè)。根據(jù)調(diào)查顯示,2013年我國制造業(yè)產(chǎn)值規(guī)模突破20萬億元,同比增長17.5%,產(chǎn)值占世界比重的19.8%,經(jīng)濟(jì)總量位居世界首位,利潤4312.6億元,增長0.33%,增加值累計同比增長10.4%。隨著計算智能研究的深入,計算智能在機(jī)械制造中得到了應(yīng)用。伴隨著機(jī)械行業(yè)的飛速發(fā)展,各類生產(chǎn)安全事故也時有發(fā)生。造成安全事故的原因是多方面的,首先是操作人員安全意識淡??;其次是企業(yè)的安全管理和監(jiān)督缺失,我國相當(dāng)多的機(jī)械制造企業(yè)不重視勞動安全衛(wèi)生方面的數(shù)據(jù)統(tǒng)計和資料積累,為了追求最大利潤在安全生產(chǎn)方面投入的資金過少,缺乏對員工開展安全教育的培訓(xùn)。建立科學(xué)的安全生產(chǎn)評價方式對于防止各類安全事故,提高安全效益有著積極意義。人工智能的安全評價方法以線性函數(shù)為基礎(chǔ),而安全生產(chǎn)評價體系是一個復(fù)雜的系統(tǒng),涉及的內(nèi)容繁雜,需要考慮的因素很多,存在很大的不確定性,導(dǎo)致得到的結(jié)論與實(shí)際現(xiàn)場常常不能一致,計算智能以選擇非線性函數(shù)建立安全生產(chǎn)評價模型,實(shí)現(xiàn)對非線性函數(shù)關(guān)系的擬合,解決了這一難題。在機(jī)械制造中存在著大量的模糊信息,如機(jī)械設(shè)備的損耗、零件設(shè)計目標(biāo)等信息都是用比較模糊的術(shù)語來表達(dá),傳統(tǒng)的人工智能進(jìn)行新的零件生產(chǎn)制造時,設(shè)計人員對零件進(jìn)行設(shè)計,確定零件的尺寸,然后試生產(chǎn)零件應(yīng)用在設(shè)備中,如不符合要求,再進(jìn)行調(diào)整,這就要求設(shè)計人員有著豐富的知識和實(shí)踐經(jīng)驗(yàn),能夠根據(jù)需要設(shè)計出適合的零件,而計算智能以系統(tǒng)論作為基礎(chǔ)的,對選擇的自變量進(jìn)行適當(dāng)?shù)膬?yōu)化和控制,只需要設(shè)計人員將零件的形狀、大小、作用等輸入計算機(jī),并對零件制造的程序編排,利用計算機(jī)確定零件的制造技術(shù),同時控制零件的質(zhì)量,使零件設(shè)計、制造的過程更加便捷。
3結(jié)語
關(guān)鍵詞:物聯(lián)網(wǎng);LS-SVM;數(shù)據(jù)模型
中圖分類號:TP393
文獻(xiàn)標(biāo)識碼:A
文章編號:1009-3044(2017)10-0145-02
1.引言
前神經(jīng)網(wǎng)絡(luò)(feedforwardneuralnetwork),簡稱前饋網(wǎng)絡(luò),是人工神經(jīng)網(wǎng)絡(luò)的一種。
2.概念相關(guān)概述
2.1前饋人工神經(jīng)網(wǎng)絡(luò)現(xiàn)實(shí)基礎(chǔ)模型
首先,生物神經(jīng)元模型。人的大腦中有眾多神經(jīng)元,而神經(jīng)元之間需要神經(jīng)突觸連接,進(jìn)而構(gòu)成了復(fù)雜有序的神經(jīng)網(wǎng)絡(luò)。而神經(jīng)元主要由樹突、軸突和細(xì)胞體組成。一個神經(jīng)元有一個細(xì)胞體和軸突,但是卻有很多樹突。樹突是神經(jīng)元的輸入端,用于接受信息,并向細(xì)胞體財團(tuán)對信息。而細(xì)胞體是神經(jīng)元的信息處理中心,能夠?qū)π盘栠M(jìn)行處理。軸突相當(dāng)于信息輸出端口,負(fù)責(zé)向下一個神經(jīng)元傳遞信息;其次,人工神經(jīng)元。人工神經(jīng)元的信息處理能力十分有限,但是,由眾多人工神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)系統(tǒng)龐大,具有巨大的潛力,能夠解決復(fù)雜問題。人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)具有相似之處,人工神經(jīng)網(wǎng)絡(luò)能夠從環(huán)境中獲取知識,并存儲信息。前饋人工神經(jīng)網(wǎng)絡(luò)主要包括隱含層、輸入層和輸出層。在前饋人工神經(jīng)網(wǎng)絡(luò)中,神經(jīng)元將信號進(jìn)行非線性轉(zhuǎn)換之后,將信號傳遞給下一層,信息傳播是單向的。并且,前饋人工神經(jīng)網(wǎng)絡(luò)是人們應(yīng)用最多的網(wǎng)絡(luò)模型,常見的有BP神經(jīng)網(wǎng)絡(luò)、單層感知器、RBF神經(jīng)網(wǎng)絡(luò)等模型。
2.2 LS-SVM相關(guān)概述
支撐向量機(jī)是一種基于統(tǒng)計學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法,能夠根據(jù)樣本信息進(jìn)行非現(xiàn)象映射,解回歸問題的高度非現(xiàn)象問題。并且,支撐向量機(jī)在解決非線性、局部極小點(diǎn)方問題上有很大的優(yōu)勢。LS-SVM也叫最小二乘支撐向量機(jī),是支撐向量機(jī)的一種,遵循支撐向量機(jī)算法的結(jié)構(gòu)風(fēng)險最小化的原則,能夠?qū)⒅蜗蛄繖C(jī)算法中的不等式約束改為等式約束,進(jìn)而將二次問題轉(zhuǎn)換為線性方程問題,大大降低了計算的復(fù)雜性。并且,LS-SVM在運(yùn)算速度上遠(yuǎn)遠(yuǎn)高于支持向量機(jī)。但是,LS-SVM也存在一定的缺點(diǎn),在計算的過程中,LS-SVM的忽視了全局最優(yōu),只能實(shí)現(xiàn)局部最優(yōu)。并且,LS-SVM在處理噪聲污染嚴(yán)重的樣本時,會將所有的干擾信息都擬合到模型系統(tǒng)中,導(dǎo)致模型的魯棒性降低。另外,LS-SVM的在線建模算法、特征提取方法以及LS-SVM的支持向量稀疏性都有待改進(jìn)。
2.3物聯(lián)網(wǎng)下人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM研究的意義
物聯(lián)網(wǎng)是互聯(lián)網(wǎng)技術(shù)的發(fā)展趨勢,為前饋人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與LS-SVM研究提供了技術(shù)保障,在物聯(lián)網(wǎng)背景下,研究人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM不僅能夠創(chuàng)新人工神經(jīng)網(wǎng)絡(luò)的計算方法,完善人工神經(jīng)網(wǎng)絡(luò)在現(xiàn)實(shí)生活中的應(yīng)用,而且對人們生活的自動化和智能化發(fā)展有著重要意義。另外,物聯(lián)網(wǎng)為人們對LS-SVM的研究提供了條件,在物聯(lián)網(wǎng)環(huán)境下,人們能夠運(yùn)用信息技術(shù)深化最小二乘支撐向量機(jī)研究,不斷提高LS-SVM回歸模型的魯棒性,改進(jìn)LS-SVM的特征提取方法和在線建模算法,完善計算機(jī)學(xué)習(xí)方法,提升計算機(jī)的運(yùn)算速度。3基于LS―SVM的丟包數(shù)據(jù)模型
在選擇的參數(shù)的基礎(chǔ)上,運(yùn)用IS-SVM方法,建立評估模型。本文選用LS-SVM回歸方法的原因,SVM優(yōu)于神經(jīng)網(wǎng)絡(luò)的方法主要是以下幾點(diǎn):
首先,了解數(shù)據(jù)挖掘,數(shù)據(jù)挖掘前景廣闊,SVM是數(shù)據(jù)挖掘中的新方法。其次,選擇合適的數(shù)據(jù)分析方法根據(jù)數(shù)據(jù)集的大小和特征。小樣本訓(xùn)練適合SVM,樣本大情況的訓(xùn)練適宜神經(jīng)網(wǎng)絡(luò),這里用SVM。
然后,就是文獻(xiàn)使用SVM和PCA建立跨層的評估QOE,實(shí)驗(yàn)結(jié)果表明主觀MOS評分和此評價結(jié)果具有很好的一致性。
最后,本文采用SVM基礎(chǔ)上的進(jìn)一步拔高,LS-SVM,比SVM運(yùn)行快,精確度高。srcl3_hrcl_525.yuv實(shí)驗(yàn)素材的特征是具有高清性質(zhì)。525序列60HZ,幀大小為1440x486字節(jié)/幀,625序列50HZ,大小同上。YUV格式是422格式即4:2:2格式的。
時域復(fù)雜度的模型如下,視頻的時域復(fù)雜度σ;編碼量化參數(shù)是Q;編碼速率為R;待定模型的參數(shù)為a和b。σ=Q(aR+b)。通過大量的實(shí)驗(yàn)和理論分析,得到模型的參數(shù):a=l 260,b=0.003。其中,編碼速率和幀率可以看作是視頻的固有屬性。高清視頻編碼速率R是512kb/s,最大幀速率為30000/1001=29.97幅,秒。量化參數(shù)是根據(jù)實(shí)驗(yàn)的具體情況確定的。計算σ的值如下所示:當(dāng)量化參數(shù)為31時,σ=19998720.1,當(dāng)量化參數(shù)為10時,σ=6451200.03,當(dāng)量化參數(shù)為5時,σ=3225600.02,當(dāng)量化參數(shù)為62時,σ=39997440.2,當(dāng)量化參數(shù)為100時,σ=64512000.3,當(dāng)量化參數(shù)為200時,σ=129024001,當(dāng)量化參數(shù)為255時,σ=164505601。
對于srcl3網(wǎng)絡(luò)環(huán)境建立考慮網(wǎng)絡(luò)丟包的視頻質(zhì)量無參評估模型使用LS-SVM方法。
(1)輸入x的值。XI是量化參數(shù),X2封包遺失率,X3單工鏈路速度,X4雙工鏈路速度,X5視頻的時域復(fù)雜度。等權(quán)的參數(shù)。
LS-SVM要求調(diào)用的參數(shù)只有兩個gam和sig2并且他們是LS-SVM的參數(shù),其中決定適應(yīng)誤差的最小化和平滑程度的正則化參數(shù)是gam,RBF函數(shù)的參數(shù)是sig2。Type有兩種類型,一種是elassfieation用于分類的,一種是function estimation用于函數(shù)回歸的。
4.機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)的結(jié)合
物聯(lián)網(wǎng)中也用到人工智能,人工智能中有機(jī)器學(xué)習(xí),機(jī)器學(xué)習(xí)中有神經(jīng)網(wǎng)絡(luò)。機(jī)器學(xué)習(xí)是人工智能研究的核心問題之一,也是當(dāng)前人工智能研究的一個熱門方向。
關(guān)鍵詞: 機(jī)器學(xué)習(xí) 人工智能 基本模型
1.引言
“機(jī)器學(xué)習(xí)”是人工智能的重要研究領(lǐng)域之一。機(jī)器學(xué)習(xí)的定義是“系統(tǒng)通過積累經(jīng)驗(yàn)而改善系統(tǒng)自身的性能”。通俗地說,就是讓機(jī)器去學(xué)習(xí),利用學(xué)到的知識來指導(dǎo)下一步的判斷。最初研究機(jī)器學(xué)習(xí),是讓計算機(jī)具有學(xué)習(xí)的能力,以實(shí)現(xiàn)智能化。因?yàn)槿藗冋J(rèn)為具有人工智能的系統(tǒng)首先必須具有學(xué)習(xí)能力。機(jī)器學(xué)習(xí)的研究始于神經(jīng)元模型研究,此后又經(jīng)歷了符號概念獲取、知識強(qiáng)化學(xué)習(xí)研究階段,至今已發(fā)展到連接學(xué)習(xí)和混合型學(xué)習(xí)研究階段。
2.機(jī)器學(xué)習(xí)系統(tǒng)的基本模型
根據(jù)機(jī)器學(xué)習(xí)的定義,建立如圖1所示的機(jī)器學(xué)習(xí)基本模型。
模型中包含學(xué)習(xí)系統(tǒng)的四個基本組成環(huán)節(jié)。
環(huán)境和知識庫是以某種知識表示形式表達(dá)的信息的集合,分別代表外界信息來源和系統(tǒng)具有的知識。學(xué)習(xí)環(huán)節(jié)和執(zhí)行環(huán)節(jié)代表兩個過程。學(xué)習(xí)環(huán)節(jié)處理環(huán)境提供的信息,以便改善知識庫中的知識。執(zhí)行環(huán)節(jié)是整個機(jī)器學(xué)習(xí)系統(tǒng)的核心。利用知識庫中的知識來完成某種任務(wù),并把執(zhí)行中獲得的信息送還給學(xué)習(xí)環(huán)節(jié)。
2.1機(jī)器學(xué)習(xí)的分類
很多學(xué)者從不同的角度對機(jī)器學(xué)習(xí)進(jìn)行了分類,這里簡單闡述一下繼續(xù)學(xué)習(xí)策略的機(jī)器學(xué)習(xí)的種類。按照學(xué)習(xí)策略的不同,機(jī)器學(xué)習(xí)分為機(jī)械學(xué)習(xí)、歸納學(xué)習(xí)、基于解釋的學(xué)習(xí)、基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和基于遺傳算法的學(xué)習(xí)。
2.1.1機(jī)械學(xué)習(xí)
機(jī)械學(xué)習(xí)(Rote Learning)就是“死記硬背式的學(xué)習(xí)”,靠記憶存儲知識,需要時檢索已經(jīng)存下來的知識使用,不需要計算和推理。機(jī)械學(xué)習(xí)的模式如下:需要解決的問題為{y,y,...,yn},輸入已知信息{x,x,...x}后,解決了該問題,于是將記錄對{{x,x,...,x},{y,y,...,y}}存入數(shù)據(jù)庫,以后當(dāng)遇到問{y,y,...,y}時,檢索數(shù)據(jù)庫,即可得到問題{y,y,...,y}的解答是{x,x,...,x}。
能實(shí)現(xiàn)機(jī)械式學(xué)習(xí)算法的系統(tǒng)只需具備兩種基本技能:記憶與檢索。此外,存儲的合理安排,信息的合理結(jié)合,以及檢索最優(yōu)方向的控制也是系統(tǒng)應(yīng)該考慮的問題。該算法簡單、容易實(shí)現(xiàn)、計算快速,但是由于系統(tǒng)不具備歸納推理的功能,對每個不同的問題,即使是類似的問題,也需要知識庫中有不同的記錄。因此占用大量的存儲空間,這是典型的以空間換時間的算法。
2.1.2歸納學(xué)習(xí)
歸納學(xué)習(xí)是應(yīng)用歸納推理進(jìn)行學(xué)習(xí)的一種方法。歸納學(xué)習(xí)的過程是由特殊實(shí)例推導(dǎo)出一般情況的過程,這樣就使類似的問題可以利用同樣的方法求解。歸納學(xué)習(xí)的過程就是示例空間與規(guī)則空間的相互利用與反饋。1974年,Simon和Lea提出了雙空間模型,形象地對這一執(zhí)行過程進(jìn)行了描述,如圖2所示。
歸納學(xué)習(xí)算法簡單,節(jié)省存儲空間,在一段時間內(nèi)得到了廣泛的應(yīng)用。在應(yīng)用過程中,該算法逐漸顯現(xiàn)出它的缺點(diǎn):(1)歸納結(jié)論是通過對大量的實(shí)例分析得出的,這就要求結(jié)論的得出要有大量實(shí)例作支撐,而這在許多領(lǐng)域都是無法滿足的。(2)歸納結(jié)論是由不完全訓(xùn)練集得出的,因而其正確性無法保證,只能使結(jié)論以一定概率成立。(3)該算法通過對實(shí)例的分析與對比得出結(jié)論,對于信息的重要性與相關(guān)關(guān)系無法辨別。
2.1.3基于解釋的學(xué)習(xí)
基于解釋的學(xué)習(xí)(Explanation-Based Learning)是運(yùn)用已知相關(guān)領(lǐng)域的知識及訓(xùn)練實(shí)例,對某個目標(biāo)概念進(jìn)行學(xué)習(xí),并通過后繼的不斷練習(xí),得到目標(biāo)概念的一般化描述。該學(xué)習(xí)的執(zhí)行過程如圖3所示。
這種方式的學(xué)習(xí)得到一個領(lǐng)域完善的知識往往是比較困難的,這就對該算法提出了更高的要求。為解決知識不完善領(lǐng)域的問題,有以下兩個研究方向[2]:(1)改進(jìn)該算法使其在不完善的領(lǐng)域理論中依然有效。(2)擴(kuò)充該領(lǐng)域的知識使其擁有更強(qiáng)的解釋能力。通常情況下,第二種改進(jìn)方法更重要些。
2.1.4基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
神經(jīng)網(wǎng)絡(luò)是由許多類似神經(jīng)元的節(jié)點(diǎn)和它們之間帶權(quán)的連接組成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu),是為模仿人類大腦的復(fù)雜神經(jīng)結(jié)構(gòu)而建立起來的抽象數(shù)據(jù)模型,希望相似的拓?fù)浣Y(jié)構(gòu)可以使機(jī)器像人腦一樣進(jìn)行數(shù)據(jù)的分析、存儲與使用。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的過程就是不斷修正連接權(quán)的過程。在網(wǎng)絡(luò)的使用過程中,對于特定的輸入模式,神經(jīng)網(wǎng)絡(luò)通過前向計算,產(chǎn)生一個輸出模式,并得到節(jié)點(diǎn)代表的邏輯概念,通過對輸出信號的比較與分析可以得到特定解。在整個過程中,神經(jīng)元之間具有一定的冗余性,且允許輸入模式偏離學(xué)習(xí)樣本,因此神經(jīng)網(wǎng)絡(luò)的計算行為具有良好的并行分布、容錯和抗噪能力。
神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是一種仿真算法,擁有良好的認(rèn)識模擬能力和有高度的并行分布式處理能力。但神經(jīng)網(wǎng)絡(luò)模型及其參數(shù)設(shè)置難以確定,需要長時間的試驗(yàn)摸索過程。并且,對于最后得到的神經(jīng)網(wǎng)絡(luò),其反映的知識往往難以讓人理解。為解決這些問題,構(gòu)造神經(jīng)網(wǎng)絡(luò)集成并從神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)集成中抽取規(guī)則成為當(dāng)前研究的熱點(diǎn)。
2.1.5基于遺傳算法的學(xué)習(xí)
遺傳算法以自然進(jìn)化和遺傳學(xué)為基礎(chǔ),通過模擬自然界中生物的繁殖與進(jìn)化過程,使訓(xùn)練結(jié)果逐漸優(yōu)化。與遺傳過程類似,在學(xué)習(xí)過程中,通過選擇最好結(jié)果并使其組合產(chǎn)生下一代,使“優(yōu)秀的遺傳因子”逐代積累,最后得到最優(yōu)的解。遺傳算法解決了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的一個缺點(diǎn),它不需要知道原始信息而只需知道學(xué)習(xí)的目的即可進(jìn)行,具有很強(qiáng)的并行計算能力和適應(yīng)能力。此外,遺傳算法采取的隨機(jī)搜索方法提高了該學(xué)習(xí)算法對全局搜索的能力。遺傳算法的缺點(diǎn)主要體現(xiàn)在三個方面:無法確定最終解的全局最優(yōu)性;無法控制遺傳過程中變異的方向;無法有效地確定進(jìn)化終止條件?;谶@三個缺點(diǎn),有人提出了遺傳算法與其他學(xué)習(xí)算法的結(jié)合,優(yōu)點(diǎn)互補(bǔ)已達(dá)到更好的效果。
3.結(jié)語
機(jī)器學(xué)習(xí)在過去十幾年中取得了飛速的發(fā)展,目前已經(jīng)成為子領(lǐng)域眾多、內(nèi)涵非常豐富的學(xué)科領(lǐng)域?!案?、更好地解決實(shí)際問題”成為機(jī)器學(xué)習(xí)發(fā)展的驅(qū)動力。事實(shí)上,過去若干年中出現(xiàn)的很多新的研究方向,例如半監(jiān)督學(xué)習(xí)、代價敏感學(xué)習(xí)等,都起源于實(shí)際應(yīng)用中抽象出來的問題,而機(jī)器學(xué)習(xí)的研究進(jìn)展,也很快就在眾多應(yīng)用領(lǐng)域中發(fā)揮作用。機(jī)器學(xué)習(xí)正在逐漸成為基礎(chǔ)性、透明化、無處不在的支持技術(shù)、服務(wù)技術(shù)。
參考文獻(xiàn):
[1]周志華.機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘[J].
【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò);教育資源;管理系統(tǒng)
【中圖分類號】G40-057 【文獻(xiàn)標(biāo)識碼】A 【論文編號】1009―8097(2009)07―0120―04
教育資源是信息化教學(xué)的基礎(chǔ)。隨著教育信息化的深層次推進(jìn),互聯(lián)網(wǎng)中的信息資源以指數(shù)方式增長,這些資源不僅在內(nèi)容上多種多樣,在表現(xiàn)形式上更是豐富多彩。它對教育領(lǐng)域的沖擊與滲透使得網(wǎng)絡(luò)教育資源的利用受到重視,并隨之出現(xiàn)了新型教學(xué)模式,如:基于資源的自主探索式學(xué)習(xí)和協(xié)作學(xué)習(xí)等。然而海量的網(wǎng)絡(luò)教育資源既為教育帶來了強(qiáng)大的服務(wù)功能,也為資源的建設(shè)與管理帶來了新的挑戰(zhàn)。教育資源具有數(shù)據(jù)量大、形式多樣、針對性強(qiáng)、教育性強(qiáng)等諸多特點(diǎn),如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學(xué)習(xí)和工作之中,并在大范圍內(nèi)實(shí)現(xiàn)共享是網(wǎng)絡(luò)教育資源建設(shè)者必須慎重面對的問題?!盵1]
一 教育資源管理面臨的問題
隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網(wǎng)絡(luò)環(huán)境的復(fù)雜給教育資源的管理帶來許多不確定性。
1 教育資源管理系統(tǒng)在網(wǎng)絡(luò)過載,受到攻擊的情況下很容易崩潰。系統(tǒng)一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發(fā)利用和共享無從談起。目前“教育資源管理系統(tǒng)在輸入錯誤、磁盤故障、網(wǎng)絡(luò)過載或有意攻擊情況下,很容易死機(jī)和崩潰?!盵2]而魯棒性(robustness)的大小是在異常和危險情況下系統(tǒng)生存的關(guān)鍵,代表了系統(tǒng)健壯與否。簡而言之,系統(tǒng)的魯棒性有待加強(qiáng)。
2 教育資源管理系統(tǒng)需要連續(xù)不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發(fā)生故障時,教育資源管理系統(tǒng)容易停止工作,給用戶帶來較大的損失。而容錯性(Fault Tolerance)是指在故障存在的情況下管理系統(tǒng)不失效,仍然能夠正常工作的特性。很明顯,管理系統(tǒng)的容錯性較差,猶如一個經(jīng)常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。
3 教育資源的擴(kuò)張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導(dǎo)致很難在較短的時間內(nèi)找到用戶迫切需要的資料,浪費(fèi)用戶的時間,也給教育資源的進(jìn)一步推廣使用帶來障礙。
二 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
人工智能(Artificial Intelligence)是探討人類智能的基本機(jī)理,研究如何利用各種自動機(jī)來模擬人的某些思維過程和智能行為,從而構(gòu)造智能人工制品的科學(xué)。
人類對人工智能的研究可以分成兩種方式,對應(yīng)著兩種不同的技術(shù):基于心理角度模擬的傳統(tǒng)人工智能技術(shù)和基于生理角度模擬的人工神經(jīng)網(wǎng)絡(luò)技術(shù)。從人腦的生理結(jié)構(gòu)來觀察,人腦的每個神經(jīng)元大約有103~4個樹突及相應(yīng)的突觸,一個人的大腦總計約形成1014~15個突觸。用神經(jīng)網(wǎng)絡(luò)的術(shù)語來說,即是人腦具有1014~15個互相連接的存儲潛力。雖然每個神經(jīng)元的運(yùn)算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經(jīng)元之間的極度并行互連功能,最終使得一個普通人的大腦在約1秒內(nèi)就能完成現(xiàn)行計算機(jī)至少需要數(shù)10億次處理步驟才能完成的任務(wù)。根據(jù)人腦的生理特點(diǎn),人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實(shí)現(xiàn)信息的整體處理任務(wù),它的這一結(jié)構(gòu)特點(diǎn)決定著人工神經(jīng)網(wǎng)絡(luò)具有高速信息處理的能力。它實(shí)質(zhì)上是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征,進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。其“工作原理是通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系,從而達(dá)到處理信息的目的?!?[3]所以它具有自學(xué)習(xí)和自適應(yīng)的能力,可以通過預(yù)先提供的一批相互對應(yīng)的輸入――輸出數(shù)據(jù),分析掌握兩者之間潛在的規(guī)律,最終根據(jù)這些規(guī)律,用新的輸入數(shù)據(jù)來推算輸出結(jié)果。
人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網(wǎng)絡(luò)中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù);輸出單元實(shí)現(xiàn)系統(tǒng)處理結(jié)果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統(tǒng)外部觀察的單元。神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度,“信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中?!盵4]人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)是通過網(wǎng)絡(luò)的變換和動力學(xué)行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。正因?yàn)檫@個重要特征,“人工神經(jīng)網(wǎng)絡(luò)采用了與傳統(tǒng)人工智能技術(shù)完全不同的機(jī)理,克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷,具有自適應(yīng)、自組織和實(shí)時學(xué)習(xí)的特點(diǎn)?!盵5]它與專家系統(tǒng)的最大區(qū)別是,專家系統(tǒng)屬于人類智能的功能模擬,而人工神經(jīng)網(wǎng)絡(luò)則偏重走結(jié)構(gòu)模擬的路子。與其它智能系統(tǒng)相比,人工神經(jīng)網(wǎng)絡(luò)具有以下特點(diǎn):
1 學(xué)習(xí)能力:學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)具有智能的重要表現(xiàn),即通過訓(xùn)練可抽象出訓(xùn)練樣本的主要特征,表現(xiàn)出強(qiáng)大的自適應(yīng)能力。例如實(shí)現(xiàn)圖像識別時,只有先把許多不同的圖像樣板和對應(yīng)的應(yīng)識別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)就會通過自學(xué)習(xí)功能,慢慢學(xué)會識別類似的圖像。
2 分布式結(jié)構(gòu):人工神經(jīng)網(wǎng)絡(luò)力圖“體現(xiàn)大腦的分布式并行計算和非線性等特征,依此而建構(gòu)的網(wǎng)絡(luò)是一種具有大量連接的并行分布式處理器?!盵6]具有通過學(xué)習(xí)獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經(jīng)元突觸相類似的連接的權(quán)重中。在傳統(tǒng)的串行體系計算機(jī)中信息分布在獨(dú)立的存儲單元中,而在神經(jīng)網(wǎng)絡(luò)中,信息則分散在神經(jīng)元的連接上。神經(jīng)網(wǎng)絡(luò)的信息分布特性,使之具有強(qiáng)大的容錯能力和記憶聯(lián)想能力。信息的分布存儲提供容錯功能。由于信息被分布存放在幾乎整個網(wǎng)絡(luò)中,所以,“當(dāng)其中的某一個點(diǎn)或者某幾個點(diǎn)被破壞時,信息仍然可以被存取。系統(tǒng)在受到局部損傷時還可以正常工作?!盵5]
3 并行處理:神經(jīng)網(wǎng)絡(luò)主要是對人腦的結(jié)構(gòu)模擬。各種神經(jīng)元在處理信息時是獨(dú)立完成的,不同神經(jīng)元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設(shè)計的串行處理變?yōu)閷π畔⒉⑿刑幚怼?/p>
三 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于教育技術(shù)資源的管理之中
將網(wǎng)絡(luò)布線由原來的星型布線轉(zhuǎn)向神經(jīng)網(wǎng)絡(luò)布線方式。應(yīng)用神經(jīng)網(wǎng)絡(luò)軟件,網(wǎng)絡(luò)采用分布式結(jié)構(gòu),信息采用統(tǒng)一并行處理的方式處理,從而加強(qiáng)了網(wǎng)絡(luò)的魯棒性、容錯性。同時發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,對待不同的信息資源進(jìn)行模式分類。神經(jīng)網(wǎng)絡(luò)模型考慮采用目前比較成熟的誤差反向傳播網(wǎng)(BP神經(jīng)網(wǎng)絡(luò))。教育資源分類考慮設(shè)計關(guān)鍵詞進(jìn)行訓(xùn)練,同時設(shè)立樣本訓(xùn)練方法,用BP算法對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束之后,神經(jīng)網(wǎng)絡(luò)就可以作為教育資源分類器來進(jìn)行使用。
BP(Back propagation反向傳播)網(wǎng)絡(luò)又稱誤差信號反饋網(wǎng)絡(luò),是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類。它是一種有教師的學(xué)習(xí)網(wǎng)絡(luò),能夠?qū)崿F(xiàn)從N維到M維的非線性映射,采用梯度下降法實(shí)現(xiàn)快速收斂。BP神經(jīng)網(wǎng)絡(luò)采用的是并行網(wǎng)格結(jié)構(gòu),包括輸入層、隱含層和輸出層,經(jīng)作用函數(shù)后,再把隱節(jié)點(diǎn)的輸出信號傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。由圖1可見各層次的神經(jīng)元之間形成全互連連接,各層次內(nèi)的神經(jīng)元之間沒有連接。
該算法的學(xué)習(xí)過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層。第一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出結(jié)果,則轉(zhuǎn)入反向傳播,將誤差信號(目標(biāo)值與網(wǎng)絡(luò)輸出之差)沿原來的連接通道返回,通過修改各層神經(jīng)元權(quán)值,使得誤差均方最小。神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明“BP網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化功能,任一連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡(luò)加以實(shí)現(xiàn)。”[3]
其BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務(wù)器。隱含層包含若干個存儲器,代表若干個知識單元。存儲器需要具備輸入輸出渠道,具備自學(xué)習(xí)能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務(wù)器組成。輸出層接受到隱含層傳來的信息之后,根據(jù)用戶要求傳送相關(guān)信息。層間聯(lián)接根據(jù)模型設(shè)計方案來鋪設(shè)。神經(jīng)網(wǎng)絡(luò)中的每一個節(jié)點(diǎn),無論其在輸入層、隱含層、輸出層上,每臺計算機(jī)上必須有相應(yīng)的神經(jīng)元器件,以便網(wǎng)絡(luò)進(jìn)行自學(xué)與聯(lián)想記憶。BP神經(jīng)網(wǎng)絡(luò)管理系統(tǒng)的硬件實(shí)現(xiàn)。是將協(xié)處理器插入標(biāo)準(zhǔn)計算機(jī)中,通過運(yùn)行神經(jīng)網(wǎng)絡(luò)軟件包,以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的硬件功能,可以使神經(jīng)網(wǎng)絡(luò)在任何計算機(jī)硬件和軟件環(huán)境中得到所需要的教育資源處理能力。其設(shè)計的模型具有如下特點(diǎn):
1 教育資源并行分布方式處理:在神經(jīng)網(wǎng)絡(luò)中教育資源是分布儲存和并行處理的,即神經(jīng)網(wǎng)絡(luò)把教育資源分布地存儲在神經(jīng)元之間的連接強(qiáng)度上,而且對教育資源的處理是由網(wǎng)絡(luò)中神經(jīng)元集體完成的。在BP神經(jīng)網(wǎng)絡(luò)中,教育資源的存儲表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系,它分散地表示和存儲于整個網(wǎng)絡(luò)內(nèi)的各神經(jīng)元及其連線上。每個神經(jīng)元及其連線只表示一部分教育資源,而不是一個完整具體概念。只有通過各神經(jīng)元的分布式綜合效果才能表達(dá)出特定的概念和知識。由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個數(shù)眾多以及整個網(wǎng)絡(luò)存儲容量的巨大,使得它具有很強(qiáng)的不確定性處理能力。即使輸入教育資源不完全、不準(zhǔn)確或模糊不清,神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓(xùn)練樣本,系統(tǒng)就能給出正確的推理結(jié)論。
2 魯棒性與容錯性比較強(qiáng):人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)和其信息存儲的分布式特點(diǎn),使得它相對于其它的判斷識別系統(tǒng)如專家系統(tǒng)等,具有另一個顯著的優(yōu)點(diǎn)健壯性。當(dāng)一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經(jīng)網(wǎng)絡(luò)不會因?yàn)閭€別神經(jīng)元的損失(網(wǎng)絡(luò)過載、停電、突發(fā)故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發(fā)事件,暫時使網(wǎng)絡(luò)的硬件實(shí)現(xiàn)還是軟件實(shí)現(xiàn)中的某個或某些神經(jīng)元失效,整個網(wǎng)絡(luò)仍然能繼續(xù)工作?!盵7]BP神經(jīng)網(wǎng)絡(luò)是一種非線性的處理系統(tǒng)。只有當(dāng)神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一閾值后才輸出一個信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學(xué)系統(tǒng),可以實(shí)現(xiàn)對教育資源不間斷、長時間的持續(xù)管理。它突破了傳統(tǒng)管理系統(tǒng)的局限,標(biāo)志著教育資源管理能力的較大提升。因而神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的魯棒性與容錯性,有聯(lián)想記憶抽象概括和自適應(yīng)能力。
3 具有自學(xué)習(xí)和自適應(yīng)能力:神經(jīng)網(wǎng)絡(luò)抽象概括和自適應(yīng)能力稱之為自學(xué)習(xí)能力,自學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)中最重要的特征。通過學(xué)習(xí),網(wǎng)絡(luò)能夠獲得教育資源的分類知識,適應(yīng)環(huán)境。在訓(xùn)練時,能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的分類知識,記憶于網(wǎng)絡(luò)的權(quán)值中。并具有泛化能力,即將這組權(quán)值應(yīng)用于一般教育資源分類的能力。另外,BP神經(jīng)網(wǎng)絡(luò)的分類能力學(xué)習(xí)也可以在線進(jìn)行。
以教育學(xué)院教育技術(shù)學(xué)資源管理為例,輸入層由兩臺高性能的服務(wù)器組成,中間設(shè)七個知識單元,輸出由兩臺輸出服務(wù)器組成。隱層的七個神經(jīng)元分別為計算機(jī)軟件資源室、課堂教學(xué)資源室、“影視創(chuàng)作資源室、計算機(jī)教育應(yīng)用資源室、網(wǎng)絡(luò)技術(shù)資源室、傳統(tǒng)教學(xué)資源室、傳統(tǒng)媒體使用資源室?!盵8]模型圖如圖2所示:
教育技術(shù)學(xué)資源管理系統(tǒng)一種可編程的動力系統(tǒng),其存貯、加工和提取教育資源均是可編程的。輸入層負(fù)責(zé)對教育技術(shù)學(xué)的相關(guān)教育資源進(jìn)行篩選比較,然后根據(jù)學(xué)習(xí)后的分類能力對資源予以分類,將所有的教育技術(shù)資源分布式存儲在隱層的各神經(jīng)元中,需要處理時根據(jù)用戶需要,從各個神經(jīng)元中取出信息并行處理,輸出到輸出服務(wù)器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進(jìn)行篩選之后將信息傳送給中間隱層。即使系統(tǒng)突然面臨網(wǎng)絡(luò)過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關(guān)資源已經(jīng)存儲完畢,損失微乎其微。系統(tǒng)的魯棒性大大加強(qiáng)。同時如果系統(tǒng)發(fā)生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個服務(wù)器處理。輸出處理時也是如此。因此系統(tǒng)的容錯性也得到提高。至于模式分類,則需要較長時間的訓(xùn)練和大量的樣本。一旦BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢,日后教育技術(shù)學(xué)資源分類就顯得十分輕松。只需將關(guān)鍵詞輸入準(zhǔn)確,便可以進(jìn)入相應(yīng)的知識單元存儲起來。處理信息時,根據(jù)用戶需要,有不少不同類別的資源需要統(tǒng)籌規(guī)劃、聯(lián)合利用,才能得到用戶需要的結(jié)果。這兒就可以充分發(fā)揮神經(jīng)網(wǎng)絡(luò)并行處理的特點(diǎn),有條不紊地對信息加以處理。其總體示意圖如圖3所示:
四 結(jié)語
教育信息化的核心問題是教育資源的應(yīng)用和管理。神經(jīng)網(wǎng)絡(luò)式的教育資源管理系統(tǒng)把教育資源存儲、教育資源管理、教育資源分類、教育資源動態(tài)升級四大特色功能進(jìn)行整合,全面突破了“當(dāng)前基礎(chǔ)教育信息化過程中的應(yīng)用‘瓶頸’?!?[9]其最大的特點(diǎn)就是突出了教育資源的管理功能,通過以一個統(tǒng)一管理平臺為核心的方式,對各類教育資源進(jìn)行優(yōu)化、整合,改善了以往教育資源管理從單一功能角度進(jìn)行設(shè)計,各功能之間不能相互結(jié)合,造成資源管理困難和資源互不兼容的問題,實(shí)現(xiàn)了教育資源的價值最大化。值得注意的是,由于管理系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)進(jìn)行設(shè)計,其魯棒性、容錯性和模式分類能力較強(qiáng),較之傳統(tǒng)教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時系統(tǒng)在應(yīng)付突發(fā)事件和網(wǎng)絡(luò)攻擊方面,應(yīng)變能力大大增強(qiáng),”[10]其可靠性與可用性也有突破性的提高。同時,在教育資源管理過程中,系統(tǒng)能抓住教育資源應(yīng)用與管理過程中的關(guān)鍵問題,關(guān)注用戶的反饋,即時更新教育資源,加強(qiáng)了教育資源的建設(shè),為教育信息化的持續(xù)發(fā)展提供了有力的保障。
參考文獻(xiàn)
[1] 余勝泉,朱凌云.教育資源建設(shè)技術(shù)規(guī)范體系結(jié)構(gòu)與應(yīng)用模式[J].中國電化教育,2006,(3):58-59.
[2] 穆肅.校本學(xué)科教學(xué)資源庫的設(shè)計和實(shí)現(xiàn)[J].中國電化教育,2004,(1):56-61.
[3] 周志華著.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用(第1版)[M].北京:清華大學(xué)出版社,2004.
[4] 張廣瑩,徐麗娜,鄧正隆.“神經(jīng)網(wǎng)絡(luò)控制”CAI課件研制中的幾個問題[J].現(xiàn)代教育技術(shù),1997,(2):32-33.
[5] 韓立群著.人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計及應(yīng)用(第1版)[M].北京:化學(xué)工業(yè)出版社,2002.
[6] 陶劍文.一種分布式智能推薦系統(tǒng)的設(shè)計[J].計算機(jī)工程,2007,(15):207-208.
[7] 王國旗,張辛亥,肖.采用前向多層神經(jīng)網(wǎng)絡(luò)預(yù)測煤的自然發(fā)火期[J].湖南科技大學(xué)學(xué)報(自科版),2008,(2):20-22.
[8] 茹洪麗.教育技術(shù)學(xué)課程設(shè)置問題探略[J].電化教育研究,2005,(12):38-41.
人工智能能取代人類傳統(tǒng)的會計工作嗎?會計業(yè)內(nèi)不少人以為,人工智能只能輔助會計人員進(jìn)行會計核算及財務(wù)決策,不能獨(dú)立進(jìn)行復(fù)雜的財務(wù)判斷和決策工作,認(rèn)為其至少無法取代現(xiàn)在高端的決策工作。但若認(rèn)真了解人工智能的發(fā)展趨勢,就會知道其所能做的會計工作遠(yuǎn)比大家想象的要多。
2017年2月4日,世界圍棋排名第二的人工智能機(jī)器人AlphaGo,被剔出排名。原因是Alpha Go再以“Master”之名,橫掃當(dāng)前世界最頂級高手,創(chuàng)造60勝0負(fù)的佳績,圍棋上人類已經(jīng)繳械投降了。更重要的是AlphaGo的“智能”模仿了人類大腦的神經(jīng)網(wǎng)絡(luò),具有高效的“深度學(xué)習(xí)”能力,已經(jīng)具備自我學(xué)習(xí)和預(yù)測未知的能力。下面本文就簡介一下其工作原理,揭開這種“智能”的神秘面紗。
二、現(xiàn)代人工智能原理及應(yīng)用
人工智能(Artificial Intelligence,簡稱AI)能以人類智能相似的方式對環(huán)境做出反應(yīng),包括對人類自然語言的識別與意義的理解,可以對圖像和影像中的物體精確識別等,還可以模擬人的學(xué)習(xí)、推理、思考、規(guī)劃、預(yù)測等思維過程和智能行為。
1.AI原理簡介
(1)大腦生物神經(jīng)網(wǎng)絡(luò)工作原理
腦神經(jīng)科學(xué)家通過研究發(fā)現(xiàn),人腦大約有1011個神經(jīng)元(神經(jīng)細(xì)胞),并分為多個層。每個神經(jīng)元上有103~105個神經(jīng)突觸。每個神經(jīng)元通過突觸與其它神經(jīng)元進(jìn)行連接和信息傳遞,構(gòu)成一個強(qiáng)大、復(fù)雜的神經(jīng)網(wǎng)絡(luò)。當(dāng)突觸接收到的信號強(qiáng)度超過某個閾值,神經(jīng)元將由靜止?fàn)顟B(tài)變激活(通電),再通過突觸以電脈沖向上層神經(jīng)元發(fā)送激活信號。層越多、連接越復(fù)雜,信息的抽象處理能力和智力越高。
大腦對于事物和概念的記憶,并非存儲在某個固定位置,而是像全息照片一樣,分布式地存儲在一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)里。一個概念可以用多個神經(jīng)元共同定義表示,一個神經(jīng)元也可以參與多個概念的表示。例如,“大黃狗”如果分布式地表示就是,一個神經(jīng)元表示大小,另一個神經(jīng)元表示顏色,第三個神經(jīng)元表示抽象的狗。當(dāng)視覺或聽覺將三個神經(jīng)元同時激活并與記憶中的數(shù)據(jù)概念匹配時,就知道是“大黃狗”。人類就是通過大腦特定區(qū)域神經(jīng)元之間的相互激活與協(xié)同工作,高效完成各種智力工作的。
(2)AI對信息進(jìn)行智能化處理的方式
一種是傳統(tǒng) “專家系統(tǒng)”人工智能,此方法基于邏輯符號,大量使用“如果-就”(If-Then)判斷規(guī)則,進(jìn)行線性邏輯推理,這種人工智能方式適合處理線性、結(jié)構(gòu)化數(shù)據(jù),但不適合處理直覺、模糊判斷及非結(jié)構(gòu)化數(shù)據(jù)。
另一種人工智能系統(tǒng),是模仿人的生物神經(jīng)網(wǎng)絡(luò)工作原理,分布式表征,模仿人類大腦處理信息。這種AI系統(tǒng)適合處理圖像、影像、聲音等分布式非結(jié)構(gòu)化數(shù)據(jù),,特別是海量的大數(shù)據(jù),一般都是分布式數(shù)據(jù)結(jié)構(gòu)。例如,視頻采集的動態(tài)數(shù)據(jù)中,判斷一個飛行的物體是麻雀還是老鷹,或者飛機(jī),對這樣海量數(shù)據(jù)的處理,傳統(tǒng)“專家系統(tǒng)”AI就無能為力了。而人工神經(jīng)網(wǎng)絡(luò)智能系統(tǒng),就可以高效處理這些非結(jié)構(gòu)化分布式數(shù)據(jù)信息。更為重要的是人工神經(jīng)網(wǎng)絡(luò)AI,可以像人一樣自我學(xué)習(xí),非監(jiān)督學(xué)習(xí),甚至預(yù)測學(xué)習(xí)。
目前的機(jī)器人工智能系統(tǒng)往往是把這兩種AI系統(tǒng)結(jié)合起來,互相取長補(bǔ)短。
2.AI應(yīng)用現(xiàn)狀
為了讓讀者更清楚了解AI對會計工作的沖擊,了解哪些工作將被機(jī)器人取代,下面介紹幾個AI典型應(yīng)用,進(jìn)一步了解其??用領(lǐng)域。
(1)“深度學(xué)習(xí)”在棋類中的應(yīng)用
在棋類博弈中,圍棋的變化數(shù)最多,達(dá)到10170。與過去戰(zhàn)勝國際象棋冠軍的“深藍(lán)”所不同,AlphaGo若想用窮舉法“暴力”計算出每步棋的最佳落子來與人類對弈,是根本不可能的。其采用的是人工神經(jīng)網(wǎng)絡(luò)的“深度學(xué)習(xí)”,自己和自己對弈上千萬盤棋,用非監(jiān)督學(xué)習(xí)的方法提高對弈水平。在海量的可能中,每步棋并非找最佳落子,而是找出勝率最高的走法。AlphaGo 1.0主要通過訓(xùn)練學(xué)習(xí)人類棋譜而戰(zhàn)勝韓國選手李世石。而橫掃圍棋界的AlphaGo2.0(Master)已經(jīng)拋棄人類的棋譜,創(chuàng)造出自己的走法。AI已經(jīng)具有通過自我學(xué)習(xí)進(jìn)行獨(dú)立判斷的能力。
(2)在圖形和語音識別方面應(yīng)用
Google旗下的DeepMind通過強(qiáng)化學(xué)習(xí)、無監(jiān)督學(xué)習(xí),讓AI僅使用屏幕上的像素和游戲分?jǐn)?shù)作為輸入,從頭學(xué)玩游戲,最終在其中29種游戲中達(dá)到或超過了人類水平,可見AI能通過自我學(xué)習(xí),對未知領(lǐng)域進(jìn)行預(yù)測、決策。
2015年的ImageNet競賽上,一個深度學(xué)習(xí)系統(tǒng)以96%的圖像識別準(zhǔn)確率,第一次超過了人類。目前百度公司已經(jīng)能將人臉識別準(zhǔn)確率提高到99.77%。百度基于深度學(xué)習(xí)研發(fā)的語音系統(tǒng)識別準(zhǔn)確率可達(dá)到97%,接近人類水平?,F(xiàn)在的語音翻譯也達(dá)到接近人類翻譯的水平。高效精確的圖形、影像、語音識別技術(shù),將使未來AI機(jī)器人具有強(qiáng)大的與人交流信息的能力。
(3)手寫數(shù)字和文字識別方面應(yīng)用
早在上世紀(jì)90年代,貝爾實(shí)驗(yàn)室開發(fā)出來的AI系統(tǒng),識別手寫的數(shù)字和文字就能達(dá)到商用級識別精度,被企業(yè)用來識別信封上的手寫郵政編碼及支票上面的手寫數(shù)字?,F(xiàn)在的識別準(zhǔn)確度完全可以與人類媲美。AI能識別出手寫的、不規(guī)范的會計原始單據(jù),甚至可以通過大數(shù)據(jù)樣本的“深度學(xué)習(xí)”,對發(fā)生的經(jīng)濟(jì)業(yè)務(wù)、會計事項(xiàng)做出準(zhǔn)確判斷歸類。
此外,AI還能代替醫(yī)生診斷病人,做記者寫報道,甚至寫小說、繪畫、作詩、作曲等。自動寫出會計報告更不是問題。
三、AI對會計工作的影響及對會計人員的沖擊
通過以上對AI應(yīng)用的分析可知,其遠(yuǎn)不止輔助會計人員做賬、分析、決策功能,更不是傳統(tǒng)會計電算化的升級版。大有對傳統(tǒng)會計人員的工作取而代之的趨勢。會計工作具有程序化、規(guī)范化、原則性強(qiáng)的特點(diǎn),而這些正是計算機(jī)所擅長。下面就從會計工作和會計人員這兩方面分析AI的影響。
1.AI對傳統(tǒng)會計工作的影響
《經(jīng)濟(jì)學(xué)人》曾于調(diào)查后在2014年列出了未來最有可能被機(jī)器取代的傳統(tǒng)崗位,會計行業(yè)就在其列。去年3月10日,四大國際會計師事務(wù)所之一德勤宣布與Kira Systems聯(lián)手,將AI引入會計、稅務(wù)、審計等工作當(dāng)中,取代人工閱讀包括調(diào)查、合并、合同管理以及租賃協(xié)議等商業(yè)文件。這一舉措更引起了會計業(yè)界的震動。
Kira Systems公司最近的創(chuàng)新產(chǎn)品正將機(jī)器學(xué)習(xí)提升至新高度,即機(jī)器可以通過從復(fù)雜文件中提取信息來擴(kuò)展人類的專業(yè)知識,能通過學(xué)習(xí)范例來準(zhǔn)確地識別信息,而不僅僅是識別預(yù)定程序的條款。由于AI機(jī)器人未來可以綜合處理圖像、視頻、語音、文字等數(shù)據(jù),并通過有關(guān)財務(wù)方面的大數(shù)據(jù)樣本的學(xué)習(xí),獲得財務(wù)分析、預(yù)測和決策能力,傳統(tǒng)的記賬、算賬、報賬的業(yè)務(wù)流程,有可能因?yàn)锳I而改變,由于AI高速的數(shù)據(jù)處理能力,會計報表不一定每個月出一次,完全可以改變會計工作的內(nèi)容和流程,做到動態(tài)實(shí)時出報表,打破會計和統(tǒng)計等傳統(tǒng)管理工作的界限,將會計工作與人事、生產(chǎn)、銷售等管理工作融為一體。因此,AI對會計行業(yè)的沖擊是全方位,多層次的。
2.AI對會計從業(yè)人員的要求
這個超前的預(yù)言,會不會有些夸張?
劉慶峰正以激情昂揚(yáng)的斗志,帶領(lǐng)科大訊飛接近這個現(xiàn)實(shí)。
事實(shí)或許如此。人工智能誕生60年以來,從未像今天這樣炙手可熱。細(xì)數(shù)很多領(lǐng)域,都能發(fā)現(xiàn)人工智能所能觸及并產(chǎn)生顛覆性影響的例子。其中,廣為人們熱議的,是2016年3月谷歌公司的AlphaGo(阿爾法圍棋)戰(zhàn)勝韓國名將李世石的驚人壯舉,并且未來還有“好戲”。
而據(jù)劉慶峰的預(yù)測,隨著萬物互聯(lián)時代到來,以語音為主、鍵盤觸摸為輔的人機(jī)交互正逐漸成為剛需,人工智能產(chǎn)業(yè)迎來第三次發(fā)展浪潮。
今天對人工智能未來的預(yù)測是不是過于樂觀?它是一個真正的產(chǎn)業(yè)大潮還是概念的泡沫?當(dāng)人工智能產(chǎn)業(yè)爆發(fā),它會怎樣改變我們所生存的現(xiàn)實(shí)世界?我們是興奮,還是如霍金所警示的“恐慌”?
黑科技,興奮還是恐慌?
2016年11月23日,北京國家會議中心的一場數(shù)千人會上,演講者在臺上聲情并茂地演說著,兩側(cè)的大屏幕上一行行字幕實(shí)時跳躍顯現(xiàn),速度和準(zhǔn)確率遠(yuǎn)超人工速記。據(jù)《中外管理》了解,這種在業(yè)界率先實(shí)現(xiàn)演講和會議場景下的語音轉(zhuǎn)寫技術(shù)突破的智能語音系統(tǒng),現(xiàn)場實(shí)測識別率達(dá)95%。
它,叫“訊飛聽見”。其功能是實(shí)時將語音轉(zhuǎn)寫成文字。更加“不可思議”的是,它在實(shí)時中文語音轉(zhuǎn)寫的基礎(chǔ)上,還融合了全新的多語種翻譯技術(shù),實(shí)時將中文演講翻譯成英語、日語、韓語等同步展示在大屏幕上,引發(fā)現(xiàn)場強(qiáng)烈反響。
看起來,這項(xiàng)基于人工智能技術(shù)的實(shí)時機(jī)器多語種翻譯技術(shù),似乎可以直接顛覆速記和翻譯的工作了!而事實(shí)上,此“神器”已實(shí)際應(yīng)用于在浙江烏鎮(zhèn)舉辦的第三屆世界互聯(lián)網(wǎng)大會,令使用者贊不絕口。 “讓機(jī)器能會說,首先要給機(jī)器裝上一個人工的嘴巴。”科大訊飛董事長劉慶峰以一個形象的比喻,來印證科大訊飛在“黑科技”上“耍”出的成果?!坝嶏w聽見”僅僅是其中之一。此次,科大訊飛一口氣的萬物互聯(lián)輸入法、智能家居、智能車機(jī)、智能服務(wù)機(jī)器人、智慧教育、個性化語音合成等創(chuàng)新產(chǎn)品,均是基于“訊飛超腦”人工智能最新技術(shù)的產(chǎn)物。
并非嘩眾取寵。這些搶眼的黑科技產(chǎn)品,事實(shí)上已經(jīng)讓這家以智能語音技術(shù)見長的公司執(zhí)著地走過了17年。早在1999年成立時,科大訊飛便堅(jiān)信無論人工智能如何發(fā)展,交互和后臺的理解和學(xué)習(xí)都是剛需,通過人機(jī)耦合以及迭代學(xué)習(xí)進(jìn)步,人工智能會逐步替代人類簡單重復(fù)的勞動。
先見之明可以引領(lǐng)一家公司的長遠(yuǎn)戰(zhàn)略,但沒有堅(jiān)忍的投入也無法結(jié)出果實(shí)。對未來的深入洞察,使科大訊飛在創(chuàng)新的道路上不斷突破,而連續(xù)多年的研發(fā)投入占銷售收入的25%,更是少有公司能夠比擬的。在人工智能的前沿技術(shù),如語音識別、合成以及機(jī)器翻譯等領(lǐng)域,科大訊飛在國際比賽上包攬很多項(xiàng)目的冠軍。例如語音合成技術(shù),能夠做到將人的音色和語言要素分離出來,從而實(shí)現(xiàn)這些要素的重新組合。
成績背后,是科大訊飛構(gòu)建的擁有1000余研發(fā)人員的核心研發(fā)平臺,以及外部1500人的聯(lián)合實(shí)驗(yàn)室,基于人工智能和大數(shù)據(jù)技術(shù)的長期研發(fā)。
用速度戰(zhàn)勝自己。你可以說是一種“顛覆”,但也何嘗不是進(jìn)步?
是什么驅(qū)動一家公司始終保持著專業(yè)與專注的文化特質(zhì),在一個垂直領(lǐng)域深耕十幾年?劉慶峰給出的答案是:人工智能的發(fā)展不會是一蹴而就的,創(chuàng)業(yè)者要有堅(jiān)守的心態(tài)、毅力和恒心。
“人工智能+”,顛覆還是改變?
不僅讓機(jī)器能聽會說,還要讓它能理解會思考。實(shí)現(xiàn)所謂的“人機(jī)交互”。
完成這個“神奇”的使命,光靠激情和暢想肯定不行,用劉慶峰的話說,“用一種爬山的企業(yè)精神,坐十年冷板凳,然后厚積薄發(fā)?!?/p>
資料顯示:人工智能概念在1956年達(dá)特莫斯會上被專家提出以后,于1970年掀起第一次浪潮,那時已經(jīng)通過第一代的人工智能神經(jīng)網(wǎng)絡(luò)算法證明了《數(shù)學(xué)原理》一書的絕大部分?jǐn)?shù)學(xué)原理。而第二次浪潮發(fā)生在1984年,當(dāng)時霍普菲爾德網(wǎng)絡(luò)被推出來,讓人工智能的神經(jīng)網(wǎng)絡(luò)具備了歷史記憶的功能。
“但是前兩次的大潮,后來都破滅了,為什么?”劉慶峰描述著,是因?yàn)樯窠?jīng)網(wǎng)絡(luò)本身算法的局限性,同時也受到當(dāng)時整個運(yùn)算能力的一些限制。那么今天,以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),基于大數(shù)據(jù)、云計算運(yùn)算平臺,再加上移動互聯(lián)網(wǎng)源源不斷地將各種訓(xùn)練數(shù)據(jù)收集到后臺,以目前的時間節(jié)點(diǎn)看,人工智能的第三次大潮已經(jīng)切實(shí)到來了?!绷钏d奮的是,科大訊飛17年的堅(jiān)持,正在驗(yàn)證一個“算法”與圍繞它的科技和產(chǎn)業(yè)界持續(xù)的創(chuàng)新實(shí)驗(yàn)。
“人工智能+”,或許可以改變更多我們頭腦中的認(rèn)知――盡管現(xiàn)在還沒有清晰地為我們感知到。
但是科大訊飛的研究表明,這是我們面臨的時代趨勢。人工智能進(jìn)入產(chǎn)業(yè)領(lǐng)域并釋放它的智慧,或許更值得期待。
一個頗為有趣的例證,便是2015年科大訊飛在教育領(lǐng)域推出的機(jī)器閱卷技術(shù)。這一技術(shù)在2016年進(jìn)一步迭代――在以往語文、英語作文學(xué)生手寫文字精準(zhǔn)識別、可靠評分基礎(chǔ)上,應(yīng)用“訊飛超腦”最新成果,又重點(diǎn)突破了中英文作文綜合反饋和逐句精批并在多校持續(xù)打磨形成新型作文教學(xué)模式,將原來最難開展教學(xué)的作文課從月頻提高到周頻授課和測練。
如此“智慧”的個性化教學(xué)產(chǎn)品,科大訊飛目前已經(jīng)推廣至全國220多個地市、超過10000所學(xué)校,1500萬師生受惠于此。并且在數(shù)、理、化教學(xué)的應(yīng)用同樣亦不遜色。
關(guān)鍵詞:電氣工程;自動化;智能技術(shù);應(yīng)用
近些年來,人工智能技術(shù)呈現(xiàn)快速進(jìn)步的趨勢,隨著該項(xiàng)技術(shù)的廣泛應(yīng)用,其巨大的發(fā)展?jié)摿σ仓饾u被人所認(rèn)同,就電氣工程自動化而言,智能化技術(shù)因其具有的行為、感知、思維能力,能夠很好的提高電氣工程自動化的建設(shè)水平,加快電氣生產(chǎn)力的進(jìn)步,促進(jìn)整個電器工程朝著自動控制、高效運(yùn)行、智能操作、系統(tǒng)穩(wěn)定等方面發(fā)展,引領(lǐng)生產(chǎn)技術(shù)進(jìn)行進(jìn)一步的革新,為電氣行業(yè)蓬勃發(fā)展奠定堅(jiān)實(shí)的基礎(chǔ)。
一、人工智能運(yùn)用的理論
在上世紀(jì)50年代第一次有了人工智能這一概念,隨著時間的推移,人工智能的發(fā)展也十分的迅速,時至今日,智能化技術(shù)已經(jīng)形成了以計算機(jī)為核心,包括各種學(xué)科在內(nèi),具有極強(qiáng)綜合性的一門學(xué)科,通過制作模擬人的智能行為的機(jī)器,到達(dá)研究智能本質(zhì)的目的。近些年來,智能化技術(shù)有了長足的進(jìn)步,并且隨著信息技術(shù)的高速發(fā)展,已經(jīng)能夠在一定程度上通過計算機(jī)模仿人的大腦,例如分析、收集、回饋、處理以及交換信息,正是由于這種進(jìn)步,才讓智能技術(shù)能夠更加廣泛的應(yīng)用在各個領(lǐng)域當(dāng)中。
二、利用智能化技術(shù)進(jìn)行控制的優(yōu)勢
對于不同人工智能的控制,需運(yùn)用不同方式進(jìn)行探討,由于部分人工智能的控制器,例如神經(jīng)、模糊、模糊神經(jīng)以及遺傳算法均屬于類非線形函數(shù)的近似器;采用此分類有利于了解總體,以及促進(jìn)對人工智能控制策略綜合性的開發(fā),以上人工智能的函數(shù)近似器具備常規(guī)函數(shù)的估計器不具有的優(yōu)點(diǎn)。首先,在多數(shù)情況下,精確了解控制對象動態(tài)方程是相對比較復(fù)雜的,所以控制器設(shè)計實(shí)際的控制對象模型,通常會出現(xiàn)許多不確定因素,例如參數(shù)變化與非線性時等,往往無法掌握新的信息。但人工智能的控制器設(shè)計,可不需參照控制對象模型。按照魯棒性、響應(yīng)時間與下降的時間不一樣,人工智能的控制器可經(jīng)過適當(dāng)調(diào)整以提升自身性能。同古典的控制器比較,人工智能的控制器更具備易調(diào)節(jié)的特點(diǎn)。盡管缺少專家現(xiàn)場的指引,人工智能的控制器也可以采取響應(yīng)數(shù)據(jù)進(jìn)行設(shè)計。
三、電氣工程自動化中智能化技術(shù)的運(yùn)用
隨著科技的高速發(fā)展,越來越多的新工藝、新技術(shù)被應(yīng)用在各個領(lǐng)域當(dāng)中,智能化技術(shù)也因此有了長足的進(jìn)步,其應(yīng)用范圍也更加寬廣,就電氣工程自動化而言,智能化技術(shù)的應(yīng)用能夠優(yōu)化電氣的設(shè)計結(jié)構(gòu),并且做到時刻監(jiān)控和診斷設(shè)備故障,做到智能控制,進(jìn)而提高電氣工程的建設(shè)水平。具體有以下幾個方面:
1.電氣的優(yōu)化設(shè)計
在整個電氣工程自動化領(lǐng)域當(dāng)中,其產(chǎn)品的優(yōu)化設(shè)計與其他相比還是較為復(fù)雜的,現(xiàn)在進(jìn)行電氣產(chǎn)品的優(yōu)化設(shè)計主要有兩個方面可以借鑒,一是日益豐富和完善的理論體系,二是過往設(shè)計經(jīng)驗(yàn),而傳統(tǒng)的優(yōu)化設(shè)計對設(shè)計經(jīng)驗(yàn)過于依賴,往往采用進(jìn)行大量數(shù)據(jù)實(shí)驗(yàn)的方式進(jìn)行修改和優(yōu)化,這樣的做法不僅效率低下,還會浪費(fèi)大量的資源,并且優(yōu)化過后的產(chǎn)品也難以讓人滿意。但是,信息技術(shù)和智能化技術(shù)的發(fā)展,很好的解決了這一問題,通過計算機(jī)的輔助模擬,電氣工程產(chǎn)品的優(yōu)化設(shè)計正在一改往日的諸多問題,朝著智能、高效的方向不斷前進(jìn)著。
現(xiàn)在主要利用遺傳算法和專家系統(tǒng)這兩種方法實(shí)現(xiàn)電氣優(yōu)化設(shè)計中智能技術(shù)的應(yīng)用,通過智能技術(shù)實(shí)現(xiàn)優(yōu)化設(shè)計的模擬,替代相關(guān)工作人員進(jìn)行數(shù)據(jù)處理,最終使得優(yōu)化方案可靠、有效。
2.故障的監(jiān)控和診斷
電氣工程由于其自身的特點(diǎn),使用的工藝和技術(shù)復(fù)雜、繁多,傳統(tǒng)的診斷和監(jiān)控措施不僅效率低下,檢測故障的準(zhǔn)確率也難以讓人滿意,這就需要充分利用智能化技術(shù)的優(yōu)勢,采用神經(jīng)網(wǎng)絡(luò)、模糊邏輯以及專家系統(tǒng)等模式,大幅度的提高故障監(jiān)控和診斷的效率,例如,運(yùn)用人工智能的技術(shù),對電動機(jī)與發(fā)電機(jī)進(jìn)行故障診斷的時候,結(jié)合神經(jīng)網(wǎng)絡(luò)與模糊理論,不但保留故障診斷的模糊性,更結(jié)合神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力強(qiáng)優(yōu)勢,共同對電機(jī)故障進(jìn)行診斷,極大提升了故障的診斷準(zhǔn)確率。
3.實(shí)現(xiàn)智能控制
實(shí)現(xiàn)智能控制不僅是電氣行業(yè)發(fā)展的必然要求,也是各個領(lǐng)域未來的發(fā)展方向,現(xiàn)階段電氣工程自動化已經(jīng)實(shí)現(xiàn)了部分智能控制,正朝著提高智能控制覆蓋率的方向不斷前進(jìn)著。目前實(shí)現(xiàn)智能控制的方式主要有模糊的控制、專家系統(tǒng)的控制以及神經(jīng)網(wǎng)絡(luò)的控制,其主要的職能就是做到設(shè)備故障的及時記錄、分析故障原因、各項(xiàng)數(shù)據(jù)收集和保存、通過監(jiān)控反映設(shè)備的實(shí)時運(yùn)行狀況、利用計算機(jī)進(jìn)行系統(tǒng)的控制等等。
4.發(fā)展趨勢
筆者認(rèn)為未來智能化技術(shù)的發(fā)展趨勢應(yīng)該朝著集成化、網(wǎng)絡(luò)化等方向發(fā)展,通過高度集成化,將原本體積較大、運(yùn)算速度較慢、運(yùn)行響應(yīng)不良的進(jìn)行進(jìn)行繼承,提高各項(xiàng)性能指標(biāo),同時集成化不僅能夠提高效率,也能在很大程度節(jié)約成產(chǎn)成本,同時能讓系統(tǒng)的可靠性有顯著的提高。而網(wǎng)絡(luò)化是未來科技發(fā)展的必然要求,隨著信息技術(shù)的發(fā)展,人們已經(jīng)深刻的認(rèn)識到網(wǎng)絡(luò)和計算機(jī)為我們生活、工作帶來的改變,實(shí)現(xiàn)智能技術(shù)的網(wǎng)絡(luò)化能夠通過計算機(jī)進(jìn)行電氣系統(tǒng)的遠(yuǎn)程操控,模擬相應(yīng)的操作進(jìn)行無人管理,利用網(wǎng)絡(luò)在任意機(jī)床實(shí)現(xiàn)對其他機(jī)床的控制, 從而節(jié)約大量的人力資源。
四、結(jié)束語
隨著科技的發(fā)展,人工智能技術(shù)也有了十分巨大的進(jìn)步,在各個領(lǐng)域中的應(yīng)用也有了可喜的成績,不僅能夠節(jié)約資源,還能提高生產(chǎn)效率和質(zhì)量,尤其是對電氣工程自動化而言,能夠優(yōu)化電氣工程的設(shè)計結(jié)構(gòu),并且做到時刻監(jiān)控和診斷設(shè)備故障,實(shí)現(xiàn)電氣系統(tǒng)的智能控制。同時,我們要需要明確智能化技術(shù)未來集成化、網(wǎng)絡(luò)化的發(fā)展方向,努力提高智能化水平,充分發(fā)揮智能化技術(shù)的作用,促進(jìn)各行各業(yè)的發(fā)展和進(jìn)步。
參考文獻(xiàn):
[1]馮亮.淺談智能化技術(shù)在電氣工程自動化中的應(yīng)用[J].科技與企業(yè),2013(01)
[2]婭.智能化技術(shù)在電氣工程自動化控制中的應(yīng)用[J].科技致富向?qū)В?012(27):217-217
人工智能的起源和發(fā)展
顧名思義,人工智能就是人造的智能,它是一門通過計算過程力圖理解和模仿智能行為的學(xué)科。其基本目標(biāo)就是使機(jī)器表現(xiàn)出類似人類的判斷、推理、證明、識別、感知、理解、通信、設(shè)計、思考、規(guī)劃、學(xué)習(xí)和問題求解等思維活動,使機(jī)器具有類似人類的智能行為,使機(jī)器思維能擁有人類的思考方式。
人工智能的思想最早可以追溯到法國哲學(xué)家笛卡爾的“有靈魂的機(jī)器”。到了20世紀(jì)30年代,英國數(shù)學(xué)家圖靈提出了“自動化理論”,把研究會思維的機(jī)器和開發(fā)計算機(jī)的工作大大向前推進(jìn)了一步,他也因此被稱為“人工智能之父”。但是,“人工智能”這個概念真正誕生的標(biāo)志是1956年夏季在美國達(dá)特瑪斯大學(xué)召開的以“人工智能”為名的學(xué)術(shù)討論會。隨后的幾十年中,人們從問題求解、邏輯推理、定理證明、自然語言理解、博弈、自動程序設(shè)計、專家系統(tǒng)、學(xué)習(xí)以及機(jī)器人學(xué)等多個角度展開了研究,并建立了一些具有不同程度人工智能的計算機(jī)系統(tǒng)。當(dāng)然,人工智能的發(fā)展也不是一帆風(fēng)順的,曾一度因?yàn)橛嬎銠C(jī)計算能力的限制無法模仿人腦的思考以及與實(shí)際需求的差距過大而走入低谷。但是隨著計算機(jī)硬件和軟件的發(fā)展,計算機(jī)的運(yùn)算能力以指數(shù)級增長,加之網(wǎng)絡(luò)技術(shù)的蓬勃興起使得目前的計算機(jī)已經(jīng)具備了足夠的條件來運(yùn)行一些要求較高的人工智能軟件。當(dāng)然,人工智能的快速發(fā)展并不意味著它已經(jīng)能達(dá)到人腦的水平,但人工智能的發(fā)展?jié)摿€是巨大的。根據(jù)人工智能研究的主要目標(biāo),以下4個方面引領(lǐng)了人工智能的發(fā)展方向:第一,與生物技術(shù)、電子技術(shù)結(jié)合,研究生物電子體;第二,與腦科學(xué)、信息處理技術(shù)結(jié)合,研究人工大腦;第三,與網(wǎng)絡(luò)技術(shù)、軟件技術(shù)結(jié)合,研究智能軟件;第四,與通訊技術(shù)、控制技術(shù)結(jié)合,研究家庭機(jī)器人。
有血有肉的生物電子體
在我們的印象中,人工智能通常是一個計算機(jī)軟件,其實(shí)它也可能擁有一副有血有肉的身軀在現(xiàn)世界行走、奔跑甚至飛翔。生物電子體技術(shù)就是讓人工智能擁有活動能力的一種全新技術(shù)。
生物電子體是生物細(xì)胞與電腦微芯片有效協(xié)作的共存體,可以實(shí)現(xiàn)部分或全部生物的智能。研制電子生物體主要有“植入法”和“提取法”兩種方式:“植入法”就是把模擬生物體的電腦微芯片植入生物體,并與生物體形成協(xié)作共存體;“提取法”就是從生物體中提取出細(xì)胞組織與模擬生物體的微芯片結(jié)合為協(xié)作共存體。
研究生物電子體的目的,就是希望制備出一種協(xié)作共存體,從而對生物體進(jìn)行有效控制,使其為人類服務(wù)。譬如當(dāng)年美國“9?11”恐怖襲擊后,美國政府緊急安排了10種機(jī)器人進(jìn)行城市搜索和救援工作,但其中有6種機(jī)器人由于體積太大而不能運(yùn)送到現(xiàn)場開展工作。試想一下,我們?nèi)绻蒙镫娮芋w有效控制爬行動物的行為,使其為人類服務(wù),這可能比研究救援機(jī)器人花費(fèi)的時間和資源更少一些。
在生物電子體領(lǐng)域,各國已相繼開展了諸多研究。利用相對簡單的“植入法”,日本東京大學(xué)率先研究了一種蟑螂控制技術(shù),他們把蟑螂頭上的觸須和翅膀切除,插入電極、微處理器和紅外傳感器,通過遙控信號產(chǎn)生電刺激,使蟑螂能夠沿著特定方向行進(jìn)。美國紐約州立大學(xué)通過向老鼠體內(nèi)植入微控制器,也成功實(shí)現(xiàn)了對老鼠的轉(zhuǎn)彎、前進(jìn)、爬樹和跳躍等動作的人工制導(dǎo)。我國在電子生物體的研究上也有突破性進(jìn)展,南京航空航天大學(xué)就研究了一種壁虎的人工控制技術(shù),即把微電極植入壁虎體內(nèi),通過電刺激模擬神經(jīng)控制其運(yùn)動。而通過“提取法”制得的生物電子體就更復(fù)雜些,比較有代表性的是英國科學(xué)家推出的一個由老鼠的腦組織控制的機(jī)器人,名為“戈登”。在該項(xiàng)研究中,科研人員先從老鼠身上分離出神經(jīng)細(xì)胞,放置在酶溶液中,讓這些神經(jīng)細(xì)胞彼此分離,然后再將這些神經(jīng)細(xì)胞置于營養(yǎng)豐富的培養(yǎng)基中。該培養(yǎng)基與一個擁有60個電極的電子矩陣相連接,這個電子矩陣就是活體腦組織和機(jī)器部件的接合面。通過電子矩陣,“戈登”大腦發(fā)出電子脈沖,驅(qū)動機(jī)器人輪子,同時也能接受傳感器基于外部環(huán)境刺激發(fā)出的脈沖。由于“戈登”的大腦是活的組織,因此必須裝在溫度特定的器具中。除了自身大腦外,“戈登”不受任何人為和電腦的控制?!案甑恰本哂幸欢ǖ膶W(xué)習(xí)能力,比如撞到墻時,它就會從傳感器得到電子刺激,再次遇到類似情況時,它就會記住。但是,如果沒有外界刺激,“戈登”便會在數(shù)月內(nèi)因大腦萎縮而死亡。盡管如此,“戈登”仍是實(shí)現(xiàn)提取活體腦組織和電子部件結(jié)合的研究新突破,也是電子生物體的重大突破。
擅長自學(xué)的人工大腦
開發(fā)人工大腦就是從信息處理切入,結(jié)合腦科學(xué)研究大腦對信息流的獲取、存儲、聯(lián)想(提?。⒒貞洠ǚ答仯┑忍幚磉壿?,以及腦神經(jīng)細(xì)胞的工作原理來為大腦建模的過程。我們都知道,大腦不是計算機(jī),不會亦步亦趨、按部就班地根據(jù)輸入產(chǎn)生輸出,大腦是個極其龐大的記憶系統(tǒng),真正了解人類大腦,構(gòu)建出大腦的記憶-預(yù)測系統(tǒng)模型才能制造真正的智能。人工大腦其實(shí)早在20世紀(jì)末就出現(xiàn)了,日本京都先進(jìn)電訊研究所率先研制了一只機(jī)器貓,該機(jī)器貓的腦部主要采用了人工神經(jīng)網(wǎng)絡(luò)技術(shù),包含約3770萬個人造神經(jīng)細(xì)胞,盡管數(shù)量與人腦的1000億個腦細(xì)胞相比差之甚遠(yuǎn),但其智能超過了昆蟲,實(shí)現(xiàn)了人工大腦開發(fā)的第一步。緊接著,比利時便研制出了能讓機(jī)器人擁有數(shù)百個行為能力的人工大腦。然而,這些人工大腦都是基于傳統(tǒng)的計算機(jī)設(shè)計和制造思路開發(fā)的,與人腦的工作模式有著本質(zhì)的區(qū)別,因此,改變傳統(tǒng)的設(shè)計思路,是未來研究人工大腦的必經(jīng)之路。
目前,走在研究人工大腦技術(shù)前沿的是幾大信息技術(shù)巨頭,其中IBM和谷歌的研究成果尤為突出。IBM的研究人員研制出了第一代神經(jīng)突觸計算機(jī)芯片,這種芯片可以模擬大腦的認(rèn)知活動,完全不同于計算機(jī)設(shè)計與制造的傳統(tǒng)理念。研究人員通過先進(jìn)算法和硅電路,再現(xiàn)了發(fā)生于大腦中神經(jīng)細(xì)胞和突觸之間的現(xiàn)象。未來,IBM將進(jìn)一步開發(fā)認(rèn)知運(yùn)算芯片,并將以混合信號、類比數(shù)位以及異步、平行、分布式、可重組的特制容錯算法,來復(fù)制大腦的運(yùn)算單元、神經(jīng)元與突觸之間的活動。
近年來,谷歌將大量資金、人力投入人工大腦研究中,并成功開發(fā)出了模擬人腦并具備自我學(xué)習(xí)功能的“谷歌虛擬大腦”?!肮雀杼摂M大腦”是模擬人腦細(xì)胞之間的相互交流、影響而設(shè)計的,通過模擬人腦中相互連接、相互溝通、相互影響的“神經(jīng)元”,由1000臺計算機(jī)、16000個處理器、10億個內(nèi)部節(jié)點(diǎn)相連接,形成一個“神經(jīng)網(wǎng)絡(luò)”。當(dāng)有數(shù)據(jù)被送達(dá)這個神經(jīng)網(wǎng)絡(luò)的時候,不同神經(jīng)元之間的關(guān)系就會發(fā)生改變,這種關(guān)系的變化使得該系統(tǒng)對某些特定數(shù)據(jù)形成反應(yīng)機(jī)制,從而讓系統(tǒng)具備學(xué)習(xí)能力,并且能夠在新輸入的數(shù)據(jù)中找出與學(xué)到的概念相對應(yīng)的部分,以達(dá)到識別的效果。這個有著自學(xué)功能的虛擬大腦系統(tǒng)在人工智能領(lǐng)域有著劃時代意義,研究人員無需預(yù)先輸入某一概念,它就可以自己決定關(guān)注數(shù)據(jù)的哪部分特征,注意哪些模式,從而自動從輸入的大量數(shù)據(jù)中“領(lǐng)悟”這一概念,這與人腦的學(xué)習(xí)過程十分相似。
智能軟件不止于圍棋
所謂智能軟件,是指能夠產(chǎn)生人類智能行為的計算機(jī)軟件。智能軟件與傳統(tǒng)軟件最重要的區(qū)別就是:智能軟件具有現(xiàn)場感應(yīng)和環(huán)境適應(yīng)的能力,還有表示、獲取、存取和處理知識的能力,同時還能夠采用人工智能的問題求解模式來獲得結(jié)果。自從計算機(jī)誕生后,軟件的設(shè)計開發(fā)便一直落后于硬件生產(chǎn)水平的發(fā)展,智能軟件更是無從談起。直到20世紀(jì)末,作為現(xiàn)實(shí)世界高水平的抽象――Agent軟件系統(tǒng)的誕生,才大大加快了智能軟件的開發(fā)。很快,基于Agent的實(shí)時道路交通導(dǎo)航系統(tǒng)模型、面向Agent的巡航導(dǎo)彈武器控制系統(tǒng)和多Agent敏捷調(diào)度系統(tǒng)相繼被開發(fā)出來。目前,基于Agent的軟件設(shè)計與開發(fā)已經(jīng)成為人工智能學(xué)科的重要內(nèi)容之一,而如何在軟件設(shè)計與開發(fā)中更好地體現(xiàn)Agent的自治性、交互性、協(xié)作性以及可通信性等,又使智能軟件的設(shè)計與開發(fā)成為了人工智能學(xué)科的新挑戰(zhàn)。
如今,對于智能軟件的開發(fā)正處于如火如荼的階段。比如,擊敗李世石的“阿爾法圍棋”便是一款智能軟件,這款智能軟件最重要的特征就是“深度學(xué)習(xí)”。深度學(xué)習(xí)的主要原理就是用一層神經(jīng)網(wǎng)絡(luò)把大量矩陣數(shù)字作為輸入,通過非線性激活方法取權(quán)重,再產(chǎn)生另一個數(shù)據(jù)集合作為輸出。這就意味著“阿爾法圍棋”會在與圍棋高手的較量中不斷提高自己的棋力?!鞍柗▏濉钡牧硪粋€重要特征就是它具有兩個不同的神經(jīng)網(wǎng)絡(luò)大腦:一個是“監(jiān)督學(xué)習(xí)的策略網(wǎng)絡(luò)”,負(fù)責(zé)觀察棋盤布局試圖找到最佳的下一步,相當(dāng)于“落子選擇器”;另一個是“價值網(wǎng)絡(luò)”,負(fù)責(zé)評估棋局的整體局面并預(yù)測雙方勝負(fù),從而輔助落子選擇器,這個叫“棋局評估器”。在“兩個大腦”的配合下,“阿爾法圍棋”擊敗了圍棋界頂級高手,這絕對是人工智能的大突破。此外,智能軟件還在環(huán)保、商務(wù)和醫(yī)療等領(lǐng)域嶄露頭角。我們知道,現(xiàn)在空氣污染備受關(guān)注,西門子中央研究院便開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的空氣污染預(yù)測軟件。該軟件利用了倫敦市遍布中心城區(qū)的約150 座監(jiān)測站收集的包括濕度、太陽輻射、云層覆蓋和溫度等天氣數(shù)據(jù)和一氧化碳、二氧化碳和氮氧化物等氣體的排放測量數(shù)據(jù),并將這些數(shù)據(jù)相關(guān)聯(lián)。同時還將諸如工作日、周末、假期、展會和體育賽事等影響交通和污染物排放的活動編程到預(yù)測模型中,最終這款智能軟件能夠每小時預(yù)報倫敦市內(nèi)150 個地點(diǎn)未來 3 天的空氣污染程度,誤差率不超過 10%,并且還可以推斷出導(dǎo)致所預(yù)測空氣污染的主要原因。另外,現(xiàn)在還出現(xiàn)了許多商務(wù)智能軟件,主要就是通過分析銷售額、客流量、庫存、人員配置等所有和企業(yè)運(yùn)營相關(guān)的數(shù)據(jù)來顯示和預(yù)測市場波動、經(jīng)濟(jì)趨勢等,并為決策者提供未來的規(guī)劃和方案。例如,美國的某公司開發(fā)了一款餐廳績效管理智能軟件,這款軟件可以計算出每個輪班期間的最佳人員編制。總之,智能軟件的開發(fā)已經(jīng)并將繼續(xù)影響整個社會的方方面面。
家庭機(jī)器人走入百姓家
人工智能的最后一個研究方向就是研發(fā)家庭機(jī)器人。所謂機(jī)器人,就是指裝有傳感器和微處理器,并且擁有潛在的人工智能,能夠在無人操作的情況下完成一些重復(fù)動作的設(shè)備。在過去的幾十年中,機(jī)器人已經(jīng)被廣泛應(yīng)用在工業(yè)生產(chǎn)和危險環(huán)境中,如今,機(jī)器人市場已經(jīng)開始轉(zhuǎn)向家庭。那種可以和人成為朋友,陪人聊天,也可以幫助人們看家、清潔地板、照顧孩子等做一系列家務(wù)活兒的家庭機(jī)器人引領(lǐng)了新的時尚。