人工智能的发展历史_【走近AI】浅谈人工智能的层次结构。

如果要结构化地表述人工智能的话&＃xff0c;从下往上依次是基础设施层、算法层、技术层、应用层(见下图)。基础设施包括硬件/计算能力和大数据&＃xff1b;算法层包括各类机器学习算法、深度学习算法等&＃xff1b;再往上是多个技术方向&＃xff0c;包括赋予计算机感知/分析能力的计算机视觉技术和语音技术、提供理解/思考能力的自然语言处理技术、提供决策/交互能力的规划决策系统和大数据/统计分析技术。每个技术方向下又有多个具体子技术&＃xff1b;最顶层的是行业解决方案&＃xff0c;目前比较成熟的包括金融、安防、交通、医疗、游戏等。

1、基础设施层

在过去的几年&＃xff0c;全球的数据量&＃xff0c;以每年58%的速度增长&＃xff0c;在未来这个速度就会更快。与之前相比&＃xff0c;现阶段“数据”包含的信息量越来越大&＃xff0c;维度越来越多&＃xff0c;从简单的文本、图像、声音等数据&＃xff0c;到动作、姿态、轨迹的人类行为数据&＃xff0c;再到地理位置、天气等环境数据。有了规模更大、类型更丰富的数据&＃xff0c;模型效果自然也得到提升。我们知道海量的训练数据是人工智能发展的重要燃料&＃xff0c;数据的规模和丰富度对算法训练尤为重要。

而在另一方面&＃xff0c;运算力的提高也起到了明显效果。AI芯片的出现显著提高了数据处理速度&＃xff0c;尤其在处理海量数据时明显优于传统C P U。在擅长处理/控制和复杂流程但高功耗的C P U的基础之上&＃xff0c;诞生了擅长并行计算的G PU&＃xff0c;以及拥有良好运行能效比、更适合深度学习模型的F P G A和A S I C。芯片的功效比越来越高&＃xff0c;而且灵活性则越来越低&＃xff0c;甚至可以是为特定功能的深度学习算法量身定做的。

2、算法层

必须先明确几个概念&＃xff1a;所谓“机器学习”&＃xff0c;是指利用算法使计算机能够像人一样从数据中挖掘出信息&＃xff1b;而“深度学习”作为“机器学习”的一个子集&＃xff0c;相比其他学习方法&＃xff0c;使用了更多的参数、模型也更复杂&＃xff0c;从而使得模型对数据的理解更加深入&＃xff0c;也更加智能。传统机器学习是分步骤来进行的&＃xff0c;每一步的最优解不一定带来结果的最优解&＃xff1b;另一方面&＃xff0c;手工选取特征是一种费时费力且需要专业知识的方法&＃xff0c;很大程度上依赖经验和运气。而深度学习是从原始特征出发&＃xff0c;自动学习高级特征组合&＃xff0c;整个过程是端到端的&＃xff0c;直接保证最终输出的是最优解。但中间的隐层是一个黑箱&＃xff0c;我们并不知道机器提取出了什么特征(见下图)

2.1机器学习算法中的一个重要分支是神经网络算法&＃xff1b;虽然知道21世纪才因为AlphaGo的胜利&＃xff0c;而为人们所熟知&＃xff0c;但神经网络的历史至少可以追溯到60年前。(见下图)

2.2其他浅层学习的算法也在另一条道路上不断发展&＃xff0c;甚至一度取代神经网络&＃xff0c;成为人们最青睐的算法。(见下图)

2.3另一个重要领域是强化学习&＃xff0c;这个是因AlphaGo 而维人所熟知的概念&＃xff0c;从60年代诞生以来&＃xff0c;一直不温不火的发展着&＃xff0c;直到在AlphaGo中与深度学习的创造性结合&＃xff0c;让它重获新生。(见下图)

3、技术方向的发展

3.1计算机视觉发展历程

3.2语音技术发展历程

3.3自然语言处理发展历程

4、规划决策系统

人工智能&＃xff0c;规划决策系统的发展&＃xff0c;一度是以棋类游戏为载体的。人们从棋类游戏中积累的知识和经验也被应用在更广泛的需要决策规划的领域&＃xff0c;包括机器人控制&＃xff0c;无人车等。(见下图)棋类游戏完成了它的历史使命&＃xff0c;带领人工智能到达了一个新的历史起点。

基于大数据和强大计算能力的机器学习算法已经在计算机视觉、语音识别、自然语言处理等于系列领域中取得了突破性的进展&＃xff0c;基于人工智能技术的应用也已经开始成熟。这一轮人工智能发展的影响&＃xff0c;已经远远超出学界之外&＃xff0c;政府、企业、非营利机构都开始拥抱人工智能技术。