自计算机或机器发明以来,其执行各种任务的能力经历了指数级的增长。人类在计算机系统的多样化工作领域、不断加快的速度以及不断缩小的体积方面取得了显著的进步。
人工智能(AI)的基本概念
根据人工智能之父约翰·麦卡锡的说法,“人工智能是制造智能机器的科学和工程,特别是智能计算机程序”。
人工智能是一种使计算机、计算机控制的机器人或软件能够像有智慧的人类一样思考的方法。通过研究人脑是如何思考的,人类是如何学习、决策和解决问题的过程,并将这些研究的结果作为开发智能软件和系统的基础。
在利用计算机系统的强大功能的同时,人类的好奇心促使我们发问:“机器能否像人类一样思考和行为?”
因此,人工智能的发展始于创造与人类智能相似的机器智能的意图。
学习人工智能的必要性
我们知道,人工智能旨在创造出像人类一样的智能机器。有无数理由促使我们去研究AI。这些理由包括但不限于以下几点:
-
AI可以通过数据学习
在日常生活中,我们会处理大量的数据,而人类的大脑无法记住这么多的数据。因此,我们需要自动化这些事务。为了实现自动化,我们需要研究AI,因为它可以从数据中学习,并且可以准确无误地完成重复性的任务而不感到疲劳。
-
AI可以自我教学
系统必须能够自我教学,因为数据本身是不断变化的,从这样的数据中得出的知识必须持续更新。我们可以利用AI来达到这一目的,因为启用AI的系统可以自我教学。
-
AI可以在实时环境中响应
借助神经网络的帮助,人工智能可以更深入地分析数据。由于这种能力,AI可以根据实时情况下的条件进行思考和响应。
-
AI可以实现高精度
借助深度神经网络,AI可以实现极高的精确度。AI在医学领域帮助诊断疾病,例如从患者的MRI图像中识别癌症。
-
AI可以组织数据以充分利用数据
数据对于使用自我学习算法的系统来说是知识资产。我们需要AI来索引和组织数据,以便始终提供最佳结果。
理解智能
借助AI,我们可以构建智能系统。我们需要理解智能的概念,以便我们的大脑能够构建出像自己一样的另一个智能系统。
智能是什么?
一个系统计算、推理、感知关系和类比、从经验中学习、存储和检索记忆中的信息、解决问题、理解复杂思想、流利地使用自然语言、分类、概括和适应新情况的能力。
智能的类型
根据美国发展心理学家霍华德·加德纳的说法,智能具有多样性:
序号 |
智能及其描述 |
示例 |
1 |
语言智能 |
能力说、认和使用音韵学(语音)、句法学(语法)和语义学(意义)机制的能力。 |
2 |
音乐智能 |
创建、传达声音的意义、理解音高、节奏的能力。 |
3 |
逻辑数学智能 |
在没有动作或物体的情况下理解和使用关系的能力。这也是理解复杂和抽象概念的能力。 |
4 |
空间智能 |
感知视觉或空间信息、改变它、在没有参考对象的情况下重新创建视觉图像、构造三维图像,并移动和旋转它们的能力。 |
5 |
身体动觉智能 |
使用整个或部分身体解决问题或创造产品的能力,对精细和粗大运动技能的控制,以及操纵物体的能力。 |
6 |
内省智能 |
区分自己的感觉、意图和动机的能力。 |
7 |
人际智能 |
认识和区分他人的情感、信念和意图的能力。 |
当一台机器或一个系统具备上述一种或全部智能时,可以说它是具有人工智的。
智能由什么组成?
智能是无形的。它由以下成分构成:
让我们简要回顾一下所有组件:
推理
这是使我们能够为判断、决策和预测提供基础的一系列过程。大致有两种类型:
归纳推理 |
演绎推理 |
它通过对特定观察结果进行归纳,得出广泛的通用陈述。即使陈述中的所有前提都是真实的,归纳推理仍然允许结论为假。 |
它从一般陈述出发,考察可能性,以得出具体的逻辑结论。如果某个命题对某一类事物普遍为真,那么它对该类事物的所有成员也为真。 |
示例:
-
归纳推理: "妮塔是一位教师。妮塔很爱学习。因此,所有的教师都很爱学习。"
-
演绎推理: "所有超过60岁的女性都是祖母。莎琳妮65岁了。因此,莎琳妮是一位祖母。"
学习
学习能力存在于人类、某些动物种类以及启用AI的系统中。学习可以分为以下几类:
听觉学习
通过听和听觉来学习。例如,学生听录音讲座。
经历学习
通过记住所见证或经历的一系列事件来学习。这是线性和有序的。
运动学习
通过肌肉的精确运动来学习。例如,抓取物品、书写等。
观察学习
通过观看和模仿他人来学习。例如,孩子试图通过模仿父母来学习。
知觉学习
学会识别以前见过的刺激物。例如,识别和分类物体和情境。
关系学习
基于关系属性而不是绝对属性来区分各种刺激物的学习。例如,在上次煮土豆太咸后,在下次煮时少放一点盐。
空间学习
通过如图像、颜色、地图等视觉刺激来学习。例如,一个人可以在实际走之前在脑海中创建路线图。
刺激-反应学习
当存在特定刺激时学习执行特定行为。例如,狗听到门铃声会竖起耳朵。
解决问题
这是一个过程,其中一个人感知并试图从现有情况通过某些路径到达预期解决方案,这些路径可能被已知或未知的障碍所阻挡。
解决问题还包括决策制定,即从多个选择中挑选最合适的选择以达到预期目标的过程。
感知
这是获取、解释、选择和组织感官信息的过程。
感知假设感觉的存在。在人类中,感知由感官器官辅助。在AI领域,感知机制以有意义的方式组合传感器获取的数据。
语言智能
是一个人使用、理解、说和写口头和书面语言的能力。这在人际沟通中很重要。
AI涉及的内容
人工智能是一个广泛的研究领域。这个领域的研究有助于解决现实世界的问题。
现在让我们看看AI内的不同研究领域:
机器学习
这是AI中最受欢迎的领域之一。这个领域的主要概念是让机器像人类一样从数据中学习。它包含基于学习模型的预测,可以应用于未知数据。
逻辑
这是另一个重要的研究领域,其中使用数学逻辑来执行计算机程序。它包含用于模式匹配、语义分析等的规则和事实。
搜索
这个研究领域主要应用在游戏中,如国际象棋、井字游戏。搜索算法在整个搜索空间搜索后给出最优解。
人工神经网络
这是一种高效的计算系统网络,其核心主题是从生物神经网络类比而来。ANN可以用于机器人技术、语音识别、语音处理等。
遗传算法
遗传算法有助于通过多个程序来解决问题。结果基于选择最合适的个体。
知识表示
这是通过一种机器可理解的方式来表示事实的研究领域。知识表示得越有效,系统就会越智能。
AI的应用
在这个部分,我们将看到AI支持的不同领域:
游戏
AI在战略游戏中扮演关键角色,如国际象棋、扑克、井字游戏等,机器可以根据启发式知识思考大量的可能位置。
自然语言处理
有可能与理解人类自然语言的计算机互动。
专家系统
有些应用程序结合了机器、软件和特殊信息来提供推理和建议。它们向用户提供解释和建议。
视觉系统
这些系统能够理解、解释并在计算机上解析视觉输入。例如,
-
侦察飞机拍摄的照片可用于确定空间信息或地区的地图。
-
-
警察使用能够识别罪犯面部特征的计算机软件,这些特征是由法医艺术家储存的画像提供的。
语音识别
一些智能系统能够听到并理解人类说话时的语言,包括句子及其含义。它可以处理不同的口音、俚语词汇、背景噪音以及因感冒等原因导致的人声变化。
手写识别
手写识别软件读取用笔写在纸上的文本或用触控笔写在屏幕上的文本。它可以识别字母的形状并将其转换成可编辑的文本。
智能机器人
机器人能够执行由人类赋予的任务。它们有传感器来检测来自现实世界的物理数据,如光、热、温度、运动、声音、碰撞和压力。它们拥有高效的处理器、多种传感器和巨大的内存,以展现智能。此外,它们能够从错误中学习,并适应新环境。
认知建模:模拟人类思维过程
认知建模基本上是计算机科学内部的一个研究领域,涉及研究和模拟人类的思维过程。AI的主要任务是让机器像人类一样思考。人类思维过程最重要的特点是解决问题。因此,几乎所有的认知建模都试图理解人类如何解决问题。之后,此模型可以用于各种AI应用,如机器学习、机器人技术、自然语言处理等。以下是人类大脑不同思维水平的图示:
代理与环境
本节将重点介绍代理和环境以及它们如何在人工智能中发挥作用。
代理
代理是指任何能够通过传感器感知其环境并通过效应器作用于该环境的事物。
-
人类代理具有类似传感器的眼睛、耳朵、鼻子、舌头和皮肤等感官器官,以及类似效应器的手、脚、嘴等其他器官。
-
机器人代理则用摄像头和红外测距仪代替传感器,用各种电机和致动器代替效应器。
-
环境
有些程序运行在一个完全人为的环境中,仅限于键盘输入、数据库、计算机文件系统和屏幕上的字符输出。
相比之下,有些软件代理(软件机器人或软机器人)存在于丰富、无限的软机器人域。模拟器具有非常详细复杂的环境。软件代理需要实时从大量行动中选择。软机器人设计用于扫描客户的在线偏好并向客户展示有趣的物品,既在真实环境中也在人为环境中工作。