人工智能商业化浪潮及主要研究学派的介绍

资料大小: 1.15 MB

所需积分: 0

下载次数:

用户评论: 0条评论,查看

上传日期: 2017-09-13

上 传 者: 易水寒他上传的所有资料

资料介绍

标签:人工智能(1849)

  1 人工智能商业化浪潮

  20 世纪末,当以神经网络为主流的 AI 研究又一

  次跌入低谷的时候,加拿大多伦多大学的 Hinton 教

  授等还是坚守阵地,辛勤耕耘,并在 2006 年获得了

  突破[3-4].2012 年他和两位学生成立“深度神经网络

  研究”( DNN Research) 公司,数个月后被 Google 收

  购,从此 Hinton 教授身兼多伦多大学教授和 Google

  研究者的双重身份.Google 随后斥资 4 亿美元收购人

  工智能初创的前沿人工智能企业 DeepMind.另外,

  Google 还收购了乌克兰面部识别技术开发商 Viewdle.

  紧随 Hinton 教授的步伐,纽约大学 Yann LeCun

  教授,2013 年底被聘请为 Facebook 人工智能研究院

  的总管; 斯坦福大学吴恩达( Andrew Ng) 教授,2014

  年被百度聘任为首席科学家负责“百度大脑”的计

  划( 2017 年已经辞职) ; 斯坦福大学李飞飞教授( FeiFei Li) 成为谷歌云计算部门的负责人之一.这些现

  象一方面说明人工智能现在受工业界的欢迎程度,

  同时也说明了人工智能目前的发展趋势是学术研究

  和企业开发的快速深度结合.

  为了迎合 AI 的发展热潮,大量的开源学习平台

  不断问世,贾扬清的 Caffe、Google 的 TensorFlow、Facebook 的 FBLearner Flow、Tesla 领衔的 OpenAI 以及

  百度深度机器学习开源平台等,都为 AI 的研究和产

  业开发起到了巨大的推动作用.当然还有很多其他

  工业巨头的产品,例如 IBM 的沃森系统、微软的同声

  翻译等.

  科技发展,人才为本.AI 也不例外,企业对于 AI

  人才的抢夺更是趋于白热化.目前 AI 领域,尤其是

  深度学习领域面临缺乏专家的困境.由于这个领域

  刚刚开始发展,所以专家,即使是博士毕业生都特别

  少.吴恩达教授曾总结深度学习领域人才匮乏的几

  个原因: 首先是数据,获取解决某些领域的问题的数

  据常常非常困难; 其次是计算基础和架构工具,包括

  计算机硬件和软件,入门不易; 最后是这个领域的工

  程师培养时间长.为了解决上述问题,工业界的科技

  巨头,如 Google、Facebook、Twitter、百度等纷纷通过

  收购深度学习领域的初创公司来招揽人才.其中最

  为典型的是 Google,它通过不断收购深度学习领域

  的公司,抢到一批世界一流专家.总而言之,人工智

  能产业的发展,使得其相关领域的人才成为稀缺之

  宝,这对该领域的研究人员来讲,既是机遇,也是

  挑战.

  2 人工智能的主要研究学派

  人类的智能主要包括归纳总结和逻辑演绎两大

  类.我们大量的感知处理,如视听觉、身体感知处理

  等都是下意识的,属于归纳总结智能.而数学推导、

  逻辑推理等都是基于公理系统的符号演绎方法.由

  于在发展过程中,对于智能的理解的不同,渐渐形成

  了几个经典学派.每个学派从不同的角度看待问题,

  提出解决方案.比如最为主要的两个学派: 符号学派

  和联结学派,前者从哲学、逻辑学和心理学出发,将

  学习视为逆向演绎,使用预先存在的知识来解决问

  题,大多数专家系统使用符号学派的方法; 后者专注

  于通过神经元之间的连接来推导表示知识,该学派

  聚焦于物理学和神经科学,并相信大脑的逆向工程,

  他们用反向传播算法来训练人工神经网络以获取结

  果[5].其他学派,如进化学派在遗传学和进化生物学

  的基础上得出结论,贝叶斯学派注重统计学和概率

  推理,类推学派更多是关注心理学和数学优化来推

  断相似性判断.

  虽然上述主流学派各自都取得了很大的成就,

  但是其各自采用的研究方法都遇到了诸多困难,而

  且这些学派对于 AI 的研究思路和方法难以形成一

  个统一的框架.为了更好地理解 AI 的本质,本文拟

  采用文献[1,5]中的观点来介绍人工智能的主流研

  究方法.

  基于对于“机器智能是由什么决定”这个问题的

  回答,人工智能领域 70 多年的发展形成了 3 大主流

  的研究方法: 结构模拟、功能模拟和行为模拟.这 3

  种研究方法之间缺乏一种内在的联系,使得人们普

  遍认为 AI 理论不成体系.为了解决上述问题,文献

  [1,5]提出了第 4 类方法,即机制模拟.

  2. 1 结构模拟

  近代科学强调“结构决定论”,认为只要系统的

  结构清楚了,功能也就认识清楚了.最先提出来的智

  能模拟就是结构模拟的思路,其代表性的成果有神

  经元的 MP 模型[6]、多层感知器 MLP 模型[7]和人工

  神经网络[8]等.在机械系统的研究中非常有用的结

  构决定论,在智能系统的研究中却存在很多问题.结

  构只是硬件基础,不能完全确定系统的智能行为.正

  如现在对于单个神经元的生理活动机制已经研究得

  非常深入,但是大量的神经元连接在一起所呈现的

  智能行为目前的理解还是非常肤浅.作为结构模拟

  的主流成功方法,人工神经网络具有非常突出的优

  点: 1) 人工神经网络具有比较规范的结构; 2)

用户评论

查看全部 条评论

发表评论请先 , 还没有账号?免费注册

发表评论

用户评论
技术交流、我要发言! 发表评论可获取积分! 请遵守相关规定。
上传电子资料