打码网站建设,如何建立和设计公司网站,做网站编辑器,网站建设-部署与发布的题目一、AI的发展历史 二、AI发展的第五阶段 #xff08;一#xff09;、第一阶段
1.艾伦图灵与模仿游戏
艾伦•图灵#xff08;Alan Turing#xff0c;1912~1954#xff09;是英国数学家、逻辑学家#xff0c;被称为计算机科学之父#xff0c;人工智能之父。二战中协助军…一、AI的发展历史 二、AI发展的第五阶段 一、第一阶段
1.艾伦·图灵与模仿游戏
艾伦•图灵Alan Turing1912~1954是英国数学家、逻辑学家被称为计算机科学之父人工智能之父。二战中协助军方破解德军密码系统Enigma帮助盟军取得胜利。
1950年图灵写出了研究论文“计算机器与智能”深入探讨了智能的本质以及机器智能能否实现。论文的开篇第一句话是我提议考虑这个问题“机器能够思考吗”。而结尾最后一句是我们只能看到前面一小段距离但可以看到有大量要做的事情。
在论文中图灵提出了“模仿游戏”即图灵测试的概念用来检测机器智能水平。 图灵测试有两个版本。
第一是图灵原论文中的“模仿游戏”。在模仿游戏中A是男性机器人但要假装是女人B是真人女性要向C证明自己是女人C是质问者只能通过书面问答考察。如果质问者无法区分男女则称机器人具有智能。
第二个是比较流行的图灵测试标准版本其中A是计算机但要假装是真人B是真人要向C证明自己是真人C是质问者只能通过书面问答来考察。通过图灵测试的条件是质问者无法区分计算机和真人。
图灵测试用图灵的话总结起来就是”如果一台计算机可让人误认为它是人则可称它具有智能 “。1966年设立了以图灵名字命名的图灵奖这被称为计算机界的“诺贝尔奖” 2“人工智能”的正式诞生—达特茅斯会议 1955年达特茅斯学院的教师约翰•麦卡锡John McCarthy首次提出了“人工智能”的概念来概括神经网络、自然语言等“各类机器智能”技术。1956年麦卡锡推动召开了达特茅斯会议也叫“人工智能夏季研究项目”
会议的主题是让机器使用语言形成抽象与概念解决目前只有人类才能求解的问题以及不断自我提升。会上讨论了七大议题自动计算机如何为计算机编程使其能够使用语言神经网络计算规模理论自我改进抽象随机性与创造性。最终会议形成了一个共识人工智能AI对人类具有很大的价值。 达特茅斯会议上的主要参会者后来都成为了人工智能史上鼎鼎有名的人物。其中就有四位获得过图灵奖西蒙还是诺贝儿经济学奖的获得者。 3.人工智能热潮 1958年纽厄尔和西蒙说到十年之内数字计算机将成为国际象棋世界冠军数字计算机将发现并证明一个重要的数学定理。但直到39年后的1997年IBM深蓝才战胜国际象棋世界冠军卡斯帕罗夫。18年后的1976年计算机通过暴力计算证明了四色定理。
1965年西蒙说到二十年内机器将能完成人能做到的一切工作。显然这个预言直到目前为止也远远没有实现。
但是纽厄尔和西蒙的豪言壮语得到了官方的认可。DARPA美国国防部高等研究计划局对纽厄尔和西蒙在卡内基梅隆大学CMU的工作组进行了资助。
1967年明斯基说到一代之内创造“人工智能”的问题将获得实质上的解决。1970年他又乐观地说到在三到八年的时间里我们将得到一台具有人类平均智能的机器。
当然这些豪言壮语离真正的实现还有很长的路要走。但这种乐观的情绪在1963年至70年代也吸引了DARPA每年投入300万美元资助MIT的AI研究其中就包括明斯基的AI团队。
二、第二阶段
1.感知器的局限性
1969年马文·明斯基和西蒙·派珀特Seymour Papert写了一本书《感知器》对罗森布莱特的感知器提出了质疑。书中指出单层感知器本质上是一个线性分类器无法求解非线性分类问题甚至连简单的异或XOR问题都无法求解。
单层感知器的这一局限使得连接主义备受质疑再加上AI的实际应用止步不前AI迎来第一次寒冬。符号主义和专家系统开始得到重视并流行起来。
2. AI研究遇冷
明斯基对感知器的批评导致神经网络研究停滞了十年。当然这也一定程度上要归咎于AI研究者们低估了AI课题的研究难度做出各种不切实际的承诺而且当时的模型和硬件计算能力的限制也使得这些承诺完全无法按预期实现。
研究和应用上的停滞直接导致了各国对人工智能方向研究经费的削减。1973年英国科学研究委员会消减对AI研究的资助。1973~1974 年美国DARPA 大幅削减对AI研究的资助到1974年已经很难再找到对AI项目的资助了。
三、第三阶段
1.专家系统的兴起
AI的第一次寒冬让研究者们的研究热点转向了专家系统。专家系统是模仿人类专家决策能力的计算机系统。依据一组从专门知识中推演出的逻辑规则来回答特定领域中的问题。专家系统包含若干子系统知识库推理引擎用户界面。
2.专家系统的优势
专家系统具有明显的一些优势
设计简单且能够容易地编程实现或修改
实践证明了专家系统的实用性和经济价值
高效、准确、迅速和不知疲倦地进行工作
使领域专家的经验不受时间和空间的限制
专家系统的这一系列优势吸引了新一轮的政府资助。1981年日本经济产业省拨款八亿五千万美元支持第五代计算机项目目标是造出能与人对话翻译语言解释图像并像人一样推理的机器英国开始了耗资三亿五千万英镑的Alvey工程。DARPA成立战略计算促进会1988年向AI的投资是1984年的三倍。 四、第四阶段
1.专家系统的衰落
在专家系统快速发展的过程中其劣势也逐渐显露出来。专家系统的劣势有
知识采集和获取的难度很大系统建立和维护费用高。
专家系统仅限应用于某些特定情景不具备通用性。
使用者需要花很长时间来熟悉系统的使用。
2.专家系统的这些劣势使得商业化面临重重困境从而直接引发了AI的第二次寒冬。
1987年AI硬件市场需求突然下跌。Symbolics等生产的昂贵的Lisp机失去了市场。
80年代晚期战略计算促进会大幅削减对AI的资助。
DARPA认为AI并非“下一个浪潮”拨款倾向于更容易出成果的项目。
1991年日本的“第五代计算机项目”的目标未能实现。
彼时“人工智能”一词俨然成为研究者的禁忌。研究人员害怕看起来像一个乞求经费的空想家。开始用“信息学”、“机器学习” 等新词来替代”人工智能“一词。
3。深度学习的萌芽
在人工智能的第二次寒冬期神经网络的研究出现了一系列的突破性进展深度学习开始萌芽。主要有以下几个代表性成果
霍普菲尔德网络1982年由约翰·霍普菲尔德(John Hopfield)提出。离散霍普菲尔德网络是一个单层网络各节点对称地连接但没有自反馈权重确定后网络具有状态记忆功能。
4.受限玻尔兹曼机1985年由杰弗里·辛顿 (Geoffrey Hinton)提出。受限玻尔兹曼机是一种二分图结构包含可见单元和隐藏单元。其训练算法是基于梯度的对比分歧算法可以用于降维、分类、回归和特征学习等任务。
5.多层感知器1986由鲁姆尔哈特(Rumelhart)提出。这是一种前向结构的人工神经网络。包含三层输入层、隐藏层和输出层。模型训练的算法是反向传播算法。 五第五阶段
1.深度学习三巨头
少数AI研究者在AI寒冬期以众人皆醉我独醒的态度十年如一日地坚持坐冷板凳开展神经网络方向的研究。其中代表人物是深度学习三巨头。他们在2018年因在深度学习方面的卓越贡献一同被授予了图灵奖。
杰弗里·辛顿Jeoffrey Hinton发明了受限玻尔兹曼机首先将反向传播算法应用于多层神经网络[1]。培养了杨乐昆等一众大牛级学生。推动谷歌的图像和音频识别性能大幅提升。
我一直以来都确信实现人工智能的唯一方式就是按人类大脑的方式去进行计算。——杰弗里·辛顿杨乐昆Yann Lecun1989年使用反向传播和神经网络识别手写数字用来读取银行支票上的手写数字首次实现神经网络商业化[2]1998 提出LeNet5卷积神经网络[3]Facebook人工智能实验室负责人。
我们之所以为人是因为我们具有智能而人工智能是这一能力的扩展。——杨乐昆约书亚·本吉奥Yoshua Bengio推动了循环神经网络的发展带领开发出Theano框架启发了Tensorflow等众多后续框架的发展创办AI顶会ICLR开创了基于神经网络的语言模型[4]。他也是权威教材《深度学习》一书的合著者。
我一直认为“创造性”可通过计算的方式来实现。我们理解计算背后的原理。所以只需找到更智能的神经网络或模型即可。——约书亚·本吉奥 2.大数据时代的到来
随着互联网的快速发展人类进入了大数据时代。这一方面为人工智能的发展提供了广阔的应用空间同时也提供了海量的数据。这些数据包括
用户上网产生海量行为数据比如购物网站浏览、收藏、购买数据社交网站关注、点赞、评论数据视频网站浏览、观看、付费数据。这为人工智能在互联网企业的大规模应用提供了肥沃的土壤。
移动互联推动图像数据智能手机支持随手拍照并分享到网络出现了图像识别、图像分割等需求同时CIFAR、ImageNet、VisualQA等大型的图像数据集开始出现推动了深度学习图像处理算法的快速演进。
内容平台产生大量文本数据新闻媒体每天各语种的新闻报道自媒体平台产生大量文本作品维基百科等记载大量结构化知识。这为自然语言算法的研究和应用提供了广阔的天地。
3.算力革命
新的软硬件平台的出现催生了算力革命。其中代表性的突破有
大数据集群CPU集群2004年谷歌推出了分布式文件系统GFS、分布式计算框架MapReduce2006年Doug Cutting推出基于谷歌技术改进的Hadoop2010年Facebook 推出大数据分析工具 Hive。2012年UC 伯克利推出替代MapReduce的Spark。至此大数据处理形成了完整的技术框架
图形处理器GPUGPU原本主要用于图形图像的渲染2006年英伟达NVIDIA推出CUDA 统一计算架构 GPU开始用于解决商业、工业以及科学方面的复杂计算GPU与深度学习结合模型的训练速度有了数量级的提升。
