文库中心
news information
- 线束组装胶带缠绕指示书
- 线束密封件的设计
- 线束包扎和固定设计
- 汽车碳纤维应用技术解析
- 动力电池内部线束布置及
- 防水连接器的性能标准
- 【IQC】如何做好来料检验
- 乘联会预测2020年国内汽车
- 同比下降6.4% 9月份汽车进
- 投资96亿 广州将建国家级
联系我们
contact us
-
地址：山东省济南市历下区解放路华强广场A1307 -
电话：15666328617 -
座机：400-0304-588 -
邮箱：jishubu@xianshu.com
所谓人工智能（Artificial Intelligence；缩写：AI），是指以人工办法来结束人类所具有之智慧的技术。只不过，现在能结束与人类智能平等的技术还不存在，世界上绝大大都的人工智能仍是只能处理某个特定问题。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出现在网络之前，因此又被称为“古典人工智能”。这时期出现的“符号主义”与“联合主义”，分别是日后“专家系统”与“深度学习”的雏形。只不过，虽然当时的效果已能解开拼图或简略的游戏，却几乎无法处理有用的问题。
第2次AI浪潮
第2次AI热潮伴随着核算机的广泛，出现在1980年代。这时期所进行的研讨，是以灌注「专家知识」作为规则，来帮助处理特定问题的“专家系统”（Expert system）为主。可是，纵使当时有商业运用的实例，运用范畴却很有限，热潮也因此逐渐衰退。
第三次AI浪潮第三次AI浪潮则出现于2010年代，伴随着高功用核算机、因特网、大数据、传感器的广泛，以及核算成本的下降，“机器学习”随之兴起。所谓机器学习（Machine leaning），是指让核算机许多学习数据，使它可以像人类相同辨识声音及形象，或是针对问题做出适宜的判别。
二、AI的三大技术
快速了解了AI的发展史后，我们来看看当代人工智能的三大代表性模型：遗传算法、专家系统、类神经网络。
1、遗传算法
遗传算法（Genetic algorithm；GA），又称为演化式算法（Evolutionary algorithm），是受达尔文演化论所启示的人工智能。它透过「适者生存」的规则，将“优异的个别”幻想成“好的答案”，透过演化的办法来找出最佳解。
2、专家系统
专家系统（Expert system），则是针对预设的问题，事前预备好许多的对应办法。它运用在许多当地，尤其是疾病诊断。只不过，专家系统只能针对专家预先考虑过的状况来预备对策，它并没有自行学习的才干，因此仍是有其局限性。
3、类神经网络
从第三次AI浪潮所兴起的机器学习（Machine learning）有许多种办法，其间最受注视的，莫过于深度学习（Deep learning）了。所谓深度学习，是透过仿照人脑的“类神经网络”（Neural network）来学习许大都据的办法。
类神经网络的由来
若你去查询脑的内部，会发现有许多称为“神经元”的神经细胞相相互连。一个神经元从其他神经元那里接纳的电气信号量达某必定值以上，就会振作（神经激动）；在某必定值以下，就不会振作。
振作起来的神经元，会将电器信号传送给下一个相连的神经元。下一个神经元同样会因此振作或不振作。简略来说，相相互连的神经元，会构成联合传递行为。我们透过将这种相连的结构来数学模型化，便构成了类神经网络。
类神经网络：深度学习
我们可以发现，经模型化的的类神经网络，是由“输入层”（Input layer）、“躲藏层”（Hidden layer）及“输出层”（Output layer）等三层所构成。其他，学习数据则是由输入数据以及相对应的正确答复来组成。
以形象辨识为例，为了让AI学习类神经网络的模型，首先有必要先将形象学习数据切割成像素数据，然后将各像素值输进输入层。
接受了数据的输入层，将像素值乘上“权重”后，便传送给后方躲藏层的神经元。躲藏层的各个神经元会累加前一层所接纳到的值，并将其效果再乘上“权重”后，传送给后方的神经元。最终，经由输出层的神经元的输出，便可得到形象辨识的猜想效果。
为了让输出层的值跟各个输入数据所对应的正解数据持平，会对各个神经元的输入核算出恰当的“权重”值。
这个权重的核算，一般是运用“过失倒传递算法”（Error Back Propagation），运用与正解数据之间的过失，从输出层逆推回去。透过各「权重」的调整，来缩小输出层的值与正解数据的值之间的过失，以树立出结束学习的模型。
由于曩昔类神经网络之间进行传递的权重值难以优化，因此曾有大都研讨者对类神经网络的研讨持否定态度。直到2006年，辛顿（Geoffrey Hinton）开宣布自动编码器（Autoencoder）的办法，才突破了这项瓶颈。
自动编码器是指，在类神经网络的输入层和输出层运用相同数据，并将躲藏层设置于二者之间，藉此用来调整类神经网络之间的权重参数的一种办法。使用以自动编码器所获得的类神经网络权重参数值进行初始化后，便能运用「过失倒传递算法」，前进多层类神经网络的学习准确度。
透过类神经网络，深度学习便成为了“只需将数据输入类神经网络，它就能自行抽出特征”的人工智能，而这又称为“特征学习”（feature learning）。
深度学习最擅长的，是它能辨识图画数据或波形数据这类无法符号化的数据。自2010年代以来，如Google、Microsoft及Facebook等美国出名IT企业，都初步着手深度学习的研讨。例如，苹果「Siri」的语音辨认，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度学习项目也已超越1,500项。
至于深度学习如此腾跃的生长，要归功于硬设备的进步。图形处理器（GPU）大厂辉达（NVIDIA）使用该公司的图形适配器来进步深度学习的功用，供给链接库（Library）和结构（framework）产品，并活跃开设研讨课程。其他，Google也揭露了结构「TensorFlow」，可以将深度学习运用于数据分析。
三、AI的三大运用
AI运用范畴首要可分为语音辨认、形象辨识以及自然语言处理等三部分。
1、语音辨认
语音辨认部分，透过多年来语音辨认比赛CHiME的研讨，已经有了平等人类的辨识度（CHiME，是针对实际日子环境下的语音辨认，所进行评测的世界语音辨认比赛）。此外，Apple、Google、Amazon也相继提出可运用于日常日子的效力，因此其成熟度已达到有用等级。
2、形象辨识
形象辨识部分，虽然一般图片的辨识已有平等于人类的辨识率，但动态形象的辨识准确度却仍比不上人类，现在还在进行各种算法的测验。其间，形象辨识现在最火热的运用场域非自动驾驭莫属了。
整个汽车、信息通讯工业都正朝着自驾车的方向尽力，例如Google继续进行自动驾驭的研讨，TOYOTA也在美国树立丰田研讨所，可以知道现阶段的开发已非常挨近有用化。因此，我们可判别现在形象辨识的成熟度是介在研讨和有用等级之间。
3、自然语言处理
自然语言处理（Natural language processing；NLP），是试着让人工智能能了解人类所写的文字和所说的言语。NLP首先会分化词性，称之“语素分析”（morphemic analysis），在分化出最小的字义单位后，接着会进行“语法分析”（syntactic analysis），最终再透过“语意分析”（semantic analysis）来了解含义。
输出部分，自然语言处理也与生成文法（generative grammar）密切相关。生成文法理论认为，只需遵照规则即可生成文句。这也代表着，只需把规则组合在一起，便可能生成文章。
在自然语言处理中，最具代表性的运用就是“谈天机器人”（Chatbot）了，它是一种如真人般，可透过文字音讯与人对话的程序。2016年，脸书推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促进这种搭载NLP技术的谈天机器人成为注视的焦点。
其他，由IBM所开发的华生（IBM Watson），也是运用NLP的人工智能而成。华生可以从维基百科等语料库中抽取知识，学习词汇与词汇之间的相关性。现在，就连软件银行（SoftBank）机器人Pepper也是搭载华生系统。
只不过，由于在日常对话中，我们很常省掉词句，也不用定会提及时空布景，因此当时的Chatbot尚无法与人类进行不着边际的对话。所以说，现行大都的Chatbot厂商，仍是会约束对话的环境与运用范畴。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出现在网络之前，因此又被称为“古典人工智能”。这时期出现的“符号主义”与“联合主义”，分别是日后“专家系统”与“深度学习”的雏形。只不过，虽然当时的效果已能解开拼图或简略的游戏，却几乎无法处理有用的问题。
第2次AI浪潮
第2次AI热潮伴随着核算机的广泛，出现在1980年代。这时期所进行的研讨，是以灌注「专家知识」作为规则，来帮助处理特定问题的“专家系统”（Expert system）为主。可是，纵使当时有商业运用的实例，运用范畴却很有限，热潮也因此逐渐衰退。
第三次AI浪潮第三次AI浪潮则出现于2010年代，伴随着高功用核算机、因特网、大数据、传感器的广泛，以及核算成本的下降，“机器学习”随之兴起。所谓机器学习（Machine leaning），是指让核算机许多学习数据，使它可以像人类相同辨识声音及形象，或是针对问题做出适宜的判别。
二、AI的三大技术
快速了解了AI的发展史后，我们来看看当代人工智能的三大代表性模型：遗传算法、专家系统、类神经网络。
1、遗传算法
遗传算法（Genetic algorithm；GA），又称为演化式算法（Evolutionary algorithm），是受达尔文演化论所启示的人工智能。它透过「适者生存」的规则，将“优异的个别”幻想成“好的答案”，透过演化的办法来找出最佳解。
2、专家系统
专家系统（Expert system），则是针对预设的问题，事前预备好许多的对应办法。它运用在许多当地，尤其是疾病诊断。只不过，专家系统只能针对专家预先考虑过的状况来预备对策，它并没有自行学习的才干，因此仍是有其局限性。
3、类神经网络
从第三次AI浪潮所兴起的机器学习（Machine learning）有许多种办法，其间最受注视的，莫过于深度学习（Deep learning）了。所谓深度学习，是透过仿照人脑的“类神经网络”（Neural network）来学习许大都据的办法。
类神经网络的由来
若你去查询脑的内部，会发现有许多称为“神经元”的神经细胞相相互连。一个神经元从其他神经元那里接纳的电气信号量达某必定值以上，就会振作（神经激动）；在某必定值以下，就不会振作。
振作起来的神经元，会将电器信号传送给下一个相连的神经元。下一个神经元同样会因此振作或不振作。简略来说，相相互连的神经元，会构成联合传递行为。我们透过将这种相连的结构来数学模型化，便构成了类神经网络。
类神经网络：深度学习
我们可以发现，经模型化的的类神经网络，是由“输入层”（Input layer）、“躲藏层”（Hidden layer）及“输出层”（Output layer）等三层所构成。其他，学习数据则是由输入数据以及相对应的正确答复来组成。
以形象辨识为例，为了让AI学习类神经网络的模型，首先有必要先将形象学习数据切割成像素数据，然后将各像素值输进输入层。
接受了数据的输入层，将像素值乘上“权重”后，便传送给后方躲藏层的神经元。躲藏层的各个神经元会累加前一层所接纳到的值，并将其效果再乘上“权重”后，传送给后方的神经元。最终，经由输出层的神经元的输出，便可得到形象辨识的猜想效果。
为了让输出层的值跟各个输入数据所对应的正解数据持平，会对各个神经元的输入核算出恰当的“权重”值。
这个权重的核算，一般是运用“过失倒传递算法”（Error Back Propagation），运用与正解数据之间的过失，从输出层逆推回去。透过各「权重」的调整，来缩小输出层的值与正解数据的值之间的过失，以树立出结束学习的模型。
由于曩昔类神经网络之间进行传递的权重值难以优化，因此曾有大都研讨者对类神经网络的研讨持否定态度。直到2006年，辛顿（Geoffrey Hinton）开宣布自动编码器（Autoencoder）的办法，才突破了这项瓶颈。
自动编码器是指，在类神经网络的输入层和输出层运用相同数据，并将躲藏层设置于二者之间，藉此用来调整类神经网络之间的权重参数的一种办法。使用以自动编码器所获得的类神经网络权重参数值进行初始化后，便能运用「过失倒传递算法」，前进多层类神经网络的学习准确度。
透过类神经网络，深度学习便成为了“只需将数据输入类神经网络，它就能自行抽出特征”的人工智能，而这又称为“特征学习”（feature learning）。
深度学习最擅长的，是它能辨识图画数据或波形数据这类无法符号化的数据。自2010年代以来，如Google、Microsoft及Facebook等美国出名IT企业，都初步着手深度学习的研讨。例如，苹果「Siri」的语音辨认，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度学习项目也已超越1,500项。
至于深度学习如此腾跃的生长，要归功于硬设备的进步。图形处理器（GPU）大厂辉达（NVIDIA）使用该公司的图形适配器来进步深度学习的功用，供给链接库（Library）和结构（framework）产品，并活跃开设研讨课程。其他，Google也揭露了结构「TensorFlow」，可以将深度学习运用于数据分析。
三、AI的三大运用
AI运用范畴首要可分为语音辨认、形象辨识以及自然语言处理等三部分。
1、语音辨认
语音辨认部分，透过多年来语音辨认比赛CHiME的研讨，已经有了平等人类的辨识度（CHiME，是针对实际日子环境下的语音辨认，所进行评测的世界语音辨认比赛）。此外，Apple、Google、Amazon也相继提出可运用于日常日子的效力，因此其成熟度已达到有用等级。
2、形象辨识
形象辨识部分，虽然一般图片的辨识已有平等于人类的辨识率，但动态形象的辨识准确度却仍比不上人类，现在还在进行各种算法的测验。其间，形象辨识现在最火热的运用场域非自动驾驭莫属了。
整个汽车、信息通讯工业都正朝着自驾车的方向尽力，例如Google继续进行自动驾驭的研讨，TOYOTA也在美国树立丰田研讨所，可以知道现阶段的开发已非常挨近有用化。因此，我们可判别现在形象辨识的成熟度是介在研讨和有用等级之间。
3、自然语言处理
自然语言处理（Natural language processing；NLP），是试着让人工智能能了解人类所写的文字和所说的言语。NLP首先会分化词性，称之“语素分析”（morphemic analysis），在分化出最小的字义单位后，接着会进行“语法分析”（syntactic analysis），最终再透过“语意分析”（semantic analysis）来了解含义。
输出部分，自然语言处理也与生成文法（generative grammar）密切相关。生成文法理论认为，只需遵照规则即可生成文句。这也代表着，只需把规则组合在一起，便可能生成文章。
在自然语言处理中，最具代表性的运用就是“谈天机器人”（Chatbot）了，它是一种如真人般，可透过文字音讯与人对话的程序。2016年，脸书推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促进这种搭载NLP技术的谈天机器人成为注视的焦点。
其他，由IBM所开发的华生（IBM Watson），也是运用NLP的人工智能而成。华生可以从维基百科等语料库中抽取知识，学习词汇与词汇之间的相关性。现在，就连软件银行（SoftBank）机器人Pepper也是搭载华生系统。
只不过，由于在日常对话中，我们很常省掉词句，也不用定会提及时空布景，因此当时的Chatbot尚无法与人类进行不着边际的对话。所以说，现行大都的Chatbot厂商，仍是会约束对话的环境与运用范畴。
