人工智能的发展之路

人工智能的发展之路

作者：张放

来源：《物联网技术》2017年第01期

摘 要：人工智能以云计算和大数据为基础，被广泛应用于工业制造等10个领域中。但由于各方向处于不同的发展阶段，因此发展程度并不相同。但驱动发展的先决条件主要体现在感知能力、理解能力、学习能力、交互能力四个方面。

关键词：人工智能；云计算；大数据

最近火热的美剧《西部世界》里传递出很多关于人工智能的信息，在围绕如何突破机器极限，形成自主意识方面，提出了富有科幻现实色彩的方法-冥想程序， 将意识形成描绘成了“走迷宫”的过程，同时在道德层面又一次将“人工智能是否能成为有别于人类的另一个物种”的问题呈现在广大观众面前。

“人工智能”（AI）这一概念最早由马文·明斯基和约翰·麦卡锡于1956年的“达特茅斯会议”上共同提出。1960年，麦卡锡在美国斯坦福大学建立了世界上第一个人工智能实验室。经过近几年互联网的飞速发展，AI对企业甚至是行业产生了巨大而又深远的影响。机器学习，尤其是深度学习技术成为人工智能发展的核心。越来越多的硬件供应商专为深度学习和人工智能定制设计芯片。如IBM的人脑模拟芯片SyNAPSE（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，自适应塑料可伸缩电子神经

龙源期刊网 http://www.qikan.com.cn

形态系统）芯片，含有100万个可编程神经元，2.56亿个可编程突触，每消耗一焦耳的能量，可进行460亿突触运算。

云计算和大数据作为人工智能的基础， 在工业制造等众多场景中得到了广泛应用，比如很多工厂都在传送带上加装了传感器，将压力、温度、噪音和其他一些参数实时传到云端，将工厂真正连上网络，然后利用人工智能的算法对这些数据进行比对，由此提前为工厂提供预警和远程检测服务。这种将生产流程及产品通过物联网连接到云端，然后利用算法进行大数据分析的模式，将在更多的行业被广泛应用。

目前人工智能主要有10个应用子领域，分别是机器学习、计算机视觉、智能机器人、虚拟个人助理、自然语音处理、实时语言翻译、情感感知计算、手势控制、推荐引擎及协同过滤、视频内容自动识别。各方向处于不同的发展阶段，发展程度有高有低。但驱动发展的先决条件主要体现在感知能力、理解能力、学习能力、交互能力四个方面。

1 感知能力

目前人工智能的感知主要通过物联网来实现，它提供了计算机感知和控制物理世界的接口与手段，能够采集数据、记忆，分析、传送数据，进行交互、控制等。比如摄像头和相机记录了关于世界的大量图像和视频，麦克风记录了语音和声音，各种传感器将它们感受到的世界数字化。这些传感器就如同人类的五官，是智能系统的数据输入，是感知世界的方式。

2 理解能力

龙源期刊网 http://www.qikan.com.cn

智能系统不同于人脑，没有数以千亿的神经元，对事物问题的理解在现阶段还很大程度上依赖于处理器的计算分析能力。近年来，基于GPU（图形处理器）的大规模并行计算异军突起，拥有远超CPU的并行计算能力。从处理器的计算方式来看，CPU计算使用基于x86指令集的串行架构，适合尽可能快的完成一个计算任务。而GPU诞生之初是为了处理3D图像中的上百万个像素图像，拥有更多的内核去处理更多的计算任务。因此GPU具备了执行大规模并行计算的能力。云计算的出现、GPU的大规模应用使得集中化数据计算处理能力变得空前强大。

3 学习能力

学习能力的培养类似人类需要教材和训练。据统计，2015年全球产生的数据总量达到了十年前的20多倍，大数据的发展为人工智能的学习和发展提供了非常好的基础。机器学习是人工智能的基础，而大数据和以往的经验就是人工智能学习的书本，以此优化计算机的处理性能。不可忽视的是近年来科技巨头为了提前布局AI生态，纷纷开源平台工具，极大地丰富了机器训练的素材和手段。如谷歌发布了新的机器学习平台TensorFlow，所有用户都能够利用这一强大的机器学习平台进行研究，被称为人工智能界的Android。IBM宣布通过Apache软件基金会免费为外部程序员提供System ML人工智能工具的源代码。微软则开源了分布式机器学习工具包DMTK，能够在较小的集群上以较高的效率完成大规模数据模型的训练，并于2016年7月推出了开源Project Malmo项目，用于人工智能训练。

4 交互能力

龙源期刊网 http://www.qikan.com.cn

与科幻世界里的自主意识相比，现实世界能够实现自主交互本身就是很大的技术突破，深度学习算法是实现自主交互最重要的核心技术。它基于多层神经网络，融入自我学习，从大量的样本中逐层抽象出相关概念，然后理解，最终做出判断和决策。2006年，Geoffrey Hinton教授发表论文《A fast learning algorithm for deep belief nets》，他在此文中提出了深层神经网络逐层训练的高效算法，让当时计算条件下的神经网络模型训练成为了可能。之后，深度学习算法模型也经历了一个快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network，Convolutional Neural Network等各种新的算法模型被不断提出，而其中卷积神经网络（Convolutional Neural Network，CNN）更是成为图像识别最炙手可热的算法模型。

当然人工智能的发展还存在很多瓶颈，比如尚未形成完备的语义体系，无论抽象的概念还是具体的事物都需要统一整合到一个语义网络中才能实现真正意义上的交流。在自然语言处理和计算机视觉发展成熟后，如何将这两个领域统一起来，实现对语言和图形同步的深入理解，进而将听觉、触觉和运动做进一步整合。尽管不同操作系统的编程语言以及芯片、单片机等核心硬件发展迅速，但未来人工智能的发展之路不能只停留在数据和指令操作层面，而要有“自我意识”，唯有自我意识的产生，才能衍生出其他观念，实现真正交互。勿庸置疑，人工智能不仅会成为驱动产业发展的巨大力量，更会在不远的未来给人类的生活带来颠覆性的改变。