881
一個java工程師眼裏的人工智能
|
今天和大家一起分享一篇由一位java工程師所認識的人工智能。你覺得未來人工智能能替代多少勞動力呢？
人工智能的總體介紹
人工智能方向的原因 真心推薦看一下《奇點臨近》，裏麵的加速回歸理論。主旨是：技術的發展和普及速度是指數級加速的。不信你自己想想，從農業到蒸汽機用了多久？從蒸汽機到石油用了多久？IT行業是啥時候出現的？PC是什麼時候出現的？windows是哪年出現的？（它火起來的時候我已經從老媽肚子裏出來了）互聯網出現了幾年？諾基亞倒下花了多久？智能機出來幾年？蘋果在中國如日中天之前是啥樣子的？（也就各位數年度） 那麼我們不禁要問，一個技術的範式迭代從出現到普及，如果現在和未來是指數速度加速的，那麼下一個大規模改變我們生活的技術會是什麼？我指範式迭代（顛覆性的改變）。它會花多久讓我們接收這個技術？ 讀研的過程中，我發現一件事，導師不是圖像就是數據挖掘，竟然70%是人工智能相關。像複旦，幾乎清一色的數據挖掘。實驗室固然不能體現社會，但一個技術必然是先在實驗室出現的（很多年不是在中國的實驗室，當然這次也不例外）。不但是中國，國外的實驗室，人工智能成為極火的方向。當然，曆史上出現過人工智能的泡沫時代，lisp出現的那幾年和80年代，人工智能都曾被認為是革命，徹底的革命。但很快，熱情就下去了。因為不成熟，不成熟的原因，永遠不是技術無法達到（當然，確實沒那麼成熟的技術），是因為市場不到時候接收。為啥這麼說？iphone都沒辦法被接受，市場會接受更酷的產品嗎？ 我估計當中國能接受vertu（雖然vertu的主要市場現在也在中國，但離“接受”這個詞差遠了），家庭裏xbox、psp比較普及的時候，蘋果成為街機的時候，就差不多該是新迭代出現的時候了。而，我們可以感覺到，這一天很不遠了。 所以，下一次範式迭代，應該是人工智能（6大子方向齊頭並進，各有千秋） 如果，Kurzweil是對的，一個很酷的人工智能產品的出現，會在幾天內在全球普及，公司會迅速登頂。穀歌看到了，所以有了奇點大學；微軟看到了（各位去微軟的網站上看看都招啥人，90%此方向）。 而，人工智能切入市場的角度，第一可能是遊戲（中國馬上會流行畫麵控的xbox類平台單機遊戲），第二可能是獨立應用產品（比如照片自動分類，音樂自動分類，桌麵人工智能）。 人工智能核心技術 我覺得這個是我寫這片文章的目的。隨便一本書都會縱覽一下整個領域，但是我看了很多書，幾乎都是隻管自己領域去了。上麵說了，核心包括：
可以得出一個結論，人工智能處理的東西，一定是有屬性（特征）的。（廢話，要不拿什麼分類） 所以，核心中的核心不在屬性選擇上（雖然很重要），而在分類和記憶上。（屬性選擇相當於決定吃什麼，分類和記憶相當於吃不吃） 我按照各個分類算法的露臉頻率給分列表：
以上方法大部分是分類，分類裏有個子方向是聚類。（svm就有這功能）。聚類好多算法，但都有一個總體思想：所有被聚為一類的都有共同特點，都應該是某種角度相似的。所以，用什麼不重要，你不同的角度想，會有不同的聚類算法。本質上就是找規律嘛！ 這麼多年，我總結出一點：技術都是被那群發論文的搞神秘了。其實，超簡單的。比如神經網絡，你買本SimonHaykin的《神經網絡與機器學習》看試試，你真會發現，這玩意難啊，咱玩不了。然後你買本史忠植的《神經網絡》翻翻，你會發現，啊，tnnd，神經網絡這麼簡單啊。的確，每個算法必須要有強勁的數學作為支撐，但對於使用者（非博士以上科研人士），你用lisp的時候有腦殘到要去搞懂lisp的數學原理嗎？ 分類與記憶，現在的所有算法都是一種逼近，結構上最像的自然是人工神經網絡（ANN），但不一定是解決目前狠多工程問題的最優方法。有關係嗎？有趣的是，ANN可以同時解決分類和記憶（別說還有概念能力啊，還有情感能力啊，還有模煳是非能力啊。。。人的能力是很多，但本質就是個分類和記憶） 所以，我認為，喜歡這個方向，應該不要忘記神經網絡（當然，如果是細分領域，比如語言處理，音頻，視頻識別，這不一定是最優的，但是是萬能的和最有可能逼近通用分類和記憶最終解的（雖然現在的ANN在速度和好多問題的質量上有點惡心））。 最後，借用Kurzweil的一句話：當機器智能超過人的那天，人類智能將永遠不可能超過機器智能。 PS：我是做反垃圾算法的。 好書推薦： 《模式識別》Sergios Yheodoridis； 《神經網絡》史忠植； 《知識工程語言學》魯川； 《數據挖掘-概念與技術》Kamber； 《圖論》GTM係列之一，Reinhard Diestel 《高級人工智能》史忠植； 《知識發現》史忠植； 《智能科學》史忠植； 《人工智能複雜問題求解的結構和策略》Luger； 《人工智能》尼爾森； 《人工智能：一種現代的方法》拉塞爾； 《靈魂機器的時代：當計算機超過人類智能》Kurzwell 《奇點臨近》Kurzwell； 《神經網絡與機器學習》海金； 人工神經發展簡史 1.啟蒙時期 1890年，WilliamJames發表了《心理學原理》。 1943年，生理學家W.S.McCuloch和數學家W.A.PiHs提出M-P模型。 1949年，心理學家Hebb出版《行為構成》，建立了Hebb算法(連接權訓練算法)主要有四點貢獻：①信息存儲在連接權中；② 1958年，計算機科學家FrankRosenblatt提出了具有3層網絡特性的神經結構網絡。 1960年，電機工程師BernardWidrow和Mareian Hoff提出”Adaline”模型，實現了人工神經硬件。Widrow-Hoff算法也稱為δ算法，最小均方(LMS)算法，梯度下降法。
2.低潮時期 1969年，人工智能創始人M.Minsky和S.Papert發表《感知器》，給人工智能潑了一盆冷水。 1969年，S.Grossberg教授和她的夫人G.A.Carpenter提出來著名的自適應共振理論(Adaptive ResonanceTheory)模型，其中的基本觀點是：若在全部神經節點中有一個神經節點特別興奮，其周圍的所有節點將受到抑製。Grossberg還提出短期記憶和長期記憶的機理，節點的激活值和連接權都會隨時間，前者代表短期記憶，衰減得快，後者代表長期記憶，衰減得慢。其後他們發表了ART1，ART2，ART3三個版本，ART1網絡隻能處理二值的輸入，ART2能處理模擬量輸入。 1972年，芬蘭的T.Kohonen教授提出了自組織映射(SOM)理論，以及聯想存儲器(Associated Memory)。美國的神經生理學家和心理學家J.Anderson提出了交互存儲器(Interactive Memory)。 1980，日本東京的福島邦彥發表了“新認知機”(Neocognitron)。
3.複興時期 1982年，美國加州理工學院的優秀物理學家John.J.Hopfield總結和吸納了前人的經驗，塑造出一種新穎的強有力的模型，成為Hopfield網絡，此網絡有個優點，與電子電路有明顯的對應關係，易於用集成電路實現。 G.E.Hinton和T.J.Sejnowski借助統計物理學的概念和方法提出了一種隨機神經網絡模型—玻爾茲曼(Blotzmann)機。 1986年，貝爾實驗室宣布製成神經網絡芯片不久，美國的David.E.Rnmelhart和James L.McCelland及其領導的研究小組發表了《並行分布式處理》(ParallelDistributed Processing)一書的前兩卷，接著1988年發表帶有軟件的第三卷，書中涉及到了三個主要特征：結構、神經元的傳遞函數(也稱傳輸函數、轉移函數、激勵函數)和它的學習訓練方法。這部書發展了多層感知器的反向傳播訓練算法，把學習的結果反饋到中間層次的隱節點，改變其權值，以達到預期的學習目的。
4.新時期 1987年6月，首屆國際神經網絡學術會議在加州聖地亞哥召開，成立了國際神經網絡學會(International Neural Network Sociaty,INNS)。 不久，美國波士頓大學的Stephen Grossberg教授，芬蘭赫爾辛基技術大學的Gteuvo Kohonen教授和日本東京大學的甘利俊一(Shunichi Amuri)教授—主持創辦了世界第一份神經網絡雜誌《Neural Network》。 以上就是java人工智能的全部內容了，感謝大家的閱讀！ |
，這還得歸功於台灣一位教授的最後更新：2017-04-28 23:21:43