上世纪40年代,人工智能的基本框架就已经存在,自那以后,各种组织就一直在人工智能的发展上进行创新。
近年来,大数据和先进的深度学习模型将人工智能的发展推向了前所未有的高度。这些新的技术成分最终会产生科幻小说中所设想的智能机器,还是维持目前的人工智能趋势,只是“把相同的酒装在了更高档的瓶子里”?
人工智能在智能对话方面的长足进步,也反映了其飞速的营收增长。研究机构Tractica LLC的调查显示,2016年,人工智能软件市场规模为14亿美元,到2025年将增至598亿美元。
“人工智能在几乎所有行业的垂直领域都有应用和用例,被认为是下一个重大的技术转变,类似于工业革命、计算机时代和智能手机革命等过去曾经发生的转变,”Tractica LCC的研究主管Aditya Kaul说。其中一些垂直领域包括金融、广告、医疗、航天和消费领域。
下一场工业革命将围绕人工智能软件展开,这听起来可能像一个想象力丰富的书呆子的幻想。但即使在硅谷之外,这种情绪也在蔓延。《时代》周刊最近专门刊登了一篇题为《人工智能:人类未来》的特稿。但是,这种人工智能的设想在科幻小说和科技圈的狂热沼泽中已经存在了几十年。在过去的几年里,这项技术发展得如此之快吗?从今天的人工智能和可预见的未来,我们能从现实中得到什么?
首先,人工智能是一个宽泛的标签——实际上更多的是一个热门短语,而不是一个精确的技术术语。Kobielus说,人工智能指的是“任何帮助机器像人类一样思考的方法”。但是,从最严格的意义上来说,机器“思考”难道不是与人类大脑截然不同的思维吗?机器不会真的思考,不是吗?这要看情况。如果说“思考”的同义词是“推断”的话,那么机器可能被认为与大脑是对等的。
当人们讨论人工智能的时候,他们通常会谈论人工智能最受欢迎的方式——机器学习。这是一种数学应用,原理是从数据集中推断出某种模式。Kobielus说:“很长时间以来,人们利用软件从数据中推断出模式。”一些已有的推理方法包括支持向量机、贝叶斯逻辑和决策树。这些技术并没有消失,并在日益增长的人工智能技术领域被继续使用着。机器学习模型或在数据上训练的算法能够做出自己的推断,这通常被称为人工智能的输出或见解。这种推断不需要预先编程到一个机器上,需要编程的只有模型本身。
机器学习模型的推断基于统计学的可能性,这在某种程度上类似于人类理解的过程。来自数据的推论可以以预测、相关性、分类、分类、识别异常或趋势等形式出现。对于机器来说,学习模式是分层的。数据分类器名为“感知器”,通过对感知器进行分层,便形成了一个人工神经网络。感知器之间的这种神经网络关系激活了它们的功能,包括非线性的感知器,比如tangents。通过这个神经过程,一个层的答案或输出就成为了下一层的输入。最后一层输出的便是最终结果。
深度学习网络是有着大量的感知器层的人工神经网络。网络的层次越多,它的深度就越大。这些额外的层会提出更多的问题,处理更多的输入,并产生更多的输出,从而抽象出更高层次的数据。
领取专属 10元无门槛券
私享最新 技术干货