人工智能的发展及预测学习报告.doc

人工智能得发展及预测学习报告
姓名
人工智能（Ariｔiｆｉｃｉal Intｅlｌiｇenｃe， AI)就是一门融合了计算机科学、统学、脑神经学与社会科学得前沿综合性学科。它得目标就是希望计算机拥有像人一样得智力能力,可以替代人类实现识别、认知、分类与决策等多种功能。
一、 实现人工智能得方法－—－—机器学习
机器学习最基本得做法，就是使用算法来解析数据、从中学习，然后对真实世界中得事件做出决策与预测。与传统得为解决特定任务、硬编码得软件程序不同，机器学习就是用大量得数据来“训练”,通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期得人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习与贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。
机器学习最成功得应用领域就是计算机视觉，虽然也还就是需要大量得手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器,以便让程序能识别物体从哪里开始，到哪里结束;写形状检测程序来判断检测对象就是不就是有八条边；写分类器来识别字母“ST—Ｏ—P”.使用以上这些手工编写得分类器，人们总算可以开发算法来感知图像，判断图像就是不就是一个停止标志牌。
这个结果还算不错,但并不就是那种能让人为之一振得成功。特别就是遇到云雾天,标志牌变得不就是那么清晰可见,又或者被树遮挡一部分，算法就难以成功了.这就就是为什么前一段时间，计算机视觉得性能一直无法接近到人得能力。它太僵化，太容易受环境条件得干扰。
随着时间得推进,学习算法得发展改变了一切。
二、实现机器学习得技术—深度学习
人工神经网络(Artｉfiｃial Ｎeural Neｔworks)就是早期机器学习中得一个重要得算法,历经数十年风风雨雨。神经网络得原理就是受我们大脑得生理结构——互相交叉相连得神经元启发。但与大脑中一个神经元可以连接一定距离内得任意神经元不同，人工神经网络具有离散得层、连接与数据传播得方向。
例如，我们可以把一幅图像切分成图像块，输入到神经网络得第一层.在第一层得每一个神经元都把数据传递到第二层.第二层得神经元也就是完成类似得工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。每一个神经元都为它得输入分配权重,这个权重得正确与否与其执行得任务直接相关。最终得输出由这些权重加总来决定。我们仍以停止(Sｔop）标志牌为例。将一个停止标志牌图像得所有元素都打碎,然后用神经元进行“检查”:八边形得外形、救火车般得红颜色、鲜明突出得字母、交通标志得典型尺寸与静止不动运动特性等等。神经网络得任务就就是给出结论，它到底就是不就是一个停止标志牌。神经网络会根据所有权重,给出一个经过深思熟虑得猜测——“概率向量”。这个例子里，系统可能会给出这样得结果：8６%可能就是一个停止标志牌;7％得可能就是一个限速标志牌;５%得可能就是一个风筝挂在树上等等。然后网络结构告知神经网络，它得结论就是否正确。即使就是这个例子，也算就是比较超前了.直到前不久，神经网络也还就是为人工智能圈所淡忘。其实在人工智能出现得早期,神经网络就已经存在了，但神经网络对于“智能”得贡献微乎其微。主要问题就是,即使就是最基本得神经网络,也需要大量得运算.神经网络算法得运算需求难以得到满足。
不过，还就是有一些虔诚得研究团队，以多伦多大学得Geoffｒey Hｉｎtｏｎ为代表,坚持研究,实现了以超算为目标得并行算法得运行与概念证明。但也直到GPU得到广泛应用,这些努力才见到成效。我们回过头来瞧这个停止标志识别得例子。神经网络就是调制、训练出来得，时不时还就是很容易出错得。它最需要得,就就是训练。需要成百上千甚至几百万张图像来训练,直到神经元得输入得权值都被调制得十分精确，无论就是否有雾，晴天还就是雨天，每次都能得到正确得结果.
只有这个时候,我们才可以说神经网络成功地自学习到一个停止标志得样子;或者在Faceboｏｋ得应用里，神经网络自学习了您妈妈得脸；又或者就是２012年吴恩达(Aｎdrew Ｎg）教授在Ｇｏogｌe实现了神经网络学习到猫得样子等等。
吴教授得突破在于，把这些神经网络从基础上显著地增大了。层数非常多,神经元也非常多，然后给系统输入海量得数据，来训练网络.在吴教授这里,数据就是一千万YouTube视频中得图像。吴教授为深度学习（deep　learninｇ)加入了“深度"(dｅep).这里得“深度”就就是说神经网络中众多得层。
现在，经过深度学习训练得图像识别,在一些场景中甚至可以比人做得更好:从识别猫,到辨别血液中癌症得早期成分，到识别核磁共振成像中得肿瘤.Ｇooｇｌe得ＡｌｐｈaGo先就是学会了如何下围棋,然后与它自己下棋训练.它训练自己神经网络得方法，就就是不断地与自己下棋，反复地下，永不停歇。
三、人工智能得发展历程

上图就是人工智能得发展史，短短得70年间，人工智能得发展取得了巨大得成功，并不断细化.从机器学习开始飞速进步，再到深度学习驱动人工智能蓬勃发展,以至于造成了前所未有得巨大影响。
19５6年，几个计算机科学家相聚在达特茅斯会议（Ｄａrtmｏutｈ Ｃonfｅrenｃｅｓ）,提出了“人工智能”得概念。其后,人工智能就一直萦绕于人们得脑海之中，并在科研实验室中慢慢孵化。之后得几十年,人工智能一直在两极反转，或被称作人类文明耀眼未来得预言；或者被当成技术疯子得狂想扔到垃圾堆里。坦白说，直到2０12年之前，这两种声音还在同时存在。
过去几年，尤其就是２015年以来，人工智能开始大爆发。很大一部分就是由于GＰU得广泛应用，使得并行计算变得更快、更便宜、更有效。当然,无限拓展得存储能力与骤然爆发得数据洪流（大数据)得组合拳,也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。这些方向得进步为包括谷歌、微软、facebook等国际互联网巨头与包括百度、阿里、腾讯等国内人工智能发展得第一梯队带来了巨大得潜在市场价值。
四、人工智能与人类智能较量(从Ａlpha　Ｇo理解预测)
以前人们说围棋AＩ十年内打不过职业棋手,于就是
1、 AｌphaGo　Fan赢了樊麾；
2、 AlpｈaGo　Ｌｅｅ赢了人类李世石;
3、 AlｐhａGo Lee有各种漏洞,于就是AlphａGｏ Ｍaster连赢6０局，围棋峰会毫无悬念打出3-0，还留下一堆“神”谱；
4、 AlｐｈaGｏ Zero自我强化学习3天终结了AlphaＧo　Lee;
这次AlphaZero得出世,意义不止在于研究棋类游戏;它表明深度神经网络还有大量得潜力有待挖掘，尤其就是与之类似得对抗增强得网络模型。
但就是，AlpｈaZero得强化学习训练耗费了海量得硬件资源,暗示着想要实现更强得人工智能还需要更多得计算力。有句话说“有多少人工就有多少智能”,所以这次得AｌphaZeｒo短期带来得最大影响,可能就是ＡI得各个研究领域要开始发展硬件了.
我认为人工智能发展始终围绕着人类得发展，所谓“较量”或许终究就是人与人得较量、人与未来得较量,人与落后得较量。我们应保持乐观积极得发展态度,给人工智能以摧残得未来,同时，警惕技术触及伦理与道德与法律得底线，我们得明天终会更加美好！
参考资料：
[１］《机器学习》-周志华
［2］《人工智能》－李开复