当前课程知识点:智能时代下的创新创业实践 > 第三章智能时代的创新技术 > 3.3机器是如何学习的? > 3.32
首先我们来看一下
当前人工智能的发展态势
我们在创业能力模型那一讲
提到了科技创新
先来看一下这方面的数据
在这幅图里
左边的统计图描述的是各个国家和地区
通过人工智能技术申请专利的情况
我们可以看到从2005年
到2009年这几年
美国是领先的
大概是12000件左右
中国欧洲和日本的水平是相当
在4000件左右
但是从2010年到2014年之间
我们可以看到一个明显的趋势
就是中国的关于人工智能专利数量
明显的增加
达到了8000件左右
同时
美国也在增长
达到了16000件
而其他的地区和国家变化不大
右边的统计图描述的是基于人工智能技术
创业的公司数量
我们同样可以看到
这几年中国的人工智能创业公司
大大的超越了其他的国家
仅次于美国
我们看到
在全世界范围内
尤其是中美两国
以人工智能技术
引领的创新创业现象蔚然成风
正在成为创新创业的潮流
人工智能技术之所以重要
是因为它引领了第四次工业革命
这引起了许多行业的变革
在人与机器的和谐之道
那一讲我们曾经探讨过AI赋能
就是把人工智能技术运用到各个行业当中
去提高这些行业的
工作效率和生产效率的过程
比如运用到金融
教育
交通等领域
帮助这些行业进行功能再造和升级
进而改变这个行业的竞争模式
并且重塑行业的生态
现在人工智能技术方兴未艾
大行其道
那么人工智能技术
是从什么时候开始的呢
人工智能
机器学习
深度学习这几个关键词之间
到底是什么关系呢
好
我们就从人工智能的发展史讲起
在上一讲我们谈到了图灵测试
图灵是最早思考
机器是否具有智能的科学家之一
1950年
图灵测试对机器
是否具有智能这个问题
发起了最早的探索
但是人工智能被作为一个明确的概念提出
一般认为
是在1956年的达特茅斯计算机年会上
那时
一帮在计算机领域造诣很深的科学家
比如认知计算领域的专家司马贺
以及信息论的鼻祖香农参加了这个会议
当然还有一些年轻的科学家
比如明斯基和麦克马修
也作为中坚力量参加了这个年会
而且
这些科学家日后也大都因为对人工智能的卓越贡献
获得了图灵奖
在50年后
他们又重逢在达特茅斯
看到现在他们的样子
大家就应该知道人工智能
并不是一个年轻的学科了
当时年轻的科学家明斯基
提出了人工智能的概念
定义是这样的
让机器来完成那些
如果由人来做则需要智能的事情
这是一个非常宽泛的概念
需要智能完成的事情很多
比如数值计算是需要智能完成的
同时逻辑分析也是需要智能完成的
这里指的智能
到底属于哪一类人类的智能呢
当时并没有说明
我们可以认为这个概念里的智能
包括了所有人类具有的智能
也就是说所有的人能够通过思考
计算完成的事情
都可以让机器去完成
这种对智能的定义
接近现在所说的强人工智能
当然
到目前为止人工智能的发展
离这个定义还有不小的距离
从1956年到1974年之间
是人工智能的探索期
那么那个时期人工智能的
主流学派叫鸟飞派
他们认为人是怎么学习的
那么机器就应该怎么学习
人是怎么思考的
机器就应该怎么思考
如果人是通过逻辑和符号来思考问题的
那么机器也应该用逻辑
和符号来思考问题
就像是要学习鸟的飞行
就要学会鸟的飞行方式
因此这个学派叫鸟飞派
比如
在对一件事情发生与否
作出判断的之前呢
需要知道这些事件的
发生的前提和发生的条件
然后再来产生一个判断的结论
这个是典型的人的思维方式
鸟飞派认为要让机器模拟人的智慧
那么就要搞懂人是怎么通过逻辑符号
来认知和学习的
因此机器的学习方式
也必须通过逻辑符号来表示
因此他们也叫符号派
他们主要通过研究人的思维方式
和逻辑学来作为指导机器学习的方法
而且他们都是乐观派
他们认为从人工智能诞生的20年内
机器就会替代人做所有人可以做的事情
也就是说到1970年的时候
应该出现一个跟人一样智慧的机器
但是符号主义的思路显然是行不通的
事实证明符号主义学派
在接下来的20年并没有大的发展
1980年开始的另一个学派叫联结主义
也就是我们现在说的神经网络
这个学派又被称为神经网络学派
他们试图通过对脑部神经的模拟
构建一个具有一定智能的机器
怎么连接呢
方案是先用感知机模拟大脑神经元的工作机制
然后把多个感知机按一定方式连接在一起
这是一种自底向上的思路
我们看这里展示了一个很典型的人工智能网络
Artificial Neural Netwok
是由多个感知机按一定方式连接在一起的
这些感知机可以模拟神经元的工作方式
如果把它们连接在一起
在结构上就类似人脑的大脑皮层
因此
机器就自然具有了思考能力了
联结主义假设
如果在底层结构上用一种数学模型来模拟人类大脑
类脑结构的机器就会产生像人一样的智慧
但实际上这种人们
期望出现的智慧并没有来到
虽然神经网络在结构上
借鉴了人脑的构造
但它只是构建了一个在仿生学上
与人脑结构上类似的装置
但从工作机制上讲
神经网络和大脑是完全不一样的
这一点我们在以前的课程当中曾经讨论过
尽管如此
神经网络具有与生俱来的优点
就是可以模拟非线性函数对样本进行分类
这个很关键
因为在实际情况下
我们会遇到非常多的非线性问题
神经网络是比较好的解决方案
甚至有的人认为深层神经网络
可以模拟任何连续函数
但是神经网络有一个比较大的问题
就是神经网络虽然在结构上模拟人脑
但在工作机制上却和人脑没有关系
它的工作机制是不清楚的
而且在数学上
没法证明神经网络是收敛的
也就是说
从数学的角度来讲
神经网络并不是一种稳定结构
同时
在这段时间还出现了行为主义学派
这个学派认为如果让机器具有智能
就必须让机器具有感知能力
并且通过与周边环境的
交互形成一种智慧
在1991年
麻省理工的布鲁克教授
运用这个思路做了一个六足机器人
这个机器人没有中心控制
它的移动是靠
六只脚上装的分布式的小芯片控制的
这些芯片可以感知周围的环境
并且独立的控制机器腿的移动
这种分布式的控制方式
能让这个机器人产生某种对环境的适应
这是行为学派的一个典型案例
行为主义学派
强调通过环境来交互学习
并形成一种智能策略
这个跟现在我们谈的人工智能思想非常接近
后面我们会看到
其实AlphaGo中的增强学习
正是运用了这种思路
正是运用了这种思路
总结出一种策略
然后把这种策略应用到实际环境当中来呢
那么事实证明
这种想法奏效了
因为人的大脑机制工作非常复杂
要弄清楚里头的机制
在现在的科技条件下是不可能的
另一方面
人类在各行各业积累了大量的数据
我们就可以把这些数据看成是一种经验
那么
能不能构造一种黑匣子机制
也就是说不去管这里头发生了什么
只从已知的数据和经验总结当中
归纳出规律
来形成一种对外界环境的应对策略呢
现在看起来是可行的
这种策略其实就是智能的
因为它可以去指导人们的生产和生活
这就绕过了必须要搞懂人的认知
才能模拟出智能的思路
这是思维局限的突破
这就是机器学习的思维基础
这种思维方式是典型的逆向思维
我们在上一讲谈到贾科里尼
用统计学的方法来做机器翻译
就是用到了这种思路
机器学习
在上世纪80年代刚开始提出的时候
还不是很热
这是因为两方面的原因
一是那个时候能够利用的数据并不多
二是机器学习算法需要大量的计算
当时计算机的计算能力跟不上
直到2000年左右
万维网的出现
让行业数据开始指数级的增长
机器学习才开始慢慢的热起来
到了2006年
人工智能科学家Hinton
发明了一种计算神经网络参数的快速算法
叫做后向传播算法
大大的加快了
机器的训练的速度和寻找参数的效率
2010年前后GPU
计算芯片的普遍应用
大大的提高了
计算机对神经网络的运算能力
这样
从数据
算法和计算能力这三方面
为机器学习的广泛应用做好了准备
2012年
科学家们运用深度神经网络构造了
深度学习技术
也就是Deep Learning
这种智能算法在图像识别和
机器翻译领域取得了突破性的进展
于是
深度学习技术在学界和工业界引起了
广泛的关注并开始大规模的应用
让深度学习
爆得大名的就是alphago那场
战胜人类的比赛
深度学习被普遍的使用有两个原因
第一是深度学习网络
不需要科学家具有行业知识
不需要抽象出行业特征向量
第二就是实战效果比较好
尤其是卷积神经网络
对图像和对声音的识别率非常高
我们再来谈一谈人工智能
机器学习和深度学习之间的关系
首先
人工智能是人们的愿景
人们研究智能技术的目标
就是让机器具有人的智慧
从而能够帮助人
而机器学习是在1980年以后
提出的实现智能化的一种思想和方法
它的核心就是通过对数据的学习
形成智能策略
机器学习是一种
达成人工智能目标的具体方法
机器学习的方法也很多
包括支持向量机
K-MEAN聚类算法
贝叶斯分类器
和深度神经网络等等
如果机器学习运用了神经网络
尤其是深度神经网络
那么这种方式就叫做深度学习
它的出现大大提高了机器学习的效率
因为实用效果特别好
因此在被学术界和工业界普遍的使用
那么如果要进入人工智能领域
尤其是机器学习和深度学习领域
我们需要具备哪些背景知识呢
因为机器学习和数据的高度相关
当然数学知识是比较重要的
比如微积分
统计学
概率论
线性代数等等
另外
就是计算机领域的知识
这些知识在上一讲
机器的智慧
那一讲我们已经做了详细的探讨
-0.1我们为什么设计这门课
--0.1
-0.2我们聊什么
--0.2
-0.3你们能学到什么
--0.3
-短片:AlphaGo
--Alphago
-1.1本章概述
--1.1
-1.2人与机器的本质区别
--1.21
--1.22
--1.23
-1.3我们会被智能机器抢了饭碗吗
--1.31
--1.32
--1.33
-1.4人和智能机器的和谐之道-增强智能
--1.41
--1.42
--1.43
--1.44
--1.45
--1.46
--1.47
-1.5项目指南一:如何找到好的项目
--1.51
--1.52
--1.53
--1.54
--1.55
-第一章测试
-2.1本章概述
--2.1
-2.2创业能力模型
--2.21
--2.22
--2.23
--2.34
--2.25
--2.26
--2.27
--2.28
--2.29
-2.3创新是人类的本能
--2.31
--2.32
--2.33
-2.4创新能力培养——创新心智模式
--2.41
--2.42
--2.43
--2.44
--2.45
--2.46
-2.5创新能力要素培养-思维方式
--2.51
--2.52
--2.53
--2.54
--2.55
-2.6项目指南二:创新项目的开发
--2.61
--2.62
--2.63
-2.7互联网心理学
--2.7
-第二章测试
-3.1本章概述
--3.1
-3.2机器有“智慧”吗?
--3.21
--3.22
--3.23
--3.24
--3.25
--3.26
--3.27
-3.3机器是如何学习的?
--3.31
--3.32
--3.33
--3.34
--3.35
--3.36
--3.37
--3.38
--3.39
--3.310
-3.4智能技术带来的认知升级
--3.41
--3.42
--3.43
--3.44
--3.45
-3.5项目指南三:投资者和创始人的心得经验
--3.51
--3.52
--3.53
--3.54
--3.55
-第三章测试