建议使用以下浏览器,以获得最佳体验。 IE 9.0+以上版本 Chrome 31+ 谷歌浏览器 Firefox 30+ 火狐浏览器
设置昵称

在此一键设置昵称,即可参与社区互动!

确定
我再想想
选择版块
网络人工智能 主题:6047帖子:21499

【技术干货】

人工智能的门派和武功(三)

Serene 2018/11/29 6310

从前面的分析看,人工智能领域的应用状况,确实不如媒体宣传的那么夸张,总的来说还有很多问题要解决。距离所谓的通用人工智能AGI那就更远了。 但具体看,这些问题到底是工程问题,还是基础理论问题呢? 如果是工程问题,一般来说相对容易被解决,短期可以看到突破的希望。 但如果是基础理论缺陷,走到了瓶颈期或者走进了死胡同,短时间就很难看到曙光。人工智能历史上,已经发生过几次过于乐观估计,但后来发现是基础理论缺陷导致陷入低谷的事情。 要更好的判断到底是什么问题, 就得仔细看看背后的关键技术,现在让我们看看这些应用领域背后的关键技术、武功和门派吧。 如下:

8e50425491bf4b8f0cd4_537x357.jpg

      上面黄色圆圈是人工智能的典型应用领域,而下面则是主要的理论路线、典型算法和历史代表性事件。应该说人工智能领域技术太多了,上面的图也只是一部分,还有很多搜索、推理、规划方面的算法没有放入。

      历史上人工智能主要有几个流派,

1、符号主义,就是逻辑推理, 大逻辑 -> 小前提 -> 结论这一套东西,主要是用搜索和规划做问题求解,用逻辑做推理。这个门派在1980年之前比较活跃,之后30年就比较沉默了。 诞生了大量的经典搜索算法,包括启发式搜索(如八皇后、旅行商问题)、对抗性搜素(如α-β剪枝算法)等。以及一整套的逻辑框架去定义现实世界中的对象,以便进行逻辑运作。 效果好不好要看有没有足够的知识和规则,所以知识工程在1980年就被提出来了。核心是如何学习到新知识,而不是人类灌输更多的知识。 所以30年前大家提知识工程,现在大家说认知工程 Congnitive engineering。所谓认知Congnitive,就是能够从非结构化数据中去抽取知识,而不是靠人去定义结构化的数据和知识。比如说维基百科里有大量的知识,但这些知识如何被AI所学习到呢?注意是学习到,而不是靠人手工输入。 要理解知识这就落到了NLP自然语言处理的业务范畴了, 这些年基于神经元网络增强的语义解析、向量建模、信息抽取技术也有了一些理论和实际的进展。

2、统计归纳主义, 有必要给自1980年起的机器学习思想单独拉一条线, 机器学习就是观察数据找规律并用数学公式表达,这个显然是逻辑中的归纳法,和符号主义的演绎推理交相辉映,孟不离焦,焦不离孟。这个门派自80年代开始萌芽,到了90年代基本就替代符号主义,成为主流了。其主要武功就是现在常见的经典机器学习算法,如决策树、随机森林、SVM、朴素贝叶斯、K-Means,其中有些算法已经有被深度学习替代的趋势,但是基于大数据的统计和概率的思想、算法理念并没有过时。此外,其中一些无监督学习算法,也不能被深度学习替代。

3、连接主义,就是仿生学。 大脑是各种神经元连接触发的,所以就仿一个神经元网络模型。这个熟悉深度学习历史的朋友都知道,算是三起两落吧。 三起分别是57年最初感知机Perceptron的提出,86年多层感知机和BP训练方法提出,2006年深度信念网络和逐层训练方法的提出。漫长的60年演进历史中, 也已经被加入了各种数学元素和工程技巧,现在看实际效果挺好,但因为没有坚实的理论基础,也常常被学院派质疑。但是工业界才不管你这一套,管用就行,所以过去十年发展是红红火火,俨然成了人工智能的代名词。但这块儿技术发展也是日新月异, 比如说2006年Hinton等提出的RBM(受限波茨曼模型)和无监督预训练的方法,现在都被更好的工程方法替代了。 这个门派的武器就是神经元网络模型,包括卷积神经元网络、循环神经元网络等。注意的是,深度学习作为一个基础技术,现在是被广泛用于增强其他门派和武功,比如和强化学习联合成深度强化学习,或者用于增强传统的语义解析算法等等。

4、行为主义,都说基于维纳的控制论。但确实和常见人工智能的算法不太一样,甚至在国内,自动化和计算机都是独立的学科。行为主义的哲学就是实践出真知,从失败中积累经验,下次我就能干好了。 颇有点卖油翁的味道,“无他,唯手熟尔”。当然也要讲究策略,主要是行动的策略,也就是规划。 从这个意义上来说,把强化学习从机器学习中独立出来放到这里,显然更合适,别看强化学习后面也是学习一词,但跟强调归纳统计的机器学习哲学可不一样,本质上强化学习是行为主义。这个门派的武功有贝尔曼方程、贝尔曼动态规划、Q-Learning、蒙特卡洛搜索树等。

      上图时间轴给出的几个门派的发展历程、关键算法和典型事件, 考虑到本帖长度和内容深度, 这里就不展开讲了。 后续我们可以拿一些经典算法单独讲讲,比如说 感知机(神经元网络和支持向量机的共同基石)、决策树、Q-Learning 等等。

      如果我们把人工智能的典型应用和背后的门派和武功做一个关联,大概可以认为

1、视频图像处理,现在都是基于卷积神经元网络。

2、NLP自然语言处理、语音处理,主要是Word2Vec算法,但现在也广泛采用循环神经元网络LSTM建模,基础技术有马尔科夫链、信息交叉熵等。

3、Alphago、Atari电脑游戏,关键技术是强化学习+深度学习+蒙特卡洛搜索树,骨子还是强化学习, 深度学习主要用于图像识别和价值评估函数,蒙特卡洛搜索树用于Status下的Action的探索策略。

4、IBM Watson对话系统,基于专家系统架构,武装上最新基于深度学习的 NLP技术做前台人机交互部分,再武装上认知计算做后台数据库和知识库部分。不过认知计算与其说是个算法,不如说是个概念。

5、自动驾驶、机器人,是典型的集成系统,融合了计算机视觉、NLP、强化学习、控制论、动态规划、搜索算法等武功于一身。

      这么一看,深度学习也确实渗透到了各个应用领域,要么扮演着支柱角色(图像识别领域),要么用于增强原有的算法和技术(NLP中的词向量模型,深度强化学习)。

      希望通过这样一个概览式的介绍,同学们对人工智能领域的典型应用场景、基础理论和关键算法有个全貌,避免“一叶障目,不见森林”,也能有一些基本的认识,比如说“大数据不等于知识”、 “深度学习不是全部,可以取代一些监督学习算法,但并不能取代搜索算法、规划算法、强化学习和无监督学习算法,通常是组合在一起使用”、“认知计算就是让计算机从非结构化数据中抽取常识”。

      他山之石可以攻玉,现在我们要在AI应用场景里增加一个电信行业应用, 那么应该使用什么门派和武功呢?我们下次再聊聊这个话题。


往期回顾:

第一回合内容:人工智能的门派和武功(一)

第二回合内容:人工智能的门派和武功(二)


回复0

没有评论
上划加载中
直达楼层
标签
您还可以添加5个标签
  • 没有搜索到和“关键字”相关的标签
  • 云产品
  • 解决方案
  • 技术领域
  • 通用技术
  • 平台功能
取消

采纳成功

您已采纳当前回复为最佳回复

Serene

发帖: 13粉丝: 0

级别 : 版主

发消息 + 关注

发表于2018年11月29日 19:24:52 6310 0
直达本楼层的链接
楼主
显示全部楼层
[技术干货] 人工智能的门派和武功(三)

从前面的分析看,人工智能领域的应用状况,确实不如媒体宣传的那么夸张,总的来说还有很多问题要解决。距离所谓的通用人工智能AGI那就更远了。 但具体看,这些问题到底是工程问题,还是基础理论问题呢? 如果是工程问题,一般来说相对容易被解决,短期可以看到突破的希望。 但如果是基础理论缺陷,走到了瓶颈期或者走进了死胡同,短时间就很难看到曙光。人工智能历史上,已经发生过几次过于乐观估计,但后来发现是基础理论缺陷导致陷入低谷的事情。 要更好的判断到底是什么问题, 就得仔细看看背后的关键技术,现在让我们看看这些应用领域背后的关键技术、武功和门派吧。 如下:

8e50425491bf4b8f0cd4_537x357.jpg

      上面黄色圆圈是人工智能的典型应用领域,而下面则是主要的理论路线、典型算法和历史代表性事件。应该说人工智能领域技术太多了,上面的图也只是一部分,还有很多搜索、推理、规划方面的算法没有放入。

      历史上人工智能主要有几个流派,

1、符号主义,就是逻辑推理, 大逻辑 -> 小前提 -> 结论这一套东西,主要是用搜索和规划做问题求解,用逻辑做推理。这个门派在1980年之前比较活跃,之后30年就比较沉默了。 诞生了大量的经典搜索算法,包括启发式搜索(如八皇后、旅行商问题)、对抗性搜素(如α-β剪枝算法)等。以及一整套的逻辑框架去定义现实世界中的对象,以便进行逻辑运作。 效果好不好要看有没有足够的知识和规则,所以知识工程在1980年就被提出来了。核心是如何学习到新知识,而不是人类灌输更多的知识。 所以30年前大家提知识工程,现在大家说认知工程 Congnitive engineering。所谓认知Congnitive,就是能够从非结构化数据中去抽取知识,而不是靠人去定义结构化的数据和知识。比如说维基百科里有大量的知识,但这些知识如何被AI所学习到呢?注意是学习到,而不是靠人手工输入。 要理解知识这就落到了NLP自然语言处理的业务范畴了, 这些年基于神经元网络增强的语义解析、向量建模、信息抽取技术也有了一些理论和实际的进展。

2、统计归纳主义, 有必要给自1980年起的机器学习思想单独拉一条线, 机器学习就是观察数据找规律并用数学公式表达,这个显然是逻辑中的归纳法,和符号主义的演绎推理交相辉映,孟不离焦,焦不离孟。这个门派自80年代开始萌芽,到了90年代基本就替代符号主义,成为主流了。其主要武功就是现在常见的经典机器学习算法,如决策树、随机森林、SVM、朴素贝叶斯、K-Means,其中有些算法已经有被深度学习替代的趋势,但是基于大数据的统计和概率的思想、算法理念并没有过时。此外,其中一些无监督学习算法,也不能被深度学习替代。

3、连接主义,就是仿生学。 大脑是各种神经元连接触发的,所以就仿一个神经元网络模型。这个熟悉深度学习历史的朋友都知道,算是三起两落吧。 三起分别是57年最初感知机Perceptron的提出,86年多层感知机和BP训练方法提出,2006年深度信念网络和逐层训练方法的提出。漫长的60年演进历史中, 也已经被加入了各种数学元素和工程技巧,现在看实际效果挺好,但因为没有坚实的理论基础,也常常被学院派质疑。但是工业界才不管你这一套,管用就行,所以过去十年发展是红红火火,俨然成了人工智能的代名词。但这块儿技术发展也是日新月异, 比如说2006年Hinton等提出的RBM(受限波茨曼模型)和无监督预训练的方法,现在都被更好的工程方法替代了。 这个门派的武器就是神经元网络模型,包括卷积神经元网络、循环神经元网络等。注意的是,深度学习作为一个基础技术,现在是被广泛用于增强其他门派和武功,比如和强化学习联合成深度强化学习,或者用于增强传统的语义解析算法等等。

4、行为主义,都说基于维纳的控制论。但确实和常见人工智能的算法不太一样,甚至在国内,自动化和计算机都是独立的学科。行为主义的哲学就是实践出真知,从失败中积累经验,下次我就能干好了。 颇有点卖油翁的味道,“无他,唯手熟尔”。当然也要讲究策略,主要是行动的策略,也就是规划。 从这个意义上来说,把强化学习从机器学习中独立出来放到这里,显然更合适,别看强化学习后面也是学习一词,但跟强调归纳统计的机器学习哲学可不一样,本质上强化学习是行为主义。这个门派的武功有贝尔曼方程、贝尔曼动态规划、Q-Learning、蒙特卡洛搜索树等。

      上图时间轴给出的几个门派的发展历程、关键算法和典型事件, 考虑到本帖长度和内容深度, 这里就不展开讲了。 后续我们可以拿一些经典算法单独讲讲,比如说 感知机(神经元网络和支持向量机的共同基石)、决策树、Q-Learning 等等。

      如果我们把人工智能的典型应用和背后的门派和武功做一个关联,大概可以认为

1、视频图像处理,现在都是基于卷积神经元网络。

2、NLP自然语言处理、语音处理,主要是Word2Vec算法,但现在也广泛采用循环神经元网络LSTM建模,基础技术有马尔科夫链、信息交叉熵等。

3、Alphago、Atari电脑游戏,关键技术是强化学习+深度学习+蒙特卡洛搜索树,骨子还是强化学习, 深度学习主要用于图像识别和价值评估函数,蒙特卡洛搜索树用于Status下的Action的探索策略。

4、IBM Watson对话系统,基于专家系统架构,武装上最新基于深度学习的 NLP技术做前台人机交互部分,再武装上认知计算做后台数据库和知识库部分。不过认知计算与其说是个算法,不如说是个概念。

5、自动驾驶、机器人,是典型的集成系统,融合了计算机视觉、NLP、强化学习、控制论、动态规划、搜索算法等武功于一身。

      这么一看,深度学习也确实渗透到了各个应用领域,要么扮演着支柱角色(图像识别领域),要么用于增强原有的算法和技术(NLP中的词向量模型,深度强化学习)。

      希望通过这样一个概览式的介绍,同学们对人工智能领域的典型应用场景、基础理论和关键算法有个全貌,避免“一叶障目,不见森林”,也能有一些基本的认识,比如说“大数据不等于知识”、 “深度学习不是全部,可以取代一些监督学习算法,但并不能取代搜索算法、规划算法、强化学习和无监督学习算法,通常是组合在一起使用”、“认知计算就是让计算机从非结构化数据中抽取常识”。

      他山之石可以攻玉,现在我们要在AI应用场景里增加一个电信行业应用, 那么应该使用什么门派和武功呢?我们下次再聊聊这个话题。


往期回顾:

第一回合内容:人工智能的门派和武功(一)

第二回合内容:人工智能的门派和武功(二)


举报
分享

分享文章到朋友圈

分享文章到微博

游客

富文本
Markdown
您需要登录后才可以回帖 登录 | 立即注册

结贴

您对问题的回复是否满意?
满意度
非常满意 满意 一般 不满意
我要反馈
0/200