AI｜完整解析人工智能：3大浪潮＋3大技术＋3大应用

本文从“物联网”之家复制（ID：IOT12345）

所谓的人工智能（缩写：AI）是指允许机器通过人工手段实现人类智慧的技术。但是，目前没有技术可以完全模拟人类的智能，而世界上大多数人工智能仅用于解决特定问题。本文希望，新手AI的读者可以通过333个咒语迅速理解AI是什么。

三波AI

人工智能AI发展的历史

第一个AI波

AI的第一波从1950年至1960年开始，于1980年代结束。因为它出现在互联网之前，所以也称为“古典人工智能”。在此期间出现的“象征主义”和“联系主义”是未来“专家系统”和“深度学习”的原型。但是，尽管当时的结果可以解锁难题或简单游戏，但它们几乎无法解决实际问题。

第二波AI

第二个AI繁荣发生在1980年代，计算机的流行。在此期间进行的研究主要集中于灌输“专家知识”，以协助解决特定问题。但是，即使当时有商业应用的例子，应用程序的范围也非常有限，并且热潮逐渐消失。

第三波AI

第三波AI发生在2010年代。随着高性能计算机的普及，互联网，大数据，传感器以及计算成本下降，“机器学习”出现了。机器学习是指允许计算机学习大量数据，以便它们可以识别人类之类的声音和图像，或者对问题做出适当的判断。

AI的三个主要技术

经过快速了解AI发展的历史，让我们看一下当代人工智能的三种代表性模型：遗传算法开yun体育app官网网页登录入口，专家系统和神经网络。

遗传算法

遗传算法（遗传算法； GA），也称为进化算法，是受达尔文进化论启发的人工智能。通过“优胜最佳生存”的规则，它将“优秀个人”视为“好的答案”，并通过进化找到了最佳解决方案。

专家系统

专家系统（专家系统）是为预设问题提前准备许多相应的方法。它在许多地方使用，尤其是在疾病诊断中。但是，专家系统只能根据专家提前考虑的情况来准备对策。它没有自己学习的能力，因此它仍然有其局限性。

神经网络

机器学习有许​​多技术，这些技术是从第三次AI浪潮中浮现出来的，最受欢迎的技术是深度学习。所谓的深度学习是一种通过模仿人脑的“神经网络”学习大量数据的方法。

神经网络的起源

如果您看大脑内部，您会发现有大量称为“神经元”的神经细胞相互连接。如果来自其他神经元的神经元接收到的电信号达到一定值或更高，则将激发它（神经冲动）；如果它低于一定值，则不会感到兴奋。

激发的神经元将将电信号传输到下一个连接的神经元。因此kaiyun全站网页版登录，下一个神经元也会感到兴奋或不兴奋。简而言之，彼此连接的神经元将形成关节传递行为。我们在数学上对这种连接的结构进行建模以形成神经网络。

神经网络：深度学习

我们可以发现建模的神经网络由三层组成，包括“输入层”，“隐藏层”和“输出层”。此外，学习数据由输入数据和相应的正确答案组成。

以图像识别为例，为了允许AI学习神经网络模型，必须将图像学习数据首先分为像素数据，然后将像素值输入到输入层中。

接受数据的输入层，将像素值乘以“权重”，然后将其传递给后面隐藏层中的神经元。隐藏层中的每个神经元都会将接收到的值累积到上一层，并将结果乘以“权重”，然后将其转移到其后面的神经元中。最后，通过在输出层中神经元的输出，可以获得图像识别的预测结果。

为了使输出层的值等于与每个输入数据相对应的阳性解决方案数据，将计算每个神经元的输入的适当“权重”值。

该权重的计算通常是通过使用“错误背部传播算法”（错误回传播）来完成的，该算法将误差与正面解决方案数据一起使用，以从输出层逆转。通过调整每个“权重”，减少了输出层的值和积极解决方案数据值之间的误差，以创建一个模型来完成学习。

由于过去很难优化神经网络之间的体重值，因此大多数研究人员对神经网络的研究呈负面影响。直到2006年，杰弗里·辛顿（Geoffrey Hinton）才开发了自动编码器方法来突破这种瓶颈。

自动编码器是指在输入层和神经网络的输出层中使用相同数据的方法，并在两者之间设置隐藏层，从而调整神经网络之间的权重参数。在初始化自动编码器获得的神经网络的权重参数值之后，可以应用“误差反向转移算法”来提高多层神经网络的学习准确性。

通过神经网络，深度学习已成为一种人工智能，“只要数据输入到神经网络中，它就可以自行提取功能”，这也称为“功能学习”。

深度学习最好的是它可以识别不符合数据（例如图像数据或波形数据）的能力。自2010年代以来，诸如Google，Microsoft和Facebook等著名的美国IT公司开始研究深度学习。例如，苹果的“ Siri”语音识别，微软的搜索引擎“ Bing”具有图像搜索等，而Google的深度学习项目已超过1,500。

至于深度学习的跨越增长，这要归功于硬设备的改善。主要的图形处理器（GPU）制造商Nvidia使用公司的图形适配器来提高深度学习的性能，并提供链接库和框架产品，并积极提供研讨会。此外，Google还披露了“ Tensorflow”框架，该框架可以将深度学习应用于数据分析。

AI的三个主要应用

AI应用程序字段可以主要分为三个部分：语音识别，图像识别和自然语言处理。

图像标识

在图像识别部分中，尽管一般图像的识别率与人类的识别率相等，但动态图像的识别精度仍然不如人类的识别精度。各种算法仍在测试中。其中，最受欢迎的图像识别应用程序字段是自动驾驶。

整个汽车和信息通信行业都致力于自动驾驶汽车。例如，Google继续对自动驾驶进行研究，丰田还在美国成立了丰田研究所。可以看出，此阶段的发展非常接近实用。因此，我们可以判断图像识别的成熟度在研究和实际层面之间。

语音识别

多年来kaiyun官方网站登录入口，通过《钟声》的研究（Chime，一项国际言语识别竞争，评估了在实际生活环境中的语音识别）来实现人类的认可。此外，Apple，Google和Amazon连续提出的服务可以应用于日常生活，因此它们的成熟度已达到实际水平。

自然语言处理

自然语言处理（NLP）试图使人工智能理解人类写的单词及其所说的话。 NLP将首先分解语音的一部分，称为“形态学分析”。在分解最小的字符含义单元之后，它将执行“语法分析”，最后使用“语义分析”，让我们理解含义。

自然语言处理的输出部分也与生成语法密切相关。生成语法理论认为，只要遵循规则，就可以生成句子。这也意味着只要合并规则，就可以生成文章。

在自然语言处理中，最具代表性的应用程序是“聊天机器人”，该程序可以通过像真实的人这样的短信与人们交谈。 2016年，Facebook启动了“ Facebook Messenger平台”，Line还推出了“消息API”，这促使该聊天机器人配备了NLP技术成为关注的焦点。

此外，由IBM开发的IBM Watson还由使用NLP的人工智能组成。沃森（Watson）可以从Wikipedia等语料库中提取知识，以了解词汇和词汇之间的相关性。现在，即使是软件库（软纸币）机器人胡椒粉都配备了沃森系统。

但是，由于我们经常在日常对话中省略单词和句子，并且不一定要提及时间和空间背景，因此当前的聊天机器人无法与人类进行分散的对话。因此，大多数目前的聊天机器人制造商仍将限制对话的环境和应用领域。

我们正在努力创造一个五颜六色的聪明世界。

您的关注和支持是我们最大的鼓励。