说“人话”——人工智能vs机器学习vs神经网络vs自动化

看到AlphaGo在人机大战中战胜了围棋棋王李世石,简直让我和我的小伙伴们惊呆喽!再有Google,百度等等科技大咖们,“血拼”发展汽车的自动驾驶技术,甚至盖房子的“包工头”王石都在搞智能保安机器人,让我对人工智能这个神秘“生物”充满了好奇心。
人工智能

(本文会涉及到如下名词:人工智能,机器智能,机器学习,深度学习,人工神经网络(ANN),卷积神经网络(CNN),模式识别,专家系统,自动化控制)

人工智能
  通常意义上的人工智能(AI),又叫弱人工智能,“望”名知意——人造的具有类似于人的小智慧的,小聪明的——东西,这个“不是东西的东西”可以是软件如苹果siri,andriod里面的语音搜索功能,微信里的语音文字转换功能,也可以是软硬结合后的物品比如各种机器人,自动无人驾驶汽车等等。在WiKi百科里:人工智能亦称机器智能,是指由人工制造出来的系统所表现出来的智能。对于人工的“智能”在不同的阶段会有不同的定义和看法,在以前计算机所具有的高速计算能力也可以看成是一种“智能”;可进行下棋,能进行自动驾驶等等能力的才能称为“智能”。关于什么是“智能”,这涉及到其它诸如意识(consciousness)、自我(self)、思维(mind)(包括无意识的思维)等等问题。人唯一了解的智能是人本身的智能,但是我们对我们自身智能的理解都非常有限,所以就很难定义什么是“人工”制造的“智能”了。总体来讲,目前对人工智能的定义大多可划分为四类,即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动,或制定行动的决策,而不是肢体动作。
  还有一类人工智能是强人工智能,认为有可能制造出真正能推理(Reasoning)和解决问题(解决问题)的智能机器,并且,这样的机器能将被认为是有知觉的,有自我意识的。强人工智能可以有两类:
  a.类人的人工智能,即机器的思考和推理就像人的思维一样。
  b.非类人的人工智能,即机器产生了和人完全不一样的知觉和意识,使用和人完全不一样的推理方式。
  PS:个人认为:通用人工智能也算强人工智能了
  人工智能的研究可以分为几个技术问题,AI的核心问题包括推理、知识与常识、规划、学习、社交(交流)、知觉(感知)、运动和控制(移动和操作物体)的能力等。强人工智能目前仍然是该领域的长远目标。目前比较流行的方法包括统计方法,计算智能和传统意义的AI。目前有大量的工具应用了人工智能,其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学,以及基于概率论和经济学的算法等等也在逐步探索当中。
  人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
  目前人工智能的主要研究课题有:演绎、推理和解决问题(人解决问题的模式通常是用最快捷、直观的判断,而不是有意识的一步一步的推导),知识表示法,规划(能够制定目标和实现这些目标),学习(机器学习),自然语言处理,运动和控制(机器人),知觉,社交(情感计算,感知情绪和表现出情绪),创造力(计算机创造力、创新力),多元智能。
  1)知识表示是人工智能的基本问题之一,推理和搜索都与表示方法密切相关。常用的知识表示方法有:逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。
  2)常识,自然为人们所关注,已提出多种方法,如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。
  3)问题求解中的自动推理是知识的使用过程,由于有多种知识表示方法,相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要,近几年来提出了多种非演泽的推理方法,如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。
  4)搜索是人工智能的一种问题求解方法,搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示,启发式知识利用得越充分,求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。
  5)机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程,按照学习机制的不同,主要有归纳学习、分析学习、连接机制学习和遗传学习等。
  6)知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识,当知识量较大而又有多种表示方法时,知识的合理组织与管理是重要的。推理机在问题求解时,规定使用知识的基本方法和策略,推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域(如医疗诊断)的专家知识,则这样的知识系统称为专家系统。为适应复杂问题的求解需要,单一的专家系统向多主体的分布式人工智能系统发展,这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。
  7)知觉,涉及机器感知、计算机视觉和语音识别。机器感知是指能够使用感测器所输入的数据(如照相机、麦克风、声纳以及其他的特殊感测器)然后推断世界的状态。计算机视觉能够分析视频输入。另外还有语音识别、人脸辨识和物体辨识。
  8)多元智能:结合以上所有的技能并且超越大部分人类的能力。 上述许多问题被认为是人工智能完整性:为了解决其中一个问题,你必须解决全部的问题。即使一个简单和特定的任务,如机器翻译,要求机器按照作者的论点(推理),知道什么是被人谈论(知识),忠实地再现作者的意图(情感计算)。因此,机器翻译被认为是具有人工智能完整性:它可能需要强人工智能,就像是人类一样。
  当前,人工智能实际应用有:机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划,智能控制,机器人学,自动化技术,语言和图像理解等。
  另:下图为李开复的演讲图片(李开复:人工智能首先是感知,感知就是包括视觉、语音、语言;然后是决策,刚刚讲的做一些预测,做一些判断,这些是决策层面的;那当然如果你要做一套完整的系统,就像机器人或是自动驾驶,它会需要一个反馈(PS:运动和控制)。)
人工智能

机器学习
  机器学习是什么?机器学习就是让机器变得“智能”的方法之一,是当前人工智能实现的方案之一。主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多推论问题属于无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。
  具体的机器学习算法有:
  构造条件概率:
    回归分析和统计分类
    人工神经网络
    决策树
    高斯过程回归
    线性判别分析
    最近邻居法
    感知器
    径向基函数核
    支持向量机
  通过再生模型构造概率密度函数:
    最大期望算法
    概率图模型:包括贝叶斯网和Markov随机场
    Generative Topographic Mapping
  近似推断技术:
    马尔可夫链
    蒙特卡罗方法
    变分法
  最优化:大多数以上方法,直接或者间接使用最优化算法。

用人话说“人工智能”与“机器学习”的关系就是:你想要100万(目标),你可以炒股票(方法1),你可以买彩票(方法2),你还可以抢银行(方法3)。人工智能是目标,机器学习是实现人工智能方法之一。

神经网络
  “人工神经网络”(artificial neural networks)的技术,简称ANN。这种技术十分粗略地模拟了人脑的结构。值得注意的是,人工神经网络和神经网络是不同的。很多人为了方便起见而把“人工神经网络”中的人工二字省略掉,这是不准确的,因为使用“人工”这个词正是为了将计算机科学与生物学中的神经网络相区别。

欢迎投稿、分享转载,转载请保留如下信息:格物躬行博客[https://www.go2do.net]

本文由 [go2do] 原创,本文链接: https://www.go2do.net/human/what-difference-ai-machineleanring-robot-auto-control.html



发表评论

电子邮件地址不会被公开。

本页共执行117次数据库查询,耗时0.250秒,使用内存 1.73 MB