• <option id="jppmx"></option>

      1. <acronym id="jppmx"></acronym>
          1. <blockquote id="jppmx"><ruby id="jppmx"></ruby></blockquote>
          2. <mark id="jppmx"><ruby id="jppmx"><option id="jppmx"></option></ruby></mark>
            周一至周五 | 9:00—22:00

            您的《AI創建指南》正在接收……

            作者:未知

              完成一個人工智能的研發,就像是構建一個真實的人類,不僅需要主導神經活動的大腦,也需要感知外界的器官,還需要維持運作的神經系統、運動系統等協調配合。模仿人類的AI當然也有自己的“大腦”“器官”“軀體組織”“神經系統”……這些功能不同的構造,共同形成了您現在使用的一件件人工智能產品。
              為了保證最親愛的用戶放心使用本公司的產品,技術部在這里向大家保證,這些“大腦”和“器官”的質量都是經過層層把關的。您可以隨時咨詢和檢驗,不如就先從最關鍵的“首腦”開始吧。
              AI大腦部分
              數據收集
              “沒有輸入,何來輸出”
              我們有了大腦,有了可以儲存知識的空間,接下來就是獲取知識的時候了。感官系統的存在能很好地幫助我們獲取外界的各種信息,為大腦的運作提供充足的驅動。人工智能也一樣,有了高效存儲、傳輸數據的設備和平臺,用于人工智能學習訓練的數據就需要多方收集和整理。比如,我們要訓練圖像識別的人工智能模型,就要收集大量的圖像資料并提前進行標記處理,才能讓機器學習的程序識別讀取。診斷癌癥的AI需要大量清晰準確的癌癥組織切片圖像來學習識別癌細胞。識別人臉的AI需要大量圖像和視頻數據來學習分辨不同的人。語音助手需要大量人類語音數據來分析理解人類語言。
              數據收集的途徑多種多樣,我們手機里裝的各類APP、GPS,網絡上的信息和評論,各類探測檢測儀器的監測數據,都是數據的來源。
              “聰明的大腦才能造就聰明的AI”
              如果說“程序”是AI的“思維”,那么計算機就是運行程序的“大腦”。也就是說計算機的性能越好,AI的反應就越快,越能輕松處理各種復雜任務。而這個“大腦”的計算能力主要依靠芯片,一般計算機的計算核心是CPU,想必大家對英特爾公司這家芯片巨頭也耳熟能詳了。然而隨著摩爾定律的逐漸失效,機器學習所需的計算和數據量越來越大,CPU不再是AI“大腦核心”的唯一選擇。
              人們首先想的是GPU(顯卡)。相比CPU,GPU沒有那么全能和穩定,但優勢是做圖像處理類運算的速度更快,而當下機器學習所需的恰恰是這類運算。于是GPU不再只是游戲玩家的必需品,也成了機器學習研究人員手里的搶手貨。
              然而硬件工程師們并不滿足于GPU的性能,依然在不斷開發更加適合AI的專用芯片。Google公司研發的TPU,在運行機器學習需要的某種計算模式上,速度就超過了價格和配置更高的GPU。同時,源自中國科學院計算技術研究所的寒武紀科技,也推出了專門應用于AI神經網絡計算的寒武紀芯片。
              摩爾定律
              1965年,由英特爾創始人之一戈登摩爾提出,每個新芯片大體上包含其前任兩倍的容量,每個芯片的產生都是在前一個芯片產生后的18~24個月內。揭示了信息技術進步的速度。
              存儲
              “最強大腦就是最強記憶”
              大量的數據如何成為豐富的儲備?這就需要記憶功能出馬了。到了AI這邊,大量的數據就是人工智能的“學習材料”。數據規模越大,人工智能的知識就越豐富。于是,高效、穩定又實惠的存儲介質就顯得十分關鍵了。
              存儲硬件主要分兩類,一類需要隨時高速讀取寫入但不長期保留數據,如RAM(隨機存儲器)。另一類相對讀寫頻率較低但可以長久穩定保存數據,如SSD硬盤(固態硬盤)。
              我們在挑選手機和電腦時都有感受,一般RAM越大的設備運行起來會比較流暢,很少卡頓。而SSD硬盤雖比傳統的機械硬盤存取速率快得多,但成本較高。就像人類不斷訓練自己的記憶力,AI也要選擇更高效的存儲設備來實現記憶功能,光盤和U盤等受到局限的存儲器已經隨著各類網盤云存儲的興起,不再是人人必備了。
              云技術
              “資源共享才能高效發展”
              如果說“芯片”和“存儲”作為AI的“大腦”和“海馬體”存在,那么“云技術”就是能夠高效調配協調大腦結構的“神經系統”。
              還記得我國的超級計算機“神威?太湖之光”嗎?那個由40個運算機柜和8個網絡機柜組成的大家伙,每個運算機柜比家用的雙門冰箱還大。像這樣的超級計算機或大規模的數據中心,就需要云技術來調配協助了。
              用戶只要通過網絡連接就可以付費遠程使用高性能的計算和存儲設備。AI開發人員不需要自己購買配置大量硬件設備,只要挑選自己需要的服務就好,也不用所有人集中在計算機硬件旁,這樣不同地區的開發者也可以進行遠程合作。
              所以對于AI所需的“大數據”,云技術是重要的解決方案。再舉個“栗子”,網上各大商城促銷活動期間,保證大家“剁手”時“不卡頓”“不崩盤”的,就是云技術了。
              AI思維模式
              當我們說―個人的心智發育或思維活動,就是在說這個人對新輸入信息與腦內儲存知識經驗進行一系列復雜的反應操作過程。思維以感知為基礎,涉及所有的認知或智力活動。而人工智能中的。卷積神經網絡、Q-Learning、深度學習……其實并不是我們想象的完全復制人類學習思考的過程,而是依靠的數學統計模型以及計算機理論來實現的。
              數學統計理論
              處理數據
              畢竟用計算機完全模擬人類大腦是一件“費力不討好”的事,反而運用計算機上的數學統計模型能得到更好的結果。但在建立人工智能數學統計模型的過程中,還是參照了人類大腦的一些方面。
              比如卷積神經網絡的基本結構就模仿了人類的神經元,只不過這個“神經元”不是神經細胞也不會放電,而是一個能根據輸入數據自動優化參數的函數。將這些基礎的模型用數學統計方法聯合起來,就架構出了復雜的神經網絡和深度學習的一系列模型。
              所以,“人工智能超越人類”的擔憂在大部分理論研究者這里,是不存在的。因為他們心中明白,人類可以推演改造人工智能的基礎數學算法,而這些機器都只是在人類的命令下完成高速計算,在數學統計模型的推演改造方面并沒有什么能超越人?的能力。可以說數學統計理論是目前讓人工智能變得越來越聰明的最!核!心!的因素之一。   卷積神經網絡
              在機器學習中,卷積神經網絡是一種深度前饋人工神經網絡,已成功地應用于圖像識別,是一種高效的識別方法,包括卷積層和池化層。主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。
              計算機理論
              運行程序
              人工智能的控制核心是計算機。稍微了解一些計算機原理的人都知道,計算機內部運用二進制計算。現有的計算機計算原理基本都遵循“圖靈機”這一模型,架構則遵循“計算單元-控制單元-存儲單元”馮?諾依曼結構。
              和人工智能領域研究數學統計理論的研究者不同,計算機理論的研究者,主要的目的是讓計算機算得更快、更穩定、更省資源。
              在軟件方面,同樣的數學統計模型可以用不同的編程語言和程序結構來實現,軟件工程師和科學家要創造出合理可靠的理論或流程來指導開發人員更高效地寫出并運行人工智能程序。
              而硬件方面,由于當下計算機架構本身的限制和摩爾定律的失效,計算機科學家們必須研發出打破硬件限制的系統,甚至是新的計算機架構。比如跟傳統架構完全不同的。量子計算機,以及前面提到的優化硬件計算存儲資源的云技術,高速傳輸數據的網絡,這些都需要依靠計算機理論的指導才能得以發展。
              二進制
              是計算技術中廣泛采用的一種數制。二進制數據是用0和1兩個數碼來表示的數。它的基數為2,進位規則是“逢二進一”。人類世界通用的十進制,即滿十進一。
              量子計算機
              遵循量子力學規律進行高速數學和邏輯運算、存儲及處理量子信息的物理裝置。2017年5月,世界上首臺超越早期經典計算機的基于單光子量子模擬機在中國誕生。
              AI協調軀干
              人類運用大腦支配身體完成某些任務的時候,需要通過各種器官的功能來共同作用。AI自然也有一套自己的“身體器官”,從可識別目標的“眼”,到負責語言的“語言中樞”,再到可輸出的“嘴”和“雙手”,分別涉及計算機視覺、語言處理、語音工程、規劃決策、大數據分析等方面的技術。
              作為AI“雙眼”的?算機視覺,是目前機器學習方法運用最廣泛的,也是市面上很多人工智能的核心技術。像“深度學習”這個目前十分火爆的人工智能理論模型,最早就是在訓練識別貓狗圖片的實驗里實現的。自動駕駛的汽車能認得路也是靠計算機視覺的技術分清道路車輛,檢測行進路上的移動物體。傳統的計算機視覺技術已經有了不少處理圖像和視頻的方法,機器學習模型的引入也幫助這些方法變得更快且有了學習和自我提高的能力。
              在人類大腦的左半球有負責表達的“語言中樞”,AI當然也有這一功能,幫助他們懂的人類語言,我們稱之為自然語言處理技術。自然語言處理又分為理解語言和生成語言兩個方向。AI需要理解的自然語言不僅僅是人類對話,還有人類文章,如新聞報道和文學作品等,甚至還有語言所包合的情緒、邏輯和涉及的主題和關鍵詞。而語言生成,不僅是與人類對話,還要能寫文章等。自然語言處理領域不僅需要廣泛多元的數學統計模型,還需要語言學家來研究提煉不同的人類語言之間的特點和聯系。
              而語音工程跟自然語言處理領域的聯系非常緊密。自然語言處理讓AI“懂得”語言,而語音工程則是進一步給了人工智能“聽”和“說”的能力。二者最大的差別是自然語言主要處理文本文字,而語音工程處理音頻。語音工程要面對的挑戰是:如何在嘈雜的環境里準確分辨出人類語音,或是多人談話時能夠準確分辨出談話人以及他們各自講了哪些內容。另一方面則是如何讓AI的話語更像人類。雖然講話的內容是由自然語言處理過程決定的,但對話不是念稿子,同樣的內容,不同的情景、不同的心情講出來也是不一樣的。
              規劃決策系統說來陌生,但其實舉幾個“栗子”大家就明白了。玩各類游戲的人工智能都屬于規劃決策系統,因為贏得游戲的本質就是根據游戲的規則來規劃決策。此外,幫助規劃開車路線,幫助選擇理財產品等也屬于規劃決策,這其中還運用了很多博弈論、隨機過程和統計學原理。規劃決策系統常常和大數據分析計算結合使用,因為面對復雜的情況,人工智能需要海量的學習數據。
              再到大數據,這個不斷被人類提及的關鍵詞,作為海量的信息資產,可以說沒有大數據就沒有基于機器學習的人工智能發展熱潮。大數據分析其實也是人工智能。比如根據偏好推薦商品,瀏覽網頁投放有偏好的廣告,還有金融行業預測金融產品在市場上價格的漲跌,公司收集消費者偏好來決定是否升級換代產品等,都屬于大數據分析的范疇。
              各部集結,AI的誕生
              召喚神龍還要集齊7顆龍珠呢,滅霸的響指也要6顆“彩豆”才能打得響。如同人類的大腦、軀干,各種系統缺一不可,人工智能的各種“器官”想要發揮作用,也需要“團結”起來。
              就拿我們大家都非常熟悉的AlphaGo來講,它不僅是一個決策系統,分析圍棋棋盤同時也需要用到計算機圖像處理。第一代AlphaGo參考的海量人類數據和第二代AlphaGo自己互相下幾百萬盤棋,這些數據量都非常龐大,這時候就需要大數據分析。AlphaGo的硬件是成百上千個芯片協助共同運行,升級后的“狗”能在網上遠程與人類頂尖棋手進行車輪廝殺大戰,又涉及了云技術和并行計算。AlphaGo本身的模型也是多個不同的數學統計模型聯合協作。所以,一款人工智能的誕生,離不開“身體”各部分的共同作用。
              行業需求,了解一下
              AI誕生后,接下來要考慮的是,如何真正幫助人類更好地生活與發展。需要我們對各個行業的現狀、變化和需求做全面且深入的了解。比如在金融界,我們可以有聊天機器人作為客服提供金融咨詢服務;可以有大數據分析AI預測市場指導投資;也可以有高速自動交易系統取代容易出錯的人工交易專員等。對一個行業而言,需要不同功能結構的多種人工智能以及技術輔助,也只有這樣才能讓人工智能發揮其更大的價值。
              原來,AI的創建與人類發展成長有著異曲同工之處。“大腦”芯片控制整體“命脈”,“存儲系統”幫助記憶,“感官系統”掌握輸入,“軀干”實現運作。雖然作為通才的強人工智能還沒出現,但不同功能的人工智能已經在人類社會的各個領域嶄露頭角。TM公司不斷突破技術瓶頸,力圖打造出更加全能的產品。在為人類服務這件事情上,我們―直都很用心。


            常見問題解答

            云南11选5走势图