随着大数据、高性能计算和深度学习技术的快速迭代和进步,人工智能进入新一轮的发展热潮,其强大的赋能性对经济发展、社会进步、国际政治经济格局等产生了重大且深远的影响,已成为新一轮科技革命和产业变革的重要驱动力量。
人工智能是研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门技术科学。从当前的人工智能技术进行分析可知,其在技术研究方面主要聚焦在热点技术、共性技术和新兴技术三个方面。
其中以机器学习为代表的基础算法的优化改进和实践,以及迁移学习、强化学习、多核学习和多视图学习等新型学习方法是研究探索的热点;自然语言处理相关的特征提取、语义分类、词嵌入等基础技术和模型研究,以及智能自动问答、机器翻译等应用研究也取得诸多的成果;以知识图谱、专家系统为逻辑的系统化分析也在不断地取得突破,大大拓展了人工智能的应用场景,对人工智能未来的发展具有重要的潜在影响。
机器学习是一种自动将模型与数据匹配,并通过训练模型对数据进行“学习”的技术。机器学习的研究主要聚焦在机器学习算法及应用、强化学习算法、近似及优化算法和规划问题等方面。常见的学习算法主要包含回归、聚类、分类、近似、估计和优化等基础算法的改进研究,迁移学习、多核学习和多视图学习等强化学习方法是当前的研究热点。
神经网络是机器学习的一种形式,根据输入、输出、变量权重或将输入与输出关联的“特征”来分析问题。它类似于神经元处理信号的方式。
深度学习是通过多等级的特征和变量来预测结果的神经网络模型。得益于当前计算机架构更快的处理速度,这类模型有能力应对成千上万个特征。与早期的统计分析形式不同,深度学习模型中的每个特征通常对于人类观察者而言意义不大,使得该模型的使用难度很大且难以解释。深度学习模型使用一种称为反向传播的技术,通过模型进行预测或对输出进行分类。
强化学习是机器学习的另外一种方式,指机器学习系统制订了目标而且迈向目标的每一步都会得到某种形式的奖励。机器学习模型是以统计为基础的,而且应该将其与常规分析进行对比以明确其价值增量。它们往往比基于人类假设和回归分析的传统“手工”分析模型更准确,但也更复杂和难以解释。相比于传统的统计分析,自动化机器学习模型更容易创建,而且能够揭示更多的数据细节。
自然语言处理(Natural Language Processing,NLP)是研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能够有效地使用自然语言通信的计算机系统,特别是其中的软件系统。主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。自然语言处理(即实现人机间自然语言通信,或实现自然语言理解和自然语言生成)是十分困难的。困难的根本原因是自然语言文本和对话的各个层次上广泛存在着各种各样的歧义性或多义性。自然语言处理解决的核心问题是信息抽取、自动文摘/分词、识别转化等,用于解决内容的有效界定、消歧和模糊性、有瑕疵的或不规范的输入、语言行为理解和交互。当前,深度学习技术是自然语言处理的重要技术支撑,在自然语言处理中需应用深度学习模型,如卷积神经网络、循环神经网络等,通过对生成的词向量进行学习,以完成自然语言分类、理解的过程。
专家系统是一个智能计算机程序系统,通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成,其内部含有大量的某个领域专家水平的知识与经验,它能够应用人工智能技术和计算机技术,根据这些知识和经验进行推理、分析和决策,类似于一个“虚拟专家”。专家系统通常用于解决某种复杂领域或任务上的问题,包括医疗诊断、金融风险评估、机器故障诊断等。由于专家系统能够快速准确地做出决策,因此在工业界、医疗保健等领域得到了广泛应用。
随着科技的不断进步和人类对于智能化的渴望,专家系统作为人工智能的一支重要力量,经历了三个阶段的发展,并正在向第四代过渡和发展。虽然在最初的阶段,专家系统的求解能力较弱,但经过几十年的创新和不断完善,其已经逐渐成熟,并正在朝着更加智能化、自主化的方向迈进。
专家系统是一种基于知识表示、知识推理、知识获取、知识获取和知识表达的计算机程序系统,可以模拟人的推理过程和思维方式,进行各种复杂的决策和推断。其应用已经渗透到许多行业,比如金融行业、医疗行业、教育行业等,并取得了显著的成效。而随着专家系统的进一步发展,其应用也将更加广泛。
专家系统的第一代主要有高度专业化和强求解能力的特点。但是,其在体系结构的完整性、可移植性、系统的透明性和灵活性等方面存在着一定的缺陷,技术限制比较大。而第二代专家系统则采用了更加完整的体系结构,并在人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所提升。而第三代专家系统则更加强调多学科的综合,采用了多种人工智能语言,综合采用各种知识表示方法和多种推理机制及控制策略,也运用各种知识工程语言、骨架系统及专家系统开发工具和环境来研制大型综合专家系统。
而第四个阶段,则是专家系统正在向自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等发展。大型多专家协作系统、多种知识表示、综合知识库等技术也将被广泛应用。
从应用与发展的角度来看,专家系统正在向“人工+智能”向自主智能系统发展。这就意味着专家系统将更加自主、智能,让计算机自我学习和自我调整,而不再仅仅是人类向计算机输入智能的方式。