文庫中心
news information
- 線束組裝膠帶纏繞指示書
- 線束密封件的設計
- 線束包扎和固定設計
- 汽車碳纖維應用技術解析
- 動力電池內部線束布置及
- 防水連接器的性能標準
- 【IQC】如何做好來料檢驗
- 乘聯會預測2020年國內汽車
- 同比下降6.4% 9月份汽車進
- 投資96億 廣州將建國家級
聯系我們
contact us
-
地址：山東省濟南市歷下區解放路華強廣場A1307 -
電話：15666328617 -
座機：400-0304-588 -
郵箱：jishubu@xianshu.com
所謂人工智能（Artificial Intelligence；縮寫：AI），是指以人工辦法來結束人類所具有之智慧的技術。只不過，現在能結束與人類智能平等的技術還不存在，世界上絕大大都的人工智能仍是只能處理某個特定問題。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出現在網絡之前，因此又被稱為“古典人工智能”。這時期出現的“符號主義”與“聯合主義”，分別是日后“專家系統”與“深度學習”的雛形。只不過，雖然當時的效果已能解開拼圖或簡略的游戲，卻幾乎無法處理有用的問題。
第2次AI浪潮
第2次AI熱潮伴隨著核算機的廣泛，出現在1980年代。這時期所進行的研討，是以灌注「專家知識」作為規則，來幫助處理特定問題的“專家系統”（Expert system）為主。可是，縱使當時有商業運用的實例，運用范疇卻很有限，熱潮也因此逐漸衰退。
第三次AI浪潮第三次AI浪潮則出現于2010年代，伴隨著高功用核算機、因特網、大數據、傳感器的廣泛，以及核算成本的下降，“機器學習”隨之興起。所謂機器學習（Machine leaning），是指讓核算機許多學習數據，使它可以像人類相同辨識聲音及形象，或是針對問題做出適宜的判別。
二、AI的三大技術
快速了解了AI的發展史后，我們來看看當代人工智能的三大代表性模型：遺傳算法、專家系統、類神經網絡。
1、遺傳算法
遺傳算法（Genetic algorithm；GA），又稱為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟示的人工智能。它透過「適者生存」的規則，將“優異的個別”幻想成“好的答案”，透過演化的辦法來找出最佳解。
2、專家系統
專家系統（Expert system），則是針對預設的問題，事前預備好許多的對應辦法。它運用在許多當地，尤其是疾病診斷。只不過，專家系統只能針對專家預先考慮過的狀況來預備對策，它并沒有自行學習的才干，因此仍是有其局限性。
3、類神經網絡
從第三次AI浪潮所興起的機器學習（Machine learning）有許多種辦法，其間最受注視的，莫過于深度學習（Deep learning）了。所謂深度學習，是透過仿照人腦的“類神經網絡”（Neural network）來學習許大都據的辦法。
類神經網絡的由來
若你去查詢腦的內部，會發現有許多稱為“神經元”的神經細胞相相互連。一個神經元從其他神經元那里接納的電氣信號量達某必定值以上，就會振作（神經激動）；在某必定值以下，就不會振作。
振作起來的神經元，會將電器信號傳送給下一個相連的神經元。下一個神經元同樣會因此振作或不振作。簡略來說，相相互連的神經元，會構成聯合傳遞行為。我們透過將這種相連的結構來數學模型化，便構成了類神經網絡。
類神經網絡：深度學習
我們可以發現，經模型化的的類神經網絡，是由“輸入層”（Input layer）、“躲藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構成。其他，學習數據則是由輸入數據以及相對應的正確答復來組成。
以形象辨識為例，為了讓AI學習類神經網絡的模型，首先有必要先將形象學習數據切割成像素數據，然后將各像素值輸進輸入層。
接受了數據的輸入層，將像素值乘上“權重”后，便傳送給后方躲藏層的神經元。躲藏層的各個神經元會累加前一層所接納到的值，并將其效果再乘上“權重”后，傳送給后方的神經元。最終，經由輸出層的神經元的輸出，便可得到形象辨識的猜想效果。
為了讓輸出層的值跟各個輸入數據所對應的正解數據持平，會對各個神經元的輸入核算出恰當的“權重”值。
這個權重的核算，一般是運用“過失倒傳遞算法”（Error Back Propagation），運用與正解數據之間的過失，從輸出層逆推回去。透過各「權重」的調整，來縮小輸出層的值與正解數據的值之間的過失，以樹立出結束學習的模型。
由于曩昔類神經網絡之間進行傳遞的權重值難以優化，因此曾有大都研討者對類神經網絡的研討持否定態度。直到2006年，辛頓（Geoffrey Hinton）開宣布自動編碼器（Autoencoder）的辦法，才突破了這項瓶頸。
自動編碼器是指，在類神經網絡的輸入層和輸出層運用相同數據，并將躲藏層設置于二者之間，藉此用來調整類神經網絡之間的權重參數的一種辦法。使用以自動編碼器所獲得的類神經網絡權重參數值進行初始化后，便能運用「過失倒傳遞算法」，前進多層類神經網絡的學習準確度。
透過類神經網絡，深度學習便成為了“只需將數據輸入類神經網絡，它就能自行抽出特征”的人工智能，而這又稱為“特征學習”（feature learning）。
深度學習最擅長的，是它能辨識圖畫數據或波形數據這類無法符號化的數據。自2010年代以來，如Google、Microsoft及Facebook等美國出名IT企業，都初步著手深度學習的研討。例如，蘋果「Siri」的語音辨認，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度學習項目也已超越1,500項。
至于深度學習如此騰躍的生長，要歸功于硬設備的進步。圖形處理器（GPU）大廠輝達（NVIDIA）使用該公司的圖形適配器來進步深度學習的功用，供給鏈接庫（Library）和結構（framework）產品，并活躍開設研討課程。其他，Google也揭露了結構「TensorFlow」，可以將深度學習運用于數據分析。
三、AI的三大運用
AI運用范疇首要可分為語音辨認、形象辨識以及自然語言處理等三部分。
1、語音辨認
語音辨認部分，透過多年來語音辨認比賽CHiME的研討，已經有了平等人類的辨識度（CHiME，是針對實際日子環境下的語音辨認，所進行評測的世界語音辨認比賽）。此外，Apple、Google、Amazon也相繼提出可運用于日常日子的效力，因此其成熟度已達到有用等級。
2、形象辨識
形象辨識部分，雖然一般圖片的辨識已有平等于人類的辨識率，但動態形象的辨識準確度卻仍比不上人類，現在還在進行各種算法的測驗。其間，形象辨識現在最火熱的運用場域非自動駕馭莫屬了。
整個汽車、信息通訊工業都正朝著自駕車的方向盡力，例如Google繼續進行自動駕馭的研討，TOYOTA也在美國樹立豐田研討所，可以知道現階段的開發已非常挨近有用化。因此，我們可判別現在形象辨識的成熟度是介在研討和有用等級之間。
3、自然語言處理
自然語言處理（Natural language processing；NLP），是試著讓人工智能能了解人類所寫的文字和所說的言語。NLP首先會分化詞性，稱之“語素分析”（morphemic analysis），在分化出最小的字義單位后，接著會進行“語法分析”（syntactic analysis），最終再透過“語意分析”（semantic analysis）來了解含義。
輸出部分，自然語言處理也與生成文法（generative grammar）密切相關。生成文法理論認為，只需遵照規則即可生成文句。這也代表著，只需把規則組合在一起，便可能生成文章。
在自然語言處理中，最具代表性的運用就是“談天機器人”（Chatbot）了，它是一種如真人般，可透過文字音訊與人對話的程序。2016年，臉書推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促進這種搭載NLP技術的談天機器人成為注視的焦點。
其他，由IBM所開發的華生（IBM Watson），也是運用NLP的人工智能而成。華生可以從維基百科等語料庫中抽取知識，學習詞匯與詞匯之間的相關性。現在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統。
只不過，由于在日常對話中，我們很常省掉詞句，也不用定會提及時空布景，因此當時的Chatbot尚無法與人類進行不著邊際的對話。所以說，現行大都的Chatbot廠商，仍是會約束對話的環境與運用范疇。
一、AI的三次浪潮
第一次AI浪潮
第一次AI浪潮起于1950～1960年，止于1980年代。由于出現在網絡之前，因此又被稱為“古典人工智能”。這時期出現的“符號主義”與“聯合主義”，分別是日后“專家系統”與“深度學習”的雛形。只不過，雖然當時的效果已能解開拼圖或簡略的游戲，卻幾乎無法處理有用的問題。
第2次AI浪潮
第2次AI熱潮伴隨著核算機的廣泛，出現在1980年代。這時期所進行的研討，是以灌注「專家知識」作為規則，來幫助處理特定問題的“專家系統”（Expert system）為主。可是，縱使當時有商業運用的實例，運用范疇卻很有限，熱潮也因此逐漸衰退。
第三次AI浪潮第三次AI浪潮則出現于2010年代，伴隨著高功用核算機、因特網、大數據、傳感器的廣泛，以及核算成本的下降，“機器學習”隨之興起。所謂機器學習（Machine leaning），是指讓核算機許多學習數據，使它可以像人類相同辨識聲音及形象，或是針對問題做出適宜的判別。
二、AI的三大技術
快速了解了AI的發展史后，我們來看看當代人工智能的三大代表性模型：遺傳算法、專家系統、類神經網絡。
1、遺傳算法
遺傳算法（Genetic algorithm；GA），又稱為演化式算法（Evolutionary algorithm），是受達爾文演化論所啟示的人工智能。它透過「適者生存」的規則，將“優異的個別”幻想成“好的答案”，透過演化的辦法來找出最佳解。
2、專家系統
專家系統（Expert system），則是針對預設的問題，事前預備好許多的對應辦法。它運用在許多當地，尤其是疾病診斷。只不過，專家系統只能針對專家預先考慮過的狀況來預備對策，它并沒有自行學習的才干，因此仍是有其局限性。
3、類神經網絡
從第三次AI浪潮所興起的機器學習（Machine learning）有許多種辦法，其間最受注視的，莫過于深度學習（Deep learning）了。所謂深度學習，是透過仿照人腦的“類神經網絡”（Neural network）來學習許大都據的辦法。
類神經網絡的由來
若你去查詢腦的內部，會發現有許多稱為“神經元”的神經細胞相相互連。一個神經元從其他神經元那里接納的電氣信號量達某必定值以上，就會振作（神經激動）；在某必定值以下，就不會振作。
振作起來的神經元，會將電器信號傳送給下一個相連的神經元。下一個神經元同樣會因此振作或不振作。簡略來說，相相互連的神經元，會構成聯合傳遞行為。我們透過將這種相連的結構來數學模型化，便構成了類神經網絡。
類神經網絡：深度學習
我們可以發現，經模型化的的類神經網絡，是由“輸入層”（Input layer）、“躲藏層”（Hidden layer）及“輸出層”（Output layer）等三層所構成。其他，學習數據則是由輸入數據以及相對應的正確答復來組成。
以形象辨識為例，為了讓AI學習類神經網絡的模型，首先有必要先將形象學習數據切割成像素數據，然后將各像素值輸進輸入層。
接受了數據的輸入層，將像素值乘上“權重”后，便傳送給后方躲藏層的神經元。躲藏層的各個神經元會累加前一層所接納到的值，并將其效果再乘上“權重”后，傳送給后方的神經元。最終，經由輸出層的神經元的輸出，便可得到形象辨識的猜想效果。
為了讓輸出層的值跟各個輸入數據所對應的正解數據持平，會對各個神經元的輸入核算出恰當的“權重”值。
這個權重的核算，一般是運用“過失倒傳遞算法”（Error Back Propagation），運用與正解數據之間的過失，從輸出層逆推回去。透過各「權重」的調整，來縮小輸出層的值與正解數據的值之間的過失，以樹立出結束學習的模型。
由于曩昔類神經網絡之間進行傳遞的權重值難以優化，因此曾有大都研討者對類神經網絡的研討持否定態度。直到2006年，辛頓（Geoffrey Hinton）開宣布自動編碼器（Autoencoder）的辦法，才突破了這項瓶頸。
自動編碼器是指，在類神經網絡的輸入層和輸出層運用相同數據，并將躲藏層設置于二者之間，藉此用來調整類神經網絡之間的權重參數的一種辦法。使用以自動編碼器所獲得的類神經網絡權重參數值進行初始化后，便能運用「過失倒傳遞算法」，前進多層類神經網絡的學習準確度。
透過類神經網絡，深度學習便成為了“只需將數據輸入類神經網絡，它就能自行抽出特征”的人工智能，而這又稱為“特征學習”（feature learning）。
深度學習最擅長的，是它能辨識圖畫數據或波形數據這類無法符號化的數據。自2010年代以來，如Google、Microsoft及Facebook等美國出名IT企業，都初步著手深度學習的研討。例如，蘋果「Siri」的語音辨認，Microsoft查找引擎「Bing」所具有的形象查找等等，而Google的深度學習項目也已超越1,500項。
至于深度學習如此騰躍的生長，要歸功于硬設備的進步。圖形處理器（GPU）大廠輝達（NVIDIA）使用該公司的圖形適配器來進步深度學習的功用，供給鏈接庫（Library）和結構（framework）產品，并活躍開設研討課程。其他，Google也揭露了結構「TensorFlow」，可以將深度學習運用于數據分析。
三、AI的三大運用
AI運用范疇首要可分為語音辨認、形象辨識以及自然語言處理等三部分。
1、語音辨認
語音辨認部分，透過多年來語音辨認比賽CHiME的研討，已經有了平等人類的辨識度（CHiME，是針對實際日子環境下的語音辨認，所進行評測的世界語音辨認比賽）。此外，Apple、Google、Amazon也相繼提出可運用于日常日子的效力，因此其成熟度已達到有用等級。
2、形象辨識
形象辨識部分，雖然一般圖片的辨識已有平等于人類的辨識率，但動態形象的辨識準確度卻仍比不上人類，現在還在進行各種算法的測驗。其間，形象辨識現在最火熱的運用場域非自動駕馭莫屬了。
整個汽車、信息通訊工業都正朝著自駕車的方向盡力，例如Google繼續進行自動駕馭的研討，TOYOTA也在美國樹立豐田研討所，可以知道現階段的開發已非常挨近有用化。因此，我們可判別現在形象辨識的成熟度是介在研討和有用等級之間。
3、自然語言處理
自然語言處理（Natural language processing；NLP），是試著讓人工智能能了解人類所寫的文字和所說的言語。NLP首先會分化詞性，稱之“語素分析”（morphemic analysis），在分化出最小的字義單位后，接著會進行“語法分析”（syntactic analysis），最終再透過“語意分析”（semantic analysis）來了解含義。
輸出部分，自然語言處理也與生成文法（generative grammar）密切相關。生成文法理論認為，只需遵照規則即可生成文句。這也代表著，只需把規則組合在一起，便可能生成文章。
在自然語言處理中，最具代表性的運用就是“談天機器人”（Chatbot）了，它是一種如真人般，可透過文字音訊與人對話的程序。2016年，臉書推出了“Facebook Messenger Platform”，而Line也推出了“Messaging API”，因此促進這種搭載NLP技術的談天機器人成為注視的焦點。
其他，由IBM所開發的華生（IBM Watson），也是運用NLP的人工智能而成。華生可以從維基百科等語料庫中抽取知識，學習詞匯與詞匯之間的相關性。現在，就連軟件銀行（SoftBank）機器人Pepper也是搭載華生系統。
只不過，由于在日常對話中，我們很常省掉詞句，也不用定會提及時空布景，因此當時的Chatbot尚無法與人類進行不著邊際的對話。所以說，現行大都的Chatbot廠商，仍是會約束對話的環境與運用范疇。
