"人工智能新发展思路:符号主义、联结主义、行为主义"

0 下载量 111 浏览量 更新于2024-01-31 收藏 1.51MB PPTX 举报
对人工智能发展新方向的思考 在《对人工智能发展新方向的思考》的PPT中,作者对人工智能在发展观上存在的不足和在研究领域的不恰当做法进行了分析,并指出了人工智能目前存在的发展瓶颈。在文章的最后,作者提出了一种解决人工智能发展困境的新思路。 在研究领域的发展观方面,作者指出了符号主义、联结主义和行为主义这三种主要发展观。符号主义主张基于逻辑的知识表示和推理技术,认为符号是人类的认识基元,也是人认识的过程。而联结主义则认为人类智能是由人脑的生理结构和工作模式决定的,其认为人的认识基元是人脑的神经元。最后,还有行为主义,该学派认为只有通过观察人类行为才能了解智能。这三种发展观都是人工智能学科发展的理论基础,但同时它们也存在局限性和不足之处。 针对人工智能的发展瓶颈,作者在PPT中指出了一些问题。首先是算法的限制,目前的人工智能算法还不够灵活,无法应对复杂的情况和多变的环境。其次是数据的稀缺性,对于深度学习等需要大量数据的算法来说,缺乏足够的数据将限制其发展。另外,人工智能的应用也面临技术可行性、法律和道德问题等种种困境。 为了解决这些发展困境,作者提出了一种新的思路。首先,应该加强基础研究,探索新的算法和方法,提高人工智能的智能水平和适应性。其次,需要建立更加完善的数据基础,促进数据共享和利用,以推动人工智能的发展。同时,还应该加强跨学科合作,整合各个领域的专业知识和资源,解决人工智能发展中的技术、法律和道德等问题。最后,要注重人工智能的社会应用,关注其对经济、社会和环境等方面的影响,促进人工智能和人类社会的良性互动。 总结来说,《对人工智能发展新方向的思考》的PPT深入分析了人工智能在发展观上的不足和在研究领域的不恰当做法,并指出了人工智能存在的发展瓶颈。最后,作者提出了一种解决人工智能发展困境的新思路,包括加强基础研究、建立完善的数据基础、加强跨学科合作和注重人工智能的社会应用等。这些思考对于推动人工智能的发展具有一定的指导意义,也为人工智能的未来发展提供了新的方向。
2023-06-02 上传
人工智能的发展趋势 人工智能的发展趋势全文共33页,当前为第1页。 主要 内容 1 2 3 4 第一部分 总论 第二部分 发展阶段 第四部分 发展争议 第三部分 发展成果 人工智能的发展趋势全文共33页,当前为第2页。 1 ONE 第一部分 总论 人工智能的发展趋势全文共33页,当前为第3页。 人工智能可以用来干什么? 人工智能的定义是什么? 人工智能的由来是什么? 第一部分 总论 简史 定义 应用领域 人工智能的发展趋势全文共33页,当前为第4页。 简史 人工智能(Artificial Intelligence)的由来? 人工智能的传说可以追溯到古埃及,但随着1941年以来电子计算机的发展,技术已最终可以创造出机器智能,"人工智能"一词最初是在1956年Dartmouth学会上提出的,从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展,在它还不长的历史中,人工智能的发展比预想的要慢,但一直在前进,从40年前出现至今,已经出现了许多AI程序,并且它们也影响到了其它 技术的发展。 人工智能的发展趋势全文共33页,当前为第5页。 人工智能的定义 人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的"容器"。 人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。 人工智能的发展趋势全文共33页,当前为第6页。 自然语言处理 图像处理 数据挖掘 人工智能的应用领域 人工智能主要应用在哪? 未来五年我国人工智能的发展大势所趋 人工智能的发展趋势全文共33页,当前为第7页。 2 TWO 第二部分 发展阶段 人工智能的发展趋势全文共33页,当前为第8页。 第一阶段 计算阶段 人工智能的发展趋势全文共33页,当前为第9页。 什么是计算? 计算是将各种运算方法与数据结合并得出结论的行为。这种行为存在于社会生活的方方面面。 人工智能的发展趋势全文共33页,当前为第10页。 智能机器人的计算 借助自然界(生物界)规律的启示,根据其规律,设计出求解问题的算法。物理学、化学、数学、生物学、心理学、生理学、神经科学和计算机科学等学科的现象与规律都可能成为计算智能算法的基础和思想来源。 人工智能的发展趋势全文共33页,当前为第11页。 计算智能阶段智能产品特点 "能存会算" ——快速计算与存储 人工智能的发展趋势全文共33页,当前为第12页。 第二阶段 感知智能阶段 人工智能的发展趋势全文共33页,当前为第13页。 什么是感知? 感知就是具有能够感觉内部、外部的状态和变化,理解这些变化的某种内在含义的能力。 人工智能的发展趋势全文共33页,当前为第14页。 智能机器人的感知 一个鲜活的生命可以通过ta的各种感觉器官和中枢神经系统来感受、理解外部和自己内部的变化。而一个智能机器人要感知这个世界,就必须具有一定的信息获取手段和信息处理方法。对于许多机器人来说,获取信息的手段就是通过多种不同功能的传感器来收集各种不同性质的信息。而对于信息的理解则是通过对传感器信息的处理来获得的。 人工智能的发展趋势全文共33页,当前为第15页。 感知智能阶段智能产品特点 "能听会说,能看会写"--------------语音识别、手写识别、图像识别 人工智能的发展趋势全文共33页,当前为第16页。 第三阶段 认知阶段 人工智能的发展趋势全文共33页,当前为第17页。 什么是认知? 认知是指对客观事物的特征及事物间联系的反映,其对象是有关问题、资料等具体的信息,其过程是对这些信息进行的编码、储存、提取、应用等具体操作 人工智能的发展趋势全文共33页,当前为第18页。 智能机器人的认知 机器人的认知分为三个步骤: 1.获得数据 2.对数据进行加工整合得出结果 3.自我学习,自我完善 人工智能的发展趋势全文共33页,当前为第19页。 认知智能阶段智能产品特点 具有自主学习的能力,只需要给出基本的反射式行为,所有的高级认知能力都可以通过自主学习得到,不需重新编程。各模块之间互相依赖并且可以同时学习,具有实时的学习能力。 人工智能的发展趋势全文共33页,当前为第20页。 3 THREE 第三部分 发展成果 人工智能的发展趋势全文共33页,当前为第21页。 三 发展成果 发展成果 知识工程: 专家系统,智能搜索引擎等 模
2023-02-27 上传
关于人工智能发展的思考全文共9页,当前为第1页。关于人工智能发展的思考全文共9页,当前为第1页。关于人工智能发展的思考 关于人工智能发展的思考全文共9页,当前为第1页。 关于人工智能发展的思考全文共9页,当前为第1页。 关于人工智能发展的思考关键词:计算机人工智能深度模型摘要:近年来,计算机发展的速度飞快,它已经不仅仅是一块冰冷的电路板,他有着自己的思维,自我的运算能力,现在的我们更喜欢称之为人工智能。 机器学习如今大获成功的原因有哪些?如何才能取得进一步的突破?南京大学周志华教授在AIWORLD2018大会上分享他关于机器学习的一点思考:我们需要设计新的、神经网络以外的深度模型; 让智能体在弱监督条件下也能够学习,以及考虑开放动态任务环境下的学习。 南京大学计算机系主任、人工智能学院院长周志华分享了他《关于机器学习的一点思考》。周志华教授表示,当前机器学习成功的背后,实际上离不开三点:1)有效的深度模型,现阶段基本上就是深度神经网络; 2)存在强监督信息,也即数据都要有标注,而且越精准越好; 3)学习的环境较为稳定。因此,如果未来机器学习要取得进一步突破,就必须:1)设计新的、多样化的深度模型; 关于人工智能发展的思考全文共9页,当前为第2页。关于人工智能发展的思考全文共9页,当前为第2页。 2)让智能体能够在弱监督条件下学习; 3)考虑开放动态任务环境下的学习。 周志华教授说,机器学习界早就很清楚,"没有免费的午餐",也即任何一个模型可能只适用于一部分的任务,而另外一些任务是不适用的。例如,Kaggle竞赛中有各种各样的任务,但在图像、视频、语音之外的很多任务上,比如订机票、订旅馆之类,还是传统机器学习技术(如随机森林或XGBoost)表现更好,尤其是涉及符号建模、离散建模、混合建模等问题。 周志华教授着重介绍了他带领团队提出的"深度森林",这是一种以决策树为基础构建的深度模型。深度森林在超大型互联网金融企业的非法套现检测任务中,近2亿的真实交易数据实测上,性能超越了包括深度神经网络在内的其他模型。这也验证了周志华教授及其团队的猜想——在很多其他任务上,非神经网络的深度模型能找到用武之地。不过,周志华教授也表示,任何一个理论的提出,都需要经过长时间的发展与完善。深度森林目前尚处于初级阶段,好比打开了"深度学习"这间小黑屋的一扇门,还有更多需要去探索。 根据周志华教授给出的猜想和理论,再综合个人的一些了解和查询的资料,我做出了如下的总结与思考。 首先是深度模型。现在深度学习在图像、视频、语音这些关于人工智能发展的思考全文共9页,当前为第3页。关于人工智能发展的思考全文共9页,当前为第3页。数字信号建模任务当中取得了巨大的成功。如果我们问一问大家,"深度学习"是什么?我想从绝大多数人那里得到的答案都会是:深度学习就是深度神经网络,甚至认为"深度学习"就是"深度神经网络"的同义词,谈到深度学习就要从深度神经网络或者从神经网络谈起。 事实上,神经网络并不是新事物,我们已经研究了半个多世纪,只不过以前我们通常研究的是有一个隐层或两个隐层这种比较浅的神经网络,其中每个计算单元都是非常简单的模型。早在1943年,我们就已经把它抽象成了这样一个非常简单的数学公式,就是从外界收到输入X,经过W放大,总的输入如果要比θ高,我们就会用激活函数处理进行输出。这样的模型到今天依然在沿用。 深度神经网络带来的最大区别是什么呢?虽然有各种各样的模型,各种各样的算法,但是最根本的差别就是现在我们用了很多很多层。深度神经网络最著名、最早的成功来自2012年,在计算机视觉领域最著名的ImageNet比赛上获胜。当时这个获胜的模型用了8层,2015年获胜的模型用了152层,2016年就用到了1207层,今天几千层的模型比比皆是。 实际上,这样的模型当中有大量参数需要计算,所以需要非常复杂、非常庞大的计算系统。虽然现在我们有了很强的计算设备和很巧妙的算法,但是我们能够做到这一切,根本的原关于人工智能发展的思考全文共9页,当前为第4页。关于人工智能发展的思考全文共9页,当前为第4页。因之一是神经网络中基本计算单元激活函数是连续可微的。原来浅层神经网络用的是左边的函数,也是连续可微的,深度学习的年代我们通常会用右边这样的函数或变体。 不管怎么样,可微性给我们带来了非常重要的结果,就是可以很容易地计算出梯度,基于梯度的调整就可以用著名的BP算法来训练整个模型。 这一点非常重要,因为如果不是从事机器学习研究的朋友会觉得,神经网络半个世纪之前就有了,到了今天我们之所以能够做更深的神经网络,只不过是因为计算能力强,现在能够训练了。实际上不是这样的。 2006年之前,可以说我们都不知道怎么训练出5层以上的神经网络,根本原因是一旦层数高了以后,用BP算法梯度就会消失,然后就不