浅谈对基于机器学习人工智能理解.docVIP

浅谈对基于机器学习人工智能理解 　　【摘 要】人工智能学科自1956年诞生以来，便长期处于计算机学科的前沿地位。但由于标准的、规范的定义的缺失，以及部分影视作品的影响，使得大众对人工智能的理解是片面的，错误的。笔者认为当代人工智能的发展的一个重要分支是基于机器学习与深度学习的弱人工智能，即使机器在完成任务时，更“聪明”一些。 　　【Abstract】Since the birth of artificial intelligence discipline in 1956， it has been in the forefront of computer science for a long time. However， due to the lack of standard and normative definitions and the influence of some films and TV works， the public understanding of artificial intelligence is one-sided and wrong. The author believes that an important branch of the development of modern artificial intelligence is the weak artificial intelligence based on machine learning and depth learning， which makes machines accomplish their missions more “wisely”. 　　【关键词】人工智能；图灵测试 ；机器学习；大数据 ；数据挖掘 　　【Keywords】artificial intelligence； turing test； machine learning； big data； data mining 　　【中图分类号】TP181 【文献标志码】A 【文章编号】1673-1069（2017）07-0192-03 　　1 引言 　　人工智能（Artificial Intelligence）是目前引?I计算机行业发展的重要力量之一，图灵奖更是于2010年与2011年，连续两年度均授予了为人工智能做出突出贡献的科学家莱斯利?瓦伦特和朱迪亚?珀尔。然而就是这样一个计算机科学领域的重要分支，自学科诞生以来便没有一个明确的定义。 　　人工智能学科一路走来历经了三个重要的阶段：推理期、知识期以及当前流行的学习期。 　　首当其冲的便是推理期。很长一段时间，我们把逻辑推理能力作为人工智能的重要衡量标准。在这一时期，最有代表性的成就便是艾伦?纽厄尔和赫伯特?西蒙开发的自动定理证明系统，后来这两位也因为这个贡献加冕了1975年的图灵奖。 　　第二个时期便是知识期。人们很快发现，仅有逻辑推理能力是远远不够的，还需要辅以大量的知识储备。于是专家系统应运而生。图1为一般专家系统的结构框架。 　　为专家系统做出突出贡献的爱德华?费根鲍姆荣获1994年的图灵奖。时至今日，专家系统依然是绝大多数服务类软件的基础架构。 　　第三阶段也便是我们所熟知的当前空前繁荣的机器学习时期。专家系统问世后不久人们便发现，如何建模将知识传递给专家系统成为了最大的难题[1]。学习无疑是获取知识的最有效途径，因此机器学习的概念便应运而生。 　　机器学习这一概念自诞生以来便受到各行业人士的追捧。一篇发表于《Computer World》中的文章详尽的解析了雇主们无法拒绝的12项计算机相关技能时，机器学习力压群雄夺得榜首。 　　随着大数据时代的到来，所需处理的数据规模也越来越大，机器学习也逐步渗透到了人们生活工作的方方面面。图2为大规模机器学习流程的构建与部署。2人工智能与图灵测试 　　2.1 人工智能的定义 　　人工智能（Artificial Intelligence）自学科诞生以来便没有一个明确的定义，纵观整个自然科学的发展史也是鲜有出现的。 　　IQ测试是评价一个人智力水平的重要指标之一；但所有智商测试的题目计算机均可以回答的近乎完美，然而我们并不认为计算机具有了智能。记忆力同样是衡量一个人智力水准的因素之一；计算机的存储能力远超目前人类记忆的极限，我们却也难说计算机具有了智能。数学水平与计算能力一度等同于“智商”二字，而计算机的计算能力人类始终难以望其项背，我们也从未以此来说明计算机具有了智能。究竟什么是人工智能？究竟什么是智能？1969年图灵奖得主马文?明斯基定义为：“什么事情是智能的，通过机器来做就是人工智能。”这一定义并没有得到计算机人的广泛认可[2]。随后