人工智能现状与未来教案资料.pptxVIP

;;人工智能将引领人类第四次工业革命 – 智能化;;;;;人工智能相关技术刚刚越过曲线高峰（处于狂热期），是推动透明化身临其境体验技术发展的主要动力 涉及透明化身临其境体验的人本技术（如智能工作空间、互联家庭、增强现实、虚拟现实、脑机接口）是拉动另外两大趋势的前沿技术 数字平台在曲线上处于快速上升期，其中的量子计算和区块链将在今后5—10年带来变革性的影响;;;为什么人类能成为地球的主宰？;AI学科结构;;人工智能产业生态的三层基本架构;人工智能系统的技术架构;;;;机器学习实施过程;特征提取;;第一个模型是一个线性模型，低度拟合，不能很好地适应训练集；第三个模型是一个四次方的模型，过度拟合，虽然能非常好地适应我们的训练集，但在新输入变量进行预测时可能会效果不好；中间的模型似乎最合适;当感知器用于两类模式的分类时，相当于在高维样本空间中，用一个超平面将两类样本分开 神经网络的学习过程就是神经网络参数的设定过程 一个神经元网络结构确定之后，需要对一系列参数（权重、阈值等）进行有效的设定。这个过程叫做学习或训练过程，此时的方法叫学习算法;监督学习;深度学习的神经网络训练方法;局部感受 - 卷积;池化;LeNet-5;深度学习的训练方法;深度学习的成功应用;;知识图谱(Knowledge Graph);知识图谱构建;基于人工规则的语义理解;知识图谱的成功应用：现代搜索引擎;面向知识图谱的Sogou搜索技术;;语义理解 ;通用知识图谱 + 行业知识图谱;;;;;传统围棋AI算法 — MCTS （蒙特卡洛树搜索）;展开深度为4的博弈树 ;围棋落子蒙特卡洛数学模型及评估;传统围棋AI算法 — 数学模型 MCTS （蒙特卡洛树搜索）;;;Policy Network策略网络：落子棋感;PolicyNetwork—输入特征;左右互博，自我进化;Fast-Rollout 快速走子;Value Network：胜负棋感;Value Network 模型; MCTS在对局中实时搜索 Step 1：基于策略网络落子，可能性大的落子拓展节点 Step 2：对未来走势进行评估，同时使用估值网络和快速走子，综合两者预测未来走法 Step 3：评估结果作为下一步走法的Q值。重新模拟。 Step 4：结合下一步走法的Q值和策略网络进行再一次模拟。如果出现同样走法，Q值起平均。新分数= 调整后的初始分+ 0.5 * 通过模拟（策略网络+快速走棋)得到的赢棋概率 + 0.5 * 估值网络的局面评估分 Step 5：反复循环直到n次，或者timeout，选择被选择次数最多的走法作为下一步;;AlphaGo Zero;AlphaGo Zero解析;智能围棋与蒙特卡洛树搜索;智能围棋与神经网络;直觉：不经过思考过程，很快就能出现的直接想法、感觉、信念或者偏好（这个非常重要，其强大的力量。如：落子的直觉，胜负的直觉、棋盘的直觉、棋形的直觉） 通过深度神经网络和大数据的训练而获得 ;;;一只乌鸦的启示;Q2：AI+ 还是 +AI？;应用场景相对闭可控;新特征1：深度学习+自我博弈进化技术;DeepMind算法减少了40%用于冷却 的电量，即整体用电量效率提升15%; 《Science》2016年1月1日发表 “群智之力量（The Power of Crowds,Vol.351,issues 6268）”的论文认为：结合群体智慧与机器性能来解决快速增长难题。 其将群智计算按难易程度分为三种类型：实现任务分配的 众包模式（Crowdsourcing）、较复杂支持工作流模式的群（Complex workflows）以及最复杂的协同求解问题的生态系统模式（Problem solving ecosystem ）.; 大规模个体通过互联网构架的参与， 可以表现出超乎寻常的智慧能力，是解决开放复杂问题的新途径; 各种穿戴设备、人—车共驾、脑控或肌控外骨骼机器人、人机协同手术等实现生物智能系统与机器智能系统的紧密耦合。;;新特征5：无人系统迅速发展;;我们正在进入AI3.0时代;浅层次动因：需求、环境和技术;P;从AI落后人类的原因看大知识（智能大数据）面临的挑战;; 空间变化带来了认知的新门类、新通道、新计算;知识表达 ;知识表达面临的挑战;大知识的关键：新知识生成;;认知计算;认知计算系统;知识图谱+搜索 ;从查询到结果证明（IBM Watson）;;语音识别;挑战1：如何创造出智能新产品？;挑战2：如何成功创造出新的智能应用系统？;挑战3：如何让社会智力增加智能？;