和人工智能有關(guān)的論文(2)
人工智能有關(guān)的論文篇二
人工智能步入壯年期
若干年來(lái)，人工智能一直面臨著應(yīng)用范圍有限的尷尬。但是隨著研究的深入和技術(shù)的不斷成熟，人工智能將越來(lái)越切實(shí)可行。
Stair是一臺(tái)樣子古怪的設(shè)備，像一個(gè)架在輪椅上的花架，但是實(shí)際上它是一部人工智能機(jī)器人。
坐在會(huì)議室桌旁邊的工作人員對(duì)Stair說(shuō): “Stair，請(qǐng)從實(shí)驗(yàn)室拿來(lái)訂書(shū)機(jī)。”站在旁邊的Stair回復(fù)道: “我會(huì)為您去拿訂書(shū)機(jī)。”如果仔細(xì)分辨，Stair說(shuō)話時(shí)，還帶著一種鼻音。
Stair迅速啟動(dòng)――它靠?jī)蓚€(gè)輪子行進(jìn)，在實(shí)驗(yàn)室內(nèi)自由穿行，一路上自如地避開(kāi)各種障礙物。它的“眼睛”是一部立體照相機(jī)，這對(duì)“大眼睛”不斷靈活地來(lái)回轉(zhuǎn)動(dòng)，拍下房間里面的內(nèi)容，以確定行進(jìn)的路徑以及判斷哪些是障礙物。
Stair穿過(guò)零亂的實(shí)驗(yàn)室后，來(lái)到一張桌子前，似乎考慮了一下后，仔細(xì)打量了桌子上的長(zhǎng)方形金屬物體――訂書(shū)機(jī)。然后它伸出關(guān)節(jié)臂，轉(zhuǎn)來(lái)轉(zhuǎn)去，用外面裹以橡膠的長(zhǎng)長(zhǎng)手指緩緩地夾起了訂書(shū)機(jī)，然后原路返回會(huì)議室。Stair將訂書(shū)機(jī)交給工作人員說(shuō): “給您訂書(shū)機(jī)。祝您今天過(guò)得愉快。”
以上的場(chǎng)景并不是出現(xiàn)在科幻電影或書(shū)籍中，而是在現(xiàn)實(shí)生活中活生生地存在著。
如今，人工智能領(lǐng)域研究人員的心情越來(lái)越好，他們所研究的成果在不斷地取得突破。盡管Stair的表現(xiàn)與替主人撿報(bào)紙的小狗相比似乎強(qiáng)不了多少，但這在幾年前還是不敢想象的。
Stair代表了新一代的人工智能，集成了學(xué)習(xí)、視覺(jué)、導(dǎo)航、操縱、規(guī)劃、推理、語(yǔ)音和自然語(yǔ)言處理等多項(xiàng)技術(shù)。它還標(biāo)志著人工智能從細(xì)分的狹小領(lǐng)域，進(jìn)入到系統(tǒng)能夠?qū)W會(huì)處理復(fù)雜數(shù)據(jù)、適應(yīng)不確定情況的現(xiàn)實(shí)世界。
咸魚(yú)翻身
人工智能在自身發(fā)展中，經(jīng)歷了不少磨礪。技術(shù)先在幕后隱藏了幾年，經(jīng)過(guò)一輪輪炒作后，突然閃亮登場(chǎng)。隨后要是技術(shù)沒(méi)有兌現(xiàn)不切實(shí)際的承諾，就名譽(yù)掃地。取得了顯著成就后，終于被人們所接受。
人工智能起源于上世紀(jì)50年代末期，后來(lái)在80年代憑借“專家系統(tǒng)”而備受矚目。專家系統(tǒng)先與真實(shí)世界的專家(比如國(guó)際象棋冠軍)“過(guò)招”，然后通過(guò)軟件把專家的一套邏輯規(guī)則編入到系統(tǒng)中。如果情況A發(fā)生，就做X，如果情況B發(fā)生，就做Y。微軟研究部門(mén)的人工智能研究人員Eric Horvitz表示: “盡管專家系統(tǒng)在處理下棋等特殊的任務(wù)時(shí)表現(xiàn)不俗，但它們實(shí)際上‘功能很弱’。”
Horvitz認(rèn)為，專家系統(tǒng)的作用主要是獲取大量的人類知識(shí)，然后設(shè)法把這些知識(shí)組合成具有人類推理本領(lǐng)的推理系統(tǒng)。但是它們無(wú)法“擴(kuò)展”，也就是說(shuō)無(wú)法適應(yīng)編程人員之前沒(méi)有明確預(yù)料到的情況。
如今，人工智能系統(tǒng)已經(jīng)發(fā)展到可以在“非常龐大而復(fù)雜的世界”執(zhí)行有用的工作。Horvitz說(shuō): “因?yàn)檫@些小小的軟件代理無(wú)法完整地表現(xiàn)這個(gè)世界，它們對(duì)自己該執(zhí)行什么樣的動(dòng)作并不確定。于是，它們學(xué)習(xí)了解各種事情出現(xiàn)的概率，它們學(xué)習(xí)用戶偏好，它們變得有了自我意識(shí)。”
這些功能來(lái)自于所謂的機(jī)器學(xué)習(xí)，這項(xiàng)技術(shù)是許多現(xiàn)代人工智能應(yīng)用的核心。實(shí)質(zhì)上，編程人員最初為自己要解決的某個(gè)問(wèn)題建立一個(gè)簡(jiǎn)陋模型，然后添加讓軟件能夠通過(guò)經(jīng)驗(yàn)不斷適應(yīng)、完善的功能。以語(yǔ)音識(shí)別軟件為例，這一類軟件日臻完善，已經(jīng)能學(xué)會(huì)察覺(jué)人的聲音的細(xì)微變化。比方客戶在網(wǎng)上購(gòu)物時(shí)，通過(guò)聲音輸入，一些網(wǎng)站就能夠更準(zhǔn)確地預(yù)測(cè)客戶的購(gòu)物偏好。
數(shù)據(jù)是關(guān)鍵
機(jī)器學(xué)習(xí)當(dāng)然離不開(kāi)靈巧的算法，但是近些年來(lái)促使機(jī)器學(xué)習(xí)備受矚目的背后原因是，現(xiàn)實(shí)生活中存在大量數(shù)據(jù)可供分析使用，這些數(shù)據(jù)來(lái)自互聯(lián)網(wǎng)以及數(shù)量激增的物理傳感器。Carlos Guestrin是卡內(nèi)基•梅隆大學(xué)的計(jì)算機(jī)學(xué)和機(jī)器學(xué)習(xí)助理教授，他專注于傳感器、機(jī)器學(xué)習(xí)和優(yōu)化等技術(shù)。
Guestrin說(shuō): “南加州大學(xué)和加州大學(xué)洛杉磯分校的科學(xué)家們把傳感器裝在機(jī)器人船上，以便檢測(cè)及分析大片水域的破壞性赤潮。人工智能通過(guò)算法學(xué)會(huì)預(yù)測(cè)水藻的地點(diǎn)和成長(zhǎng)情況。相似的是，卡內(nèi)基•梅隆大學(xué)的研究人員把傳感器裝在地方供水系統(tǒng)中，以便檢測(cè)及預(yù)測(cè)污染物的擴(kuò)散。在這兩種情況下，機(jī)器學(xué)習(xí)都逐漸提高了預(yù)測(cè)的準(zhǔn)確性，而優(yōu)化算法知道把成本高昂的傳感器放在哪個(gè)地方最適合。”
Guestrin還在開(kāi)發(fā)另外一種系統(tǒng)，它可以搜索數(shù)量眾多的博客，根據(jù)某個(gè)用戶的瀏覽記錄和偏好，找出該用戶有興趣閱讀的博客。他表示，這項(xiàng)任務(wù)聽(tīng)上去與通過(guò)傳感器預(yù)測(cè)污染物擴(kuò)散的任務(wù)完全不同，其實(shí)背后是一樣的原理。
“污染物通過(guò)供水系統(tǒng)來(lái)擴(kuò)散，基本上就像新聞故事通過(guò)互聯(lián)網(wǎng)來(lái)傳播。我們能夠使用同一種建模思想和算法來(lái)解決這兩個(gè)問(wèn)題。”
Guestrin還認(rèn)為，像博客過(guò)濾器這些具有人工智能功能的工具，其重要意義不僅僅局限于能夠每天節(jié)省幾分鐘時(shí)間。“我們根據(jù)非常有限的信息做出生活當(dāng)中的決定，比如我們選舉誰(shuí)、我們覺(jué)得哪些問(wèn)題重要。但是人們往往沒(méi)有做出某種明智決定所需要的那種分析能力，尤其是信息量增加后，我們做出明智決定的能力實(shí)際上反而減弱了，而機(jī)器學(xué)習(xí)和人工智能恰恰可以助我們一臂之力。”
微軟研究部門(mén)在道路交通預(yù)測(cè)模型中結(jié)合了傳感器、機(jī)器學(xué)習(xí)以及對(duì)人類行為的分析。對(duì)傳感器和計(jì)算機(jī)預(yù)測(cè)而言，預(yù)測(cè)交通瓶頸似乎是一種不是很困難的應(yīng)用。以美國(guó)某些圍繞大城市的州際公路為例，往往在星期一下午5點(diǎn)出現(xiàn)交通堵塞。司機(jī)這時(shí)可能想知道，什么地方、什么時(shí)候出現(xiàn)了交通堵塞的情況，或其他意外情況。另外更重要的是，司機(jī)希望堵車(chē)之前就知道這種情況會(huì)在什么地方出現(xiàn)。于是，微軟研究部門(mén)建立了一個(gè)“意外情況預(yù)測(cè)”模型，通過(guò)以往的交通情況，結(jié)合傳感器捕獲的實(shí)際交通流量，學(xué)會(huì)預(yù)測(cè)30分鐘后的意外情況。在測(cè)試時(shí)，該模型能夠預(yù)測(cè)西雅圖地區(qū)道路上大約50%的意外情況?，F(xiàn)在該模型已經(jīng)投入使用、服務(wù)于幾千名司機(jī)，他們可在Windows Mobile設(shè)備上收到預(yù)警信息。
很少有幾家組織需要像搜索引擎公司那樣需要弄清楚大量數(shù)據(jù)的意思。比方說(shuō)，要是某個(gè)用戶使用谷歌搜索引擎搜索“玩具車(chē)”，然后點(diǎn)擊出現(xiàn)在搜索結(jié)果頂部的沃爾瑪廣告，這能為沃爾瑪創(chuàng)造多少價(jià)值呢?谷歌應(yīng)當(dāng)為這次點(diǎn)擊收取多少費(fèi)用呢?答案就在于人工智能采用的“數(shù)字交易代理”(digital trading agents)這項(xiàng)特長(zhǎng)，沃爾瑪和谷歌等公司在網(wǎng)上自動(dòng)拍賣(mài)中運(yùn)用了這項(xiàng)技術(shù)。
密歇根大學(xué)教授兼搜索市場(chǎng)專家Michael Wellman解釋: “關(guān)鍵字多達(dá)數(shù)百萬(wàn)，一個(gè)廣告客戶可能只對(duì)其中的數(shù)百個(gè)或數(shù)千個(gè)有興趣。他們必須關(guān)注關(guān)鍵字的價(jià)格，然后決定如何分配廣告預(yù)算。谷歌或雅虎要弄清楚某個(gè)關(guān)鍵字的價(jià)值多少太難了，他們就讓市場(chǎng)通過(guò)拍賣(mài)過(guò)程自行決定價(jià)值。”
“玩具車(chē)”查詢提交上去后，谷歌會(huì)在極短的時(shí)間內(nèi)查詢哪些廣告客戶對(duì)這些關(guān)鍵字感興趣，然后查看他們的競(jìng)價(jià)，決定顯示誰(shuí)的廣告、把廣告投放在頁(yè)面上哪個(gè)部分。Wellman說(shuō): “我特別感興趣的問(wèn)題是，廣告客戶應(yīng)當(dāng)如何確定競(jìng)購(gòu)哪些關(guān)鍵字、出多少競(jìng)價(jià)、如何根據(jù)廣告實(shí)際效果不斷學(xué)習(xí)調(diào)整，以及有多少競(jìng)爭(zhēng)對(duì)手在競(jìng)購(gòu)某個(gè)關(guān)鍵字。”
Wellman表示，目前已知最出色的模型采用了面對(duì)不確定情況來(lái)預(yù)測(cè)價(jià)格的機(jī)制。顯然，任何一方都別指望通過(guò)每筆交易來(lái)優(yōu)化財(cái)務(wù)效益，但是他們可以將機(jī)器學(xué)習(xí)運(yùn)用到實(shí)時(shí)報(bào)價(jià)和競(jìng)標(biāo)上，從而不斷提高效益。
研究大腦機(jī)理
有人可能以為人工智能是從研究人類大腦工作機(jī)理入手的。但人工智能方面的進(jìn)步大多來(lái)自計(jì)算機(jī)科學(xué)，而不是來(lái)自生物或認(rèn)知科學(xué)。
這些領(lǐng)域有時(shí)有著共通的思想，但它們之間的合作充其量也只是一種“松散耦合”的關(guān)系，卡內(nèi)基•梅隆大學(xué)機(jī)器學(xué)習(xí)系主任Tom Mitchell說(shuō)。“過(guò)去人工智能方面的大部分進(jìn)步來(lái)自良好的工程學(xué)思想，而不是因?yàn)槲覀冇^察了大腦的工作機(jī)理，然后進(jìn)行模仿。”
但是，現(xiàn)在這種情況在發(fā)生變化。“突然，我們有辦法來(lái)觀察大腦到底在做什么，借助諸如功能性磁共振成像的腦部成像方法。這種方法可以觀察人在思考時(shí)大腦的實(shí)際活動(dòng)。”Michael說(shuō)。
他表示，認(rèn)知科學(xué)和計(jì)算機(jī)科學(xué)如今能夠?qū)崿F(xiàn)以前不可能實(shí)現(xiàn)的思想共通。比方說(shuō)，如果機(jī)器人做對(duì)了事，某些人工智能算法會(huì)向機(jī)器人發(fā)出小小的獎(jiǎng)勵(lì)信號(hào); 要是做錯(cuò)了事，就會(huì)發(fā)出懲罰信號(hào)。隨著時(shí)間的推移，這會(huì)形成累積效應(yīng)，機(jī)器人就會(huì)學(xué)習(xí)、完善。
Mitchell表示，研究人員通過(guò)功能性磁共振成像方法發(fā)現(xiàn)，大腦的一些部位其實(shí)際活動(dòng)與這種“強(qiáng)化學(xué)習(xí)”算法預(yù)測(cè)的如出一轍。他說(shuō): “人工智能實(shí)際上有助于我們開(kāi)發(fā)了解我們大腦中實(shí)際活動(dòng)的模型。”
Mitchell及其同事一直在研究腦部成像方法所揭示的大腦神經(jīng)活動(dòng)，以解讀大腦在如何呈現(xiàn)知識(shí)。為了訓(xùn)練自己的計(jì)算機(jī)模型，他們?yōu)閷?shí)驗(yàn)對(duì)象出示了60個(gè)名詞，比如電話、房子、番茄和胳膊， 然后觀察大腦在看到每個(gè)名詞后出現(xiàn)的圖像。隨后，他們使用谷歌收錄了一萬(wàn)億個(gè)單詞的文本數(shù)據(jù)庫(kù)，確定了往往伴隨60個(gè)基本單詞出現(xiàn)的幾個(gè)動(dòng)詞，比如伴隨電話的鈴響，然后根據(jù)兩者都出現(xiàn)的頻率，為這些單詞賦予權(quán)重。
隨之形成的模型就能準(zhǔn)確預(yù)測(cè)之前從未見(jiàn)過(guò)相應(yīng)圖像的某個(gè)單詞會(huì)引起大腦出現(xiàn)什么樣的圖像。簡(jiǎn)單地說(shuō)，這種模型就會(huì)預(yù)測(cè)，名詞“飛機(jī)”帶來(lái)的大腦圖像更像是名詞“火車(chē)”帶來(lái)的大腦圖像，而不像名詞“番茄”帶來(lái)的大腦圖像。
Mitchell說(shuō): “我們過(guò)去感興趣的是大腦如何呈現(xiàn)想法，而這個(gè)試驗(yàn)有望揭示對(duì)人工智能來(lái)說(shuō)很棘手的一個(gè)問(wèn)題。怎樣才能準(zhǔn)確、普遍地呈現(xiàn)知識(shí)?也許還有其他經(jīng)驗(yàn)可以汲取，大腦也很容易忘記知識(shí)。”
斯坦福大學(xué)計(jì)算機(jī)學(xué)助理教授Andrew Ng領(lǐng)導(dǎo)了多才多藝的Stair的研發(fā)工作。他表示，這個(gè)機(jī)器人證明了人工智能識(shí)方面許多之前彼此獨(dú)立的領(lǐng)域現(xiàn)在足夠成熟，可以融為一體，“實(shí)現(xiàn)人工智能的遠(yuǎn)大夢(mèng)想”。
那么這個(gè)夢(mèng)想到底是什么呢?Ng說(shuō): “早先的著名預(yù)言稱，在比較短的時(shí)間內(nèi)，計(jì)算機(jī)的智能化程度會(huì)與人類一樣高。我們依舊希望，在將來(lái)的某個(gè)時(shí)間，計(jì)算機(jī)的智能化程度會(huì)與我們一樣高。但這個(gè)問(wèn)題不是十年后有望解決的，可能一百年過(guò)后才有望解決。”
鏈 接
人工智能
在華爾街的應(yīng)用
引起當(dāng)前這場(chǎng)金融危機(jī)的反面人物當(dāng)中就有華爾街的“數(shù)據(jù)分析員”，即為交易優(yōu)化和風(fēng)險(xiǎn)分析開(kāi)發(fā)人工智能模型的計(jì)算機(jī)科學(xué)家和數(shù)學(xué)家。但是密歇根大學(xué)的計(jì)算機(jī)學(xué)和工程學(xué)教授Michael Wellman表示，現(xiàn)在就下: “任何模型未能預(yù)防金融危機(jī)或者甚至導(dǎo)致了金融危機(jī)”這個(gè)定論，還為時(shí)過(guò)早。
專門(mén)研究人工智能在市場(chǎng)應(yīng)用的Wellman說(shuō): “我認(rèn)為，交易和風(fēng)險(xiǎn)分析的自動(dòng)化是從一個(gè)方面來(lái)解決問(wèn)題，而不是從一個(gè)方面來(lái)引起問(wèn)題。比方說(shuō)，一大問(wèn)題是缺乏透明度――許多公司甚至不知道自己擁有的資產(chǎn)。要是投資合同更容易被機(jī)器讀懂、更容易分析，公司就可以更全面地分析風(fēng)險(xiǎn)、更充分地了解自己所處的狀況。”
看了“人工智能有關(guān)的論文”的人還看了：