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，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，人工智能將越來越切實可行。
Stair是一臺樣子古怪的設(shè)備，像一個架在輪椅上的花架，但是實際上它是一部人工智能機器人。
坐在會議室桌旁邊的工作人員對Stair說: “Stair，請從實驗室拿來訂書機。”站在旁邊的Stair回復(fù)道: “我會為您去拿訂書機。”如果仔細分辨，Stair說話時，還帶著一種鼻音。
Stair迅速啟動――它靠兩個輪子行進，在實驗室內(nèi)自由穿行，一路上自如地避開各種障礙物。它的“眼睛”是一部立體照相機，這對“大眼睛”不斷靈活地來回轉(zhuǎn)動，拍下房間里面的內(nèi)容，以確定行進的路徑以及判斷哪些是障礙物。
Stair穿過零亂的實驗室后，來到一張桌子前，似乎考慮了一下后，仔細打量了桌子上的長方形金屬物體――訂書機。然后它伸出關(guān)節(jié)臂，轉(zhuǎn)來轉(zhuǎn)去，用外面裹以橡膠的長長手指緩緩地夾起了訂書機，然后原路返回會議室。Stair將訂書機交給工作人員說: “給您訂書機。祝您今天過得愉快。”
以上的場景并不是出現(xiàn)在科幻電影或書籍中，而是在現(xiàn)實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)與替主人撿報紙的小狗相比似乎強不了多少，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、視覺、導(dǎo)航、操縱、規(guī)劃、推理、語音和自然語言處理等多項技術(shù)。它還標志著人工智能從細分的狹小領(lǐng)域，進入到系統(tǒng)能夠?qū)W會處理復(fù)雜數(shù)據(jù)、適應(yīng)不確定情況的現(xiàn)實世界。
咸魚翻身
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)過一輪輪炒作后，突然閃亮登場。隨后要是技術(shù)沒有兌現(xiàn)不切實際的承諾，就名譽掃地。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50年代末期，后來在80年代憑借“專家系統(tǒng)”而備受矚目。專家系統(tǒng)先與真實世界的專家(比如國際象棋冠軍)“過招”，然后通過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)時表現(xiàn)不俗，但它們實際上‘功能很弱’。”
Horvitz認為，專家系統(tǒng)的作用主要是獲取大量的人類知識，然后設(shè)法把這些知識組合成具有人類推理本領(lǐng)的推理系統(tǒng)。但是它們無法“擴展”，也就是說無法適應(yīng)編程人員之前沒有明確預(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: “因為這些小小的軟件代理無法完整地表現(xiàn)這個世界，它們對自己該執(zhí)行什么樣的動作并不確定。于是，它們學(xué)習了解各種事情出現(xiàn)的概率，它們學(xué)習用戶偏好，它們變得有了自我意識。”
這些功能來自于所謂的機器學(xué)習，這項技術(shù)是許多現(xiàn)代人工智能應(yīng)用的核心。實質(zhì)上，編程人員最初為自己要解決的某個問題建立一個簡陋模型，然后添加讓軟件能夠通過經(jīng)驗不斷適應(yīng)、完善的功能。以語音識別軟件為例，這一類軟件日臻完善，已經(jīng)能學(xué)會察覺人的聲音的細微變化。比方客戶在網(wǎng)上購物時，通過聲音輸入，一些網(wǎng)站就能夠更準確地預(yù)測客戶的購物偏好。
數(shù)據(jù)是關(guān)鍵
機器學(xué)習當然離不開靈巧的算法，但是近些年來促使機器學(xué)習備受矚目的背后原因是，現(xiàn)實生活中存在大量數(shù)據(jù)可供分析使用，這些數(shù)據(jù)來自互聯(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)的計算機學(xué)和機器學(xué)習助理教授，他專注于傳感器、機器學(xué)習和優(yōu)化等技術(shù)。
Guestrin說: “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器人船上，以便檢測及分析大片水域的破壞性赤潮。人工智能通過算法學(xué)會預(yù)測水藻的地點和成長情況。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，以便檢測及預(yù)測污染物的擴散。在這兩種情況下，機器學(xué)習都逐漸提高了預(yù)測的準確性，而優(yōu)化算法知道把成本高昂的傳感器放在哪個地方最適合。”
Guestrin還在開發(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，這項任務(wù)聽上去與通過傳感器預(yù)測污染物擴散的任務(wù)完全不同，其實背后是一樣的原理。
“污染物通過供水系統(tǒng)來擴散，基本上就像新聞故事通過互聯(lián)網(wǎng)來傳播。我們能夠使用同一種建模思想和算法來解決這兩個問題。”
Guestrin還認為，像博客過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)省幾分鐘時間。“我們根據(jù)非常有限的信息做出生活當中的決定，比如我們選舉誰、我們覺得哪些問題重要。但是人們往往沒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際上反而減弱了，而機器學(xué)習和人工智能恰恰可以助我們一臂之力。”
微軟研究部門在道路交通預(yù)測模型中結(jié)合了傳感器、機器學(xué)習以及對人類行為的分析。對傳感器和計算機預(yù)測而言，預(yù)測交通瓶頸似乎是一種不是很困難的應(yīng)用。以美國某些圍繞大城市的州際公路為例，往往在星期一下午5點出現(xiàn)交通堵塞。司機這時可能想知道，什么地方、什么時候出現(xiàn)了交通堵塞的情況，或其他意外情況。另外更重要的是，司機希望堵車之前就知道這種情況會在什么地方出現(xiàn)。于是，微軟研究部門建立了一個“意外情況預(yù)測”模型，通過以往的交通情況，結(jié)合傳感器捕獲的實際交通流量，學(xué)會預(yù)測30分鐘后的意外情況。在測試時，該模型能夠預(yù)測西雅圖地區(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，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，要是某個用戶使用谷歌搜索引擎搜索“玩具車”，然后點擊出現(xiàn)在搜索結(jié)果頂部的沃爾瑪廣告，這能為沃爾瑪創(chuàng)造多少價值呢?谷歌應(yīng)當為這次點擊收取多少費用呢?答案就在于人工智能采用的“數(shù)字交易代理”(digital trading agents)這項特長，沃爾瑪和谷歌等公司在網(wǎng)上自動拍賣中運用了這項技術(shù)。
密歇根大學(xué)教授兼搜索市場專家Michael Wellman解釋: “關(guān)鍵字多達數(shù)百萬，一個廣告客戶可能只對其中的數(shù)百個或數(shù)千個有興趣。他們必須關(guān)注關(guān)鍵字的價格，然后決定如何分配廣告預(yù)算。谷歌或雅虎要弄清楚某個關(guān)鍵字的價值多少太難了，他們就讓市場通過拍賣過程自行決定價值。”
“玩具車”查詢提交上去后，谷歌會在極短的時間內(nèi)查詢哪些廣告客戶對這些關(guān)鍵字感興趣，然后查看他們的競價，決定顯示誰的廣告、把廣告投放在頁面上哪個部分。Wellman說: “我特別感興趣的問題是，廣告客戶應(yīng)當如何確定競購哪些關(guān)鍵字、出多少競價、如何根據(jù)廣告實際效果不斷學(xué)習調(diào)整，以及有多少競爭對手在競購某個關(guān)鍵字。”
Wellman表示，目前已知最出色的模型采用了面對不確定情況來預(yù)測價格的機制。顯然，任何一方都別指望通過每筆交易來優(yōu)化財務(wù)效益，但是他們可以將機器學(xué)習運用到實時報價和競標上，從而不斷提高效益。
研究大腦機理
有人可能以為人工智能是從研究人類大腦工作機理入手的。但人工智能方面的進步大多來自計算機科學(xué)，而不是來自生物或認知科學(xué)。
這些領(lǐng)域有時有著共通的思想，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)機器學(xué)習系主任Tom Mitchell說。“過去人工智能方面的大部分進步來自良好的工程學(xué)思想，而不是因為我們觀察了大腦的工作機理，然后進行模仿。”
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大腦的實際活動。”Michael說。
他表示，認知科學(xué)和計算機科學(xué)如今能夠?qū)崿F(xiàn)以前不可能實現(xiàn)的思想共通。比方說，如果機器人做對了事，某些人工智能算法會向機器人發(fā)出小小的獎勵信號; 要是做錯了事，就會發(fā)出懲罰信號。隨著時間的推移，這會形成累積效應(yīng)，機器人就會學(xué)習、完善。
Mitchell表示，研究人員通過功能性磁共振成像方法發(fā)現(xiàn)，大腦的一些部位其實際活動與這種“強化學(xué)習”算法預(yù)測的如出一轍。他說: “人工智能實際上有助于我們開發(fā)了解我們大腦中實際活動的模型。”
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，以解讀大腦在如何呈現(xiàn)知識。為了訓(xùn)練自己的計算機模型，他們?yōu)閷嶒瀸ο蟪鍪玖?0個名詞，比如電話、房子、番茄和胳膊， 然后觀察大腦在看到每個名詞后出現(xiàn)的圖像。隨后，他們使用谷歌收錄了一萬億個單詞的文本數(shù)據(jù)庫，確定了往往伴隨60個基本單詞出現(xiàn)的幾個動詞，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確預(yù)測之前從未見過相應(yīng)圖像的某個單詞會引起大腦出現(xiàn)什么樣的圖像。簡單地說，這種模型就會預(yù)測，名詞“飛機”帶來的大腦圖像更像是名詞“火車”帶來的大腦圖像，而不像名詞“番茄”帶來的大腦圖像。
Mitchell說: “我們過去感興趣的是大腦如何呈現(xiàn)想法，而這個試驗有望揭示對人工智能來說很棘手的一個問題。怎樣才能準確、普遍地呈現(xiàn)知識?也許還有其他經(jīng)驗可以汲取，大腦也很容易忘記知識。”
斯坦福大學(xué)計算機學(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，這個機器人證明了人工智能識方面許多之前彼此獨立的領(lǐng)域現(xiàn)在足夠成熟，可以融為一體，“實現(xiàn)人工智能的遠大夢想”。
那么這個夢想到底是什么呢?Ng說: “早先的著名預(yù)言稱，在比較短的時間內(nèi)，計算機的智能化程度會與人類一樣高。我們依舊希望，在將來的某個時間，計算機的智能化程度會與我們一樣高。但這個問題不是十年后有望解決的，可能一百年過后才有望解決。”
鏈 接
人工智能
在華爾街的應(yīng)用
引起當前這場金融危機的反面人物當中就有華爾街的“數(shù)據(jù)分析員”，即為交易優(yōu)化和風險分析開發(fā)人工智能模型的計算機科學(xué)家和數(shù)學(xué)家。但是密歇根大學(xué)的計算機學(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)防金融危機或者甚至導(dǎo)致了金融危機”這個定論，還為時過早。
專門研究人工智能在市場應(yīng)用的Wellman說: “我認為，交易和風險分析的自動化是從一個方面來解決問題，而不是從一個方面來引起問題。比方說，一大問題是缺乏透明度――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器讀懂、更容易分析，公司就可以更全面地分析風險、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：