人工智能技术的发展与应用

 0 引言

人工智能技术由来已久,随着“互联网+”热潮的袭来,各行各业对于智能化的需求迈入了新阶段,人工智能更多地作为技术载体来促生不同行业的智能化应用。在此过程中,人工智能技术进入了快速发展阶段,而与不同行业的融合也对人工智能技术的更新换代起到了不可或缺的作用。同时,由于硬件和软件等各方面技术的发展,处理数据和计算数据的能力大大增强,这也为人工智能技术在各领域的应用提供了坚实基础。

现阶段人工智能的应用场景不断扩展：在移动互联网领域,人工智能技术可应用于指纹识别、人脸识别、虹膜识别等生物识别技术中,可应用于基于图像、语音、文字的智能搜索,也可应用于虚拟现实、增强现实、自动驾驶等系统中进行复杂信息的快速处理^[1];在智能制造领域,人工智能技术与信息通信技术、制造技术及产品有关专业技术等相融合,进而实现智能制造的新模式、新手段、新业态^[2];在金融领域,人工智能与大数据技术相结合可应用于征信、金融风险防控、金融交易决策等方面,保证金融服务的个性化与智能化^[3];在电力领域,人工智能技术可通过对信息的量化和分析,有效提高电网企业的信息安全风险防控能力,保障电网安全、稳定、高效运行^[4]。

综合看来,人工智能技术由于其特有的学习能力、适应能力以及并行计算能力等优势,能够面对复杂系统问题求解和大规模数据分析建模,从而得出更加可靠和具有预见性的计算结果。目前,人工智能技术正在不断推动与行业相结合的应用,以期实现更完善的数据感知和汇总,更智慧的数据模型建立和问题求解,更自主的平台服务提供和数据融合,更智能的决策制定和下发,从而推动不同行业的智能化发展。为此本文介绍了人工智能技术的发展进程,简述了目前人工智能的关键技术和行业应用情况。

 1 人工智能技术的发展

1.1 人工智能的起源与发展历程

人工智能技术最早可以追溯至20世纪40年代,英国数学家图灵提出了人工智能的基础问题——机器是否可以思考,从而拉开了人工智能技术的研究序幕。人工智能的发展脉络如图1所示,经历了的几个时期的起伏,历经几代研究者的努力,终于成长为一门重要学科。20世纪40年代人工神经网络模型的诞生,成为了人工智能学科的基石,在20世纪50年代人工智能迎来了第一个上升期,得到了飞速的发展,一系列理论和方法在当时被提出。然而由于计算能力的限制和智能化实现程度的不足,在20世纪60—70年代大部分人工智能项目停摆,人工智能研究进入衰退期。进入20世纪80年代,专家系统理论的出现突破了利用人工智能解决问题的能力,而机器学习算法的出现则大大增强了神经网络能力,完成了人工神经网络在理论和应用方面的重生。而后,随着基础设施的提升,数据处理能力和计算水平也在逐步增强,以及人工智能领域内的大部分算法也进行了改进和融合,人工智能技术进入了一个飞速发展的时期。而移动互联网和大数据产业的繁荣,又进一步推动了人工智能技术的行业融合,自动驾驶、生物识别、自然语言处理等应用场景都出现了人工智能技术的身影,人工智能正在深刻地影响着人们生活的各个方面。

图1 人工智能技术发展脉络Fig.1 Development vein of artificial intelligence technologies

人工智能技术演进路线如图2所示。人工神经网络是最早被提出的人工智能技术,也是沿用至今应用最为广泛的技术,基于神经网络拓展的深度学习技术是目前最为先进的学习算法。模糊逻辑用于建设涉及模糊推理和模糊集相关的智能系统,专家系统通过录入行业专家经验信息形成规则库以指导事件求解和预测,遗传算法则是通过模仿生物的进化原理,用交叉和变异的计算手段进行推理计算。进入20世纪80年代后,人工智能技术有了很大的提升,各种演进的机器学习算法能够提供更加可靠、准确、高效的求解和预测结果,同时由于计算能力的大大提升,各种混合智能系统出现在不同解决方案中,成为人工智能应用的新方向。

图2 人工智能技术演进路线Fig.2 Evolution route of artificial intelligence technologies

1.2 人工智能技术的定义和范畴

人工智能很难以一个确定的概念去定义,它可以被定义为计算机科学的一个分支,致力于智能行为的自动化^[5]。目前的人工智能理论研究一直呈现“三足鼎立”的趋势：其一,研究在计算机平台上编制软件来解决诸如定理证明、问题求解、机器博弈和信息检索等复杂问题;其二,针对人工神经网络进行研究;其三,对于感知-动作系统以及多智能体进行研究^[6]。

由这些主要研究方向可以看出人工智能一直存在两个比较明显的发展方向,也可以将之区分为强人工智能和弱人工智能。所谓弱人工智能,是指通过人类编写好的算法或者软件智能化地去解决和计算某些问题,这样的算法或软件只是采用一些智能化的计算工具,例如神经网络、专家系统、模糊逻辑等,而计算行为需要人为触发或控制,弱人工智能的目标是通过智能化计算更好地解决一些复杂问题。而强人工智能是指通过对生物行为或大脑的研究和模仿,以期达到对意识、情感、理智三位一体的人工智能建模,简单来说就是通过无监督学习、人工生命、神经网络等技术让机器具有人类的感知、思维和情感。目前这两个方向的人工智能研究均存在一定进展和成果,而2个方向的融合也是未来人工智能演进的方向。

 2 人工智能技术应用分析

2.1 人工智能的关键技术

根据人工智能技术的演进路线,就当前的使用场景来看,人工智能关键技术主要可以分为以下3类。

2.1.1 数据挖掘与学习

当面对大量的数据需要进行深度数据挖掘、明晰数据之间的联系时,通常采用的方法是人工智能的一个重要分支——机器学习。机器学习是研究如何使用计算机模拟或实现人类的学习活动的方法^[7],按照学习干预方法可分为有监督学习和无监督学习,按照学习方法可分为决策树学习、知识学习、强化学习、竞争学习和概率学习等。决策树学习算法是经典的分类学习算法,从大规模数据中构建决策树,并利用所有训练集数据进行决策树的训练来完成学习过程^[8]。强化学习是一种自适应学习方法,通过在迭代中调整参数值以达到强化信号的最大化,完成最优策略的建立。概率学习是利用像贝叶斯模型这样的概率模型进行训练数据的计算,从而得出学习模型和决策^[9]。人工神经网络是早期最重要的学习算法,通过对人脑神经元的模拟来建立节点之间相互关联的模型,并对每个节点的输入和输出进行计算,从而完成学习模型的建立。

深度学习技术正是结合了多层人工神经网络和卷积计算的一种学习算法^[10],多层神经网络可以通过权值设置和反馈迭代优化计算结果,并且输入层的多个节点还能实现并行计算,能够很好地处理海量数据并通过训练生成模型,完成对历史数据的学习,并在接收新输入时进行结果预测。

2.1.2 知识和数据的智能处理

专业领域的知识处理和问题求解一般使用专家系统,它将探讨一般问题的思维方法转变为运用专门知识求解专门问题,实现了人工智能从理论研究向实际应用的重大突破^[7]。专家系统一般由知识库和推理机组成,通过知识标识、知识获取、知识存储等操作完成知识库的建立,再利用推理机进行机器推理或模糊推理等操作,进而得到基于知识的推理结果。专家系统将特殊领域专家的专业知识和经验引入系统中,并将这些专业知识凝练为规则,大量的规则可以形成规则库。在问题求解过程中,规则库可以代替人类专家使得程序具有智能化。与早期单纯基于规则的推理系统相比,目前的专家系统正逐渐与其他学科融合,出现了基于框架、基于案例、基于模型、基于神经网络以及基于Web等多种专家系统模型,专家系统正成为人类进行智能管理与决策的重要工具和手段^[11]。

2.1.3 人机交互

人机交互是目前人工智能的另一个技术热点,主要实现机器的智能化,确保机器和人类交互过程的顺畅。人机交互的实现一般要应用到机器人学和模式识别等技术。机器人学主要研究如何使机械模拟人的行为,而人工智能领域内的模式识别是指用计算机代替人类或帮助人类进行感知,也就是让计算机系统模拟人类通过感官获取的对外界的各种感知能力^[7]。目前的人机交互形式包括通过实物进行交互、通过触控屏幕进行交互、通过虚拟现实进行交互以及多种交互方式综合的多通道交互等。因此,人机交互技术的实现不仅要依靠硬件的提升,同时还涉及到手势识别技术、语音识别技术、触觉反馈技术、眼动跟踪技术以及3D交互技术等 ^[12]。人机交互可以使用户摆脱常规输入设备的束缚,并从复杂的人机交互场景中有效提取分析对象,实现自然的人与机器的感知交互^[13]。

2.2 人工智能技术应用现状

在人工智能的发展和应用方面,谷歌公司一直走在前面。谷歌DeepMind团队开发的AlphaGo围棋人工智能程