李鑫

摘要：隨著科學(xué)技術(shù)的不斷壯大，人工智能也迅速的發(fā)展起來，并且以超乎想象的速度引起了全世界的關(guān)注，人工智能不僅在計算機網(wǎng)絡(luò)、人像識別等領(lǐng)域得到了廣泛的應(yīng)用，而且在人們的日常生活中也發(fā)揮了很大的作用，但與此同時，大家對于技術(shù)的需求也越來越高，人性化、智能化的服務(wù)已成為必然的發(fā)展趨勢，正是因為需求如此迫切，我們對于人工智能的研究才需更加深入，更加謹慎。本文就人工智能的現(xiàn)狀與發(fā)展方向做了一個論述。

關(guān)鍵詞：人工智能；深度學(xué)習(xí)；技術(shù)；計算機

1 認識人工智能

1956年達特茅斯會議首次提出“人工智能”一詞，沒有嚴格的定義，但是絕對不同于傳統(tǒng)意義上的機器人，人工智能集合了眾多學(xué)科的綜合型應(yīng)用技術(shù)，涉及的學(xué)科有語言學(xué)、腦神經(jīng)學(xué)統(tǒng)計學(xué)、社會科學(xué)等前沿學(xué)科，它的目標(biāo)是希望計算機能夠像人一樣學(xué)習(xí)思考，可以代替人類去完成識別、感知、判斷和決策等行為，而不是簡單的自動化機器人。人工智能自誕生以來便成為實驗室的“神話”，人們對之抱以無限的幻想，有人認為人工智能夠改變世界，未來人們要依附人工智能來生存，但也有人認為人工智能是天方夜譚，過于自大，終究要失敗。不管怎樣，人工智能在一次次的高潮和低谷中還是取得了巨大的進步，1997年，IBM的深藍戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫；1968年，DENDRAL專家系統(tǒng)問世；20世紀90年代統(tǒng)計學(xué)習(xí)登場，并迅速占領(lǐng)了歷史舞臺，代表性的是SVM；以及大家關(guān)注最多的，2016年谷歌AlphaGO戰(zhàn)勝韓國李世石。

2 人工智能的研究領(lǐng)域

2.1 數(shù)據(jù)和計算能力

人工智能對于計算能力的要求非常高，這也是為什么早期人工智能發(fā)展緩慢的原因，沒有足夠的技術(shù)和設(shè)備支持，很難實現(xiàn)對實時、大量、多類型的數(shù)據(jù)的多角度、高精確度的處理，伴隨著云計算基數(shù)和GPU處理能力的迅速發(fā)展，對于數(shù)據(jù)的獲取和分析變得更加簡單，同時也能夠支持上千臺計算機同時進行大量復(fù)雜的計算。所以說，大數(shù)據(jù)和設(shè)備支持對于人工智能至關(guān)重要。

2.2 機器學(xué)習(xí)和深度學(xué)習(xí)

機器學(xué)習(xí)來源于早期的人工智能領(lǐng)域，最基本的做法是通過算法來提取分析數(shù)據(jù)，然后對現(xiàn)實生活中的事物做出判斷和預(yù)測。傳統(tǒng)算法包括決策樹學(xué)習(xí)、強化學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)、推導(dǎo)邏輯規(guī)劃等等，但機器學(xué)習(xí)并不是用特定的程序來使之運行，而是同大量的數(shù)據(jù)提取信息完成任務(wù)。深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)，主要的算法是神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)能力是其主要特點，這個說法很形象，仿佛是在開發(fā)一個人腦機器，人的思考學(xué)習(xí)就是靠互相交叉相連的神經(jīng)元，但與大腦的神經(jīng)元也有不同，人工智能網(wǎng)絡(luò)具有離散的層、連接和數(shù)據(jù)傳輸?shù)姆较?，要想實現(xiàn)更加復(fù)雜的技術(shù)，還需要對人腦思維及機理進行研究。

2.3 技術(shù)方向

我們要求人工智能能夠看懂文字圖像，聽懂語言，自動更新知識庫，像人一樣說話表達自己的想法，甚至比人有更強的學(xué)習(xí)能力，具有隱私性、可靠性、低時延性以及更高的網(wǎng)絡(luò)寬帶利用率，這些功能的實現(xiàn)需要結(jié)合多種專業(yè)的理論和技術(shù)支持，特別是對于知識表示方法的研究。主要的技術(shù)支持是：智能接口技術(shù)、數(shù)據(jù)庫技術(shù)、數(shù)理統(tǒng)計與概率論技術(shù)、算法等。

3 人工智能的應(yīng)用

3.1 圖像識別

圖像識別要求機器能夠擁有“視覺”，代替人類去識別大量的物理信息，甚至處理人眼無法識別的圖像，圖像的含義比較廣泛，最早指圖片，后來也將各種圖畫，字符文字，聲波信號，膠片，空間物體等包括在內(nèi)。圖像識別以圖像的主要特征為基礎(chǔ)，在識別的過程中要能夠排除輸入的多余信息，同時，還需要一個負責(zé)整合信息的機制把各個離散的信息整合成一個完整的知覺映像。

3.2 語音工程

語音識別是以語音為研究對象，計算機通過獲取音頻、音頻信號處理、模式識別來實現(xiàn)語音信號到文本信息的轉(zhuǎn)換，主要的技術(shù)是實現(xiàn)把語音信號轉(zhuǎn)變成為相應(yīng)的文本信息。其基本原理可以歸結(jié)為三點：首先將語音信號轉(zhuǎn)換為機器能夠理解的符號，像二進制；其次聲學(xué)信號可以用數(shù)十個具有區(qū)別性的，離散的符號來表示；最后通過模式識別找到最優(yōu)的一個或幾個匹配結(jié)果，其中最重要也最難實現(xiàn)的技術(shù)是加入語法、語義，使轉(zhuǎn)換結(jié)果有一個完整的句子結(jié)構(gòu)。目前的技術(shù)瓶頸主要是去除噪音、遠場識別、口語化、方言等長尾內(nèi)容識別。

3.3 自然語言處理

機器翻譯的核心是自然語言處理，而自然語言處理就是讓機器能夠聽懂人類語言，并且能夠表達合理的看法，即能夠?qū)崿F(xiàn)與人類進行交流，它是體現(xiàn)人工智能的重要表現(xiàn)。要實現(xiàn)機器對于特定場景的感知及理解，需要對語法分析、語義分析、感情理解的多種問題進行研究。由于人類語言的復(fù)雜性，使得消除歧義是目前自然語言處理的最大困難，下一步的研究方向是建立文本含義與物理世界間的映射關(guān)系。

4 人工智能所面臨的挑戰(zhàn)

人腦智能的產(chǎn)生原理尚未研究清楚，想要依據(jù)人腦系統(tǒng)來實現(xiàn)人工智能有一定難度，另外，盡管計算機的發(fā)展迅速，但在數(shù)學(xué)和算法研究上還有待突破，和人類學(xué)習(xí)相似，人工智能也需要通過學(xué)習(xí)大量的數(shù)據(jù)來提升，這就要求人工智能與產(chǎn)業(yè)發(fā)展相結(jié)合，整體解決人工智能在創(chuàng)造力、通用性、對物理世界理解上的問題，探索更多交叉學(xué)科的融合，特別是對于一些特殊領(lǐng)域，像醫(yī)療，戰(zhàn)爭等無法通過虛擬現(xiàn)實來訓(xùn)練機器人，所以還需要不斷的探索新的方法。

參考文獻：

[1]武嘉琪.計算機人工智能技術(shù)的發(fā)展與應(yīng)用研究[J].信息與電腦（理論篇），2016（07）.

[2]黃子君，張亮.語音識別技術(shù)及應(yīng)用綜述[J].江西教育學(xué)院學(xué)報，2010（03）：4446.

[3]萬棋順.面向篇章的省略恢復(fù)及其在機械設(shè)計中的應(yīng)用[D].西安：西安電子科技大學(xué)，2008.

[4]孫清茂.人工智能——淺談圖像識別技術(shù)[OL].