吳紹順

摘要：人工智能不是特定的技術(shù)，而是由許多學(xué)科組成的廣闊領(lǐng)域，其中包括機(jī)器學(xué)習(xí)技術(shù)、人機(jī)學(xué)習(xí)技術(shù)等，而人工智能的最終目標(biāo)是使機(jī)器代替人類(lèi)來(lái)執(zhí)行需要完成的任務(wù)。為了實(shí)現(xiàn)這個(gè)目標(biāo)，機(jī)器需要自動(dòng)學(xué)習(xí)掌握一定的知識(shí)技能而非單一地執(zhí)行程序員編寫(xiě)的命令，本文介紹了人工智能的幾大關(guān)鍵技術(shù)及其應(yīng)用場(chǎng)景，以望向未來(lái)的研究人員提供一定的參考。

關(guān)鍵詞：人工智能;強(qiáng)化學(xué)習(xí);記憶網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP18;TP393.0文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-9129（2020）14-0031-01

隨著科學(xué)技術(shù)的發(fā)展，人工智能在各個(gè)領(lǐng)域都取得了長(zhǎng)足的進(jìn)步，在自動(dòng)駕駛汽車(chē)，語(yǔ)音識(shí)別和語(yǔ)音合成等領(lǐng)域也表現(xiàn)日益優(yōu)異，在這種情況下，人工智能技術(shù)已經(jīng)滲透到人們生活的各個(gè)角落，其中，人工智能的四個(gè)領(lǐng)域可能對(duì)未來(lái)的數(shù)字產(chǎn)品和服務(wù)產(chǎn)生重要影響，本文列出了這四個(gè)方向，解釋了它們的含義，并介紹了它們當(dāng)前的應(yīng)用場(chǎng)景。

1強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是一種通過(guò)反復(fù)試驗(yàn)試錯(cuò)來(lái)學(xué)習(xí)的方法，這種典型的強(qiáng)化學(xué)習(xí)方法是受到人類(lèi)學(xué)習(xí)過(guò)程的啟發(fā)而得到的，該方法是觀察當(dāng)前狀態(tài)，通過(guò)反饋并采取相應(yīng)的行動(dòng)以取得最佳的效果。代理者執(zhí)行的每個(gè)操作都會(huì)從環(huán)境中獲取反饋信息，因此我們可以判斷該操作是對(duì)過(guò)程的正面還是負(fù)面影響，代理者需要平衡并探索出最佳策略以實(shí)現(xiàn)最終目標(biāo)。

強(qiáng)化學(xué)習(xí)的應(yīng)用包括自動(dòng)駕駛、導(dǎo)航系統(tǒng)、沉浸式交互和學(xué)習(xí)等場(chǎng)景。

2生成模型

生成模型意味著，如果訓(xùn)練數(shù)據(jù)模型是面部圖像的集合，則訓(xùn)練模型還可以生成類(lèi)似于面部的合成圖像。目前，提出了一個(gè)學(xué)術(shù)界非常熱衷的對(duì)抗模型的構(gòu)建，因?yàn)樗峁┝藘蓚€(gè)神經(jīng)網(wǎng)絡(luò)的新方法，一個(gè)是生成器，負(fù)責(zé)將輸入的噪聲數(shù)據(jù)合成為新內(nèi)容，另一個(gè)是判別器，它負(fù)責(zé)學(xué)習(xí)真實(shí)圖片并判斷生成器合成的新內(nèi)容是否可以代替真實(shí)內(nèi)容，生成器必須一次又一次地學(xué)習(xí)以從噪聲數(shù)據(jù)中收集有用的內(nèi)容，直到成器合成的新內(nèi)容可以代替真實(shí)內(nèi)容。

生成模型可以描述為用于生成屬于概率模型的數(shù)據(jù)的模型，利用該模型，我們可以生成不在訓(xùn)練數(shù)據(jù)集中的新數(shù)據(jù)，例如，我們有很多馬的圖片。我們可以通過(guò)生成模型并從中了解馬的外觀來(lái)學(xué)習(xí)這些馬的圖像。通過(guò)生成模型，我們可以創(chuàng)建看起來(lái)很真實(shí)的馬的圖像，但是該圖像不是訓(xùn)練圖像。

生成模型數(shù)據(jù)集沒(méi)有類(lèi)似于判別模型的標(biāo)簽，通過(guò)標(biāo)簽信息。生成模型可以根據(jù)標(biāo)簽生成圖像的相應(yīng)類(lèi)別，生成模型就像無(wú)監(jiān)督學(xué)習(xí)，而判別模型就是監(jiān)督學(xué)習(xí)。

3記憶網(wǎng)絡(luò)

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)很難適應(yīng)各種場(chǎng)景，它的主要困難在于當(dāng)為任務(wù)a訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成時(shí)，為解決任務(wù)B而再次訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，此時(shí)網(wǎng)絡(luò)模型的權(quán)重值不再適用于任務(wù)a，此時(shí)需要重新訓(xùn)練網(wǎng)絡(luò)模型來(lái)獲得適用a的權(quán)重值，這樣會(huì)消耗大量的時(shí)間和成本。

當(dāng)前，模型可以具有一些不同程度的存儲(chǔ)記憶，包括長(zhǎng)記憶網(wǎng)絡(luò)和短記憶網(wǎng)絡(luò)，而漸進(jìn)式神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)不同的獨(dú)立模型之間的橫向關(guān)系以獲得它們之間的橫向相關(guān)性，并從這些現(xiàn)有的網(wǎng)絡(luò)模型中提取有用的功能來(lái)完成新任務(wù)。

4微數(shù)據(jù)學(xué)習(xí)微模型

長(zhǎng)期以來(lái)，深度學(xué)習(xí)模型需要收集大量的訓(xùn)練數(shù)據(jù)才能獲得最佳的訓(xùn)練效果。無(wú)法使用單一神經(jīng)網(wǎng)絡(luò)模型來(lái)處理諸如原始語(yǔ)音段的輸入和轉(zhuǎn)換后的文本內(nèi)容的輸出，此過(guò)程與具有不同中間網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)共同作用，如果我們要使用人工智能系統(tǒng)來(lái)解決培訓(xùn)數(shù)據(jù)稀缺的問(wèn)題，那么我們希望樣本用于模型開(kāi)發(fā)會(huì)更好，如果訓(xùn)練數(shù)據(jù)集較小，則會(huì)出現(xiàn)過(guò)度擬合，異常值混亂，訓(xùn)練集和測(cè)試集分布不一致的情況。

一個(gè)與之相關(guān)的問(wèn)題是，在模型的效果保持最佳狀態(tài)的同時(shí)，構(gòu)建具有較少模型參數(shù)的較小的深度學(xué)習(xí)體系結(jié)構(gòu)，該技術(shù)的優(yōu)勢(shì)是更高效的分布式訓(xùn)練過(guò)程，因?yàn)闇p少了訓(xùn)練過(guò)程中需要傳遞的參數(shù)以便模型可以輕松地部署在內(nèi)存有限的嵌入式硬件上。

微數(shù)據(jù)學(xué)習(xí)微模型的應(yīng)用包括：訓(xùn)練平面模型，以模擬在大幅面標(biāo)記訓(xùn)練數(shù)據(jù)集上形成的深度網(wǎng)絡(luò)模型、建立具有相同效果但參數(shù)較少的模型結(jié)構(gòu)等。

5遷移學(xué)習(xí)

當(dāng)擁有充足的數(shù)據(jù)資源和計(jì)算資源時(shí)，通常使用傳統(tǒng)的深度學(xué)習(xí)，當(dāng)不具備此類(lèi)條件時(shí)，可以采用遷移學(xué)習(xí)。訓(xùn)練成本是實(shí)際應(yīng)用中需要考慮的重要因素，即所依賴的計(jì)算資源和耗費(fèi)的訓(xùn)練時(shí)間，成本較低的算法往往更能滿足實(shí)際的需要。通常情況下，很少會(huì)有研究者從頭開(kāi)始訓(xùn)練整個(gè)深度網(wǎng)絡(luò)，一方面是受限于數(shù)據(jù)量不足的問(wèn)題，另一方面是受限于時(shí)間成本和計(jì)算資源的問(wèn)題，對(duì)于一個(gè)實(shí)驗(yàn)性極強(qiáng)的研究領(lǐng)域而言，花費(fèi)數(shù)天乃至數(shù)周的時(shí)間和大量精力去訓(xùn)練一個(gè)結(jié)果未知且復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)通常是不可取的。

只有當(dāng)從第一個(gè)任務(wù)中學(xué)習(xí)到的模型特征易于推廣時(shí)，遷移學(xué)習(xí)才能在深度學(xué)習(xí)中發(fā)揮作用。如今，深度學(xué)習(xí)在包括自然語(yǔ)言、圖像分類(lèi)等各種各樣的任務(wù)中表現(xiàn)突出。然而，盡管深度學(xué)習(xí)具有如此高的性能，但在一些特定的情形下，使用經(jīng)典的機(jī)器學(xué)習(xí)算法要優(yōu)于大型深度網(wǎng)絡(luò)算法。目前深度學(xué)習(xí)在人工智能領(lǐng)域有著優(yōu)秀表現(xiàn)，但選擇卷積神經(jīng)網(wǎng)絡(luò)也面臨著各種難題。首先，所有的卷積神經(jīng)網(wǎng)絡(luò)都需要大量的數(shù)據(jù)集，而大量數(shù)據(jù)集的計(jì)算則需要非常高的計(jì)算資源，當(dāng)在數(shù)據(jù)樣本較少和計(jì)算資源有限的情形下，選擇一種少量數(shù)據(jù)集下依舊表現(xiàn)優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)，就成為了研究的關(guān)鍵點(diǎn)。

6總結(jié)

人工智能已經(jīng)廣泛滲透到人們生活的各個(gè)領(lǐng)域，如何從這個(gè)新領(lǐng)域挖掘價(jià)值是科研工作者們所需要思考的問(wèn)題，針對(duì)不同場(chǎng)景合理有效的利用人工智能技術(shù)為人們的生活帶來(lái)便捷，促進(jìn)社會(huì)的發(fā)展，人需要研究者們作出更大的努力。

參考文獻(xiàn)：

[1]人工智能與計(jì)算智能在物聯(lián)網(wǎng)方面的應(yīng)用探究[J]. 毛銳.信息與電腦（理論版）. 2019（14）

[2]基于人工智能技術(shù)的大數(shù)據(jù)分析方法研究進(jìn)展[J]. 王萬(wàn)良，張兆娟，高楠，趙燕偉.計(jì)算機(jī)集成制造系統(tǒng). 2019（03）

[3]人工智能產(chǎn)業(yè)發(fā)展的風(fēng)險(xiǎn)及對(duì)策研究[J]. 王小輝.通訊世界. 2017（23）