首页 大数据百科正文

百科丨人工智能框架图

领域

领域分支

主要技术应用范围

代表成果、项目和机构

 

人工智能哲学

符号主义

符号主义(Symbolism)是一种基于逻辑推理的智能模拟方法,又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism),其原理主要为物理符号系统(即符号操作系统)假设和有限理性原理,长期以来,一直在人工智能中处于主导地位,其代表人物是纽威尔、西蒙和尼尔森。可以把符号主义的思想简单的归结为认知即计算

数学定理证明程序、启发式算法、专家系统、知识工程

 

符号主义主张用逻辑方法来建立人工智能的统一理论体系,但却遇到了常识问题的障碍,以及不确知事物的知识表示和问题求解等难题,因此,受到其他学派的批评与否定。

1957年纽威尔和西蒙等人研制的成为逻辑理论家的数学定理证明程序LT

以及以后出现的各种专家系统。

联结主义

联结主义是统合了认知心理学、人工智能和心理哲学领域的一种理论。联结主义建立了心理或行为现象模型的显现模型单纯元件的互相连结网络。联结主义有许多不同的形式,但最常见的形式利用了神经网络模型。

联结主义的指导性启示和主要灵感来自大脑或神经系统,它把认知看成是网络的整体活动。网络是个动态的系统,它由类似于神经元的基本单元和结点构成,每个单元都有不同的活性,外部  的输入、其他单元的活性传递和随着 时间的衰减,都会使一个单元的静息  活性发生动态的改变。联结主义赋予 网络以核心性的地位,采纳分布表征和并行加工理论,强调的是网络的并行分布加工,注重的是网络加工的数  学基础。

神经网络

(深度学习等)

行为主义

行为主义的主要观点是,认知科学不应该研究意识,只应该研究行为,把行为与意识完全对立起来。在研究方法上,行为主义主张采用客观的实验方法,而不使用内省法。

行为主义理论认为,认知的任务就在于发现刺激与反应之间的规律性联系,这样就能根据刺激而推知反应,反过来又可通过反应推知刺激,从而达到预测和控制行为的目的。

经典条件反射

操作性条件反射

脑科学

(类脑智能)

脑科学

脑科学,狭义的讲就是神经科学,是为了了解神经系统内分子水平、细胞水平、细胞间的变化过程,以及这些过程在中枢功能控制系统内的整合作用而进行的研究。广义的定义是研究脑的结构和功能的科学,还包括认知神经科学等。

阐明产生感知、情感和意识的脑区结构和功能(功能定位、认知、运动、情感、学习,思维、直觉、自我意识)。

发展脑型器件和结构(具有学习和记忆能力的神经元芯片、智力认知功能,具有智力、情感和意识的脑型计算机)。脑型信息产生和处理系统的设计和开发(支持人类机能的机器人系统)。

各国已启动的脑计划侧重方向为:美国侧重于研发新型脑研究技术;欧盟主攻以超级计算机技术来模拟脑功能;日本于2014年出台的“脑计划”,则聚焦以狨猴为模型研究各种脑功能和脑疾病的机理。

中国布局:以研究脑认知的神经原理为“主体”,研发脑重大疾病诊治新手段和脑机智能新技术为“两翼”。

类脑智能

类脑智能是以计算建模为手段,受脑神经机制和认知行为机制启发,并通过软硬件协同实现的机器智能。类脑智能系统在信息处理机制上类脑,认知行为和智能水平上类人,其目标是使机器以类脑的方式实现各种人类具有的认知能力及其协同机制,最终达到或超越人类智能水平。由于类脑智能的手段主要是从机制上借鉴脑,而不是完全模仿脑,其对应的英文术语为“Brain inspired intelligence”。

分为:类脑模型与类脑信息处理、类脑芯片与计算平台。

2013 年启动的欧盟脑计划(Human BrainProject)的核心研究目标就是通过超级计算机构建人脑模型,用计算机模拟的方法研究人脑如何工作,并为未来的计算系统和机器人技术提供启发,促进其变革。

 

2013 年启动的美国脑计划(BRAIN)原本并没有计划与人工智能研究紧密结合,而随后美国高级情报研究计划署(IARPA)在2014年开始组织全新的机器智能项目MICrONS计划(Machine Intelligence from Cortical Networks),力图通过对脑皮层的研究来启发全新的机器智能,特别是变革传统的机器学习.2015年内该项目将正式启动,目前已纳入美国脑计划。

计算智能

计算智能使得机器能够像人类一样进行计算,诸如神经网络和遗传算法的出现,使得机器能够更高效、快速处理海量的数据,即“能存会算”。计算智能是以生物进化的观点认识和模拟智能。按照这一观点,智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中,适应度高的(头脑)结构被保存下来,智能水平也随之提高。因此说计算智能就是基于结构演化的智能。

计算智能的主要方法有人工神经网络、遗传算法、遗传程序、演化程序、局部搜索、模拟退火等等。这些方法具有以下共同的要素:自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条件、指示结果的方法、控制过程的参数。计算智能的这些方法具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点。在并行搜索、联想记忆、模式识别、知识自动获取等方面得到了广泛的应用。

计算智能的研究、发展与应用,无论是研究队伍的规模、发表的论文数量,还是网上的信息资源,发展速度都很快,已经得到了国际学术界的广泛认可,并且在优化计算、模式识别、图像处理、自动控制、经济管理、机械工程、电气工程、通信网络和生物医学等多个领域取得了成功的应用,应用领域涉及国防、科技、经济、工业和农业等各个方面。

各国的主要科研院所都有计算智能领域研究。如IBM公司的深蓝系统,DARPA的深绿系统。

感知智能

感知智能,让机器能听懂我们的语言、看懂世界万物。语音和视觉识别就属于这一范畴,这些技术能够更好的辅助人类高效完成任务。感知智能是对感知或直觉行为的模拟,基于生物特征,以自然语言、语音、触觉、嗅觉、味觉和动态图像的理解为基础的“以人为中心”的智能信息处理和控制技术,文字信息处理;研究生物特征识别、智能交通等相关领域的系统技术。

基于各种传感器、智能芯片的智能产品和系统。计算机视觉、模式识别、计算机图形学、语音识别/合成/降噪等。

以谷歌无人车为代表的各种无人车、无人机、无人舰船及智能机器人(感知传感)系统。智能家居、智能小区、智慧城市等。以科大讯飞为代表的汉语语音系统。以viv为代表的英语语音系统。

认知智能

认知智能,机器将能够主动思考、理解并采取行动,实现全面辅助甚至替代人类工作。认知智能则是对人类深思熟虑行为的模拟,包括推理、规划、记忆、决策与知识学习等高级智能行为。

从软件优化的层面加强Ha

doopSpark Petuum 等高性能分布式CPU/GPU 服务器集群系统的研究,同时从硬件实现角度,颠覆性地攻克非冯·诺依曼新体制的类脑芯片,如深度卷积神经网络(ConvNet)芯片与其他神经网络芯片,以及进一步探索量子计算机等,以便提供国际一流的平台支持。此外,还须进一步面向移动互联网终端(包括智能手机)、智能驾驶、无人机和家庭/个人服务机器人等人工智能应用,积极开发类NVIDIA GPU 加速卡和基于FPGA 的低功耗ConvNet 芯片等。

AlphaGoImageNetIBM 沃森、谷歌FaceNet、微软同声传译等

随着人工智能与大数据、云平台、机器人、移动互联网及物联网等的深度融合,人工智能技术与产业开始扮演着基础性、关键性和前沿性的核心角色。智能机器正逐步获得更多的感知与决策能力,变得更具自主性,环境适应能力更强;其应用范围也

从制造业不断扩展到家庭、娱乐、教育、军事等专业服务领域。通过将大数据转化为商业直觉、智能化业务流程和差异化产品/服务,人工智能开始逐步占据医疗、金融、保险、律师、新闻、数字个人助理等现代服务业的核心地位,并且不断渗入人们的日常生活。

超级(强)人工智能

强人工智能观点认为有可能制造出真正能推理和解决问题的智能机器,并且,这样的机器能将被认为是有知觉的,有自我意识的。

强人工智能可以有两类:1、类人的人工智能,即机器的思考和推理就像人的思维一样。2、非类人的人工智能,即机器产生了和人完全不一样的知觉和意识,使用和人完全不一样的推理方式。



1956年人工智能学科创立之初,相关学者提出了“模拟、延伸、扩展人类智能”以及“制造智能机器的科学与工程”的基本定义和长远目标。

人工智能领域所有的突破都仅是智能系统从某个视角、在某个特定领域接近、达到或超过人类智能,而相关的理论、算法与系统很难推广到其他领域,用于解决其他类型的问题。在多认知功能协同和通用性智能方面,机器还与人类有明显差距。现有人工智能系统通用性较差与其计算理论基础和系统设计原理有密不可分的关系。

从计算基础角度讲,图灵机模型和冯·诺依曼计算机体系结构的提出,从计算本质和计算结构方面分别奠定了现代信息处理和计算技术的两大基石,然而两者共同的问题是缺乏自适应性。图灵计算的本质是使用预定义的规则对一组输入符号进行处理,规则是限定的、输入也受限于预定义的形式。图灵机模型取决于人对物理世界的认知程度,因此人限定了机器描述问题、解决问题的程度。而冯·诺依曼体系结构是存储程序式计算,程序也是预先设定好的,无法根据外界的变化和需求的变化进行自我演化。

这两个基础已经支撑现代信息处理与计算技术近60多年的发展。受限于图灵机与冯·诺依曼体系结构,目前的智能系统在感知、认知、控制等多方面都存在巨大瓶颈,比如难以实现海量多模态信息的选择性感知与注意、模式识别与语言理解在处理机制与效率等方面与人脑相比还存在明显不足,较多依赖人工输入知识或提供训练样本,系统对新环境与新问题需要建立不同的算法,自适应能力还较差等.未来急需突破这种输入与处理形式相对固定的计算方式,取而代之的将是更为灵活的、更类人的智能信息处理与计算模式。

从问题求解原理角度讲,目前几乎所有的人工智能系统都需要首先进行人工形式化建模,转化为一类特定的计算问题(如搜索、自动推理、机器学习等)进行处理。虽然人工智能历史上曾有研制通用问题求解系统的努力,但是仍需要由人将问题归纳为一系列合式公式或霍恩子句。而人脑却采用同一个信息处理系统进行自动感知、问题分析与求解、决策控制等。因此,未来人工智能系统想要达到通用智能的水平,需要解决的核心问题之一便是问题的自动形式化建模。

责任编辑:王培

分享:
延伸阅读
    大数据概念_大数据分析_大数据应用_大数据百科专题
    贵州

    贵州大数据产业政策

    贵州大数据产业动态

    贵州大数据企业

    更多
    “智慧中国杯”全国大数据创新应用大赛
    企业
    更多