多视角透析感知时代的人工智能技术

来源:荣格

发布时间:2018年2月16日下午 08:02:01

智能传感器由感知功能、认知功能、通信功能及人机界面功能四部分组成,它们与人工智能技术关系密切相关,人工智能技术的发展是目前工业领域必不可少的部分。2016年,国家发改委、科技部、工信部等部门发表了《“互联网+”人工智能三年行动实施方案》,该方案提出了三个任务、九大重点工程,开启千亿元级的人工智能市场应用规模。从事自动化和传感器业务的人们也正把互联网、物联网、大数据、云计算等技术,与人工智能技术结合,提供各种嵌入式系统和人工智能算法软件的通用产品。
随着计算机计算能力、获得数据能力以及各种人工智能算法能力的提高,目前该产业已经进入爆发性增长时期。此外,作为人工智能的一个侧面,人类智能等生物学家、医学、心理学、仿生学等方面人士,也作出了巨大贡献。
 
人工智能的学科内容
 
人工智能并没有形成统一的理论,研究的内容包括自然语言处理、自动定理证明、智能数据检索系统、视觉系统、问题求解、人工智能方法和程序语言及自动程序设计等。另一类研究内容包括:识别动物的神经系统的工作原理,尤其是认识人类大脑的思维活动原理和具体的结构功能,及时对神经元的模型和对生物有目的活动的宏观模拟即进化过程模拟,运用数学分析和逻辑代数、特别是有限自
动机理论等数学工具。下面分六项进行介绍。
 
1.模式识别(Pattern recognition)是研究各种物理对象或过程的学科。作为模式,主要有研究声音、字符、图象、细胞涂片等模式,虽然物理性质可能不同,但具有一定共同性。目前主要有三种识别途径,即图像识别系统、文字识别系统、语言识别系统,具体采用统计方法和语言结构方法。统计方法着眼于找出能反映模式特点的某种特征度量,用特征空间中的向量代表所研究的模式。语言结构方法着眼于模式的结构信息,使复杂的模式用较简单的子模式构成、子模式又由更简单的子模式构成等。
 
2 . 自然语言理解(Natural Language Understanding)是研究利用计算机自动理解书面或有声语言的学科。与文字识别和语言识别系统配合起来进行书面语言和有声语言的识别与理解。主要研究内容有句法分析、语义分析、转移网络、格语法、概念相关理论。还有一种语网学,在自然语言理解中有广泛的应用。语言合成的基本原理是把发音过程分成若干要素,不同语音对应着不同的要素值,根据要表达的自然语言,可以控制语音合成器讲话。
 
3.专家系统(Expert System)是研究利用专家推理方法处理需要由专家来分析和判断的问题的软件科学,“专家系统”是用存在计算机内的专家知识,解决过去需要专家才能解决的现实问题的计算机系统。专家系统由知识库、全局数据库、推理机、解释部门、知识获取部分组成。专家系统的主要研究内容有知识获取、知识表示方法、推理机制等。专家系统应用非常广泛,不同专业知识和经验就构成了不同的专家系统,如用于化合物化学结构分析的DENDRAL系统等。
 
4.与专家系统学科相关的还有知识工程(nowledge Engineering)或称应用人工智能。它研究对象是计算机的知识模拟、自动求解及专家系统。它以人工智能研究结果的应用为目的,中心课题是构造专家系统,使专家系统能解决高水平的难题。主要内容有知识的表示、知识推理、知识的获取。知识的获取包括获取知识的辅助系统和学习系统;不包括如何系统化、结构化知识,并送到知识库,如何保持知识库内的知识完全性和一致关系,如何提高知识库本身学习能力等。
 
5.模糊控制理论(Fuzzy Control Theory)是研究应用模糊集合理论,并通过计算机来模拟人脑的思维方式及人的控制行为,对难以建立精确数学模型的复杂系统实现自动控制的科学。研究的主要内容有:(1)模糊集合、隶属函数、模糊关系,模糊矩阵、模糊语言
变量、模糊逻辑及模糊推理;(2)模糊自动控制系统组成及模糊控制原理;(3)模糊控制器的设计;(4)模糊控制器的建模、模糊系统辨识及模糊预报问题;(5)自适应模糊控制、自组织模糊控制、自学习模糊控制及专家模糊控制、模糊智能控制问题;(6)模糊控制系统的设计、性能指标及稳定性分析理论;(7)模糊控制理论的工程应用。其中前几项内容可以在数学领域模糊性数学、模糊拓朴学、模糊群论中找到。
 
6.机器人视觉(RobotVision)它是研究计算机视觉(或“机器视觉”)在机器人技术中的应用,它作为一种手段识别对象物,测定它的位置和姿态,研究内容包括图象处理,图象识别图象理解,图象处理主要是用来改善图象质量,对视觉信息处理,便于图象识别,包括图象编码、增强、压缩、变换、复原和分割等;图象识别是在分割基础上提取图象特征、测量某些参数、结构分类和对图象进行描述;图象理解是在处理和识别的基础上获取表达源世界的描述。人脸等生物识别,可以隶属这个范畴,也可以隶属模式识别。
 
近十多年以来,从学科上年来,处种算法种类在增加,研究进程在深入,特别是各种人工智能用传感器在发展,神经元网络、自学习、自组织、自适应、自恢复、进化算法、遗传算法等方面都形成了规模,更有深度学习及超级计算等新的成果等,使得在人工智能领域中,一座座山峰被人们的攻克,使人工智能学科得到大发展。
 
人工智能的应用
 
1.《“互联网+”人工智能三年行动实施方案》中,提出了三个方面的主要任务,这三个方面是:培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平。其中第一方面任务是为产业化打基础和抓共性技术的,尤其重要。如加快建设文献、语言、图像、视频、地图等多种类数据的海量训练资源和基础资源服务公共平台;建设支撑超大规模深度学习的新型计算集群;建立完善产业公共服务平台。又如研究网络安全全周期服务;提供云网端一体化、综合性安全服务,进一步推进计算机视觉、智能语言处理、生物特征识别、自然语言理解、智能决策控制以及新型人机交互等关键技术的研发和产业化。这些都是人工智能的应用的基础和关键的首要任务。
 
2. 在“工业软件——推进智能制造的原动力”一文中,提出人造系统走向智能化有三个基本路径:(1)数字化一切可以数字化的事物,基本做法是在物理设备中嵌入数字化计算内核;(2)网联一切可以联接的事物,基本做法是把不同要素以网络形式联接起来,做到物质、能量、信息、意识联接;(3)加速知识流动,形成知识泛在,基本做法是把人的思维过程与思考结果沉淀成为知识和算法,知识和算法嵌入芯片,芯片嵌入物理设备。最终是数据有序、自由的流动。数据承载了信息,信息承载了知识,知识触发和形成了智能。当网络无处不在、知识在任何场景下以数字化形式调用,则可以做到:用尽可能多的数据流动,与尽可能少的成本物耗,来满足批量生产和个性化定制的需求。这些就是智能化的实质。我们从事人工智能产业的人,应走这样的路径,实现智能化。
 
3.关于深度学习,是机器学习研究中的一个新的领域,2006年多伦多大学Geoffrey Hinton和他的学生们在《科学》杂志发表论文以来持续升温,2010年美国国防部先进研究项目局首次资助深度学习,2011年微软公司在语言识别领域取得实破性进展, 2012年深度学习被应用于著名生物制药公司默克的分子药性预测问题,从各类分子中学习发现那些可能成为药物的分子,获得世界上最好的效果。近几年很多行业成果颇多,现在信号处理、图形图象、视频天气预报、生物信息学、网络搜索等都有“ 深度学习+超级计算”的身影,如现在肿瘤图象识别领域识别速度和精度得到大幅提升。由于深度学习带来的各项突破,包括应用于蛋白质分析等生物和医药领域取得重要
成果,及计算机视觉发展推动了下一代智能汽车的不断完善,都预示着深度学习不仅成为新一代信息科学研究的主流方法,更逐渐演变为一项核心通用棱柱和基础技术,有可能引爆新的经济增长点,对社会产生深远影响。
 
与浅层学习不同,深度学习源于人工神经网络多隐层的多层感知器也就是深度学习结构通常有5层、6层,甚至10多层的隐层节点,明确突出了特征学习的重要性,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更加容易。与人工构造特征的方法相比,利用大数据来学习特征,更能够刻画数据的丰富内在信息。深度学习神经网络,是向终极智能探索的一小步,我人要将研究人类智能和人工智能相结合,来推动智慧的进步,造福人类。
 
4.语言识别技术在前文中多处已提到 ,除模式识别、自然语言理解(处理)外,还与概率论、信息、发声机理和听觉机理等有关外,1960年代,人工神经网络(ANN)被引入,出现了线性预测编码(LPC)和动态时间规整技术,产生了隐马尔科夫模型(Hidden
Markov Model,HMM),采用了统计模式识别技术。对应系统由以下基本模块组成:信号处理及特征提取模块、统计声学模型、发音词典、语言模型、解码器等。近20年大量实践,语音识别技术将作为人机接口的关键技术,与语音全成技术结合,逐步甩掉键盘,通过语音与机器交流。2002年中科院自动化所及其所属的模式科技(Pattek)公司推出了面向不同计算平台和应用的“天语”中文语言系列产品——PattekASR,结束了中文语音识别产品自1998年以来一直由国外公司垄断的历史。
 
深度学习在语音识别方面的应用,成绩斐然,如2013年6月18日微软宣布,已经研发出一种新型语音识别技术,可提供“接近即时”的语音至文本的变换服务,比目前的语言识别技术快两倍,同时准确率提高了15%。
 
5.在医疗领域的应用,除了上面说到的医药方面和肿瘤图象识别之外,主要是医疗诊断领域的医疗专家系统(Medical Expert System ,MES) , 我国在十十世纪5 0 年代就出现了,经过时代变迁, 医疗智能诊断系统出现,即人工神经网络专家系统进行有效的综合, 做到知识获取的特点是,向现实世界学习,它是将大量的样本(病例),通过特定的学习算法得到网络各种神经元之间的连接而获取。目前正准备采用“非梯度学习算法”,即单参数动态搜索算法(SPDS)。目前人工智能技术在医学诊断中应用的难题为:知识攻取难、推理速度慢、自学习和自适应能力差。但医学专家们对人工神经网络(Aitificial Naural Network, ANN)所具有的学习、记忆和归纳功能在医学领域的应用,前景看好!
 
中医专家系统中知识挖掘是一个吸引人们的课题,“辩证论治”中的“证”字具有模糊性、不确定性的特点,主观性强,ANN的应用可以替代部分“辩证”过程。ANN中BP网络是一种前向网络,具有优良的自学习功能,可以通过误差的反向传播方法,对照已知样本进行反复训练,调正网络的权值,直至网络的I/O关系在某一训练指标下接近样本。又中医舌诊研究,结合摄像机、显示器的输入输出三刺激值特征化,并采用动量法和学习率进行自适应调正,有效地抑制网络陷入局部极小或“假饱和”现象,构建了一个“中医舌诊八纲辨症”神经网络知识库。此外还有脉象研究(包括海络因吸食者的脉象)、证候研究(包括糖尿病及心肌梗塞、心纹痛等多种)等。
 
在医学影像诊断中的应用也收获颇丰,很多制药医学专家系统发展的因素也相继得到解决,应用到医学影像方面的初级特征提取技术和成像设备(CT、MRI、PET、X线、超声等)得到广泛应用和研究。6.人工智能在机械领域的应用:作为机械产品,与人工智能有关的产品和机械制造有关的工艺过程领域很广,这是通常说“智能制造”,它是通用的制造技术,更应首先用于人工智能相关产品的制造。目前的人工智能产品有机器人、电子工业相关产品(包括智能终端如手机等)、与交通有关的智能汽车、无人飞行器(无人机)及轨道交通相关的设备,可穿戴智能设备、家居控制系统和智能建筑设备、各种大型机械设备的安全和故障诊断监控系统等。机械产品的制造流程有关过程都与人工智能应用有关,其中包括机械设计、机械制造、机械电子、故障诊断及全生命周期管理等。应用方法有专家系统、人工神经网络、模糊集理论、启发式搜索等,这4种主要工具,在机械制造领域应用都有一定局限,所以混合智能将成为新的发展趋势。
 
人工智能机械产品中,智能机器人与人工智能关系最密切,目前机器人产品中工业机器人,从运动控制角度看,还是多采用经典的闭环PID控制和开环的顺序控制等方式,今后在必要的场合应该采用模糊控制、神经元网络控制等。一般人工智能应用是从感知、思维、行为三个层次和机器智能、智能机器两个方面,来研究模拟、延伸与扩展人的智能,包括理论、方法、技术及其应用等。
 
机器人人工智能要解决的主要的三个问题是:识别过程,即外界输入信息向概念逻辑信息转译,将动态、静态图象、声音、语言、文字、触觉、味觉等信息转化为形式化(大脑中的信息存储形式)的概念逻辑信息;智能运算过程,即输入信息剌激自我学习、信息检索、逻辑判断、决策、并产生相应反应;控制过程,即将需要输出的反应转译为肢体运动和媒介信息。现在的机器人前两项较弱,所以人工智能要重点在这两个方面发展。
 
人脑和人工智能的研究更要与“系统科学”结合,或者说系统科学的研究要与脑科学和人工智能科学相结合,特别对复杂巨系统的研究,要结合金融、电子商务、社会管理、衣食住行民生管理等现实问题,让人工智能在其中大显身手,造福于人类。

Tell A Friend

评论

Image CAPTCHA