人工智能：让机器像人类一样思考

“

以人类大脑为模型，

机器学习可以教会AI计算机

学习新事物、识别不同模式，

甚至做出自主决策。

”

亚里士多德曾说过：“我们通过实践学习。”现在，体验式学习不再是人类的专利，机器的能力也越来越强，它们可基于学习经验进行感知、推理、行动和调整等活动。

那位古希腊的哲学家可能从未设想过，“通过实践学习”的方法论也同样适用于人工智能机器人，这些机器人被广泛应用于各个领域，包括精准医学、无人驾驶汽车，甚至还可以运用与其逻辑系统相似的程序进行数据分析。

计算机科学家们花了六十多年让机器变得更加智能，至今他们的工作仍在继续。实践证明，在机器学习领域，“做”和“说”所代表的意思有着天壤之别。

早期AI研究过程中，计算机需要知道什么，研究员们就告诉它什么。然而这些直接指令似乎收效甚微，科学家们开始尝试采用机器学习策略，让AI程序直接分析并学习数据。

英特尔Saffron认知方案部前任产品主管安迪·希克尔表示，这绝对是一个明智之举。“三种能力的集合助力学习技术的长足发展，”希克尔说。

高性能的计算机能力、强大的在线数据（包括文本、视觉、图片以及传感数据）获取能力以及数据注解能力——这三个要素将极大提高AI系统推断信息的能力，他补充道。

现在，软件开发商利用软件、硬件和网络，就能够设计出强大的AI应用程序，有能力完成多项任务，从检测金融诈骗到赢得官司，再到与客户进行在线交流。

智能机器学习方式

英特尔人工智能Student Program项目兼社区经理尼文·辛格表示，机器学习现在已经广泛应用于多个行业，它能够基于计算机程序学习数据，无需进行编程就可根据经验自主改进。作为英特尔Nervana AI Academy的组成部分，该项目展示了全世界各个学府的研究生们极具创造力的工作成果。

“机器学习让我们能够以更快的速度完成任务，这就是这种新兴科技的最大优势，”辛格说，

“人类无法解决的问题，它同样束手无策，但是它能够处理大量数据，并快速建立联系、作出预测。”

比如在游戏领域，机器学习算法能够在竞技游戏中进行分析、预测接下来的操作，从而创造出更具挑战性的对手。

在生产领域，如果公司能够很好地理解数据，就可以提前修复，改善预防性维护。

在医疗领域，AI能够分析多种疾病的医学数据库，帮助使用者做出更快更准确的医疗诊断。

机器学习基于最强大的计算机器之一——人脑中枢系统。

人工神经网络（ANN）使用算法学习新事物、识别不同模式以及做出自主选择。它们模拟人脑解决问题的方式——接收输入、处理数据、生成输出。希克尔表示，人工神经网络（ANN）能够通过“weight值”对信息的重要性进行甄别。

人工神经元通过神经网络相互连接，通过判别这些连接的“weight值”，来确定某个神经元对其它神经元的影响强度。“weight值”可通过培训程序进行调整，培训程序可教授神经网络如何对输入做出适当反应。

深度学习程序支持多层次运算需求。一层的运算结果将为下一层分析提供依据，从而逐步加深对数据的理解。

举例来说，一个人工神经网络（ANN）在分析建筑物图像时，会在第一层进行边缘检测，然后在下一层进一步识别出它的边缘是矩形。第三层分析之后，它可以识别出该矩形结构是一座建筑物。最后一层分析后，就可以确定该建筑是摩天大楼还是谷仓。

软件开发商们使用大量输入数据集训练人工神经网络（ANN）的学习能力。原始数据本身并无太大作用，希克尔说，所以开发商们会为输入数据作注解，标示“正确”答案。

为数据做注解对于分析成功与否非常关键，希克尔说。

自学式计算机

通过机器学习，计算机能够在未被编程的情况下进行学习。软件开发商们生成了学习算法，让人工神经网络（ANN）在未来接触到更多数据时能够不断自我改善，辛格说道。

学习算法可以分为三个子集：监督式学习、半监督式学习和无监督学习。前两种方式需要大量的训练数据作支持才能达到预期结果。

比如说，要想生成人脸识别算法，开发商们可能需要提供大量风景、人物和动物的图像，并各自附上标签，直到确保机器能够在无标签图像中成功识别人脸，希克尔说。

 “我们利用机器学习进行的大部分工作都是无监督式学习，这就是我们最大的优势，”希克尔说。

英特尔Saffron采用无监督的方式，可以独立、简便地识别数据的含义。生产商们不提供标签图片，而是让机器根据人类无法识别的共享特征对图像聚类分析，希克尔说。

制造AI的工具

虽然AI领域似乎略显神秘，不过制造智能系统的工具其实已经得到了广泛应用。现代发展不再使用老旧、特殊的AI语言，比如Lisp和Prolog语言。开发商们现在更青睐通用语言，比如Python、Java和C++。

辛格说，监督式学习也有很多非常出色的工具包可供使用。Caffe、Theano、MXNet和TensorFlow等程序已被优化，适合在英特尔硬件上运行。高性能的芯片，比如英特尔至强可扩展处理器，能够进行机器学习算法所要求的高速矩阵乘法运算。

AI可以分析、整合不同类型的数据，并在此基础上作出决策，辛格表示他对AI这种能力的发展感到非常兴奋。

机器将在“通过实践学习”的过程中不断改进、不断完善，这一点与人类并无二致。