|
这个春节有些心神不定，只得靠读书和学习平复心情。《人工智能简史》去年很火，在京东的销售榜中也很考前，未能免俗，自己抽空读了一遍，随记随想。 （图片来自百度百科） 过去只是序幕。人工智能缘起达特茅斯会议，在自动定理证明中引出了哲学问题。逻辑似乎处于一切科学的底部——因为落得研究探索一切事务的本质。任何一个源自哲学的成熟学科，都成了一个独立的科学。人工智能在哲学中的位置是怎样的呢？ 从专家系统到知识图谱，实验是知识的试金石。从知识和推理的方向看，计算机科学可以分为四个象限。 历史的教训就是历史从来没给过人教训，而不懂吸取教训的人注定会重蹈覆。辙。也许第五代计算机并非是失败，只是各种技术此起彼伏的一个阶段。 人脑就是一台计算机么？模拟神经网络起源于1943年，而1957年的一个大突破是感知机的诞生。符号处理和神经网络的方法论之争一直都在，而深度学习如今已经烂大街了。 人是否有智能，就像人是否有人性那样，实在不好作答。而面向人工智能的图灵测试也是要涉及到语言的，可见自然语言处理的重要性。是否，可以把人对语言的创造性使用能力作为人性的标志呢？基于神经网络的翻译是机器翻译的终极收到么？ 自然选择就是能生成既不可能之事的机制，于是强化学习有了它的用武之地。尤其是alphago，将强化学习作为其核心算法，使之一夜成名。如果说遗传算法是围观地向生物内部机制学习的话，那么，强化学习则是更为宏观地向自然学习。那到底是计算向自然学习还是自然向计算学习呢？ 人工智能不能干啥？书中的哲学家给出了对比： 其实，写一下哲学家不能干什么岂不是更容易一些？ 图灵在发明图灵机时，还定义了通用图灵机，而被编码的图灵机就是软件。计算机科学有别于数学和物理的地方在于常常在不同抽象层次间跳来跳去，而数学只抽象，物理太具体。邱奇-图灵论题宣称所有足够强的计算装置都可以互相模拟，这涉及到计算复杂性理论。而相似性原则是这样的： 计算装置之间模拟的成本是多项式的，也就是说靠谱的计算装置之间并不存在原则上的差异。复杂性实际上要比可计算性有更多的哲学涵义。 人在发展，人工智能同样在发展，那人工智能的边界在哪里呢？ 科学就是那些我们能对计算机说明白的东西，余下的都叫艺术。——高德纳
物联网和人工智能在今天的行业中都是发展迅猛，都代表着对能力的巨大转变。 虽然两者是独立的, 但结合在一起时, 它们的价值会倍增吗？个人觉得， 这种技术共生将使人工智能更有意义, 让物联网更有生产力. 人工智能由许多不同的数学算法组成, 能够回答许多不同领域的问题。 也就是说, 人工智能一直需要的是数据训练。随着时间的推移, 这些数据已经慢慢地被许多用户收集起来。 无论是填写百度搜索栏, 还是在电梯里按按钮, 或者医院里输入病人信息, 这些数据被收集到数据库中。 这些数据是训练计算机模型的核心, 一直是完成核心业务功能的副产品。 物联网改变了这个过程, 因为设备和机器比人更方便地收集数据。 一个领域的传感器, 汽车中的智能工具的等等都可以收集和存储数据, 而不需要用户做额外的工作。 以前需要数年的数据收集在几个月内转化为机器的可操作数据。 这些数据被注入机器学习算法, 并被业务专家洞察, 成为我真正强大的人工智能, 以便诊断疾病, 驾驶汽车, 并使工业机器自动化。 核心是, 物联网只不过是把电脑放在我们周围所有的东西上。 这些电脑通常没有屏幕或键盘, 而是做一些基本的事情, 比如读一个温度, 测量振动, 或者打开关一盏灯。 当数据和设备可操作时, 物联网就会充分发挥它的潜力。 这意味着, 不仅从传感器收集的数据, 而且能够从生态系统中的物体得到实时反应。 从一个来源收集数据和在另一个来源上执行一个动作的关系有是反馈循环。 例如, 一个温度计从铣床内部发送电流读数, 铣床有额外的计算机来开启和关闭机器。 当温度达到一定阈值时, 会自动关闭电机, 并将一个新出现的问题通知技术人员。 关掉发动机的逻辑可以通过一个非常简单的规则来完成, 比如"如果温度超过120度, 那就关掉发动机。" 虽然生活中的许多事情都可以通过简单的规则来优化, 但更多的时候, 潜在的复杂性并没有得到控制。 例如, 也许发动机短时间内可能更热, 或者如果外部空气温度低于30度,时发动机应该达到140度。 这些变量在人脑中不那么明显, 但很容易被人工智能捕捉到。 将人工智能纳入决策过程可以完全优化处理过程。 这意味着人工智能可以确定哪些因素与电动机故障真正相关, 哪些不起作用。 从本质上来说, 人工智能可以模拟专家, 对使用的系统有直觉和多年的经验。 人工智能最大可能性使物联网具有可操作性。 显而易见, 结合人工智能和物理的变革性技术能够改变我们的日常生活。 硬件制造、物联网平台、云供应商和人工智能专家等等需要合作起来，共同创建新的集成架构。 |
|
|
