数据驱动的机器智能

求是1025 2023-04-01 发布于山东

展开全文

形成和发展过程

学术界将机器智能分为传统人工智能的方法和现代人工智能的方法，比如数据驱动、知识发现或机器学习。传统的人工智能方法是什么呢？简单来说，就是首先了解人类是如何产生智能的，然后让计算机按照人的思路去做。因为这是根据人们的直觉容易想到的方法。在人类发明的历史上，很多领域早期的尝试都是模仿人或者动物的行为，比如模仿飞鸟飞行，因此可以把这种天真的方法论称为“鸟飞派”，也就是看看鸟是怎样飞的，就能模仿鸟造出飞机，而不需要了解空气动力学。

到了20世纪70年代，人们开始尝试另辟蹊径，采用数据驱动和超级计算的方法来研究机器智能。在2000年以后，由于互联网特别是移动互联网的出现，数据量不仅剧增，而且开始相互关联，当数据量足够大之后量变带来质变，很多智能问题都可以转化成数据处理的问题，计算机开始显得聪明起来。例如，美国国际商用机器公司（IBM）开发的语音识别技术和美国谷歌公司开发的机器翻译技术。

基本内容

机器智能实现的主流解决方案是把智能问题转化成数据问题。通过大数据和超级计算解决一些以前需要人类才能解决的问题。基于机器学习来搭建人工智能，人类不需要通过显式地编程来教机器如何工作，而是给出一个学习框架，告诉机器如何根据自身当前设置以及提取环境的反馈去进一步更新参数，进而达到一个更好的工作表现。人们只需要把大量数据“喂”进机器，机器就可以不断学习不断优化自身的参数。这样，通过数据驱动的方法，机器就获得了一定的“智能”。

应用范围、作用、意义和影响

随着机器学习的模型先进性以及机器处理大数据的能力不断升级，基于数据驱动的机器智能已经在人们的生活当中扮演越来越重要的角色。基于数据驱动的机器智能已经在各个领域崭露头角，包括在线广告的精准投放、搜索引擎个性化网页排序、电商的个性化商品推荐、社交网络的好友建议、人脸识别、图像识别、自然语言理解、机器翻译、语音识别、无人机跟踪技术、汽车自动驾驶等。