《人工智能概論》 課件 第一章 人工智能概述

《人工智能概論》第一章人工智能概述目 錄CONTENT0102人工智能的定義與研究目標人工智能的發(fā)展03人工智能和深度學習的關(guān)系0405人工智能學派深度學習常用框架人工智能常見應用06人工智能（Artificial

Intelligence，AI）自提出至今已超過60年，過去國際象棋世界冠軍和圍棋世界冠軍被AI擊敗，并沒有引起人們太多的擔憂。然而，2022年11月30日，美國人工智能研究公司OpenAI推出了基于GPT-3.5架構(gòu)的自然語言處理工具ChatGPT（Chat

Generative

Pre-trained

Transformer），這一基于AI的聊天機器人一經(jīng)推出就引發(fā)了廣泛反響。ChatGPT不僅可以實現(xiàn)近乎人類之間的實時交流，而且還能在人類引導下寫郵件、代碼，甚至學術(shù)論文。它的出現(xiàn)在一定程度上突破了以往人們對AI發(fā)展的認知，它不僅可以與真人進行“真實對話”，還具備相應的工作能力。此后，各種AI產(chǎn)品如雨后春筍般涌現(xiàn)，關(guān)于人工智能的討論迅速升溫，引發(fā)了從學術(shù)界到商業(yè)界，從商業(yè)人士到社會大眾的全方位關(guān)注。PART人工智能（Artificial

Intelligence，AI）是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應用系統(tǒng)的一門新的技術(shù)科學。人工智能的研究雖然已有60多年的歷史，但和許多新興學科一樣，人工智能至今尚無統(tǒng)一嚴格的定義。一個經(jīng)典的定義是：“智能主體可以理解數(shù)據(jù)及從中學習，并具備利用知識實現(xiàn)特定目標和任務的能力?！蹦壳埃斯ぶ悄苤饕譃槿齻€層次：弱人工智能、強人工智能和超人工智能。弱人工智能強人工智能1 2 3超人工智能l

弱人工智能也稱為人工狹義智能（Artificial

Narrow

Intelligence，ANI）是專注于執(zhí)行特定任務的經(jīng)過訓練的AI，這些任務通常是單一的、固定的，如語音識別、圖像識別、自然語言處理、推薦算法等。弱人工智能無法像人類一樣全面、深入地理解世界，只能通過對輸入數(shù)據(jù)進行計算和匹配來完成特定任務。1.弱人工智能l超人工智能（Artificial

SuperIntelligence，ASI）是指遠遠超過人類智慧的人工智能。這種人工智能不僅具有強大的智能能力，還具有類似意識和意圖等人類意識 的特征。超人工智能的實現(xiàn)需要突破目前計算機科學和認知科學的極限，可能需要超越當前人類的智慧水平。l

強人工智能也被稱為通用人工智能（Artificial

General

Intelligence，AGI）是指在任何人類的專業(yè)領(lǐng)域內(nèi)，具備相當于人類智慧程度的AI，一個AGI可以執(zhí)行任何人類可以完成的智力任務。強人工智能具有自主性、創(chuàng)造性和情感等方面的能力，可以自主學習、創(chuàng)造新知識、進行推理和決策等。強人工智能的實現(xiàn)需要大量的計算資源和算法技術(shù)的支持，目前還處于研究階段。3.超人工智能2.強人工智能PART010203起步期：1943年—20世紀60年代復興期：20世紀80年代蓬勃期：20世紀90年代—2010年0405低潮期：20世紀70年代爆發(fā)期：2011年至今人類一直在不斷探索充滿未知的人工智能領(lǐng)域，歷經(jīng)無數(shù)研究者前赴后繼地鉆研與創(chuàng)新，它已經(jīng)從最初的簡單算法發(fā)展到現(xiàn)在復雜的深度學習和神經(jīng)網(wǎng)絡，在各個領(lǐng)域展現(xiàn)出強大的能力。我們可以將這段發(fā)展歷程大致劃分為五個階段。人工智能概念提出后，讓機器產(chǎn)生智能的想法進入人們的視野，掀起了人工智能發(fā)展的第一個高潮。（一）起步期：1943年—20世紀60年代1943年，美國神經(jīng)科學家麥卡洛克（Warren

McCulloch）和邏輯學家皮茨（WaterPitts）提出神經(jīng)元的數(shù)學模型，這是現(xiàn)代人工智能學科的奠基石之一。1950年，艾倫·麥席森·圖靈（Alan

MathisonTuring）提出“圖靈測試”（測試機器是否能表現(xiàn)出與人無法區(qū)分的智能），讓機器產(chǎn)生智能的想法開始進入人們的視野，并為人工智能的發(fā)展提供了一個目標。1956年，達特茅斯學院人工智能夏季研討會上正式使用了人工智能（ArtificialIntelligence，AI）這一術(shù)語。（一）起步期：1943年—20世紀60年代1

9

5

9

年，

A

r

t

h

u

rSamuel給機器學習定義了一個明確概念：機器學習是研究如何讓計算機不需要顯式的程序也可以具備學習的能力。1

9

6

7

年

，

F

r

a

n

kR

o

s

e

n

b

l

a

t

t

構(gòu)建了Mark1Perceptron，這是第一臺基于神經(jīng)網(wǎng)絡的計算機，它可以通過試錯法不斷學習。1968年，愛德華·費根

鮑

姆

（

E

d

w

a

r

dFeigenbaum）提出首個專家系統(tǒng)DENDRAL，并對知識庫給出了初步的定義。（二）低潮期：20世紀70年代人工智能發(fā)展初期的突破性進展極大提升了人工智能研究的熱情，研究者開始嘗試更具挑戰(zhàn)性的任務。然而由于當時人們對深度學習的認識還不夠深刻，缺乏相應的理論指導，加上當時的計算機算力不足，使得不切實際目標的落空，人工智能的發(fā)展走入低谷。1980年，卡耐基梅隆大學為DEC公司開發(fā)了一個名為XCON的專家系統(tǒng)，每年為公司節(jié)省4000萬美元，人工智能在應用上取得巨大成功。1982年，約翰·

霍普菲爾德（

JohnHopfield）發(fā)明了霍普菲爾德網(wǎng)絡，這是最早的RNN的雛形?；羝辗茽柕律窠?jīng)網(wǎng)絡模型是一種單層反饋神經(jīng)網(wǎng)絡，從輸出到輸入有反饋連接，它的出現(xiàn)振奮了神經(jīng)網(wǎng)絡領(lǐng)域。1986年，Rumelhart、Hinton和Williams提出BP（Back

Propagation）神經(jīng)網(wǎng)絡的概念，這是一種按照誤差反向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，為神經(jīng)網(wǎng)絡提供了一種通用訓練算法，并使復雜神經(jīng)網(wǎng)絡求解成為可能，開啟了神經(jīng)網(wǎng)絡新一輪的高潮。1989年，George

Cybenko證明了“

萬

能

近

似

定

理

”

（

U

n

i

v

e

r

s

a

lApproximation

Theorem）。即只要給予神經(jīng)網(wǎng)絡足夠數(shù)量的隱藏單元，多層前饋網(wǎng)絡可以近似任意函數(shù)，這從根本上消除了人們對神經(jīng)網(wǎng)絡表達力的質(zhì)疑。1989年，LeCun發(fā)明了卷積神經(jīng)網(wǎng)絡（ConvolutionalNeural

Network，CNN），并首次將卷積神經(jīng)網(wǎng)絡成功應用到美國郵局的手寫字符識別系統(tǒng)中。人工智能開始走入應用發(fā)展的新高潮，專家系統(tǒng)能夠模擬人類專家的知識和經(jīng)驗，實現(xiàn)了人工智能從理論研究走向?qū)嶋H應用的重大突破。而機器學習（特別是神經(jīng)網(wǎng)絡）探索了不同的學習策略，在大量的研究和實際應用中開始展現(xiàn)出強大的能力。（三）復興期：20世紀80年代隨著計算機技術(shù)的迅猛發(fā)展，算力得到了極大的提升，這加速了人工智能的創(chuàng)新研究，并推動了人工智能技術(shù)進一步走向?qū)嵱没Ｈ欢?，由于專家系統(tǒng)的項目需要編碼大量的顯式規(guī)則，效率低下、成本高昂。因此，人工智能研究的重心從基于知識系統(tǒng)轉(zhuǎn)向了機器學習方向，此時經(jīng)典機器學習算法（如支持向量機、隨機森林等）大放異彩。1995年，Cortes和Vapnik提出聯(lián)結(jié)主義的經(jīng)典算法——支持向量機（SupportVector

Machine），它在解決小樣本、非線性及高維模式識別中擁有許多獨特的優(yōu)勢。1997年，在世界國際象棋錦標賽中，國際商業(yè)機器公司（IBM）研制的超級計算機“深藍”以2勝1負3平的成績戰(zhàn)勝了當時的世界冠軍卡斯帕羅夫，引起了全球關(guān)注，這一成就標志著計算機在復雜智力游戲中的勝利。其核心算法是基于暴力窮舉，并且使用剪枝算法和對殘局的搜索來降低搜索空間，不斷對局面進行評估，嘗試找出最佳走法。（四）起步期：1943年—20世紀60年代（四）起步期：1943年—20世紀60年代2001年，JohnLafferty首次提出條件隨機場模型（Conditionalrandom

field，CRF）。CRF是基于貝葉斯理論的判別式概率圖模型，在許多自然語言處理任務（如分詞、命名實體識別等）中表現(xiàn)出色。同年，布雷曼博士提出隨機森林（Random

Forest），將多個有差異的弱學習器（決策樹）Bagging并行組合，通過建立多個擬合較好且有差異模型進行組合決策，以優(yōu)化泛化性能。隨機森林的提出不僅豐富了機器學習的理論體系，也為解決實際問題提供了一種強大且靈活的工具。2006年，杰弗里·辛頓以及他的學生魯斯蘭·薩拉赫丁諾夫正式提出了深度學習的概念（DeepingLearning），開啟了深度學習在學術(shù)界和工業(yè)界的浪潮。2006年被稱為深度學習元年，杰弗里·辛頓也因此被稱為深度學習之父。（五）爆發(fā)期：2011年至今隨著大數(shù)據(jù)、云計算、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等信息技術(shù)的發(fā)展，海量的數(shù)據(jù)及圖形處理器等計算平臺提供前所未有的算力，推動以深度神經(jīng)網(wǎng)絡為代表的人工智能技術(shù)飛速發(fā)展，并大幅跨越了科學研究與實際應用之間的技術(shù)鴻溝，諸如圖像分類、語音識別、知識問答、人機對弈、無人駕駛等人工智能技術(shù)都實現(xiàn)了重大的突破，人工智能迎來爆發(fā)式增長的新高潮。2012年，Hinton和他的學生AlexKrizhevsky設(shè)計的AlexNet神經(jīng)網(wǎng)絡模型在ILSVRC競賽中獲得了第一名，這是史上第一次有模型在ImageNet數(shù)據(jù)集表現(xiàn)如此出色，它的出現(xiàn)標志著深度學習在計算機視覺領(lǐng)域的應用取得了重大突破。2014年，Goodfellow及Bengio等人提出生成對抗網(wǎng)絡（GenerativeAdversarialNetwork，GAN），被譽為近年來最酷炫的神經(jīng)網(wǎng)絡，得到了學術(shù)界和工業(yè)界的廣泛認可和應用，它的出現(xiàn)極大地推動了深度學習技術(shù)的發(fā)展。（五）爆發(fā)期：2011年至今2015年，谷歌開源了TensorFlow框架，它是基于Python的深度學習框架，該框架的初衷是以最簡單的方式實現(xiàn)機器學習和深度學習的概念，結(jié)合了計算代數(shù)的優(yōu)化技術(shù)，使其能夠方便計算許多數(shù)學表達式。借助TensorFlow，初學者和專家可以輕松創(chuàng)建適用于桌面、移動、Web和云環(huán)境的機器學習模型。2017年，在中國嘉興烏鎮(zhèn)舉行的三番棋比賽中，

圍棋世界冠軍柯潔與AlphaGo進行了對決，柯潔以總比分0∶3負于AlphaGo。這場比賽不僅標志著人工智能在圍棋領(lǐng)域的突破，

也刷新了人們對人工智能能力的認識。2

0

2

2

年，Chat

GPT問世

，

A

I

再

次刷

新

人

類

的想

象

，

未

來可期。PART深度學習和機器學習都是人工智能的子領(lǐng)域，深度學習實際上是機器學習的一個子領(lǐng)域，如圖所示。深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，它的本質(zhì)是使用多個隱藏層網(wǎng)絡結(jié)構(gòu)，通過大量的向量計算，學習數(shù)據(jù)內(nèi)在信息的高階表示。人工智能、機器學習和深度學習的關(guān)系深度學習實際上是由神經(jīng)網(wǎng)絡組成的。深度學習中的“深度”指的是由三層以上的神經(jīng)網(wǎng)絡組成，包括輸入和輸出，如圖所示。深度學習的神經(jīng)網(wǎng)絡構(gòu)成深度學習的強大是有數(shù)學原理支撐的，這個原理被稱為“萬能近似定理”。根據(jù)該定理，只要給予神經(jīng)網(wǎng)絡足夠數(shù)量的隱藏單元，它就可以擬合任何函數(shù)，無論這個函數(shù)的表達是多么復雜。因此，深度學習在擬合函數(shù)方面具有非常強大的能力。然而，深度學習的強大也帶來了相應的問題：黑盒化。PART23在人工智能的發(fā)展過程中，不同時代、不同學科背景的人對于人工智能的理解及其實現(xiàn)方法有著不同的思想主張，并由此衍生了不同的學派。其中，符號主義及聯(lián)結(jié)主義為主要的兩大派系。影響較大的學派及其代表方法見下表。人工智能學派主要思想代表方法聯(lián)結(jié)主義利用數(shù)學模型來研究人類認知的方法，用神經(jīng)元的連接機制實現(xiàn)人工智能神經(jīng)網(wǎng)絡、SVM（支持向量機）等符號主義認知就是通過對有意義的表示符號進行推導計算，并將學習視為逆向演繹，主張用顯式的公理和邏輯體系搭建人工智能系統(tǒng)專家系統(tǒng)、知識圖譜、決策樹等演化主義對生物進化進行模擬，使用遺傳算法和遺傳編程遺傳算法等貝葉斯主義使用概率規(guī)則及其依賴關(guān)系進行推理樸素貝葉斯等行為主義以控制論及感知-動作型控制系統(tǒng)原理模擬行為以復現(xiàn)人類智能強化學習等人工智能學派PART深度學習框架的出現(xiàn)降低了深度學習入門的門檻，我們不需要從復雜的神經(jīng)網(wǎng)絡開始編寫代碼，而是可以依據(jù)需要，使用已有的模型，模型的參數(shù)由自己訓練得到，也可以在已有模型的基礎(chǔ)上增加自己的layer（層），或者是在頂端選擇自己需要的分類器等。目前比較流行的深度學習框架見下表?？蚣苊Q接口語言開源廠商TensorFlowC++、Java、Python、Go等GooglePyTorchC++、PythonMeta（原Facebook）MXNetC++、Python、R、MATLAB等AmazonCognitive

ToolkitC++、PythonMicrosoftMindSporePython華為PaddlePaddleC++、Java、Python、Go等百度深度學習框架PART常見應用010205040306機器翻譯人臉識別無人駕駛汽車智能音箱個性化推薦圖像搜索無人駕駛汽車是智能汽車的一種，也稱為輪式移動機器人，主要依靠車內(nèi)以計算機系統(tǒng)為主的智能駕駛控制器來實現(xiàn)無人駕駛。無人駕駛中涉及的技術(shù)包含多個方面，例如計算機視覺、自動控制技術(shù)等。近年來，伴隨著人工智能浪潮的興起，無人駕駛成為人們熱議的話題，國內(nèi)外許多公司都紛紛投入自動駕駛和無人駕駛的研究中。例如，物流公司的無人快遞車、百度的Apollo等。1、無人駕駛汽車01人臉識別也稱人像識別、面部識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術(shù)。人臉識別涉及的技術(shù)主要包括計算機視覺、圖像處理等。人臉識別系統(tǒng)的研究始于20世紀60年代，之后，隨著計算機技術(shù)和光學成像技術(shù)的發(fā)展，人臉識別技術(shù)水平在20世紀80年代得到不斷提高。在20世紀90年代后期，人臉識別技術(shù)進入初級應用階段。目前，人臉識別技術(shù)已廣泛應用于多個領(lǐng)域，如金融、司法、公安、邊檢、航天、電力、教育、醫(yī)療等。2、人臉識別02機器翻譯是計算語言學的一個分支，是利用計算機將一種自然語言轉(zhuǎn)換為另一種自然語言的過程，并且盡可能做到“信達雅”。機器翻譯用到的技術(shù)主要是神經(jīng)機器翻譯技術(shù)，該技術(shù)當前在很多語言上的表現(xiàn)已經(jīng)超過人類。機器翻譯技術(shù)在促進政治、經(jīng)濟、文化交流等方面的價值凸顯，也給我們的生活帶來了許多便利。例如，我們在閱讀英文文章時，可以方便地通過有道翻譯、Google翻譯等網(wǎng)站將英文轉(zhuǎn)換為中文，免去了查詞典的麻煩。3、機器翻譯03是語音識別、自然語言處理等人工智能技術(shù)的電子產(chǎn)品類應用與載體，隨著智能音箱的迅猛發(fā)展，其也被視為智能家居的未來入口。究其本質(zhì)，智能音箱就是能完成對話環(huán)節(jié)的擁有語音交互能力的機器。通過與它直接對話，家庭消費者能夠完成控制家居設(shè)備和喚起生活服務等操作。支撐智能音箱交互功能的前置基礎(chǔ)主要包