Что такое ИИ?

ИИ (искусственный интеллект) — это техническая наука, которая исследует и разрабатывает методы моделирования, расширения и расширения человеческого интеллекта.

Он имеет следующие ключевые особенности:

• изучатьспособность：способен извлечь из большого количестваданные Средний автоматическийизучатьмодель、Законы и знания. Автор машинное обучениеалгоритм,ИИ может анализировать и понимать данные,Постоянно совершенствуйте свои собственные показатели и возможности.
• Интеллектуальная производительность: она может демонстрировать определенные аспекты, аналогичные человеческому интеллекту, такие как восприятие, познание, принятие решений, рассуждение и т. д. Например, распознавание изображений, распознавание речи, обработка естественного языка и т. д. — все это конкретные проявления интеллектуальной деятельности ИИ.
• Адаптивность: способность приспосабливаться и адаптироваться к различным условиям и задачам. Он может применять полученные знания и навыки в новых ситуациях для более эффективного выполнения задач.
• Автономия: способность действовать и принимать решения в определенной степени автономно, без необходимости постоянного вмешательства человека.
• Широкий спектр областей применения: охватывает многие отрасли, такие как здравоохранение, транспорт, финансы, образование и производство. Например, он может помочь в диагностике заболеваний в медицинской сфере и реализовать автономное вождение на транспорте.

С точки зрения реализации ИИ включает в себя различные технологии, такие как машинное обучение (включая обучение с учителем, обучение без учителя и т. д.), глубокое обучение (с использованием глубоких нейронных сетей), обработку естественного языка, компьютерное зрение, интеллектуальную робототехнику и т. д.

Цель ИИ — создать интеллектуальные системы, которые смогут думать, учиться и действовать как люди, чтобы помогать людям решать различные сложные проблемы и повышать эффективность работы и качество жизни. Однако развитие ИИ также порождает некоторые проблемы и проблемы, такие как этика, конфиденциальность данных, изменения в структуре занятости и т. д., которые требуют от нас тщательного размышления и решения этих проблем в процессе разработки и применения ИИ.

История развития ИИ

Развитие искусственного интеллекта можно проследить с 1950-х годов. Ниже приведены основные этапы его развития:

• Начальный период разработки（1956Год-20век60Год代初）：Лето 1956 г.,Маккарти、Мински и другие ученые в США.Дартмутский колледжВстреча для обсуждения“Как использовать машины для имитации человеческого интеллекта”,Предлагается впервые «ИИ (Искусственный интеллект),Понятие «ИИ для краткости»,Отмечая рождение дисциплины искусственного интеллекта。на этом этапе,ИИ добился впечатляющих результатов исследований,Например, машинное доказательство теорем, программа шашек и т. д.,Это положило начало первой кульминации развития ИИ.
• Период рефлексивного развития (1960-е – начало 1970-х гг.): На заре развития ИИ.,Люди ожидают от него слишком многого,Были предложены некоторые нереалистичные цели НИОКР. Однако,Из-за технических ограничений и трудностей практического применения.,Эти цели не были достигнуты,Это привело к тому, что развитие ИИ достигло минимума.
• Период разработки приложений (с начала 1970-х до середины 1980-х годов): экспертные системы, появившиеся в 1970-х годах, моделировали знания и опыт людей-экспертов для решения проблем в конкретных областях.,В ИИ был достигнут крупный прорыв от теоретических исследований к практическому применению, от обсуждения общих стратегий рассуждения к применению специальных знаний. Экспертные системы добились успеха в таких областях, как медицина, химия, геология и т. д.,Продвигайте ИИ к новой кульминации разработки приложений.
• Период вялого развития (середина 1980-х – середина 1990-х годов): с постоянным расширением масштабов применения ИИ.,Экспертные системы имеют узкую область применения.、отсутствие знаний здравого смысла、Трудности в получении знаний、Единый метод рассуждения、Отсутствие распределенного функционала.、Постепенно выявились такие проблемы, как трудности совместимости с существующими библиотеками данных.
• Стабильный период развития（20век90Год代中-2010Год）：Поскольку сетевые технологии, особенно Интернеттехнологическое развитие,Ускорение инновационных исследований ИИ,Продвигать технологию ИИ, чтобы она стала практичной. В 1997 году суперкомпьютер Deep Blue компании International Business Machines Corporation (IBM) победил чемпиона мира по шахматам Каспарова.,В 2008 году IBM предложила концепцию «Умной планеты».,Это знаковые события этого периода.
• Период бума (с 2011 г. по настоящее время).、облачные вычисления、Интернет、物联网等信息технологическое развитие,Повсеместное восприятие данных графическими процессорами и другими вычислительными платформами способствует быстрому развитию технологий ИИ, представленных глубокими нейронными сетями.,Значительное преодоление «технологического разрыва» между наукой и применением,Такие технологии, как классификация изображений, распознавание речи, вопросы и ответы на знания, человеко-машинные игры и беспилотное вождение, достигли технологических прорывов от «непригодных и трудных в использовании» до «можно использовать».,Начало новой кульминации взрывного роста.

Текущий статус развития искусственного интеллекта выглядит следующим образом:

• Выделенный ИИ совершил важный прорыв: специальная система ИИ для конкретных задач имеет одну задачу.、Четкие потребности、Четкие границы приложения、Богатые знания предметной области、Моделирование относительно простое.,Сформирован единый прорыв в области ИИ,Может превзойти человеческий интеллект в одном тесте на местном уровне разведки.
• Универсальная ИИ все еще находится в зачаточном состоянии: по-настоящему полноценная система ИИ должна быть универсальной интеллектуальной системой.,Умение делать выводы из одного случая и все понимать,Он может решать различные проблемы, такие как зрение, слух, суждение, рассуждение, обучение, мышление, планирование и дизайн. в настоящий момент,Несмотря на то, что в области специализированных ИИ был достигнут прорывной прогресс,Однако исследованиям и применениям в области общего ИИ еще предстоит пройти долгий путь.,Общий уровень развития ИИ все еще находится в зачаточном состоянии.

Основные события в сфере разработки ИИ

• 1943: Уоррен Маккалок Маккалок и Уолтер Питтс Питтс предложили концепцию нейронной сети и модель MCP.,Это заложило основу для развития ИИ.
• 1955Год：Джон Маккарти, отец искусственного интеллекта и другие внесли предложение, впервые предложив концепцию «ИИ».
• 1956: состоялась Дартмутская конференция, ознаменовавшая официальное рождение ИИ.
• 1969: Появился алгоритм обратного распространения ошибки (BACKPROP), который является важным алгоритмом обучения нейронной сети.
• 1986: Исследователи из Университета Бундесвера в Германии установили на фургон камеры и интеллектуальные датчики для обеспечения автономного вождения.
• 1997: ИБМ Суперкомпьютер Deep Blue победил чемпиона по шахматам Гарри Каспарова, продемонстрировав способности ИИ в сложных играх.
• 2011: ИИ «Ватсон» компании ИБМ победил оппонентов-людей в викторине «Опасность».,доказал ИИсуществовать Пустяки方面的способность。
• 2012: Исследователи Google продемонстрировали прорыв в распознавании изображений, продемонстрировав, что нейронная сеть, обученная алгоритмом глубокого обучения, способна идентифицировать кошек.
• 2016: Google AlphaGo Победа над чемпионом мира по го Ли Седолем вызвала мировой интерес к ИИсосредоточиться. на。

Основные понятия ИИ

Искусственная нейронная сеть

Искусственная нейронная сеть — это математическая модель или вычислительная модель, имитирующая структуру и функции биологических нейронных сетей. С точки зрения непрофессионала, ИНС — это компьютерная система, которая преобразует входные данные в выходные путем моделирования процесса принятия решений биологической нейронной сети.

Процесс принятия решения одним нейроном:

\hat{y} = \phi(\sum_{i=1}^{n} x_i w_i + b)

x_i для входных данных и w_i - его соответствующий вес. После суммирования функция является непрерывной функцией, а функция активации function) \phi Используется для принятия решений по результатам после суммирования.

В многослойной модели выходные данные предыдущего слоя передаются следующему слою в качестве входных данных следующего слоя.

Машинное обучение, глубокое обучение, базовые модели и большие языковые модели

Машинное обучение — это широкая область, цель которой — позволить компьютерам учиться и приобретать знания, закономерности, а также делать прогнозы и решения с помощью данных. Глубокое обучение — важная отрасль и расширение машинного обучения. В глубоком обучении особое внимание уделяется использованию многослойных структур нейронных сетей для обучения. Он использует большие объемы данных и мощные вычислительные мощности для решения сложных задач путем автоматического изучения представлений объектов.

Конкретные отношения можно увидеть из следующих моментов:

• глубокое обучениедамашинное обучение передовой технологии, унаследованной от машинного основная философия и метод обучения.
• машинное обучение содержит множество различных алгоритмов и методов, и Обучение показало сильные способности в обработке сложных данных, таких как изображения, речь и естественные языки. обучение важное расширение в этих областях.
• глубокое Развитие обучения еще больше способствует машинному Прогресс обучения расширил сферу его применения и эффект.

Например, в задачах распознавания изображений традиционное машинное обучение может потребовать ручного проектирования функций, в то время как глубокое обучение может автоматически изучать эффективные представления функций на основе больших объемов данных изображения, тем самым обеспечивая более точное распознавание.

До появления базовых моделей обычно модель выполняла только одну конкретную задачу, в то время как базовая модель могла обучаться на нескольких типах данных и выполнять различные задачи в соответствии с потребностями.

Модель большого языка — это модель обработки большого языка, основанная на технологии глубокого обучения и являющаяся разновидностью базовой модели.

Он имеет следующие характеристики:

• Масштабное обучение работе с данными: обучение работе с огромными объемами текстовых данных.,тем самымизучать到丰富的语言Знание、Семантическое понимание и грамматические правила.
• Большое количество параметров: обычно содержит большое количество параметров.,这使其具有强大的表示способностьиизучатьспособность。
• Общие возможности обработки языка: способны обрабатывать различные задачи на естественном языке, такие как генерация текста, вопросы и ответы на знания, логические расчеты, понимание прочитанного и т. д.
• Глубокое понимание и генерация: может глубоко понимать вводимый текст.,и генерировать последовательные, логичные текстовые ответы на естественном языке.