人工智能不只是经验和总结

人工智能始于经验,超于经验

直到现在,还有很多人认为现在的人工智能只意味着对现有知识的经验和总结。其实近年基于深度神经网络的人工智能,在解决问题的能力上早已超出简单的经验和总结,人工智能始于经验,超于经验。

人类智能也是始于经验超于经验

以前的人工智能:在人工智能发展史上,对现有可能性的经验和总结,确实曾经几乎代表了人工智能。这一段如果不想看,可直接跳过,不影响后面阅读。上世纪40到50年代,就已经出现了类似蒙地卡罗算法这样的人工智能算法。蒙地卡罗算法,实际上就是不断列举可能性,然后根据多个可能性的结果得到一个可能性比例,列举次数越多这个可能性比例就越接近我们想要的结果。例如要计算一个圆的面积,蒙地卡罗算法的逻辑,就是在一个正方形(长宽相乘直接得到面积)的取值范围里面,不断随机生成数字,如果数字在圆形范围之内(距离圆心距离小于半径),则被统计为一个可能性。最后根据列举结果,得到在圆形中点数和总的列举次数的比例,就可以得到圆形面积。枚举越多,算出来的圆形面积越准确。这就是经验和总结的思路。

蒙地卡罗方法不断枚举可能性

大数据的意义:实际应用中,经验和总结的不断训练,会不断趋向于现有的真实结果。例如你可以通过统计多少人用右手拿筷子,最终得到一个真实的数量值,也就是最终知道确实有多少人用右手拿筷子,右手拿筷子的人的比例是多少。统计的基数越大,结果越准确,甚至一个城市人口有限,统计一个城市所有使用右手拿筷子的人,就可以得到真正真实的的结果,这也是大数据和统计的意义。

大数据可以还原真实结果

但经验和总结有一个天生的局限性:如果碰到经验从来没有出现过的状况,可能会无法处理。

经验可能无法解决没有遇到过的问题

我们用“让电脑判断一幅图片里面是否有猫”,看看经验、总结的思考方式和深度神经网络的思考方式有什么不同。

经验的思考方式:把十张有猫的图片输入电脑(这个步骤就是训练),当你输入任意一张图片,电脑把这张图片和十张图片进行比对,如果这张图片是十张中的一张,就可以判断这张图片里面有猫。经验的局限性非常明显,需要进行无尽的训练,在这个例子中需要从任何角度,任何远近任何,任何环境下,去给世界上所有猫拍照并输入到电脑。电脑在这些无尽的数据中,匹配你拍到的照片,如果匹配则图片里面有猫,如果不匹配则没有。这种方式解决复杂问题,显然是不切实际,也不可行的。经验可能会在抽象的问题解决上更加有意义,而不是这种具体的复杂的问题。

直接对比判断图片是否有猫

总结的思考方式:图片由多个像素排列而成,把一个图片输入到电脑中,事实上也是把图片所有像素点的rgb数据输入到电脑中。总结的思考方式,可以把任意一个点的特征和附近点的特征进行比对,得到一些统计的结果。但想要得到比较准确的结果,需要做的总结的数量可能非常多,而且可能需要做多个层次的总结。例如既需要对波斯猫做总结;也需要对小花猫做总结;还有猫的表情进行总结。还要从多个层次总结,例如考虑照片中的猫大小不同的总结;拍摄猫的不同部位进行总结;对猫的不同姿势进行总结;还要总结拍照本身可能产生的色差问题、光线敏感问题等等。总结的思考方式,比经验的思考方式更加高级,可行性也更高,但是其复杂性也更高。如果没有人类大脑的参与,这种总结可能会很难实现,即使能实现成本可能也极高。由于其复杂性和成本,解决具体和复杂问题的可行性也不高。

总结判断是否有猫

了解深度神经网络的思考方式,需要先了解深度神经网络的模型是怎么样的?

深度神经网络(DNN),与其说是一种算法,不如说是一种高仿人类大脑神经网络的数据处理模型。深度神经网络也类似人类神经系统一样,有用来计算和判断的神经节点(神经元),而神经节点之间的联系,有不同的权重,且权重可以随着训练不断变化。权重越大,表示两个神经节点的关系越紧密,权重越小,表示关系越疏离。不断的训练,其实就是在不断的强化每个神经节点之间的权重。

深度神经网络原理图


动物神经细胞

深度神经网络的黑箱:图片所有像素点的rgb数据输入到深度神经网络,深度神经网络可以根据图片的点和结果进行训练,以经验训练为基础,训练过程中会由深度神经网络自己对图片不同特征进行分支判断,并在不断判断学习中修正每次判断的权重关系。深度神经网络的黑箱,是解释这个过程的一种理论,人类现在尚未知道在深度神经网络的运行过程的细节,包括每次判断是怎么实现的,或者每次判断到底有什么意义。深度神经网络运行的过程,就好像是一个黑箱一样,我们对黑箱输入数据,黑箱最后给我们一个结果。我们知道这个结果是黑箱经过训练判断后给到我们的,所以我们认为结果是有意义的。而且实践检验后,确实跟人类大脑判断结果比总结的思考方式更接近。

深度神经网络的黑箱

在判断图片里面是否有小猫这个问题上,我们把很多猫的图片给到深度神经网络进行训练,这个过程其实也是吸收经验,所以是始于经验。训练得到的人工智能,我们使用的时候,输入一个图,最终输出给我们的是这个图片里面有小猫的概率。注意,这是一个概率,而不是简单的是或者否。深度神经网络并没有把一个问题说死,而是允许有其他可能性,允许有误差。这个特点就是神经网络可以不断学习不断创造的一个反映,也是人工智能超越经验的反映。

黑箱判断是否有猫


人工智能甚至可以判断是否有动画猫

深度神经网络的超越性在于不仅限于经验:传统的网站上,主要是使用总结的方式来投放广告,也就是说,用户搜索过某个关键词,电脑知道你对这个关键词感兴趣,于是就会不断的向你推送这个关键词直接相关的广告,而且仅推送直接相关的广告。而深度神经网络不通,它会吸收更多可能性,可能会注意到人类没有想到的影响因素。例如它可能会考虑用户这个搜索操作时间点的因素或者年龄的因素,给你推送一些匹配年龄的广告,这种广告超越了你搜索的关键词本身。

人工智能容纳多钟可能甚至创新

在阿尔法狗对战李世石的报导中,有一个被称为“神奇的第37步”,这是人类极少会想到的一步,无论是人类还是人工智能,选择下这一步的概率其实极低。阿尔法狗下这一步的时候,很可能并不是基于人类给阿尔法狗训练的经验,而是考虑到多种因素和后果后做出的创造性判断。

阿尔法狗对战李世石

经验总结和深度神经网络在思考方式上,以及要解决的问题上都是不同的。统计一个城市用右手拿筷子的人数,总结统计的可以得到一个城市用右手拿筷子的人的比例;而人工智能,可以根据一个城市的人对筷子使用习惯,判断一个人是左撇子还是右撇子,判断这个人会用左手拿苹果还是右手拿苹果。也不是说经验总结不能做这些判断,但是经验总结解决这类问题的难度是非常大的,而深度神经网络训练后判断的难度是比较小,而且准确度非常高。

人工智能始于经验,超于经验

使用深度神经网络的人工智能,也基于经验的训练,但比经验能够接受更多的可能性、出现更多创新性,同时解决具体的复杂的问题效率更高。也就是说人工智能始于经验,而超于经验。关注指尖科技说,与您一起感受意识的分量。

你可能感兴趣的:(人工智能不只是经验和总结)