和人工智能有關的論文(2)
人工智能有關的論文篇二
人工智能步入壯年期
若干年來，人工智能一直面臨著應用范圍有限的尷尬。但是隨著研究的深入和技術的不斷成熟，人工智能將越來越切實可行。
Stair是一臺樣子古怪的設備，像一個架在輪椅上的花架，但是實際上它是一部人工智能機器人。
坐在會議室桌旁邊的工作人員對Stair說: “Stair，請從實驗室拿來訂書機。”站在旁邊的Stair回復道: “我會為您去拿訂書機。”如果仔細分辨，Stair說話時，還帶著一種鼻音。
Stair迅速啟動――它靠兩個輪子行進，在實驗室內(nèi)自由穿行，一路上自如地避開各種障礙物。它的“眼睛”是一部立體照相機，這對“大眼睛”不斷靈活地來回轉動，拍下房間里面的內(nèi)容，以確定行進的路徑以及判斷哪些是障礙物。
Stair穿過零亂的實驗室后，來到一張桌子前，似乎考慮了一下后，仔細打量了桌子上的長方形金屬物體――訂書機。然后它伸出關節(jié)臂，轉來轉去，用外面裹以橡膠的長長手指緩緩地夾起了訂書機，然后原路返回會議室。Stair將訂書機交給工作人員說: “給您訂書機。祝您今天過得愉快。”
以上的場景并不是出現(xiàn)在科幻電影或書籍中，而是在現(xiàn)實生活中活生生地存在著。
如今，人工智能領域研究人員的心情越來越好，他們所研究的成果在不斷地取得突破。盡管Stair的表現(xiàn)與替主人撿報紙的小狗相比似乎強不了多少，但這在幾年前還是不敢想象的。
Stair代表了新一代的人工智能，集成了學習、視覺、導航、操縱、規(guī)劃、推理、語音和自然語言處理等多項技術。它還標志著人工智能從細分的狹小領域，進入到系統(tǒng)能夠學會處理復雜數(shù)據(jù)、適應不確定情況的現(xiàn)實世界。
咸魚翻身
人工智能在自身發(fā)展中，經(jīng)歷了不少磨礪。技術先在幕后隱藏了幾年，經(jīng)過一輪輪炒作后，突然閃亮登場。隨后要是技術沒有兌現(xiàn)不切實際的承諾，就名譽掃地。取得了顯著成就后，終于被人們所接受。
人工智能起源于上世紀50年代末期，后來在80年代憑借“專家系統(tǒng)”而備受矚目。專家系統(tǒng)先與真實世界的專家(比如國際象棋冠軍)“過招”，然后通過軟件把專家的一套邏輯規(guī)則編入到系統(tǒng)中。如果情況A發(fā)生，就做X，如果情況B發(fā)生，就做Y。微軟研究部門的人工智能研究人員Eric Horvitz表示: “盡管專家系統(tǒng)在處理下棋等特殊的任務時表現(xiàn)不俗，但它們實際上‘功能很弱’。”
Horvitz認為，專家系統(tǒng)的作用主要是獲取大量的人類知識，然后設法把這些知識組合成具有人類推理本領的推理系統(tǒng)。但是它們無法“擴展”，也就是說無法適應編程人員之前沒有明確預料到的情況。
如今，人工智能系統(tǒng)已經(jīng)發(fā)展到可以在“非常龐大而復雜的世界”執(zhí)行有用的工作。Horvitz說: “因為這些小小的軟件代理無法完整地表現(xiàn)這個世界，它們對自己該執(zhí)行什么樣的動作并不確定。于是，它們學習了解各種事情出現(xiàn)的概率，它們學習用戶偏好，它們變得有了自我意識。”
這些功能來自于所謂的機器學習，這項技術是許多現(xiàn)代人工智能應用的核心。實質上，編程人員最初為自己要解決的某個問題建立一個簡陋模型，然后添加讓軟件能夠通過經(jīng)驗不斷適應、完善的功能。以語音識別軟件為例，這一類軟件日臻完善，已經(jīng)能學會察覺人的聲音的細微變化。比方客戶在網(wǎng)上購物時，通過聲音輸入，一些網(wǎng)站就能夠更準確地預測客戶的購物偏好。
數(shù)據(jù)是關鍵
機器學習當然離不開靈巧的算法，但是近些年來促使機器學習備受矚目的背后原因是，現(xiàn)實生活中存在大量數(shù)據(jù)可供分析使用，這些數(shù)據(jù)來自互聯(lián)網(wǎng)以及數(shù)量激增的物理傳感器。Carlos Guestrin是卡內(nèi)基•梅隆大學的計算機學和機器學習助理教授，他專注于傳感器、機器學習和優(yōu)化等技術。
Guestrin說: “南加州大學和加州大學洛杉磯分校的科學家們把傳感器裝在機器人船上，以便檢測及分析大片水域的破壞性赤潮。人工智能通過算法學會預測水藻的地點和成長情況。相似的是，卡內(nèi)基•梅隆大學的研究人員把傳感器裝在地方供水系統(tǒng)中，以便檢測及預測污染物的擴散。在這兩種情況下，機器學習都逐漸提高了預測的準確性，而優(yōu)化算法知道把成本高昂的傳感器放在哪個地方最適合。”
Guestrin還在開發(fā)另外一種系統(tǒng)，它可以搜索數(shù)量眾多的博客，根據(jù)某個用戶的瀏覽記錄和偏好，找出該用戶有興趣閱讀的博客。他表示，這項任務聽上去與通過傳感器預測污染物擴散的任務完全不同，其實背后是一樣的原理。
“污染物通過供水系統(tǒng)來擴散，基本上就像新聞故事通過互聯(lián)網(wǎng)來傳播。我們能夠使用同一種建模思想和算法來解決這兩個問題。”
Guestrin還認為，像博客過濾器這些具有人工智能功能的工具，其重要意義不僅僅局限于能夠每天節(jié)省幾分鐘時間。“我們根據(jù)非常有限的信息做出生活當中的決定，比如我們選舉誰、我們覺得哪些問題重要。但是人們往往沒有做出某種明智決定所需要的那種分析能力，尤其是信息量增加后，我們做出明智決定的能力實際上反而減弱了，而機器學習和人工智能恰恰可以助我們一臂之力。”
微軟研究部門在道路交通預測模型中結合了傳感器、機器學習以及對人類行為的分析。對傳感器和計算機預測而言，預測交通瓶頸似乎是一種不是很困難的應用。以美國某些圍繞大城市的州際公路為例，往往在星期一下午5點出現(xiàn)交通堵塞。司機這時可能想知道，什么地方、什么時候出現(xiàn)了交通堵塞的情況，或其他意外情況。另外更重要的是，司機希望堵車之前就知道這種情況會在什么地方出現(xiàn)。于是，微軟研究部門建立了一個“意外情況預測”模型，通過以往的交通情況，結合傳感器捕獲的實際交通流量，學會預測30分鐘后的意外情況。在測試時，該模型能夠預測西雅圖地區(qū)道路上大約50%的意外情況。現(xiàn)在該模型已經(jīng)投入使用、服務于幾千名司機，他們可在Windows Mobile設備上收到預警信息。
很少有幾家組織需要像搜索引擎公司那樣需要弄清楚大量數(shù)據(jù)的意思。比方說，要是某個用戶使用谷歌搜索引擎搜索“玩具車”，然后點擊出現(xiàn)在搜索結果頂部的沃爾瑪廣告，這能為沃爾瑪創(chuàng)造多少價值呢?谷歌應當為這次點擊收取多少費用呢?答案就在于人工智能采用的“數(shù)字交易代理”(digital trading agents)這項特長，沃爾瑪和谷歌等公司在網(wǎng)上自動拍賣中運用了這項技術。
密歇根大學教授兼搜索市場專家Michael Wellman解釋: “關鍵字多達數(shù)百萬，一個廣告客戶可能只對其中的數(shù)百個或數(shù)千個有興趣。他們必須關注關鍵字的價格，然后決定如何分配廣告預算。谷歌或雅虎要弄清楚某個關鍵字的價值多少太難了，他們就讓市場通過拍賣過程自行決定價值。”
“玩具車”查詢提交上去后，谷歌會在極短的時間內(nèi)查詢哪些廣告客戶對這些關鍵字感興趣，然后查看他們的競價，決定顯示誰的廣告、把廣告投放在頁面上哪個部分。Wellman說: “我特別感興趣的問題是，廣告客戶應當如何確定競購哪些關鍵字、出多少競價、如何根據(jù)廣告實際效果不斷學習調整，以及有多少競爭對手在競購某個關鍵字。”
Wellman表示，目前已知最出色的模型采用了面對不確定情況來預測價格的機制。顯然，任何一方都別指望通過每筆交易來優(yōu)化財務效益，但是他們可以將機器學習運用到實時報價和競標上，從而不斷提高效益。
研究大腦機理
有人可能以為人工智能是從研究人類大腦工作機理入手的。但人工智能方面的進步大多來自計算機科學，而不是來自生物或認知科學。
這些領域有時有著共通的思想，但它們之間的合作充其量也只是一種“松散耦合”的關系，卡內(nèi)基•梅隆大學機器學習系主任Tom Mitchell說。“過去人工智能方面的大部分進步來自良好的工程學思想，而不是因為我們觀察了大腦的工作機理，然后進行模仿。”
但是，現(xiàn)在這種情況在發(fā)生變化。“突然，我們有辦法來觀察大腦到底在做什么，借助諸如功能性磁共振成像的腦部成像方法。這種方法可以觀察人在思考時大腦的實際活動。”Michael說。
他表示，認知科學和計算機科學如今能夠實現(xiàn)以前不可能實現(xiàn)的思想共通。比方說，如果機器人做對了事，某些人工智能算法會向機器人發(fā)出小小的獎勵信號; 要是做錯了事，就會發(fā)出懲罰信號。隨著時間的推移，這會形成累積效應，機器人就會學習、完善。
Mitchell表示，研究人員通過功能性磁共振成像方法發(fā)現(xiàn)，大腦的一些部位其實際活動與這種“強化學習”算法預測的如出一轍。他說: “人工智能實際上有助于我們開發(fā)了解我們大腦中實際活動的模型。”
Mitchell及其同事一直在研究腦部成像方法所揭示的大腦神經(jīng)活動，以解讀大腦在如何呈現(xiàn)知識。為了訓練自己的計算機模型，他們?yōu)閷嶒瀸ο蟪鍪玖?0個名詞，比如電話、房子、番茄和胳膊， 然后觀察大腦在看到每個名詞后出現(xiàn)的圖像。隨后，他們使用谷歌收錄了一萬億個單詞的文本數(shù)據(jù)庫，確定了往往伴隨60個基本單詞出現(xiàn)的幾個動詞，比如伴隨電話的鈴響，然后根據(jù)兩者都出現(xiàn)的頻率，為這些單詞賦予權重。
隨之形成的模型就能準確預測之前從未見過相應圖像的某個單詞會引起大腦出現(xiàn)什么樣的圖像。簡單地說，這種模型就會預測，名詞“飛機”帶來的大腦圖像更像是名詞“火車”帶來的大腦圖像，而不像名詞“番茄”帶來的大腦圖像。
Mitchell說: “我們過去感興趣的是大腦如何呈現(xiàn)想法，而這個試驗有望揭示對人工智能來說很棘手的一個問題。怎樣才能準確、普遍地呈現(xiàn)知識?也許還有其他經(jīng)驗可以汲取，大腦也很容易忘記知識。”
斯坦福大學計算機學助理教授Andrew Ng領導了多才多藝的Stair的研發(fā)工作。他表示，這個機器人證明了人工智能識方面許多之前彼此獨立的領域現(xiàn)在足夠成熟，可以融為一體，“實現(xiàn)人工智能的遠大夢想”。
那么這個夢想到底是什么呢?Ng說: “早先的著名預言稱，在比較短的時間內(nèi)，計算機的智能化程度會與人類一樣高。我們依舊希望，在將來的某個時間，計算機的智能化程度會與我們一樣高。但這個問題不是十年后有望解決的，可能一百年過后才有望解決。”
鏈 接
人工智能
在華爾街的應用
引起當前這場金融危機的反面人物當中就有華爾街的“數(shù)據(jù)分析員”，即為交易優(yōu)化和風險分析開發(fā)人工智能模型的計算機科學家和數(shù)學家。但是密歇根大學的計算機學和工程學教授Michael Wellman表示，現(xiàn)在就下: “任何模型未能預防金融危機或者甚至導致了金融危機”這個定論，還為時過早。
專門研究人工智能在市場應用的Wellman說: “我認為，交易和風險分析的自動化是從一個方面來解決問題，而不是從一個方面來引起問題。比方說，一大問題是缺乏透明度――許多公司甚至不知道自己擁有的資產(chǎn)。要是投資合同更容易被機器讀懂、更容易分析，公司就可以更全面地分析風險、更充分地了解自己所處的狀況。”
看了“人工智能有關的論文”的人還看了：