人工智能技术的发展与应用

序在2016年3月以4:1的总比分战胜围棋世界冠军李世石,并在2016年末至2017年初陆续战胜了数十位中日韩围棋高手,AlphaGo不再依靠记录棋谱而是通过几百万次的增强学习建立模型来完成下棋过程。此外,谷歌还开发了单次学习算法,可使用一张照片来识别新物体,这样的算法能够应用于自动驾驶汽车的研发中,使自动驾驶汽车对于其他障碍物和汽车的识别更加迅速,提高自动驾驶的反馈速率和安全性。谷歌的人工智能研究还包括人工智能操作系统、人脸识别/图像识别、语音识别/自然语言处理、智能医疗、游戏以及智能搜索等。

微软在基于深度学习的语音识别和图像识别上均有重大突破,并将其应用到诸多微软产品中,如Skype即时翻译、小冰聊天机器人和小娜(Cortana)虚拟助理,小娜每天都在为1.13亿用户服务,并已回答了超过120亿个问题。此外微软的人工智能布局也从基础设施的角度出发,例如建立基于云平台的人工智能超级云电脑;为开发者提供深度学习工具包——CNTK（分布式运算神经网络框架）,帮助客户快速搭建人工智能模型;提供人脸识别等一些智能算法的应用程序编程接口（Application Programming Interface,API）,简化开发者的工作等。

苹果公司的人工智能技术多数已经实现在产品中,如将深度神经网络（Deep Neural Networks,DNN）算法引入Siri等语音识别应用中以提升语音识别的正确率,在Apple Store中使用深度学习算法辨别是否存在账户盗用情况,在Apple Watch上采用人脸识别技术辨析用户是否处于锻炼状态等。2016年3月,苹果发布了对于图像训练的人工智能报告,提出一种“模拟+无监督”的学习方法以提高图像识别能力。

Facebook目前拥有两个成熟的人工智能实验室,进行人工智能科学研究和机器学习研究,致力于为Facebook服务提供图像、语音、交互等方面的功能,并满足用户的个性化需求。Facebook目前正在通过对虚拟现实、增强现实以及机器人等人工智能软件应用和硬件的研究建立人工智能生态系统,以期实现人工智能与人类生活的对接。

我国的人工智能技术创新主要以3个互联网公司为首（BAT）,其中阿里巴巴和腾讯主要以拓展人工智能应用领域为主要工作方向,百度则以深度学习技术为核心进行多领域的应用开发。百度的语音识别、图像识别、自然语言处理等方面的应用均达到了国际领先水平,其研发的自动驾驶汽车已在2015年底完成了上路实测,而且发布了Apollo计划向汽车行业及自动驾驶领域的合作伙伴提供软件开放平台以协助搭建自动驾驶系统。同时百度也已经建成名为 “百度大脑”的人工智能系统,由超大规模神经网络、万亿级参数、亿级训练数据组成,能够完成语音、图像、自然语言处理和用户画像四大功能,目前已经达到了4岁儿童的智力水平。

2.3 人工智能技术的行业解决方案

1）生物识别。生物识别是指采用人体的生物标识（如指纹、人脸、虹膜等）进行比对,进而完成身份确认的一种技术方法。生物识别领域的主要特点是需要对大量的样本数据进行建模和计算,而人工智能技术的并行计算能力和迭代优化能力可以很好地保证数据处理的快速和准确。在生物识别应用领域,人工智能技术可以完成两方面的工作：一方面是将样本数据进行特征提取形成训练数据,通过训练数据训练识别模型;另一方面是通过学习模型完成生物信息的自动比对。

2）自动驾驶。自动驾驶系统是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统,通过终端感知信息收集、云端汇聚计算以及多协同决策下发来完成整个工作流程。而人工智能技术的自主决策和自愈合等特性可以完成分布式的计算和决策,并通过自愈合、自适应的能力保证V2X通信的顺畅。在自动驾驶领域中,人工智能技术的工作包括：使用机器学习理论的模式识别系统将路况信息自动识别出来,供自动驾驶系统作为汽车运行的依据;使用汽车自动运行系统,利用人工智能技术完成数据分析,从而自主地完成决策制定^[14]。

3）自然语言处理。自然语言处理系统是一种让机器理解人类语言的系统。基于机器学习算法,可以从数据中挖掘出语言学的一般性规律来助力机器对人类语言的理解,实现以规则和统计相结合的自然语言处理,而深度学习技术则可以有效地提升声音/文本语义处理、声学模型与语言模型建模、自然语言处理等领域的性能水平。

4）网络自主优化。目前的网络部署是一个非常复杂的问题,不仅需要考虑不同制式的基站以及不同规格的接入终端,同时为了保证边缘用户服务质量以及通信系统本身的能耗问题,需要对于基站发射功率、波束角度、中继节点位置、天线数量等很多参数进行综合部署。应用神经网络和模糊逻辑,一方面可以处理复杂的多输入数据,另一方面可通过隶属函数定式处理一些模糊的参数设定。

 3 人工智能技术发展面临的问题与建议

3.1 人工智能技术发展面临的问题

人工智能技术在近年来的发展异常迅速,各国的资金和科研投入力度也非常大,但人工智能技术的发展仍然存在一定的瓶颈。

1）计算能力。计算能力是制约人工智能技术发展的一个关键问题,不管是多层神经网络还是最简单的专家系统,人工智能技术都涉及处理大量数据并进行迭代计算,这需要大量的计算资源配合。在大型互联网企业,大规模机器学习算法经常用于处理十亿至千亿级别的样本,以及高达一亿乃至数十亿以上数据特征的大规模数据集^[15]。而一些特别的人工智能应用场景（如自动驾驶、虚拟现实等）还会对计算速度和反馈时延有非常严格的要求,这就对计算能力和计算基础设施建设提出了更高的要求。

2）安全性。安全性是目前人工智能技术发展面临的另一个问题。人工智能技术通常需要收集大量的感知数据并进行汇总,在数据传输和数据存储方面如果存在安全性问题会损害用户利益,也会影响到人工智能技术的应用范围,进而导致一些对安全要求较高的领域如金融、社保等行业中的人工智能研究进展放缓。

3）可靠性和易用性。在人工智能技术涉及的计算过程中,特别是在非监督的机器学习计算过程中,数据计算的精度和准确度会影响到决策制定的可靠性。而在面向大数据处理时,人工智能系统的易用性与机器学习的精度是同等重要的,如果能够用常规程序设计方法来有效完成大数据的复杂分析处理,将会极大地减轻开发人员的工作量,使人工智能的应用领域进一步扩展^[15]。

3.2 人工智能技术的发展建议

1）政策监管。监管部门应对人工智能进行系统的政策监管,对于人工智能所涉及到的感知、收集、传输、存储、计算等环节进行把控,建立健全的政策监管体系。

2）标准建设。目前研究人工智能的标准化组织和联盟数量众多,相关标准和文件也比较杂乱,应尽快建设人工智能综合标准化框架,保证人工智能的标准建设形成一定体系,将标准建设统一化、规范化。

3）技术研究。在加强人工智能相关算法、架构和机制研究的同时,还要关注人工智能相关基础设施的技术研究,保证基础设施的计算能力跟得上算法的演进步伐,并在人工智能算法研究中逐步减少对于资源的占用,形成轻量级的核心算法。

 4 结语

本文论述了人工智能技术的起源和发展,明晰了人工智能技术的定义和范畴,分析了人工智能的核心技术和应用场景,研究了目前基于人工智能的行业解决方案,并提出了人工智能技术在发展中面临的问题和建议。本文在人工智能技术持续突破、产品创新不断涌现的背景下,探讨了人工智能技术的不同应用场景,展现了人工智能的优势以及带给不同领域的推动力和创新力,以期为相关研究提供参考。

(编辑:邹海彬)

参考文献

[1] 贺倩. 人工智能技术在移动互联网发展中的应用[J]. 电信网技术, 2017(2): 1-4.

HE Qian.The application of artificial intelligence technology in the development of mobile internet[J]. Telecommunications Network Technology, 2017(2): 1-4.

[2] LI B H, HOU B C, YU W T, et al.Applications of artificial intelligence in intelligent manufacturing: a review[J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(1): 86-96.

[3] 杨涛. 对人工智能在金融领域应用的思考[J]. 国际金融, 2016(12): 24-27.

[4] 李文萃, 王世文, 李雄, 等. 基于人工智能的电网企业信息安全防控体系[J]. 电力信息与通信技术, 2017, 15(2): 105-109.

LI Wen-cui, WANG Shi-wen, LI Xiong, et al.An information security prevention system of power grid enterprises based on artificial intelligence[J]. Electric Power Information and Communication Technology, 2017,15(2): 105-109.

[5] LUGER G F.人工智能: 复杂问题求解的结构和策略[M]. 6版. 北京: 机械工业出版社, 2009.

[6] 钟义信. 信息转换原理: 信息、知识