人工智能現(xiàn)狀與未來(lái)

人工智能的現(xiàn)狀與未來(lái)網(wǎng)經(jīng)科技劉繼明精品ppt1人工智能概述第一節(jié)深度學(xué)習(xí)與智能?chē)宓诙?jié)人工智能3.0第三節(jié)目錄content人工智能的新革命第一節(jié)人工智能簡(jiǎn)述深度學(xué)習(xí)算法知識(shí)圖譜精品ppt3人工智能將引領(lǐng)人類第四次工業(yè)革命–智能化時(shí)間18世紀(jì)末工業(yè)1.0創(chuàng)造了機(jī)器工廠的“蒸汽時(shí)代”20世紀(jì)初電力廣泛應(yīng)用蒸汽機(jī)信息物聯(lián)系統(tǒng)1970年代初今天工業(yè)2.0將人類帶入分工明確、大批量生產(chǎn)的流水線模式和“電氣時(shí)代”工業(yè)3.0應(yīng)用電子信息技術(shù)，進(jìn)一步提高生產(chǎn)自動(dòng)化水平自動(dòng)化、信息化工業(yè)4.0開(kāi)始應(yīng)用信息物理融合系統(tǒng)（CPS）復(fù)雜度悄悄來(lái)臨互聯(lián)網(wǎng)時(shí)代正在終結(jié)人工智能機(jī)器人交通工具（即無(wú)人機(jī)、無(wú)人駕駛等）VR（虛擬現(xiàn)實(shí)）AI將催生“無(wú)用階層”嗎？人工/腦力勞動(dòng)：翻譯、記者...人工/體力勞動(dòng)：保安、保姆...什么是人工智能(AI)?全面實(shí)施戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃，加快人工智能等技術(shù)的研發(fā)和轉(zhuǎn)化，做大做強(qiáng)產(chǎn)業(yè)集群把發(fā)展智能制造作為主攻方向，推進(jìn)國(guó)家智能制造示范區(qū)、制造業(yè)創(chuàng)新中心建設(shè)人工智能：國(guó)家戰(zhàn)略(2017年政府工作報(bào)告)人工智能（ArtificialIntelligence），英文縮寫(xiě)為AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。人工智能是對(duì)人的意識(shí)、思維的信息過(guò)程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過(guò)人的智能。什么是人工智能？人工智能有那些類型？弱人工智能，包含基礎(chǔ)的、特定場(chǎng)景下角色型的任務(wù)，如Siri等聊天機(jī)器人和AlphaGo等下棋機(jī)器人；通用人工智能，包含人類水平的任務(wù)，涉及機(jī)器的持續(xù)學(xué)習(xí)；強(qiáng)人工智能，指比人類更聰明的機(jī)器；195619741980198719932006AI的誕生1956達(dá)特矛斯會(huì)議，“人工智能”正式誕生孕育期電子計(jì)算機(jī)機(jī)器翻譯與NLP圖靈測(cè)試計(jì)算機(jī)下棋早期神經(jīng)網(wǎng)絡(luò)搜索式推理聊天機(jī)器人樂(lè)觀思潮所有的AI程序都只是“玩具”運(yùn)算能力計(jì)算復(fù)雜性常識(shí)與推理專家系統(tǒng)知識(shí)工程五代機(jī)神經(jīng)網(wǎng)絡(luò)重生未達(dá)預(yù)期削減投入摩爾定律統(tǒng)計(jì)機(jī)器學(xué)習(xí)AI廣泛應(yīng)用大數(shù)據(jù)計(jì)算能力應(yīng)用增多深度學(xué)習(xí)人工智能2016人工智能發(fā)展歷程手機(jī)中的AI人工智能相關(guān)技術(shù)剛剛越過(guò)曲線高峰（處于狂熱期），是推動(dòng)透明化身臨其境體驗(yàn)技術(shù)發(fā)展的主要?jiǎng)恿ι婕巴该骰砼R其境體驗(yàn)的人本技術(shù)（如智能工作空間、互聯(lián)家庭、增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)、腦機(jī)接口）是拉動(dòng)另外兩大趨勢(shì)的前沿技術(shù)數(shù)字平臺(tái)在曲線上處于快速上升期，其中的量子計(jì)算和區(qū)塊鏈將在今后5—10年帶來(lái)變革性的影響AI處于什么階段？AIRoadmap國(guó)人為什么要關(guān)注AI？為什么人類能成為地球的主宰？基因：人和大猩猩的基因，有98.4%都是完全一樣的，只有1.6%有區(qū)別“符號(hào)語(yǔ)言”（口頭語(yǔ)言和書(shū)面文字）：傳遞、保存、共享知識(shí)“集體知識(shí)”：人類的大腦可以相互共享信息，交換知識(shí)人類個(gè)體比其他動(dòng)物沒(méi)有多大優(yōu)勢(shì)，掌握了符號(hào)語(yǔ)言，人類社會(huì)的結(jié)構(gòu)發(fā)生了突變，有了一個(gè)連接在一起的集體大腦。這種物種之間相互關(guān)聯(lián)、相互作用的方式，才是我們和其他物種的真正區(qū)別腦容量：歷史上的“尼安德特人”和我們的祖先腦容量是一樣的。但后來(lái)尼安德特人就沒(méi)留下來(lái)，只有我們這一支留下來(lái)了《時(shí)間地圖：大歷史導(dǎo)論》知識(shí)和創(chuàng)新是推動(dòng)人類發(fā)展的動(dòng)力AI學(xué)科結(jié)構(gòu)AI的幾大門(mén)派符號(hào)學(xué)派聯(lián)結(jié)學(xué)派行為學(xué)派神經(jīng)網(wǎng)絡(luò)知識(shí)表示機(jī)器人模擬人的心智模擬腦的結(jié)構(gòu)模擬人的行為聰明的AI有學(xué)識(shí)的AI深度學(xué)習(xí)知識(shí)圖譜感知識(shí)別判斷思考語(yǔ)言推理貝葉斯學(xué)派進(jìn)化學(xué)派類推學(xué)派人工智能產(chǎn)業(yè)生態(tài)的三層基本架構(gòu)基礎(chǔ)資源層：主要是計(jì)算平臺(tái)和數(shù)據(jù)中心，屬于計(jì)算智能；技術(shù)層：通過(guò)機(jī)器學(xué)習(xí)建模，開(kāi)發(fā)面向不同領(lǐng)域的算法和技術(shù)，包含感知智能和認(rèn)知智能；應(yīng)用層：主要實(shí)現(xiàn)人工智能在不同場(chǎng)景下的應(yīng)用?；A(chǔ)資源支撐AI生態(tài)逐步形成：基礎(chǔ)資源+技術(shù)+應(yīng)用人工智能系統(tǒng)的技術(shù)架構(gòu)智能終端智能云平臺(tái)人工智能的新革命第一節(jié)人工智能簡(jiǎn)述深度學(xué)習(xí)算法知識(shí)圖譜精品ppt17推理期知識(shí)期機(jī)器學(xué)習(xí)期人工智能的三個(gè)研究階段1950s1970s1980s基于符號(hào)知識(shí)表示通過(guò)演繹推理技術(shù)基于符號(hào)知識(shí)表示通過(guò)獲取和利用領(lǐng)域知識(shí)建立專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)第二個(gè)高潮NP(non-deterministicpolynomial-time)難題中獲重大進(jìn)展助力大量現(xiàn)實(shí)問(wèn)題神經(jīng)網(wǎng)絡(luò)第一個(gè)高潮期神經(jīng)網(wǎng)絡(luò)以深度學(xué)習(xí)之名再次崛起大幅提升感知智能準(zhǔn)確率201790s中期統(tǒng)計(jì)學(xué)習(xí)登場(chǎng)并占據(jù)主流，支持向量機(jī)、核方法為代表性技術(shù)提出支持向量、VC維等概念統(tǒng)計(jì)學(xué)的研究成果經(jīng)由機(jī)器學(xué)習(xí)研究，形成有效的學(xué)習(xí)算法聯(lián)結(jié)學(xué)派對(duì)大腦進(jìn)行逆向分析靈感來(lái)自于神經(jīng)科學(xué)和物理學(xué)產(chǎn)生的是“黑箱”模型神經(jīng)網(wǎng)絡(luò)可歸置此類符號(hào)學(xué)派將學(xué)習(xí)看作逆向演繹并從哲學(xué)、心理學(xué)、邏輯學(xué)中尋求洞見(jiàn)代表包括決策樹(shù)和基于邏輯的學(xué)習(xí)機(jī)器學(xué)習(xí)&深度學(xué)習(xí)從以“推理”為重點(diǎn)到以“知識(shí)”為重點(diǎn)，再到以“學(xué)習(xí)”為重點(diǎn)機(jī)器可以自動(dòng)“學(xué)習(xí)”的算法，即從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法。目前，機(jī)器學(xué)習(xí)=“分類”人工智能>機(jī)器學(xué)習(xí)>深度學(xué)習(xí)深度學(xué)習(xí)是使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的算法深度學(xué)習(xí)是一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值（例如一幅圖像）可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實(shí)例中學(xué)習(xí)任務(wù)（例如，人臉識(shí)別或面部表情識(shí)別）。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來(lái)替代手工獲取特征用數(shù)據(jù)優(yōu)化計(jì)算機(jī)程序的模型參數(shù)通過(guò)經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)算法深度學(xué)習(xí)算法簡(jiǎn)介：機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)的基本定理模型的出錯(cuò)率∝推論：模型復(fù)雜-》大樣本

樣本小-》簡(jiǎn)化模型

Classlabel(Classification)Vector(Estimation)機(jī)器學(xué)習(xí)實(shí)施過(guò)程特征提取特征1樣本數(shù)據(jù)樣本數(shù)據(jù)樣本數(shù)據(jù)…n預(yù)處理特征樣本集原始樣本集機(jī)器學(xué)習(xí)算法訓(xùn)練預(yù)測(cè)輸出驗(yàn)證集評(píng)價(jià)目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)特征1…n訓(xùn)練集目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)特征1…n驗(yàn)證集目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)預(yù)測(cè)目標(biāo)預(yù)測(cè)目標(biāo)預(yù)測(cè)目標(biāo)改進(jìn)特征提取特征提取特征1樣本數(shù)據(jù)樣本數(shù)據(jù)樣本數(shù)據(jù)…n特征樣本集原始樣本集目標(biāo)特征1…n目標(biāo)特征1…n目標(biāo)統(tǒng)計(jì)分析變換特征運(yùn)算特征選取是成敗的關(guān)鍵人腦是通過(guò)分級(jí)的、多層網(wǎng)絡(luò)模型來(lái)識(shí)別減少數(shù)據(jù)量，保留物體的有用信息低層信息預(yù)處理特征提取識(shí)別分類對(duì)效果影響極大手動(dòng)化特征工程非常耗時(shí)圖像識(shí)別的一般流程人腦識(shí)別圖像的過(guò)程第一個(gè)模型是一個(gè)線性模型，低度擬合，不能很好地適應(yīng)訓(xùn)練集；第三個(gè)模型是一個(gè)四次方的模型，過(guò)度擬合，雖然能非常好地適應(yīng)我們的訓(xùn)練集，但在新輸入變量進(jìn)行預(yù)測(cè)時(shí)可能會(huì)效果不好；中間的模型似乎最合適經(jīng)過(guò)算法預(yù)測(cè)的結(jié)果是一個(gè)連續(xù)的值，我們稱這樣的問(wèn)題為回歸問(wèn)題。算法能夠?qū)W會(huì)如何將數(shù)據(jù)分類到不同的類里，我們稱這樣的問(wèn)題為分類問(wèn)題。深度學(xué)習(xí)算法簡(jiǎn)介：數(shù)學(xué)基礎(chǔ)當(dāng)感知器用于兩類模式的分類時(shí)，相當(dāng)于在高維樣本空間中，用一個(gè)超平面將兩類樣本分開(kāi)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是神經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)定過(guò)程一個(gè)神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)確定之后，需要對(duì)一系列參數(shù)（權(quán)重、閾值等）進(jìn)行有效的設(shè)定。這個(gè)過(guò)程叫做學(xué)習(xí)或訓(xùn)練過(guò)程，此時(shí)的方法叫學(xué)習(xí)算法是一個(gè)由線性閾值元件組成的單層（或多層）神經(jīng)元的神經(jīng)網(wǎng)絡(luò)當(dāng)輸入的加權(quán)和大于或等于閾值時(shí)，輸出為1，否則為0模型假定神經(jīng)元中間的耦合程度（即加權(quán)系數(shù)W）可變，這樣，該模型可以學(xué)習(xí)深度學(xué)習(xí)算法簡(jiǎn)介：感知器監(jiān)督學(xué)習(xí)通過(guò)已有的訓(xùn)練樣本（即已知數(shù)據(jù)以及其對(duì)應(yīng)的輸出）訓(xùn)練得到一個(gè)最優(yōu)模型（這個(gè)模型屬于某個(gè)函數(shù)的集合，最優(yōu)則表示在某個(gè)評(píng)價(jià)準(zhǔn)則下是最佳的），再利用這個(gè)模型將所有的輸入映射為相應(yīng)的輸出，對(duì)輸出進(jìn)行簡(jiǎn)單的判斷從而實(shí)現(xiàn)分類的目的，從而也就具有了對(duì)未知數(shù)據(jù)進(jìn)行分類的能力各種神經(jīng)網(wǎng)絡(luò)類型LogisticRBMAutoEncoderSparseCodingConvolutional（卷積）強(qiáng)化學(xué)習(xí)類似人類與環(huán)境交互的方式，智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使獎(jiǎng)勵(lì)信號(hào)函數(shù)值最大。環(huán)境對(duì)產(chǎn)生動(dòng)作的好壞通過(guò)獎(jiǎng)勵(lì)信號(hào)作評(píng)價(jià)，而不是告訴強(qiáng)化學(xué)習(xí)系統(tǒng)如何去產(chǎn)生正確的動(dòng)作。強(qiáng)化學(xué)習(xí)不能立即得到標(biāo)記，而只能得到一個(gè)反饋，因此可以說(shuō)強(qiáng)化學(xué)習(xí)是一種具有“延遲標(biāo)記信息”的監(jiān)督學(xué)習(xí)典型案例：AlphaGo深度學(xué)習(xí)的訓(xùn)練方法2006年，GeoffreyHinton在《科學(xué)》上發(fā)表論文提出深度學(xué)習(xí)主要觀點(diǎn)：多隱層的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對(duì)數(shù)據(jù)有更本質(zhì)的刻畫(huà)，從而有利于可視化或分類深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度，可以通過(guò)“逐層初始化”（layer-wisepre-training）來(lái)有效克服，逐層初始化可通過(guò)無(wú)監(jiān)督學(xué)習(xí)實(shí)現(xiàn)的在著名的ImageNet問(wèn)題上將錯(cuò)誤率從26％降低到了15％，并且輸入沒(méi)有用到其他任何人工特征，僅僅是圖像的像素遷移學(xué)習(xí)將從擁有大數(shù)據(jù)的源領(lǐng)域上學(xué)習(xí)到的東西應(yīng)用到僅有小數(shù)據(jù)的目標(biāo)領(lǐng)域上去，實(shí)現(xiàn)個(gè)性化遷移，即舉一反三、觸類旁通。典型案例：斯坦福學(xué)者使用衛(wèi)星圖像獲取的燈光信息來(lái)分析非洲大陸的貧窮情況深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法LeNet-5：卷積神經(jīng)網(wǎng)絡(luò)手寫(xiě)數(shù)字識(shí)別的應(yīng)用卷積過(guò)程包括：用一個(gè)可訓(xùn)練的濾波器fx去卷積一個(gè)輸入的圖像，然后加一個(gè)偏置bx，得到卷積層Cx。子采樣過(guò)程包括：每鄰域四個(gè)像素求和變?yōu)橐粋€(gè)像素，加權(quán)再增加偏置，通過(guò)一個(gè)激活函數(shù)，產(chǎn)生一個(gè)縮小四倍的特征映射圖C1層：輸入圖片大?。?32*32卷積窗大小： 5*5卷積窗種類： 6輸出特征圖數(shù)量：6輸出特征圖大?。?8*28 (32-5+1)神經(jīng)元數(shù)量： 4707[(28*28)*6)]連接數(shù)： 12304[(5*5+1)*6]*(28*28)可訓(xùn)練參數(shù)： 156[(5*5+1)*6]精品ppt27局部感受-卷積FeatureMap池化原理：根據(jù)圖像局部相關(guān)的原理，圖像某個(gè)鄰域內(nèi)只需要一個(gè)像素點(diǎn)就能表達(dá)整個(gè)區(qū)域的信息常見(jiàn)的方法：最大值池化（max-pooling）L2池化（L2pooling）均值池化（MeanPooling）LeNet-5YannLecun,1989年用美國(guó)郵政系統(tǒng)提供的近萬(wàn)個(gè)手寫(xiě)數(shù)字的樣本來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)系統(tǒng)，在獨(dú)立的測(cè)試樣本中,錯(cuò)誤率只有5%進(jìn)一步運(yùn)用CNN，開(kāi)發(fā)出LeNet-5用于讀取銀行支票上的手寫(xiě)數(shù)字，這個(gè)支票識(shí)別系統(tǒng)在九十年代末占據(jù)了美國(guó)接近20%的市場(chǎng)深度學(xué)習(xí)的訓(xùn)練方法HintoninImageNet比賽140萬(wàn)圖像，

1000類圖庫(kù)1000萬(wàn)圖像20000類7層CNN準(zhǔn)確率74%->85%深度學(xué)習(xí)的成功應(yīng)用AlphaGo戰(zhàn)勝李世乭圖像識(shí)別全面超越人類語(yǔ)音識(shí)別接近人類將聲學(xué)模型中混合高斯模型替換為DNN模型獲得30%+相對(duì)提升TeslaAutopilot投入商用GoogleTranslate投入商用它把原文例如中文詞先翻成一個(gè)詞向量，變成一個(gè)數(shù)字向量。它對(duì)這個(gè)詞向量再編輯，變成一個(gè)語(yǔ)義表示的方式。再把它翻譯成它的目標(biāo)語(yǔ)言，例如英文。人工智能的新革命第一節(jié)人工智能簡(jiǎn)述深度學(xué)習(xí)算法知識(shí)圖譜精品ppt33知識(shí)圖譜(KnowledgeGraph)知識(shí)圖譜旨在描述真實(shí)世界中存在的各種實(shí)體或概念及其關(guān)系，一般用三元組表示知識(shí)圖譜亦可被看作是一張巨大的圖，節(jié)點(diǎn)表示實(shí)體或概念，邊則由屬性或關(guān)系構(gòu)成中國(guó)國(guó)家美國(guó)日本英國(guó)北京9,634,057平方公里13.5404億2069.3萬(wàn)北緯38°56'東經(jīng)116°20'3.1525億華盛頓9,629,091平方公里北緯38°53′西經(jīng)77°02'178平方公里16410平方公里1.26億377835平方公里東京2188平方公里東經(jīng)140°50'北緯35°44'……面積人口首都緯度經(jīng)度面積人口知識(shí)圖譜構(gòu)建Web字典,術(shù)語(yǔ)表,百科,書(shū)本知識(shí)獲取++已有知識(shí)庫(kù)知識(shí)融合知識(shí)驗(yàn)證知識(shí)圖譜名稱規(guī)模Yago1千萬(wàn)實(shí)體，35萬(wàn)類別，1.8億事實(shí)，100種屬性，100語(yǔ)言Dbpedia4千萬(wàn)實(shí)體，250類別，5億事實(shí)，6000種屬性，F(xiàn)reebase2千5百萬(wàn)實(shí)體，2000主題，1億事實(shí)，4000種屬性谷歌知識(shí)圖譜5億實(shí)體名字，35億條事實(shí)NELL3百萬(wàn)實(shí)體名字，300類別500屬性，100萬(wàn)事實(shí)1千5百萬(wàn)學(xué)習(xí)規(guī)則基于人工規(guī)則的語(yǔ)義理解神話是孫楠和誰(shuí)合唱的？文法解析知識(shí)庫(kù)查詢SPARQL查詢語(yǔ)句生成答案生成孫楠和韓紅合唱了神話韓紅歌手6萬(wàn)歌曲260萬(wàn)專輯44萬(wàn)標(biāo)簽2000類param:singer孫楠#param:song神話#predicate:chorusWith神話是孫楠和誰(shuí)合唱的查詢神話這首歌曲的演唱者，演唱者要包括孫楠，輸出還包括的另外一個(gè)演唱者文法規(guī)則模板歌手6萬(wàn)歌曲260萬(wàn)專輯44萬(wàn)標(biāo)簽2000類互聯(lián)網(wǎng)各種音樂(lè)相關(guān)信息下載融合知識(shí)圖譜的成功應(yīng)用：現(xiàn)代搜索引擎半結(jié)構(gòu)化信息抽取半結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化數(shù)據(jù)文本數(shù)據(jù)實(shí)體對(duì)齊推理補(bǔ)充數(shù)據(jù)異構(gòu)數(shù)據(jù)整合重要度計(jì)算實(shí)體抽取屬性抽取屬性值決策關(guān)系建立知立方數(shù)據(jù)本體生成系統(tǒng)索引生成檢索系統(tǒng)實(shí)體識(shí)別本體庫(kù)Pattern挖掘標(biāo)簽消岐SPARQL查詢語(yǔ)句排序推理推薦統(tǒng)計(jì)Query展現(xiàn)檢索系統(tǒng)索引生成面向知識(shí)圖譜的Sogou搜索技術(shù)Gene

OntologyLOD

企業(yè)對(duì)知識(shí)圖譜根據(jù)內(nèi)部數(shù)據(jù)有大量的業(yè)務(wù)需求從兩方面來(lái)建設(shè)知識(shí)圖譜體系:

知識(shí)實(shí)體，算法企業(yè)知識(shí)圖譜的建立語(yǔ)義理解智能檢索與問(wèn)答數(shù)據(jù)關(guān)聯(lián)探索業(yè)務(wù)動(dòng)態(tài)擴(kuò)展非結(jié)構(gòu)化數(shù)據(jù)計(jì)算機(jī)難以理解數(shù)據(jù)使用專業(yè)程度過(guò)高多元異構(gòu)數(shù)據(jù)難以融合數(shù)據(jù)模式動(dòng)態(tài)變遷困難結(jié)構(gòu)化數(shù)據(jù)數(shù)據(jù)融合自由擴(kuò)展數(shù)據(jù)模式行業(yè)智能問(wèn)答業(yè)務(wù)需求技術(shù)方案數(shù)據(jù)挑戰(zhàn)知識(shí)圖譜助力企業(yè)商業(yè)智能通用知識(shí)圖譜+行業(yè)知識(shí)圖譜通用知識(shí)圖譜的廣度，行業(yè)知識(shí)圖譜的深度，相互補(bǔ)充，形成更加完善的知識(shí)圖譜

通用知識(shí)圖譜中的知識(shí)，可以作為行業(yè)知識(shí)圖譜構(gòu)建的基礎(chǔ)；而構(gòu)建的行業(yè)知識(shí)圖譜，再融合到通用知識(shí)圖譜中

通用知識(shí)圖譜行業(yè)知識(shí)圖譜通用知識(shí)圖譜創(chuàng)投專利深度學(xué)習(xí)與智能?chē)宓诙?jié)從AlphaGoLee/Master講起蒙特卡洛樹(shù)式搜索AlphaGo的實(shí)現(xiàn)原理AlphaGoZero精品ppt4201人機(jī)大戰(zhàn)：深度學(xué)習(xí)算法的標(biāo)志性成果最復(fù)雜（注：狀態(tài)復(fù)雜度與博弈復(fù)雜度）的智力游戲：看似簡(jiǎn)單，實(shí)為復(fù)雜，具有10的170次方狀態(tài)復(fù)雜空間涉及邏輯推理，形象思維，優(yōu)化選擇等多種人類智能（注：國(guó)際象棋只有邏輯推理，沒(méi)有形象思維）02接近人類公認(rèn)是人工智能領(lǐng)域長(zhǎng)期以來(lái)的重大挑戰(zhàn)03標(biāo)志性國(guó)際學(xué)術(shù)界曾經(jīng)普遍認(rèn)為解決圍棋問(wèn)題需要15-20年時(shí)間04挑戰(zhàn)為什么做圍棋AI？創(chuàng)新性投入力度業(yè)內(nèi)龍頭

目前技術(shù)優(yōu)勢(shì)：起步早，算法新，技術(shù)強(qiáng)，資源雄厚最近一年專注于強(qiáng)化學(xué)習(xí)研究

擬于近期公布新論文和數(shù)據(jù)，并從此退出圍棋AI領(lǐng)域GoogleDeepmind簡(jiǎn)介精品ppt45深度學(xué)習(xí)與智能?chē)宓诙?jié)從AlphaGo

Lee/Master講起蒙特卡洛樹(shù)式搜索AlphaGo的實(shí)現(xiàn)原理AlphaGoZero精品ppt46傳統(tǒng)圍棋AI算法—MCTS

（蒙特卡洛樹(shù)搜索）雙人一人一步雙方信息完備（棋類—完全信息,牌類—不完全信息）零和動(dòng)態(tài)博弈問(wèn)題計(jì)算機(jī)下棋棋類要素的數(shù)字化——恰當(dāng)?shù)臄?shù)據(jù)結(jié)構(gòu)棋盤(pán)、棋子、棋規(guī)（著法規(guī)則，勝負(fù)規(guī)則）用著法推演局面——博弈樹(shù)展開(kāi)從有利局面選擇當(dāng)前著法——博弈搜索局面評(píng)估——指標(biāo)定義與綜合展開(kāi)深度為4的博弈樹(shù)本方本方本方對(duì)方對(duì)方Ply1Ply3Ply4Ply2Ply0根節(jié)點(diǎn)為當(dāng)前局面葉節(jié)點(diǎn)為展開(kāi)終點(diǎn)雙方輪流出手偶數(shù)層為本方奇數(shù)層為對(duì)方圍棋落子蒙特卡洛數(shù)學(xué)模型及評(píng)估圍棋對(duì)弈過(guò)程可以看做一個(gè)馬爾科夫過(guò)程：五元組：{T，S，A(i)，P(·|i,a)，r(i,a)}T：決策時(shí)刻S：狀態(tài)空間，S={i}A(i)：可行動(dòng)集合（可落子點(diǎn)）P(·|i,a)：狀態(tài)i下選擇行動(dòng)a的概率r(i,a)：狀態(tài)i下選擇行動(dòng)a后課獲得的收益從當(dāng)前局面的所有可落子點(diǎn)中隨機(jī)（或者給勝率高的點(diǎn)分配更多的計(jì)算力）選擇一個(gè)點(diǎn)落子重復(fù)以上過(guò)程直到勝負(fù)可判斷為止經(jīng)多次模擬后（計(jì)算越多越精確），選擇勝率最大的點(diǎn)落子傳統(tǒng)圍棋AI算法—數(shù)學(xué)模型MCTS

（蒙特卡洛樹(shù)搜索）基本思想與特點(diǎn)：-將可能出現(xiàn)的狀態(tài)轉(zhuǎn)移過(guò)程用狀態(tài)樹(shù)表示-從初始狀態(tài)開(kāi)始重復(fù)抽樣，逐步擴(kuò)展樹(shù)中的節(jié)點(diǎn)-某個(gè)狀態(tài)再次被訪問(wèn)時(shí)，可以利用已有的結(jié)果，提高了效率-在抽樣過(guò)程中可以隨時(shí)得到行為的評(píng)價(jià)選擇-從根節(jié)點(diǎn)出發(fā)自上而下地選擇一個(gè)落子點(diǎn)擴(kuò)展-向選定的點(diǎn)添加一個(gè)或多個(gè)子節(jié)點(diǎn)模擬-對(duì)擴(kuò)展出的節(jié)點(diǎn)用蒙特卡洛方法進(jìn)行模擬回溯-根據(jù)模擬結(jié)果依次向上更新祖先節(jié)點(diǎn)估計(jì)值深度學(xué)習(xí)與智能?chē)宓诙?jié)從AlphaGoLee/Master講起蒙特卡洛樹(shù)式搜索AlphaGo的實(shí)現(xiàn)原理AlphaGoZero精品ppt5113個(gè)卷積層，每層192個(gè)卷積核，每個(gè)卷積核3*3，參數(shù)個(gè)數(shù)800萬(wàn)+GPU3ms/步預(yù)測(cè)準(zhǔn)確率57%PolicyNetwork（策略網(wǎng)絡(luò)）在每個(gè)分支節(jié)點(diǎn)直接判斷形勢(shì)與Rollout隨機(jī)模擬相結(jié)合，互為補(bǔ)充ValueNetwork（價(jià)值網(wǎng)絡(luò)）給勝率高的點(diǎn)分配更多的計(jì)算力任意時(shí)間算法，計(jì)算越多越精確1、選取2、展開(kāi)3、評(píng)估4、倒傳MCTS（蒙特卡洛樹(shù)搜索）通過(guò)隨機(jī)模擬走子勝率來(lái)判定形勢(shì)速度很快（1ms/盤(pán)）隨機(jī)性與合理性的平衡Rollout（隨機(jī)模擬走子）AlphaGo的實(shí)現(xiàn)原理控制寬度（250）控制深度（150）基本算法快速模擬圍棋是完全信息博弈，從理論上來(lái)說(shuō)可以通過(guò)暴力搜索所有可能的對(duì)弈過(guò)程來(lái)確定最優(yōu)的走法PolicyNetwork策略網(wǎng)絡(luò)：落子棋感深度神經(jīng)網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)，目標(biāo)是獲得在圍棋盤(pán)面下的落子棋感學(xué)習(xí)職業(yè)棋手和業(yè)余高段棋手的棋譜（數(shù)十萬(wàn)份棋譜，上億數(shù)量級(jí)的落子方式）把當(dāng)前局面作為輸入，預(yù)測(cè)下一步的走棋。它的預(yù)測(cè)不只給出最強(qiáng)的一手，而是對(duì)棋盤(pán)上所有可能的下一著給一個(gè)分?jǐn)?shù)用PolicyNetwork作為第一感，將計(jì)算力分配到最有希望的選點(diǎn)分枝數(shù)從上百個(gè)減少到幾個(gè)優(yōu)先計(jì)算PolicyNetwork分?jǐn)?shù)高的點(diǎn)，計(jì)算力充沛時(shí)，適當(dāng)分配到其他分值較低的點(diǎn)PolicyNetwork—輸入特征3×224248×552128×272192×132192×132128×1322048204820482048192×32192×32128×3248×523×112192×32192×32192×132192×132128×132128×27248×5248×552128×321000局部感知域權(quán)重共享特征訓(xùn)練卷積層+池化層模型結(jié)構(gòu)13個(gè)卷積層，每層192個(gè)3*3卷積核數(shù)百萬(wàn)個(gè)參數(shù)訓(xùn)練數(shù)據(jù)KGS6d以上對(duì)局，17萬(wàn)，職業(yè)對(duì)局8萬(wàn)。訓(xùn)練數(shù)據(jù)量5000萬(wàn)+訓(xùn)練時(shí)間幾十天運(yùn)算速度GPU，3ms預(yù)測(cè)準(zhǔn)確率57%左右互博，自我進(jìn)化Agent通過(guò)和環(huán)境s的交互，選擇下一步的動(dòng)作a，這個(gè)動(dòng)作會(huì)影響環(huán)境s，給Agent一個(gè)reward，Agent然后繼續(xù)和環(huán)境交互。根據(jù)游戲結(jié)果迭代更新轉(zhuǎn)移概率和評(píng)估函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與策略網(wǎng)絡(luò)相同訓(xùn)練方法：自我對(duì)局目標(biāo)：校正價(jià)值導(dǎo)向?qū)⒉呗跃W(wǎng)絡(luò)權(quán)值作為初始值，自我對(duì)弈更新權(quán)值，從而提升棋力Pros:棋藝更高(win80%ofthegameswithSLpolicynetwork)Cons:走法集中，不適應(yīng)MCTS多搜索范圍的需求強(qiáng)化學(xué)習(xí)(RL)Fast-Rollout快速走子Rollout（隨機(jī)模擬走子）通過(guò)隨機(jī)模擬走子勝率來(lái)判定形勢(shì)速度快隨機(jī)性，合理性的平衡原因：1.策略網(wǎng)絡(luò)的運(yùn)行速度較慢(3ms)

快速走子在2us

2.用來(lái)評(píng)估盤(pán)面。在同等時(shí)間下，模擬走子速度快乃至使用隨機(jī)走子，雖然單次估值精度低，但可以多模擬幾次算平均值，效果未必不好。提升棋力結(jié)構(gòu)：局部特征匹配+線性回歸特征：圍棋專業(yè)知識(shí)ValueNetwork：勝負(fù)棋感深度神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型學(xué)習(xí)（DeepMind獨(dú)創(chuàng)）通過(guò)自我博弈，學(xué)習(xí)不同盤(pán)面下的勝負(fù)情況（三千萬(wàn)盤(pán)自我對(duì)局）獲取在圍棋盤(pán)面的勝負(fù)棋感（注：對(duì)每一個(gè)落子點(diǎn)給一個(gè)當(dāng)時(shí)的快速的勝負(fù)感（估算），這個(gè)勝負(fù)估算并不是根據(jù)分析計(jì)算出來(lái)的，而是直覺(jué)）（通過(guò)AlphaGo幾千萬(wàn)盤(pán)的訓(xùn)練學(xué)習(xí)得來(lái)的）形勢(shì)判斷：-1：白棋必勝<0：白棋優(yōu)勢(shì)0：雙方均勢(shì)>0：黑棋優(yōu)勢(shì)1：黑棋必勝ValueNetwork模型模型結(jié)構(gòu)13個(gè)卷積層，每層192個(gè)卷積核，每個(gè)卷積核3*3數(shù)百萬(wàn)個(gè)參數(shù)訓(xùn)練數(shù)據(jù)PolicyNetwork自我對(duì)弈棋譜。3000萬(wàn)+特定盤(pán)面+勝負(fù)結(jié)果訓(xùn)練時(shí)間幾十天運(yùn)算速度GPU，3ms方法：在每個(gè)分支節(jié)點(diǎn)，使用ValueNetwork直接判斷形勢(shì)與Rollout隨機(jī)模擬相結(jié)合，互為補(bǔ)充效果：職業(yè)水平，AlphaGoMCTS在對(duì)局中實(shí)時(shí)搜索Step1：基于策略網(wǎng)絡(luò)落子，可能性大的落子拓展節(jié)點(diǎn)Step2：對(duì)未來(lái)走勢(shì)進(jìn)行評(píng)估，同時(shí)使用估值網(wǎng)絡(luò)和快速走子，綜合兩者預(yù)測(cè)未來(lái)走法Step3：評(píng)估結(jié)果作為下一步走法的Q值。重新模擬。Step4：結(jié)合下一步走法的Q值和策略網(wǎng)絡(luò)進(jìn)行再一次模擬。如果出現(xiàn)同樣走法，Q值起平均。新分?jǐn)?shù)=調(diào)整后的初始分+0.5*通過(guò)模擬（策略網(wǎng)絡(luò)+快速走棋)得到的贏棋概率+0.5*估值網(wǎng)絡(luò)的局面評(píng)估分Step5：反復(fù)循環(huán)直到n次，或者timeout，選擇被選擇次數(shù)最多的走法作為下一步Put-Together精品ppt59深度學(xué)習(xí)與智能?chē)宓诙?jié)從AlphaGoLee/Master講起蒙特卡洛樹(shù)式搜索AlphaGo的實(shí)現(xiàn)原理AlphaGoZero精品ppt60AlphaGoZero第3天，下了490萬(wàn)局棋，打敗老大老三戰(zhàn)績(jī)老三學(xué)棋過(guò)程剛開(kāi)始，隨機(jī)下子熱衷于吃子，完全不顧死活發(fā)現(xiàn)了如果先占住棋盤(pán)的邊和角，后面占便宜學(xué)會(huì)了如何「打劫」、「征子」懂得看「棋形」第21天，敗了老二第40天，完整走過(guò)了一個(gè)人類棋手學(xué)棋的全過(guò)程棋盤(pán)/黑子/白子棋子被圍起來(lái)就死規(guī)則棋士柯潔10月19日02:22一個(gè)純凈、純粹自我學(xué)習(xí)的AlphaGo是最強(qiáng)的...對(duì)于AlphaGo的自我進(jìn)步來(lái)講...人類太多余了老大AlphaGoLee,2016年3月4:1打敗韓國(guó)棋手李世石老二AlphaGoMaster,2017年5月3:0打敗中國(guó)棋手柯潔老三AlphaGoZero,2017年10月宣布自學(xué)圍棋40天，打敗所有人AlphaGoZero解析人類經(jīng)驗(yàn)由于樣本空間大小的限制，往往都收斂于局部最優(yōu)而不自知（或無(wú)法發(fā)現(xiàn)），阿法元不再被人類認(rèn)知所局限，而能夠發(fā)現(xiàn)新知識(shí)，發(fā)展新策略區(qū)別1：特征提取層采用40個(gè)殘差模塊，每個(gè)模塊包含2個(gè)卷積層。運(yùn)用殘差模塊提升了網(wǎng)絡(luò)深度，更深的網(wǎng)絡(luò)能更有效地直接從棋盤(pán)上提取特征區(qū)別2：同時(shí)訓(xùn)練走子策略(policy)網(wǎng)絡(luò)和勝率值(value)網(wǎng)絡(luò)啟示深度學(xué)習(xí)訓(xùn)練過(guò)程需要消耗大量人類標(biāo)注樣本，而這對(duì)于小樣本應(yīng)用領(lǐng)域(比如醫(yī)療圖像處理)是不可能辦到的。所以減少樣本和人類標(biāo)注的方法非常重要開(kāi)局和收官和專業(yè)棋手的下法并無(wú)區(qū)別，但是中盤(pán)難于理解；機(jī)器經(jīng)驗(yàn)與人類經(jīng)驗(yàn)有很大差別，我們又該如何去選擇和利用呢？精品ppt62智能?chē)迮c蒙特卡洛樹(shù)搜索沒(méi)有棋感直覺(jué)不行，完全依賴棋感直覺(jué)也不行直覺(jué)需要通過(guò)嚴(yán)格的數(shù)學(xué)模型和計(jì)算方法，對(duì)棋感直覺(jué)進(jìn)行驗(yàn)證AlphaGo使用蒙特卡洛樹(shù)搜索，對(duì)落子棋感和勝負(fù)感進(jìn)行計(jì)算驗(yàn)證。蒙特卡洛樹(shù)搜索：搜索驗(yàn)證基于數(shù)學(xué)期望的勝負(fù)評(píng)估模型（勝率）基于蒙特卡洛模擬進(jìn)行勝負(fù)結(jié)果采樣（模擬采樣比直覺(jué)更可靠）根據(jù)模擬采樣結(jié)果驗(yàn)證盤(pán)面勝負(fù)的數(shù)學(xué)期望可靠程度與采樣規(guī)模相關(guān)（采樣越大，離真理會(huì)更近些）蒙特卡洛模擬采樣：勝負(fù)棋感驗(yàn)證智能?chē)迮c神經(jīng)網(wǎng)絡(luò)谷歌的AlphaGo是深度學(xué)習(xí)算法的標(biāo)志性成果；深度卷積神經(jīng)網(wǎng)絡(luò)(DeepConvolutionalNeuralNetwork,DCNN),是近年發(fā)展起來(lái)，并引起廣泛重視的一種高效識(shí)別方法。圍棋算法具有高度的復(fù)雜性和代表性（10808，兩個(gè)30年）。由于天文數(shù)字的狀態(tài)空間和搜索空間，蠻力計(jì)算無(wú)法解決圍棋問(wèn)題（注：解決國(guó)際象棋的IBM深藍(lán)是用蠻力方法，就是靠計(jì)算，這種方法在圍棋這么大的計(jì)算與搜索空間是無(wú)法進(jìn)行的）從圍棋算法可以推廣到深度學(xué)習(xí)應(yīng)用的一般情形。圍棋職業(yè)棋手的解決方法：棋感直覺(jué)+搜索驗(yàn)證AlphaGo的核心方法完全類似于完全職業(yè)棋手的解決方法AlphaGo的優(yōu)勢(shì)：完全以勝率為目標(biāo)，不受任何其它因素影響直覺(jué)：不經(jīng)過(guò)思考過(guò)程，很快就能出現(xiàn)的直接想法、感覺(jué)、信念或者偏好（這個(gè)非常重要，其強(qiáng)大的力量。如：落子的直覺(jué)，勝負(fù)的直覺(jué)、棋盤(pán)的直覺(jué)、棋形的直覺(jué)）通過(guò)深度神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)的訓(xùn)練而獲得人工智能的核心方法：直覺(jué)獲取驗(yàn)證：為直覺(jué)建立真實(shí)性、準(zhǔn)確性和可靠性的檢驗(yàn)過(guò)程驗(yàn)證是核實(shí)直覺(jué)不存在偏差的一個(gè)充分條件由于廉價(jià)并行計(jì)算和大數(shù)據(jù)的支持，直覺(jué)可以通過(guò)搜索計(jì)算來(lái)驗(yàn)證人工智能的核心方法：搜索驗(yàn)證人類生活面臨一系列的抉擇問(wèn)題（注：有了直覺(jué)和驗(yàn)證就可以找一個(gè)最好的）A.手里的股票是持有還是拋售B.駕駛員到交通燈前是左拐還是右拐直覺(jué)獲取和搜索驗(yàn)證的結(jié)合使用，可以提供優(yōu)化選擇人工智能的核心方法：優(yōu)化選擇精品ppt65人工智能3.0第三節(jié)AI技術(shù)的新特征AI走向3.0認(rèn)知計(jì)算AI3.0面對(duì)的挑戰(zhàn)精品ppt66Q1：什么領(lǐng)域AI能夠超過(guò)人？（完全信息博弈）充分的數(shù)據(jù)：需要有超級(jí)大的數(shù)據(jù)量，它不能舉一反三，它要舉多反三（完全信息博弈）信息具有確定性：數(shù)據(jù)是要有標(biāo)注的，不是到網(wǎng)上弄一堆數(shù)據(jù)（完全信息博弈）完全信息：應(yīng)用一定是單一領(lǐng)域，這個(gè)領(lǐng)域越垂直、越細(xì)越好。一個(gè)人工智能客服的應(yīng)用不可以用來(lái)做導(dǎo)游，應(yīng)用單一、一定要非常清晰不跨領(lǐng)域有懂行的專家去選擇有效的神經(jīng)網(wǎng)絡(luò)模型，調(diào)整各種網(wǎng)絡(luò)參數(shù)需要超大計(jì)算量，機(jī)器容易甩開(kāi)人類一只烏鴉的啟示圖b：找到了堅(jiān)果，砸不開(kāi)。它就發(fā)現(xiàn)一個(gè)訣竅，把果子放到路上讓車(chē)軋過(guò)去圖c：靠近紅綠路燈的路口，車(chē)子和人有時(shí)候停下了。圖d：選擇了一根正好在斑馬線上方的一根電線蹲下來(lái)圖e：把堅(jiān)果拋到斑馬線上，等車(chē)子軋過(guò)去，然后等到行人燈亮了日本新喀烏鴉一個(gè)完全自主的智能。感知、認(rèn)知、推理、學(xué)習(xí)、和執(zhí)行。遠(yuǎn)遠(yuǎn)超過(guò)任何機(jī)器人，烏鴉向我們證明了，這個(gè)解存在。無(wú)大數(shù)據(jù)學(xué)習(xí)，無(wú)人工標(biāo)注好的訓(xùn)練數(shù)據(jù)，沒(méi)人教它烏鴉頭不到人腦的1%大小。人腦功耗大約是10-25瓦，它就只有0.1-0.2瓦啟示Q2：AI+還是+AI？在AI技術(shù)成熟之前，這個(gè)行業(yè)、產(chǎn)品從未存在過(guò)。比如自動(dòng)駕駛，亞馬遜的Echo智能音箱、蘋(píng)果的Siri語(yǔ)音助手。在人工智能技術(shù)未突破前，不存在這樣的產(chǎn)品。因?yàn)锳I，創(chuàng)造出了一條全新的產(chǎn)業(yè)鏈。AI+行業(yè)：從0到1行業(yè)本身一直存在，產(chǎn)業(yè)鏈條成熟；以前完全靠人工，效率比較低，現(xiàn)在加入AI元素后，使得行業(yè)效率有了明顯提高。比如安防、醫(yī)療等領(lǐng)域。行業(yè)數(shù)據(jù)控制比AI技術(shù)更重要，例如醫(yī)療+AI，最重要的是大量準(zhǔn)確的被醫(yī)生標(biāo)注過(guò)的數(shù)據(jù)。在國(guó)內(nèi)，醫(yī)療數(shù)據(jù)拿出來(lái)非常困難。行業(yè)+AI：從1到nAI應(yīng)用需要積累足夠的數(shù)據(jù)和經(jīng)過(guò)充分的學(xué)習(xí)才兩個(gè)起作用當(dāng)一個(gè)AI應(yīng)用找到第一批用戶時(shí)，他們使用的行為和記錄被后臺(tái)記錄下來(lái)；開(kāi)發(fā)者再對(duì)這種行為和記錄進(jìn)行迭代的改進(jìn)，當(dāng)再把該應(yīng)用投向第二批用戶的時(shí)候，其行為已經(jīng)比第一代提升了漣漪效應(yīng)應(yīng)用場(chǎng)景相對(duì)閉可控?cái)?shù)據(jù)比較便宜，且容易獲取犯錯(cuò)誤的影響不太大的場(chǎng)景輔助人類完成重復(fù)性的具體工作，真正能夠提高社會(huì)生產(chǎn)力容錯(cuò)生產(chǎn)力成熟封閉可控?cái)?shù)據(jù)相關(guān)技術(shù)成熟，具備可實(shí)現(xiàn)的切入點(diǎn)Q3：什么AI項(xiàng)目容易成功？新特征1：深度學(xué)習(xí)+自我博弈進(jìn)化技術(shù)精品ppt與傳統(tǒng)博弈人工知識(shí)不同，AlphaGo深度強(qiáng)化學(xué)習(xí)初步具備了“直覺(jué)感知（下一步在哪）”，“棋局推理（全局獲勝機(jī)會(huì)如何）”，和“新穎落子（想人所不敢想）”等能力。將記憶人類棋局和自我博弈積累棋局結(jié)合起來(lái)。DeepMind算法減少了40%用于冷卻的電量，即整體用電量效率提升15%2010年全球數(shù)據(jù)中心電力消耗為2355億度，約占全球電力消耗1.3%（美2%，中1.8%）。谷歌公司電力消耗低于全球數(shù)據(jù)中心的1%DeepMind已為谷歌掙錢(qián)DeepMind的軟件控制著數(shù)據(jù)中心的風(fēng)扇、制冷系統(tǒng)和窗戶等120個(gè)變量，使谷歌的用電效率提升了15%，幾年內(nèi)共為谷歌節(jié)約電費(fèi)數(shù)億美元。據(jù)ICTResearch統(tǒng)計(jì)：2015年我國(guó)數(shù)據(jù)中心能耗高達(dá)1000億度，相當(dāng)于整個(gè)三峽水電站一年發(fā)電量。精品ppt《Science》2016年1月1日發(fā)表“群智之力量（ThePowerofCrowds,Vol.351,issues6268）”的論文認(rèn)為：結(jié)合群體智慧與機(jī)器性能來(lái)解決快速增長(zhǎng)難題。

其將群智計(jì)算按難易程度分為三種類型：實(shí)現(xiàn)任務(wù)分配的

眾包模式（Crowdsourcing）、較復(fù)雜支持工作流模式的群（Complexworkflows）以及最復(fù)雜的協(xié)同求解問(wèn)題的生態(tài)系統(tǒng)模式（Problemsolvingecosystem）.新特征2：基于網(wǎng)絡(luò)的群體智能已經(jīng)萌芽精品ppt大規(guī)模個(gè)體通過(guò)互聯(lián)網(wǎng)構(gòu)架的參與，可以表現(xiàn)出超乎尋常的智慧能力，是解決開(kāi)放復(fù)雜問(wèn)題的新途徑

美國(guó)普林斯頓大學(xué)Connetome項(xiàng)目開(kāi)發(fā)了EyeWire游戲，玩家對(duì)顯微圖像中單個(gè)細(xì)胞及其神經(jīng)元連接按功能進(jìn)行涂色。第一次提供了哺乳動(dòng)物視網(wǎng)膜的神經(jīng)元結(jié)構(gòu)和組織如何產(chǎn)生檢測(cè)運(yùn)動(dòng)的功能。145個(gè)國(guó)家的165000多名科學(xué)家（玩家）參與成功的還有：蘋(píng)果AppStore（130萬(wàn)個(gè)應(yīng)用程序）、Wiki百科（4000萬(wàn)詞條）等等美國(guó)普林斯頓大學(xué)Connetome項(xiàng)目通過(guò)群體參與來(lái)探討大腦結(jié)構(gòu)和功能之間映射的神經(jīng)通路/（繼續(xù)）精品ppt

各種穿戴設(shè)備、人—車(chē)共駕、腦控或肌控外骨骼機(jī)器人、人機(jī)協(xié)同手術(shù)等實(shí)現(xiàn)生物智能系統(tǒng)與機(jī)器智能系統(tǒng)的緊密耦合。新特征3：人機(jī)一體化技術(shù)導(dǎo)向混合智能精品ppt自然語(yǔ)言處理視覺(jué)計(jì)算聽(tīng)覺(jué)感知

精靈寶可夢(mèng)GO:AR:圖形+視頻谷歌：VR繪畫(huà)應(yīng)用TiltBrushFacebook:視頻描述生成

架構(gòu)跨媒體間橋梁新特征4：跨媒體推理已經(jīng)興起在語(yǔ)言、視覺(jué)、圖形和聽(tīng)覺(jué)之間語(yǔ)義貫通，是實(shí)現(xiàn)聯(lián)想、推理、概括等智能的重要關(guān)鍵精品ppt新特征5：無(wú)人系統(tǒng)迅速發(fā)展機(jī)械手在工業(yè)裝配線上發(fā)展迅速在靈活運(yùn)動(dòng)的領(lǐng)域中，無(wú)人系統(tǒng)迅猛發(fā)展的速度遠(yuǎn)快于機(jī)器人因?yàn)槿祟惢蝾悇?dòng)物的機(jī)器人，往往不如對(duì)機(jī)械進(jìn)行智能化和自主化升級(jí)來(lái)得高效精品ppt人工智能3.0第三節(jié)AI技術(shù)的新特征AI走向3.0認(rèn)知計(jì)算AI3.0面對(duì)的挑戰(zhàn)精品ppt78我們正在進(jìn)入AI3.0時(shí)代人工智能基礎(chǔ)理論和基礎(chǔ)學(xué)科建立的階段，AI的具體學(xué)科，比如語(yǔ)音識(shí)別、機(jī)器翻譯、自然語(yǔ)言處理、視覺(jué)等被建立起來(lái)，并形成了人工智能從業(yè)的方法論及學(xué)派AI1.0時(shí)代：1945-2005年以2006年谷歌翻譯上線為標(biāo)志的AI2.0時(shí)代，人工智能的發(fā)展從學(xué)術(shù)界到谷歌這樣的公司主導(dǎo)，從以前的軍用到民用，產(chǎn)品從ToB到大規(guī)模的ToC的過(guò)程人工智能技術(shù)被廣泛用于各類智能產(chǎn)品之中算法（深度學(xué)習(xí)）+數(shù)據(jù)（大數(shù)據(jù)）+基礎(chǔ)設(shè)施（計(jì)算能力）AI2.0時(shí)代：2006-2016年從軟件到AI芯片，走向軟硬結(jié)合從信息到服務(wù)嶄新的、群雄逐鹿、百花齊放的時(shí)代AI3.0時(shí)代：2017-20xx年淺層次動(dòng)因：需求、環(huán)境和技術(shù)社會(huì)新需求爆發(fā)：智能城市、智能醫(yī)療、智能交通、智能游戲、無(wú)人駕駛、智能制造等等AI的基礎(chǔ)和目標(biāo)巨變：大數(shù)據(jù)、多媒體、傳感器網(wǎng)、增強(qiáng)實(shí)現(xiàn)（AR）、虛擬實(shí)現(xiàn)（VR）等等計(jì)算機(jī)模擬人的智能人機(jī)智能群體智能信息環(huán)境巨變：互聯(lián)網(wǎng)、移動(dòng)計(jì)算、超級(jí)計(jì)算、穿戴設(shè)備、物聯(lián)網(wǎng)、云計(jì)算、網(wǎng)上社區(qū)、萬(wàn)維網(wǎng)、搜索引擎等等人工智能邁向新一代AI走向3.0的原因分析精品pptPHCPH深層次分析：世界正從原來(lái)的二元空間進(jìn)入新的三元空間世界原來(lái)是二元空間:人類社會(huì)空間（H）和物理空間（P）。但近年來(lái)，信息力量的迅速壯大，已長(zhǎng)成除P、H兩極之外的新一極：信息空間（C）。精品ppt信息來(lái)自于人類社會(huì)：書(shū)籍、交流、媒體、計(jì)算機(jī)信息開(kāi)始互聯(lián)：互聯(lián)網(wǎng)、移動(dòng)通訊和搜索信息繞過(guò)人類，直接來(lái)自于物理世界：傳感器和物聯(lián)網(wǎng)產(chǎn)生大數(shù)據(jù)：信息快速膨脹，人類已無(wú)法單獨(dú)處理從大數(shù)據(jù)必然會(huì)走向大知識(shí)，并推動(dòng)人類認(rèn)識(shí)與控制能力的大變化近50年來(lái)，信息空間成長(zhǎng)壯大的歷程從AI落后人類的原因看大知識(shí)（智能大數(shù)據(jù)）面臨的挑戰(zhàn)強(qiáng)在記憶能力和計(jì)算能力，但是自我學(xué)習(xí)、舉一反三的能力還不如5歲孩子面對(duì)未知環(huán)境的變化，未知的任務(wù)，決策能力很弱AI智能學(xué)習(xí)與創(chuàng)新的能力：理解尤其是對(duì)整體環(huán)境的理解能力，可以通過(guò)經(jīng)驗(yàn)來(lái)學(xué)習(xí)新事物，獲得新知識(shí)，并具備觸類旁通的能力對(duì)于信息（不完全信息，模糊信息）的分析和決策能力人類智慧大知識(shí)需要結(jié)合大數(shù)據(jù)資源和AI的神經(jīng)網(wǎng)絡(luò)、符號(hào)智能、知識(shí)挖掘、人機(jī)交互等技術(shù)結(jié)合起來(lái)，不僅解決可解釋性、通用性問(wèn)題，而且形成新技術(shù)，實(shí)現(xiàn)新應(yīng)用技術(shù)融合依靠大數(shù)據(jù)的深度學(xué)習(xí)和增強(qiáng)學(xué)習(xí)是AI當(dāng)前最普遍成功的技術(shù)之一。但是，深度學(xué)習(xí)需要大量的標(biāo)注數(shù)據(jù)，又是黑箱算法，其結(jié)果難以解釋，而且只能專用，因?yàn)樗腿祟愂褂玫闹R(shí)形式差距太大AI技術(shù)現(xiàn)狀從PH到CPH的人類空間演變并未結(jié)束，而正在深化。AI走向3.0正是這種深化演變?yōu)榈囊粋€(gè)結(jié)果AI2.0互聯(lián)網(wǎng)多媒體、傳感器人機(jī)交互自主裝備大數(shù)據(jù)新一代人工智能自主智能系統(tǒng)群體智能智能大數(shù)據(jù)跨媒體智能人機(jī)混合增強(qiáng)智能AI走向3.0認(rèn)知智能能理解會(huì)思考感知智能能聽(tīng)會(huì)說(shuō)、能看會(huì)認(rèn)計(jì)算智能能存會(huì)算新一代AI的技術(shù)方向空間變化帶來(lái)了認(rèn)知的新門(mén)類、新通道、新計(jì)算P物理空間C信息空間H人類社會(huì)自然科學(xué)工程技術(shù)多媒體與傳感信息大數(shù)據(jù)自主裝備大數(shù)據(jù)、互聯(lián)網(wǎng)社區(qū)VRAR人機(jī)交互學(xué)習(xí)、預(yù)測(cè)、創(chuàng)造社會(huì)科學(xué)新認(rèn)知精品ppt新門(mén)類：認(rèn)識(shí)復(fù)雜巨系統(tǒng)：城市運(yùn)行系統(tǒng)、環(huán)境生態(tài)系統(tǒng)、健康醫(yī)療系統(tǒng)（科學(xué)+工程+社會(huì)+影響）新通道：給自然科學(xué)、工程技術(shù)、社會(huì)科學(xué)提供了新途徑、新方法新計(jì)算：AI2.0：建立在新老空間的互動(dòng)CH、CP之上的AI知識(shí)表達(dá)神經(jīng)網(wǎng)絡(luò)也可以認(rèn)為是一類新的知識(shí)表達(dá)，可標(biāo)記為NN+W（權(quán)）

——W是數(shù)據(jù)表達(dá)的，可由學(xué)習(xí)自動(dòng)生成

——NN是結(jié)構(gòu)，由軟件或硬件生成AI使用的知識(shí)表達(dá)還有另兩類：符號(hào)型：可表達(dá)為概念、命題、推理（邏輯、歸納、聯(lián)想……）形象型：可表達(dá)為形象（圖形、動(dòng)畫(huà)、圖像、視頻、聲音……）、結(jié)構(gòu)、情景其中，形象型還可分為兩類：——圖形形象類：圖形、動(dòng)畫(huà)……（人工表達(dá)）——圖像形象類：圖像、視頻、聲音……（傳感器表達(dá)）精品ppt知識(shí)表達(dá)面臨的挑戰(zhàn)上表中x處，就是大數(shù)據(jù)智能需對(duì)付的挑戰(zhàn)圖像形象類：機(jī)器不可理解——模式識(shí)別技術(shù)

？

機(jī)器不能推理——跨媒體技術(shù)

？NN+W：

人不可理解——跨知識(shí)表達(dá)

？

機(jī)器不可推理——跨知識(shí)推理

？圖形形象類的表達(dá)只用于圖形學(xué)，能與其他表達(dá)跨越使用嗎？知識(shí)能綜合上述技術(shù)而表達(dá)嗎？知識(shí)表達(dá)人可理解機(jī)器可理解機(jī)器推理符號(hào)√√√圖形形象類√√√圖像形象類√××NN+W×√×匯總四種表達(dá)的優(yōu)缺點(diǎn)如右大知識(shí)的關(guān)鍵：新知識(shí)生成問(wèn)題求解的目標(biāo)與模式識(shí)別的目標(biāo)有較大差異。模式識(shí)別目標(biāo)：分類（如對(duì)、錯(cuò)）問(wèn)題求解目標(biāo)：方案（如規(guī)劃、處方、設(shè)計(jì)等）。往往還需說(shuō)明方案如何解決問(wèn)題?！虼耍詣?dòng)生成新知識(shí)是問(wèn)題求解的關(guān)鍵。各種生成新知識(shí)的工具：傳統(tǒng)工具：邏輯推理、范例推理（CBR）新工具：自動(dòng)博弈的（如AlphaGo）、知識(shí)圖譜推理（如股權(quán)發(fā)現(xiàn)）、綜合推理、統(tǒng)計(jì)推理（IBMWatson）新進(jìn)展：MITAILab：自主瀏覽網(wǎng)頁(yè)進(jìn)行空白知識(shí)填補(bǔ)的能力；DeepMind：開(kāi)發(fā)新AI技術(shù)利用外部記憶來(lái)解決需要邏輯推理才能完成的任務(wù)精品ppt人工智能3.0第三節(jié)AI技術(shù)的新特征AI走向3.0認(rèn)知計(jì)算AI3.0面對(duì)的挑戰(zhàn)精品ppt88認(rèn)知計(jì)算認(rèn)知計(jì)算是指一種能夠規(guī)?；瘜W(xué)習(xí)、有目的推理、并與人類自然交互的系統(tǒng)。它們不需要事先精確地編程，而是從它們與我們之間的交互和與環(huán)境之間的互動(dòng)中學(xué)習(xí)和推理認(rèn)知系統(tǒng)是概率性的。認(rèn)知系統(tǒng)不僅能回答大量的問(wèn)題，還能對(duì)更加復(fù)雜（且有意義）的數(shù)據(jù)提出假說(shuō)、推理論述和建議認(rèn)知系統(tǒng)還能理解「非結(jié)構(gòu)化」的數(shù)據(jù)（全世界數(shù)據(jù)的80%），這使得它們能夠跟上現(xiàn)代世界巨量、復(fù)雜和不可預(yù)測(cè)的信息認(rèn)知計(jì)算的成功并不以圖靈測(cè)試或模擬人類的能力作為判斷標(biāo)準(zhǔn)。它的標(biāo)準(zhǔn)更加實(shí)際，例如投資報(bào)酬率、新的市場(chǎng)機(jī)會(huì)、治療疾病和拯救生命新的「人-機(jī)共生」的人機(jī)關(guān)系讓人與計(jì)算機(jī)能夠協(xié)作決策，控制復(fù)雜情況，綜合了機(jī)器的數(shù)據(jù)分析、統(tǒng)計(jì)推斷能力，以及人類特殊能力，比如自我引導(dǎo)的目標(biāo)、常識(shí)和價(jià)值觀認(rèn)知的定義認(rèn)知（cognition）是人們推測(cè)和判斷客觀事物的心理過(guò)程，是在過(guò)去的經(jīng)驗(yàn)及有關(guān)線索進(jìn)行分析的基礎(chǔ)上形成的對(duì)信息的理解、分類、歸納、演繹和計(jì)算認(rèn)知活動(dòng)包括思維、語(yǔ)言、定向和意識(shí)4部分認(rèn)知反映個(gè)體的思維能力，是制定和執(zhí)行護(hù)理計(jì)劃的依據(jù)認(rèn)知計(jì)算系統(tǒng)WatsonServicesAPICatalog語(yǔ)言類

Language語(yǔ)音類Speech視覺(jué)類Vision數(shù)據(jù)洞察類DataInsights2011年2月16日，第一個(gè)認(rèn)識(shí)系統(tǒng)IBM計(jì)算機(jī)Watson在美國(guó)熱門(mén)的電視智力問(wèn)答節(jié)目“危險(xiǎn)邊緣”（Jeopardy!）中戰(zhàn)勝了兩位人類冠軍選手，最終勇奪冠軍寶座！Jeopardy!以其復(fù)雜、微妙的文字游戲而著稱，真實(shí)世界中所產(chǎn)生的各種問(wèn)題都能在其中有所體現(xiàn)。這也是對(duì)于高級(jí)認(rèn)知系統(tǒng)的一次公開(kāi)實(shí)驗(yàn):這種系統(tǒng)不是簡(jiǎn)單地程序化運(yùn)行，而是能通過(guò)訓(xùn)練進(jìn)行自主學(xué)習(xí)理解、推理以及學(xué)習(xí)的能力知識(shí)圖譜+搜索

主搜索答案源假設(shè)與證據(jù)評(píng)分深度證據(jù)打分支