第8章-大數(shù)據(jù)與人工智能

第8章大數(shù)據(jù)與人工智能BigDataandArtificialIntelligence.

人工智能時(shí)代的到來(lái)8.1什么限制著人工智能的發(fā)展8.2大數(shù)據(jù)與人工智能的關(guān)系8.3人工智能技術(shù)的發(fā)展趨勢(shì)8.48.1.1人工智能AI概念及分類

人工智能是研究人類智能活動(dòng)的規(guī)律，構(gòu)造具有一定智能的人工系統(tǒng)，研究如何讓計(jì)算機(jī)去完成以往需要人的智力才能勝任的工作，也就是研究如何應(yīng)用計(jì)算機(jī)的軟硬件來(lái)模擬人類某些智能行為的基本理論、方法和技術(shù)。人工智能是研究使計(jì)算機(jī)模擬人的某些思維過(guò)程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，主要包括計(jì)算機(jī)實(shí)現(xiàn)智能的原理、制造類似于人腦智能的計(jì)算機(jī)、使計(jì)算機(jī)實(shí)現(xiàn)更高層次的應(yīng)用。人工智能涉及哲學(xué)、語(yǔ)言學(xué)、認(rèn)知科學(xué)、數(shù)學(xué)、神經(jīng)生理學(xué)、心理學(xué)、計(jì)算機(jī)科學(xué)、信息論、控制論、不定性論等學(xué)科，屬于自然科學(xué)和社會(huì)科學(xué)的交叉學(xué)科。8.1人工智能時(shí)代的到來(lái)8.1.1人工智能AI概念及分類

弱AI和強(qiáng)AI：從人工智能的發(fā)展階段來(lái)看，可以將AI分為兩類：一種是弱人工智能階段（ArtificialNarrowIntelligence，ANI），另一種是強(qiáng)人工智能階段（ArtificialGeneralIntelligence，AGI）。（1）弱AI又稱窄AI，指專門針對(duì)特定任務(wù)而設(shè)計(jì)和訓(xùn)練的AI，如蘋果的虛擬語(yǔ)音助手Siri。在“弱人工智能”階段，ANI只專注于完成某個(gè)特定的任務(wù)，如語(yǔ)音識(shí)別、圖像識(shí)別和翻譯，是擅長(zhǎng)單個(gè)方面的人工智能，類似高級(jí)仿生學(xué)。它們只是用于解決特定具體類的任務(wù)問(wèn)題而存在，大多是統(tǒng)計(jì)數(shù)據(jù)從中歸納出模型。谷歌的AlphaGo是典型的“弱人工智能”，它可以被稱為一個(gè)優(yōu)秀的數(shù)據(jù)處理者，但是AlphaGo也僅會(huì)下棋，是一項(xiàng)擅長(zhǎng)于單個(gè)游戲領(lǐng)域的人工智能。（2）強(qiáng)AI又稱通用AI，具備通用化的人類認(rèn)知能力，具備足夠的智能以解決不熟悉的問(wèn)題。在“強(qiáng)人工智能”階段，AGI就能在各方面都與人類媲美，擁有AGI的機(jī)器不僅是一種工具，而且本身可擁有“思維”。有知覺(jué)和自我意識(shí)的AGI能夠進(jìn)行思考、計(jì)劃、解決問(wèn)題、抽象思維、理解復(fù)雜理念、快速學(xué)習(xí)等，人類能干的腦力活它基本都能勝任。事實(shí)上，人工智能國(guó)際主流學(xué)界所持的目標(biāo)是弱人工智能，目前很少有人致力于強(qiáng)人工智的研究，也沒(méi)有相應(yīng)的成果。8.1人工智能時(shí)代的到來(lái)8.1.1人工智能AI概念及分類

反應(yīng)式機(jī)器、有限記憶、意志理論、自我意識(shí)：密歇根州立大學(xué)的ArendHintze教授從現(xiàn)有的人工智能系統(tǒng)類型到尚不存在的有感知系統(tǒng)將人工智能分為四類。（1）反應(yīng)式機(jī)器這一類型的人工智能涉及計(jì)算機(jī)對(duì)世界的直接感知并作出相應(yīng)反應(yīng)，而并不依賴于對(duì)世界的內(nèi)部概念。最基本的AI系統(tǒng)就是完全反應(yīng)式的，既不能形成記憶，也不能利用過(guò)去的經(jīng)驗(yàn)來(lái)指導(dǎo)當(dāng)前決策。代表性范例：IBM的國(guó)際象棋超級(jí)計(jì)算機(jī)——DeepBlue“深藍(lán)”。DeepBlue能夠識(shí)別棋盤上的棋子，并且知道每個(gè)棋子如何移動(dòng)。它可以預(yù)測(cè)下一步自己和對(duì)手如何移動(dòng)，然后從中選擇最佳移動(dòng)方案。DeepBlue不考慮之前發(fā)生的任何事，也沒(méi)有任何關(guān)于之前的記憶，只考慮當(dāng)前棋盤上棋子的位置，然后從所有可能的下一步動(dòng)作中選擇一種。這種反應(yīng)式的方法確實(shí)讓AI系統(tǒng)在特定游戲中表現(xiàn)更出色。但這種計(jì)算機(jī)思維沒(méi)有更寬泛的世界的概念——這意味著它們無(wú)法執(zhí)行特定任務(wù)之外的其他任務(wù)，無(wú)法交互性地參與真實(shí)世界。（2）有限記憶這一類型的人工智能可以觀察過(guò)去的情況以用于預(yù)測(cè)在不遠(yuǎn)的未來(lái)將發(fā)生的行為。代表性范例：自動(dòng)駕駛汽車。自動(dòng)駕駛的汽車會(huì)觀察其他車輛的速度和方向。觀察過(guò)去的情況無(wú)法短時(shí)間內(nèi)完成，而是需要識(shí)別特定對(duì)象并持續(xù)監(jiān)視。這些待觀察物體被添加到自動(dòng)駕駛汽車預(yù)編程的“表示”中。這些“表示”包括車道標(biāo)記、交通指示燈等其他重要元素。當(dāng)無(wú)人駕駛汽車為避免阻攔其他司機(jī)或與其他汽車相撞而決策變道時(shí)，這些因素都會(huì)被考慮在內(nèi)。但是這些關(guān)于過(guò)去的簡(jiǎn)單片段化信息是短暫的，與駕駛員積累多年駕駛經(jīng)驗(yàn)的方法不同的是，這些簡(jiǎn)單片段化的信息不會(huì)被保存為可從中學(xué)習(xí)的經(jīng)驗(yàn)庫(kù)信息。8.1人工智能時(shí)代的到來(lái)8.1.1人工智能AI概念及分類

（3）意志理論這一類型的人工智能能夠理解影響自身決策的觀點(diǎn)、欲求和目的。目前這類AI尚不存在。心理理論這一點(diǎn)可以被視為目前AI機(jī)器與未來(lái)AI機(jī)器的重要分界點(diǎn)。在心理學(xué)中將人、生物和其他物體有影響自己行為的思想和情緒稱為“心理理論”。這對(duì)人類如何形成社會(huì)至關(guān)重要，因?yàn)樗屓祟愡M(jìn)行社會(huì)性互動(dòng)。如果不理解對(duì)方的動(dòng)機(jī)和意圖，或者沒(méi)有考慮到別人對(duì)自己或周圍環(huán)境的認(rèn)知，就會(huì)給工作帶來(lái)困難。（4）自我意識(shí)這一類型人工智能是具有自我意識(shí)的機(jī)器，能夠理解自身目前的狀態(tài)，并能利用現(xiàn)有信息推測(cè)他人的思維。目前這類AI尚不存在。自我意識(shí)屬于AI發(fā)展的最后一步，即是構(gòu)建可以形成自我“表示”的AI系統(tǒng)。在某種意義上，這是第三類人工智能的“心理理論”的延伸。這時(shí)AI研究人員不僅需要了解意識(shí)，而且還要構(gòu)建擁有意識(shí)的機(jī)器。8.1人工智能時(shí)代的到來(lái)8.1.1人工智能AI概念及分類

認(rèn)知AI、機(jī)器學(xué)習(xí)AI和深度學(xué)習(xí)：根據(jù)AI的主要研究方向，可以將AI分為以下三種類型。（1）認(rèn)知AI認(rèn)知AI（CognitiveAI）是最受歡迎的人工智能分支，負(fù)責(zé)所有類似于人類的交互。認(rèn)知AI能夠輕松處理復(fù)雜性和二義性，同時(shí)還持續(xù)不斷地在數(shù)據(jù)挖掘、NLP（Neuro-LinguisticProgramming，自然語(yǔ)言處理）和智能自動(dòng)化的經(jīng)驗(yàn)中學(xué)習(xí)。如今的認(rèn)知AI能夠綜合人工智能做出的最佳決策和人類工作者們的決定，以監(jiān)督更棘手或不確定的事件。這可以幫助擴(kuò)大人工智能的適用范圍，并生成更快、更可靠的答案。（2）機(jī)器學(xué)習(xí)AI機(jī)器學(xué)習(xí)AI（MachineLearningAI）處于計(jì)算機(jī)科學(xué)前沿，如自動(dòng)駕駛技術(shù)，但將來(lái)有望對(duì)日常工作產(chǎn)生極大的影響。機(jī)器學(xué)習(xí)要在大數(shù)據(jù)中尋找一些“模式”，然后在沒(méi)有過(guò)多人為解釋的情況下，用這些模式來(lái)預(yù)測(cè)結(jié)果，而這些模式在普通的統(tǒng)計(jì)分析中是看不到的。機(jī)器學(xué)習(xí)需要以下三個(gè)關(guān)鍵因素才能有效。①數(shù)據(jù)。為了教給人工智能新技巧，需要將大量的數(shù)據(jù)輸入給模型，用以實(shí)現(xiàn)可靠的輸出評(píng)價(jià)。如特斯拉已經(jīng)向其汽車部署了自動(dòng)轉(zhuǎn)向特征，同時(shí)把它所收集的所有數(shù)據(jù)，例如駕駛員的干預(yù)措施、成功逃避、錯(cuò)誤警報(bào)等都會(huì)發(fā)送到總部，從而在錯(cuò)誤中學(xué)習(xí)并逐步銳化感官。8.1人工智能時(shí)代的到來(lái)8.1.1人工智能AI概念及分類

②部署。機(jī)器學(xué)習(xí)需要從計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室進(jìn)入到軟件當(dāng)中。越來(lái)越多的像CRM（CustomerRelationshipManagement，客戶關(guān)系管理）、Marketing、ERP（EnterpriseResourcePlanning，企業(yè)資源計(jì)劃系統(tǒng)）等供應(yīng)商正在提高嵌入式機(jī)器學(xué)習(xí)或與提供它的服務(wù)緊密結(jié)合的能力。（3）深度學(xué)習(xí)如果機(jī)器學(xué)習(xí)是前沿的，那么深度學(xué)習(xí)（DeepLearning)則是尖端的。它將大數(shù)據(jù)和無(wú)監(jiān)督算法的分析相結(jié)合。它的應(yīng)用通常圍繞著龐大的未標(biāo)記數(shù)據(jù)集，這些數(shù)據(jù)集需要結(jié)構(gòu)化成互聯(lián)的群集。深度學(xué)習(xí)的這種靈感來(lái)自于大腦中的神經(jīng)網(wǎng)絡(luò)，因此也將其稱為人工神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)是許多現(xiàn)代語(yǔ)音和圖像識(shí)別方法的基礎(chǔ)，并且與以往提供的非學(xué)習(xí)方法相比，具有更高的精確度。8.1人工智能時(shí)代的到來(lái)8.1.2人工智能發(fā)展史

1.人工智能的誕生（20世紀(jì)40～50年代）1943年，阿蘭·圖靈發(fā)明了“圖靈機(jī)”，為智能機(jī)器的判定設(shè)置了基準(zhǔn)：“能夠成功騙過(guò)人類，讓后者以為自己是人類的機(jī)器，稱為智能機(jī)器”。1950年，科幻作家艾薩克·阿西莫夫發(fā)表短篇科幻小說(shuō)集《我，機(jī)器人》，書中提出了影響深遠(yuǎn)的“機(jī)器人三原則”。第一條：機(jī)器人不得傷害人類，或看到人類受到傷害而袖手旁觀。第二條：機(jī)器人必須服從人類的命令，除非這條命令與第一條相矛盾。第三條：機(jī)器人必須保護(hù)自己，除非這種保護(hù)與以上兩條相矛盾。他提出的“機(jī)器人三原則”被稱為現(xiàn)代機(jī)器人學(xué)的基石，他也因此被稱為“機(jī)器人學(xué)之父”，如圖所示。1954年，第一臺(tái)可編程機(jī)器人誕生。美國(guó)人喬治·戴沃爾設(shè)計(jì)了世界上第一臺(tái)可編程機(jī)器人。1956年，美國(guó)達(dá)特茅斯學(xué)院舉行了歷史上第一次人工智能研討會(huì)，會(huì)上麥卡錫首次提出“人工智能”概念，當(dāng)時(shí)盛行“由上至下”的思路，即由預(yù)編程的計(jì)算機(jī)來(lái)管治人類的行為。8.1人工智能時(shí)代的到來(lái)8.1.2人工智能發(fā)展史

2.人工智能的黃金時(shí)期（20世紀(jì)60～70年代）1966年，美國(guó)麻省理工學(xué)院發(fā)布了世界上第一個(gè)聊天機(jī)器人ELIZA，其智能之處在于能通過(guò)腳本理解簡(jiǎn)單的語(yǔ)言，從而產(chǎn)生類似人類的互動(dòng)。1968年，首個(gè)通用式移動(dòng)機(jī)器人誕生，能夠通過(guò)周圍環(huán)境來(lái)決定自己的行動(dòng)。1969年，MIT人工實(shí)驗(yàn)室創(chuàng)始人馬文·明斯基為導(dǎo)演斯坦利·庫(kù)布里克的電影《2001漫游太空》擔(dān)任顧問(wèn)，塑造了片中超級(jí)智能計(jì)算機(jī)HAL9000的銀幕形象。8.1人工智能時(shí)代的到來(lái)8.1.2人工智能發(fā)展史

3.人工智能的低谷（20世紀(jì)70～80年代）1973年，AI“寒冬“論開(kāi)始出現(xiàn)。在AI上的巨額投入幾乎未收到任何回報(bào)和成果，對(duì)AI行業(yè)的資助開(kāi)始大幅滑坡。20世紀(jì)70年代，當(dāng)時(shí)的計(jì)算機(jī)內(nèi)存有限且處理速度慢，不足以解決任何實(shí)際的人工智能問(wèn)題，人工智能發(fā)展遭遇了瓶頸。8.1人工智能時(shí)代的到來(lái)8.1.2人工智能發(fā)展史

4.人工智能的繁榮期（20世紀(jì)90年代至今）1990年，RodneyBrooks提出了“由下自上”的研究思路，開(kāi)發(fā)能夠模擬人腦細(xì)胞運(yùn)作方式的神經(jīng)網(wǎng)絡(luò)，并學(xué)習(xí)新的行為。1997年，超級(jí)計(jì)算機(jī)“深藍(lán)”問(wèn)世，并在國(guó)際象棋人機(jī)大戰(zhàn)中擊敗人類頂尖棋手、特級(jí)大師加里·卡斯帕羅夫。IBM“深藍(lán)”以3.5:2.5擊敗卡斯帕羅夫，成為首個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗國(guó)際象棋世界冠軍的電腦系統(tǒng)。如圖所示。8.1人工智能時(shí)代的到來(lái)8.1.2人工智能發(fā)展史

2002年，iRobot公司打造出全球首款家用自動(dòng)化掃地機(jī)器人。2005年，美國(guó)軍方開(kāi)始投資自動(dòng)機(jī)器人，波士頓動(dòng)力的“機(jī)器狗”是首批產(chǎn)品之一。2008年，谷歌在iPhone上發(fā)布了一款語(yǔ)音識(shí)別應(yīng)用，開(kāi)啟了后來(lái)數(shù)字化語(yǔ)音助手（Siri、Alexa、Cortana）的浪潮。2010年，上海世博會(huì)上，來(lái)自NAO公司的20個(gè)跳舞機(jī)器人獻(xiàn)上了一段長(zhǎng)達(dá)8分鐘的完美舞蹈。2011年，IBMWatson在Jeopardy答題競(jìng)賽中戰(zhàn)勝了表現(xiàn)最優(yōu)秀的人類選手。2014年，在圖靈測(cè)試誕生64年后，一臺(tái)名為EugeneGoostman的聊天機(jī)器人通過(guò)了圖靈測(cè)試。谷歌向自動(dòng)駕駛技術(shù)投入重金，Skype推出實(shí)時(shí)語(yǔ)音翻譯功能。2015年，Google開(kāi)源了利用大量數(shù)據(jù)直接能訓(xùn)練計(jì)算機(jī)來(lái)完成任務(wù)的第二代機(jī)器學(xué)習(xí)平臺(tái)TensorFlow，劍橋大學(xué)建立了人工智能研究所。2016年，Google人工智能AlphaGo以4比1的總比分戰(zhàn)勝圍棋世界冠軍李世石，這一輪人機(jī)對(duì)弈讓人工智能正式被世人所熟知，整個(gè)人工智能領(lǐng)域迎來(lái)新一輪爆發(fā)?；仡櫲斯ぶ悄艿陌l(fā)展史，可以看到在這80年里，其發(fā)展并非一帆風(fēng)順，其間經(jīng)歷了20世紀(jì)50～60年代以及80年代的人工智能浪潮期，也經(jīng)歷過(guò)70～80年代的沉寂期，最終在21世紀(jì)初迎來(lái)了發(fā)展黃金時(shí)期。8.1人工智能時(shí)代的到來(lái)8.1.2人工智能發(fā)展史

第一次浪潮：五十年代的達(dá)特茅斯會(huì)議確立了人工智能AI這一術(shù)語(yǔ)，又陸續(xù)出現(xiàn)了感知神經(jīng)網(wǎng)絡(luò)軟件和聊天軟件，并用機(jī)器證明的辦法去證明和推理一些定理。人類驚呼“人工智能來(lái)了”。然而，當(dāng)時(shí)理論和模型只能解決一些非常簡(jiǎn)單的問(wèn)題，人工智能進(jìn)入第一次寒冬。第二次浪潮：八十年代Hopfield神經(jīng)網(wǎng)絡(luò)和BT訓(xùn)練算法的提出，使得人工智能再次興起，出現(xiàn)了語(yǔ)音識(shí)別、語(yǔ)音翻譯計(jì)劃，以及日本提出的第五代計(jì)算機(jī)。但由于訓(xùn)練學(xué)習(xí)時(shí)數(shù)據(jù)量過(guò)大，很多結(jié)果到一定程度就不再往上升，且在一定程度上這些設(shè)想遲遲未能投入應(yīng)用，人工智能進(jìn)入了第二次寒冬。第三次浪潮：隨著2006年出現(xiàn)的深度學(xué)習(xí)技術(shù)，以及2012年ImageNet競(jìng)賽在圖像識(shí)別領(lǐng)域帶來(lái)的突破，人工智能再次爆發(fā)，核心是基于互聯(lián)網(wǎng)大數(shù)據(jù)的深度學(xué)習(xí)，把一些技術(shù)、神經(jīng)元網(wǎng)絡(luò)和統(tǒng)計(jì)的方法結(jié)合到一起，形成AI生態(tài)圈，并逐漸走向成熟。隨著近年來(lái)數(shù)據(jù)爆發(fā)式的增長(zhǎng)、計(jì)算能力的大幅提升以及深度學(xué)習(xí)算法的發(fā)展和成熟，迎來(lái)了人工智能概念出現(xiàn)以來(lái)的第三個(gè)浪潮期。8.1人工智能時(shí)代的到來(lái)8.1.3人工智能產(chǎn)業(yè)分析據(jù)VentureCapital調(diào)查報(bào)告顯示，截至2016年底，全球范圍內(nèi)總計(jì)1485家與人工智能技術(shù)有關(guān)公司的融資總額達(dá)到了89億美元。將人工智能行業(yè)細(xì)分為了11個(gè)類別。1.計(jì)算機(jī)視覺(jué)／圖像識(shí)別該技術(shù)領(lǐng)域通過(guò)處理和分析圖像以從中獲取信息，示例包括用于開(kāi)發(fā)人員的視覺(jué)搜索平臺(tái)和圖像標(biāo)記API。這一類別下的企業(yè)主要提供分析圖像采集和識(shí)別相關(guān)信息的底層支持技術(shù)解決方案并從屬于各行業(yè)的垂直細(xì)分行業(yè)，利用圖像處理技術(shù)應(yīng)用到各種具體的實(shí)際應(yīng)用中，例如面部識(shí)別、圖片識(shí)別、圖像檢索等。2.深度學(xué)習(xí)／機(jī)器學(xué)習(xí)該技術(shù)領(lǐng)域基于現(xiàn)有數(shù)據(jù)進(jìn)行學(xué)習(xí)操作，開(kāi)發(fā)計(jì)算機(jī)算法，示例包括預(yù)測(cè)數(shù)據(jù)模型和分析行為數(shù)據(jù)。這一類型的企業(yè)主要通過(guò)利用特定的學(xué)習(xí)算法來(lái)對(duì)已有的信息進(jìn)行學(xué)習(xí)和操作以供某一特定領(lǐng)域使用，或主要專注于算法的開(kāi)發(fā)研究，旨在實(shí)現(xiàn)通過(guò)已有數(shù)據(jù)進(jìn)行學(xué)習(xí)，包括搭建用于預(yù)測(cè)的數(shù)據(jù)模型、分析行為數(shù)據(jù)等。3.自然語(yǔ)言處理該技術(shù)領(lǐng)域通過(guò)對(duì)人類語(yǔ)言的處理并將其轉(zhuǎn)換為可理解的描述，示例包括自動(dòng)生成敘述文本，并挖掘應(yīng)用到數(shù)據(jù)中。這一類型的公司研發(fā)和搭建的算法主要用于處理人類語(yǔ)言輸入，并將其轉(zhuǎn)化為多種其他的表現(xiàn)形式，例如語(yǔ)音與文字的雙向轉(zhuǎn)換等。8.1人工智能時(shí)代的到來(lái)8.1.3人工智能產(chǎn)業(yè)分析

4.語(yǔ)音識(shí)別該技術(shù)領(lǐng)域能夠處理人類言語(yǔ)的聲音片段，精確識(shí)別詞語(yǔ)并從中推斷出含義，示例包括檢測(cè)語(yǔ)音命令并將其轉(zhuǎn)換為可操作數(shù)據(jù)的軟件。這一類型的公司研發(fā)能夠處理人類語(yǔ)音并準(zhǔn)確識(shí)別其含義的技術(shù)產(chǎn)品，例如通過(guò)接收語(yǔ)音指令實(shí)現(xiàn)要求的相關(guān)操作等。5.智能機(jī)器人該技術(shù)領(lǐng)域能夠研發(fā)可以從自身經(jīng)驗(yàn)中學(xué)習(xí)，并根據(jù)自己的環(huán)境條件自主行動(dòng)的機(jī)器人，例如可以在互動(dòng)中對(duì)人們的情緒做出反應(yīng)的家庭機(jī)器人，可以幫助客戶在商店中購(gòu)買商品的零售機(jī)器人。6.虛擬個(gè)人助手該技術(shù)領(lǐng)域能夠基于反饋和命令為個(gè)人執(zhí)行日程任務(wù)和服務(wù)的軟件助理。這一類型的公司主要研發(fā)能夠基于用戶指令完成日常任務(wù)與服務(wù)的助理軟件，例如個(gè)人助理APP和網(wǎng)絡(luò)客服等，幫助企業(yè)管理產(chǎn)品售后服務(wù)或負(fù)責(zé)管理私人日程安排等。8.1人工智能時(shí)代的到來(lái)8.1.3人工智能產(chǎn)業(yè)分析

7.手勢(shì)控制該技術(shù)領(lǐng)域能夠通過(guò)手勢(shì)與計(jì)算機(jī)進(jìn)行交互和通信，示例包括能夠通過(guò)身體動(dòng)作來(lái)控制視頻游戲角色，或者通過(guò)單獨(dú)的手勢(shì)來(lái)操作計(jì)算機(jī)和電視的軟件。這一類型的公司主要研發(fā)可以讓用戶通過(guò)手勢(shì)與計(jì)算機(jī)交互的技術(shù)。8.推薦引擎和協(xié)助過(guò)濾算法這一類型的公司研發(fā)根據(jù)過(guò)去的選擇能夠預(yù)測(cè)用戶對(duì)電影、餐廳等偏好并依此做出個(gè)性化推薦的技術(shù)。例如音樂(lè)推薦應(yīng)用。9.情景感知計(jì)算這一類型的公司主要研發(fā)能夠自動(dòng)感知周圍環(huán)境（位置、方向、光度、溫度等）并基于感知到的信息進(jìn)行自身調(diào)整的軟件。例如當(dāng)檢測(cè)到環(huán)境處于黑暗時(shí)自動(dòng)調(diào)高亮度的應(yīng)用程序。8.1人工智能時(shí)代的到來(lái)8.1.3人工智能產(chǎn)業(yè)分析

10.視頻內(nèi)容自動(dòng)識(shí)別該技術(shù)領(lǐng)域能夠?qū)⒁曨l內(nèi)容抽樣與源內(nèi)容進(jìn)行比較，通過(guò)其獨(dú)特特征來(lái)識(shí)別內(nèi)容的軟件。包括通過(guò)將其與受版權(quán)保護(hù)的內(nèi)容進(jìn)行比較，在用戶上傳的視頻中檢測(cè)受版權(quán)保護(hù)內(nèi)容的軟件。這一類型的公司主要研發(fā)將視頻內(nèi)容樣本與源內(nèi)容文件進(jìn)行比較識(shí)別的技術(shù)，可以應(yīng)用于識(shí)別用戶上傳視頻與版權(quán)視頻文件比較，以檢測(cè)是否侵權(quán)。11.語(yǔ)音翻譯該技術(shù)領(lǐng)域可以自動(dòng)識(shí)別人類的語(yǔ)言并實(shí)時(shí)翻譯成另一種語(yǔ)言。示例包括將視頻聊天或網(wǎng)絡(luò)討論內(nèi)容自動(dòng)、實(shí)時(shí)地轉(zhuǎn)換為多語(yǔ)言的軟件。8.1人工智能時(shí)代的到來(lái)

1.可解釋性問(wèn)題隨著深度學(xué)習(xí)的成功和采用，人工智能系統(tǒng)也在不斷發(fā)展，帶來(lái)了更多樣化、更先進(jìn)的應(yīng)用，也帶來(lái)了更多的不透明性。更大及更復(fù)雜的模型使我們很難用人類的語(yǔ)言來(lái)解釋為什么會(huì)做出某種決定（而在實(shí)時(shí)做出某種決定時(shí)就更難了）。這是人工智能工具在一些對(duì)可解釋性有需求的應(yīng)用領(lǐng)域的使用率仍然很低的原因之一。此外，隨著人工智能應(yīng)用的擴(kuò)展，監(jiān)管規(guī)定也可能推動(dòng)對(duì)更多可解釋的人工智能模型的需求。2.數(shù)據(jù)標(biāo)簽?zāi)壳按蠖鄶?shù)人工智能模型都是通過(guò)“監(jiān)督學(xué)習(xí)”進(jìn)行訓(xùn)練的。這意味著，人類必須對(duì)底層數(shù)據(jù)進(jìn)行標(biāo)記和分類，這可能是一個(gè)相當(dāng)龐大且容易出錯(cuò)的任務(wù)。例如，開(kāi)發(fā)自動(dòng)駕駛汽車技術(shù)的公司雇傭了數(shù)百人來(lái)手工標(biāo)注原型車的視頻輸入時(shí)數(shù)來(lái)幫助培訓(xùn)這些系統(tǒng)。不過(guò)目前的生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks，GANs）這種半監(jiān)督式方法能有效解決這一問(wèn)題。3.獲取大量的訓(xùn)練數(shù)據(jù)集已經(jīng)證明，使用線性模型的簡(jiǎn)單人工智能技術(shù)在某些情況下與醫(yī)學(xué)和其他領(lǐng)域?qū)＜业哪芰ο嘟咏?。然而，?dāng)前機(jī)器學(xué)習(xí)浪潮需要訓(xùn)練數(shù)據(jù)集，這些數(shù)據(jù)集不僅要有標(biāo)記，而且要足夠龐大和全面。深度學(xué)習(xí)方法需要成千上萬(wàn)的數(shù)據(jù)記錄，才能使模型在分類任務(wù)上變得相對(duì)優(yōu)秀，在某些情況下，還需要數(shù)以百萬(wàn)計(jì)的數(shù)據(jù)記錄才能達(dá)到人類的水平。對(duì)于許多業(yè)務(wù)用例來(lái)說(shuō)，大量的數(shù)據(jù)集可能很難獲得或創(chuàng)建（試想：利用有限的臨床試驗(yàn)數(shù)據(jù)來(lái)更準(zhǔn)確地預(yù)測(cè)治療結(jié)果）。在分配的任務(wù)中，每一個(gè)微小的變化都需要另一個(gè)大數(shù)據(jù)集進(jìn)行更多的訓(xùn)練。如教一輛自動(dòng)駕駛汽車在天氣不斷變化的采礦地點(diǎn)進(jìn)行導(dǎo)航，將需要一個(gè)包含車輛可能遇到的不同環(huán)境狀況的數(shù)據(jù)集。8.2什么限制著人工智能的發(fā)展

4.學(xué)習(xí)的普遍性與人類的學(xué)習(xí)方式不同，人工智能模型很難將它們的經(jīng)驗(yàn)從一種環(huán)境轉(zhuǎn)移到另一種環(huán)境。實(shí)際上，模型為給定用例實(shí)現(xiàn)的任何東西都只適用于該用例。因此，即使用例非常相似，公司也必須反復(fù)提交資源來(lái)培訓(xùn)另一個(gè)模型。應(yīng)對(duì)這一挑戰(zhàn)的一個(gè)前景可期的答案是學(xué)習(xí)遷移。5.數(shù)據(jù)和算法中的偏差到目前為止，我們專注于通過(guò)在工作中已經(jīng)應(yīng)用的技術(shù)解決方案可以克服的一些限制。當(dāng)人類的偏好（有意識(shí)或無(wú)意識(shí)）在選擇使用哪些數(shù)據(jù)點(diǎn)和忽視哪些數(shù)據(jù)點(diǎn)時(shí)，會(huì)產(chǎn)生潛在的破壞性的社會(huì)影響。此外，當(dāng)數(shù)據(jù)收集本身的過(guò)程和頻率在不同的組別觀察到的行為不一致時(shí)，算法分析數(shù)據(jù)、學(xué)習(xí)和預(yù)測(cè)的方式很容易出現(xiàn)問(wèn)題。負(fù)面影響包括錯(cuò)誤的招聘決策、錯(cuò)誤的科學(xué)或醫(yī)學(xué)預(yù)測(cè)、扭曲的金融模型和刑事司法決策等。在許多情況下，這些偏見(jiàn)在“高級(jí)數(shù)據(jù)科學(xué)”、“專有數(shù)據(jù)和算法”或“客觀分析”的面紗下被忽視或忽略。在新的領(lǐng)域部署機(jī)器學(xué)習(xí)和人工智能算法時(shí)，可能會(huì)有更多的實(shí)例將這些潛在偏差問(wèn)題納入數(shù)據(jù)集和算法中。這種偏差一般根深蒂固，因?yàn)樽R(shí)別它們并采取措施解決它們需要深入掌握數(shù)據(jù)科學(xué)技術(shù)，以及對(duì)現(xiàn)有社會(huì)力量（包括數(shù)據(jù)收集）的更深的元認(rèn)識(shí)?？偠灾テ畋蛔C明是迄今為止最令人畏懼的障礙之一，也是最讓社會(huì)擔(dān)憂的問(wèn)題之一。8.2什么限制著人工智能的發(fā)展隨著大數(shù)據(jù)技術(shù)的快速發(fā)展，計(jì)算能力、數(shù)據(jù)處理能力和處理速度得到了大幅提升，人工智能的價(jià)值得以展現(xiàn)。大數(shù)據(jù)與人工智能二者相輔相成，隨著智能終端和傳感器的快速普及，海量數(shù)據(jù)快速累積，基于大數(shù)據(jù)的人工智能也因此獲得了持續(xù)快速發(fā)展的動(dòng)力來(lái)源。大數(shù)據(jù)和人工智能的關(guān)注點(diǎn)并不相同，但卻有著密切的聯(lián)系：一方面人工智能需要大量的數(shù)據(jù)作為“思考”和“決策”的基礎(chǔ)，另一方面大數(shù)據(jù)也需要人工智能技術(shù)進(jìn)行數(shù)據(jù)價(jià)值化操作，如機(jī)器學(xué)習(xí)就是數(shù)據(jù)分析的常用方式。在大數(shù)據(jù)價(jià)值的兩個(gè)主要體現(xiàn)中，數(shù)據(jù)應(yīng)用的主要渠道之一就是智能體（人工智能產(chǎn)品），為智能體提供的數(shù)據(jù)量越大，智能體的運(yùn)行效果就會(huì)越好，因?yàn)橹悄荏w通常需要大量的數(shù)據(jù)進(jìn)行“訓(xùn)練”和“驗(yàn)證”，從而保障運(yùn)行的可靠性和穩(wěn)定性。8.3大數(shù)據(jù)與人工智能的關(guān)系大數(shù)據(jù)的積累為人工智能發(fā)展提供燃料：如果我們把人工智能看成一個(gè)擁有無(wú)限潛力的嬰兒，那么某一領(lǐng)域海量的數(shù)據(jù)就是奶粉。奶粉的數(shù)量決定了嬰兒是否能長(zhǎng)大，而奶粉的質(zhì)量則決定了嬰兒后續(xù)的智力發(fā)育水平?！稊?shù)據(jù)時(shí)代2025》白皮書顯示，到2025年全球數(shù)據(jù)總量將達(dá)到163ZB，其中屬于數(shù)據(jù)分析的數(shù)據(jù)總量將比2016年增加50倍，達(dá)到5.2ZB（十萬(wàn)億億字節(jié)）。爆炸性增長(zhǎng)的數(shù)據(jù)推動(dòng)著大數(shù)據(jù)技術(shù)的壯大，也為人工智能技術(shù)提供了豐厚的數(shù)據(jù)土壤。以人臉識(shí)別所用的訓(xùn)練圖像數(shù)量為例，百度訓(xùn)練人臉識(shí)別系統(tǒng)需要2億幅人臉畫像。又如百度的無(wú)人駕駛，需要采集大量路況信息（路口紅綠燈信息、路況人流量、道路車輛等）。當(dāng)無(wú)人駕駛汽車行駛到某個(gè)路口的紅綠燈時(shí)，需要根據(jù)記錄的數(shù)據(jù)分析是停車還是繼續(xù)駕駛；當(dāng)前路面濕滑時(shí)，需要根據(jù)數(shù)據(jù)分析汽車應(yīng)該減速到某個(gè)時(shí)速，這樣才比較安全；當(dāng)前方有行人過(guò)馬路時(shí)，汽車系統(tǒng)需要捕獲照片，“決策”暫停行駛等。所以無(wú)人駕駛系統(tǒng)底層架構(gòu)一定要是基于大數(shù)據(jù)的邏輯算法，也能存儲(chǔ)海量數(shù)據(jù)信息，根據(jù)底層大數(shù)據(jù)、用戶的需求進(jìn)行分析，然后編碼成邏輯程序。8.3大數(shù)據(jù)與人工智能的關(guān)系數(shù)據(jù)處理技術(shù)推進(jìn)運(yùn)算能力提升：人工智能領(lǐng)域富集了海量數(shù)據(jù)，傳統(tǒng)的數(shù)據(jù)處理技術(shù)難以滿足高強(qiáng)度、高頻次的處理需求。AI芯片的出現(xiàn)，大大提升了大規(guī)模處理大數(shù)據(jù)的效率。目前，出現(xiàn)了GPU（GraphicsProcessingUnit，圖形處理器）、NPU（NeuralNetworksProcessUnits，神經(jīng)網(wǎng)絡(luò)處理單元）、FPGA（Field-ProgrammableGateArray，現(xiàn)場(chǎng)可編程門陣列）和各種各樣的AI專用芯片，比傳統(tǒng)的雙核CPU提升約70倍的運(yùn)算速度。8.3大數(shù)據(jù)與人工智能的關(guān)系人工智能推進(jìn)大數(shù)據(jù)應(yīng)用深化：在計(jì)算力指數(shù)級(jí)增長(zhǎng)及高價(jià)值數(shù)據(jù)的驅(qū)動(dòng)下，以人工智能為核心的智能化正不斷延伸其技術(shù)應(yīng)用廣度、拓展技術(shù)突破深度，并不斷增強(qiáng)技術(shù)落地（商業(yè)變現(xiàn)）的速度，例如，在新零售領(lǐng)域，大數(shù)據(jù)與人工智能技術(shù)的結(jié)合，可以提升人臉識(shí)別的準(zhǔn)確率，商家可以更好地預(yù)測(cè)每月的銷售情況；在交通領(lǐng)域，大數(shù)據(jù)和人工智能技術(shù)的結(jié)合，基于大量的交通數(shù)據(jù)開(kāi)發(fā)的智能交通流量預(yù)測(cè)、智能交通疏導(dǎo)等人工智能應(yīng)用可以實(shí)現(xiàn)對(duì)整體交通網(wǎng)絡(luò)進(jìn)行智能控制；在健康領(lǐng)域，大數(shù)據(jù)和人工智能技術(shù)的結(jié)合，能夠提供醫(yī)療影像分析、輔助診療、醫(yī)療機(jī)器人等更便捷、更智能的醫(yī)療服務(wù)。同時(shí)在技術(shù)層面，大數(shù)據(jù)技術(shù)已經(jīng)基本成熟，并且推動(dòng)人工智能技術(shù)以驚人的速度進(jìn)步；在產(chǎn)業(yè)層面，智能安防、自動(dòng)駕駛、醫(yī)療影像等都在加速落地。8.3大數(shù)據(jù)與人工智能的關(guān)系按產(chǎn)業(yè)鏈結(jié)構(gòu)劃分，人工智能可以分為基礎(chǔ)技術(shù)層、AI技術(shù)層和AI應(yīng)用層?；A(chǔ)技術(shù)層主要聚焦于數(shù)據(jù)資源、計(jì)算能力和硬件平臺(tái)，數(shù)據(jù)資源主要是各類大數(shù)據(jù)，硬件資源包括芯片研發(fā)、存儲(chǔ)設(shè)備開(kāi)發(fā)等。AI技術(shù)層著重于算法、模型及可應(yīng)用技術(shù)，如計(jì)算智能算法、感知智能算法、認(rèn)知智能算法。AI應(yīng)用層則主要關(guān)注將人工智能與下游各領(lǐng)域結(jié)合起來(lái)，如無(wú)人機(jī)、機(jī)器人、虛擬客服、語(yǔ)音輸入法等。8.3大數(shù)據(jù)與人工智能的關(guān)系隨著人工智能的快速應(yīng)用及普及，大數(shù)據(jù)不斷累積，深度學(xué)習(xí)及強(qiáng)化學(xué)習(xí)等算法不斷優(yōu)化，大數(shù)據(jù)技術(shù)將與人工智能技術(shù)更緊密地結(jié)合，具備對(duì)數(shù)據(jù)的理解、分析、發(fā)現(xiàn)和決策能力，從而能從數(shù)據(jù)中獲取更準(zhǔn)確、更深層次的知識(shí)，挖掘數(shù)據(jù)背后的價(jià)值，催生出新業(yè)態(tài)、新模式。作為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，人工智能的產(chǎn)業(yè)化已經(jīng)取得了顯著的效果，在各領(lǐng)域的逐步應(yīng)用也顯示出帶動(dòng)性很強(qiáng)的“頭雁”效應(yīng)。中國(guó)、美國(guó)、英國(guó)、德國(guó)、法國(guó)、日本等主要國(guó)家都紛紛將人工智能上升為國(guó)家級(jí)戰(zhàn)略，積極搶占人工智能競(jìng)爭(zhēng)的制高點(diǎn)。我國(guó)還進(jìn)一步強(qiáng)調(diào)要加強(qiáng)人工智能領(lǐng)域前沿技術(shù)布局，支持科學(xué)家勇闖人工智能科技前沿的“無(wú)人區(qū)”。在云計(jì)算、大數(shù)據(jù)和芯片等的支持下，人工智能已經(jīng)成功地從實(shí)驗(yàn)室中走出來(lái)，開(kāi)始進(jìn)入到了商業(yè)應(yīng)用，并在機(jī)器視覺(jué)、自然語(yǔ)言處理、機(jī)器翻譯、路徑規(guī)劃等領(lǐng)域取得了令人矚目的成績(jī)。未來(lái)人工智能技術(shù)將分別沿著算法和算力兩條主線向前發(fā)展，并逐步帶領(lǐng)人類進(jìn)入到人機(jī)協(xié)同的新時(shí)代。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.1深度學(xué)習(xí)

深度學(xué)習(xí)（DeepLearning，DL）是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向，其動(dòng)機(jī)在于建立模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學(xué)習(xí)過(guò)程中獲得的信息對(duì)諸如文字、圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。它通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學(xué)習(xí)是一類模式分析方法的統(tǒng)稱，就具體研究?jī)?nèi)容而言，主要涉及三類方法。（1）基于卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）。（2）基于多層神經(jīng)元的自編碼神經(jīng)網(wǎng)絡(luò)，包括自編碼（Autoencoder）以及近年來(lái)受到廣泛關(guān)注的稀疏編碼（SparseCoding）兩類。（3）以多層自編碼神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行預(yù)訓(xùn)練，進(jìn)而結(jié)合鑒別信息進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的深度置信網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.1深度學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。機(jī)器學(xué)習(xí)作為一門多學(xué)科交叉專業(yè)，涵蓋概率論、統(tǒng)計(jì)學(xué)、近似理論和復(fù)雜算法知識(shí)，使用計(jì)算機(jī)作為工具并致力于真實(shí)且實(shí)時(shí)地模擬人類學(xué)習(xí)方式，并將現(xiàn)有內(nèi)容進(jìn)行知識(shí)結(jié)構(gòu)劃分來(lái)有效提高學(xué)習(xí)效率，支撐著人工智能的技術(shù)層面。而在機(jī)器學(xué)習(xí)的具體實(shí)踐任務(wù)中，選擇一組具有代表性的特征用于構(gòu)建模型是非常重要的問(wèn)題。而人工選取特征依賴人力和專業(yè)知識(shí)，不利于推廣。于是我們需要通過(guò)特征學(xué)習(xí)來(lái)抽取和學(xué)習(xí)特征，使機(jī)器學(xué)習(xí)的工作更加快捷、有效。而特征學(xué)習(xí)又包括深度學(xué)習(xí)、成分分析、自編碼器、矩陣分解和各種形式的聚類算法。通過(guò)深度學(xué)習(xí)的多層處理，逐漸將初始的“低層”特征表示轉(zhuǎn)化為“高層”特征表示后，用“簡(jiǎn)單模型”即可完成復(fù)雜的分類等學(xué)習(xí)任務(wù)。由此深度學(xué)習(xí)使得特征學(xué)習(xí)技術(shù)向前邁進(jìn)一大步。如圖所示。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.1深度學(xué)習(xí)

（1）自下上升的非監(jiān)督學(xué)習(xí)自下上升的非監(jiān)督學(xué)習(xí)是從底層開(kāi)始，一層一層地往頂層訓(xùn)練。采用無(wú)標(biāo)定數(shù)據(jù)（有標(biāo)定數(shù)據(jù)也可）分層訓(xùn)練各層參數(shù)，這一步可以看作是一個(gè)無(wú)監(jiān)督訓(xùn)練過(guò)程，這也是和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)區(qū)別最大的部分，可以看作是特征學(xué)習(xí)過(guò)程。具體的，先用無(wú)標(biāo)定數(shù)據(jù)訓(xùn)練第一層，訓(xùn)練時(shí)先學(xué)習(xí)第一層的參數(shù)，這層可以看作是得到一個(gè)使得輸出和輸入差別最小的三層神經(jīng)網(wǎng)絡(luò)的隱層，由于模型容量的限制以及稀疏性約束，使得得到的模型能夠?qū)W習(xí)到數(shù)據(jù)本身的結(jié)構(gòu)，從而得到比輸入更具有表示能力的特征；在學(xué)習(xí)得到n-l層后，將n-l層的輸出作為第n層的輸入，訓(xùn)練第n層，由此分別得到各層的參數(shù)。（2）自上而下的監(jiān)督學(xué)習(xí)自上而下的監(jiān)督學(xué)習(xí)是通過(guò)帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練，誤差自頂向下傳輸，對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)?；诘谝徊降玫降母鲗訁?shù)進(jìn)一步優(yōu)調(diào)整個(gè)多層模型的參數(shù)，這一步是一個(gè)有監(jiān)督訓(xùn)練過(guò)程。第一步類似神經(jīng)網(wǎng)絡(luò)的隨機(jī)初始化初值過(guò)程，由于第一步不是隨機(jī)初始化，而是通過(guò)學(xué)習(xí)輸入數(shù)據(jù)的結(jié)構(gòu)得到的，因而這個(gè)初值更接近全局最優(yōu)，從而能夠取得更好的效果。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（FeedforwardNeuralNetworks），是深度學(xué)習(xí)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)（representationlearning）能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類（shift-invariantclassification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-InvariantArtificialNeuralNetworks，SIANN）”。與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)相比，CNN的層級(jí)結(jié)構(gòu)具有層內(nèi)的卷積核參數(shù)共享和層間連接的稀疏性兩個(gè)特點(diǎn)，使得其能夠以較小的計(jì)算量達(dá)到穩(wěn)定的學(xué)習(xí)效果且對(duì)數(shù)據(jù)沒(méi)有額外的特征工程要求，這樣大量地減少了需要訓(xùn)練參數(shù)的數(shù)量。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包含下面幾層：1.數(shù)據(jù)輸入層：卷積神經(jīng)網(wǎng)絡(luò)的輸入層可以處理多維數(shù)據(jù)，常見(jiàn)地，一維卷積神經(jīng)網(wǎng)絡(luò)的輸入層接收一維或二維數(shù)組，其中一維數(shù)組通常為時(shí)間或頻譜采樣；二維數(shù)組可能包含多個(gè)通道；二維卷積神經(jīng)網(wǎng)絡(luò)的輸入層接收二維或三維數(shù)組；三維卷積神經(jīng)網(wǎng)絡(luò)的輸入層接收四維數(shù)組。與其他神經(jīng)網(wǎng)絡(luò)算法類似，由于使用梯度下降算法進(jìn)行學(xué)習(xí)，卷積神經(jīng)網(wǎng)絡(luò)的輸入特征需要進(jìn)行標(biāo)準(zhǔn)化處理。具體地，在將學(xué)習(xí)數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)前，需在通道或時(shí)間/頻率維對(duì)輸入數(shù)據(jù)進(jìn)行歸一化，若輸入數(shù)據(jù)為像素，也可將分布于[0,255]的原始像素值歸一化至區(qū)間[0,1]

。輸入特征的標(biāo)準(zhǔn)化有利于提升卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和表現(xiàn)。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）

2.卷積計(jì)算層：卷積層是CNN的核心，其主要過(guò)程是滑動(dòng)窗口掃描圖像，也就是圖像像素對(duì)應(yīng)與卷積核進(jìn)行加權(quán)求和，這個(gè)過(guò)程與濾波器濾波時(shí)的操作相似。卷積的目的是為了提取圖像特征，利用若干卷積核通過(guò)局部連接和權(quán)值共享訓(xùn)練提取圖像特征。如圖顯示的是輸入一張5*5大小的灰度圖像，卷積核的尺寸為3*3，步長(zhǎng)為2，將卷積核在灰度圖像矩陣上做滑動(dòng)和計(jì)算，將卷積核中每個(gè)參數(shù)和圖像矩陣中每個(gè)像素點(diǎn)的像素值相乘然后加上偏置參數(shù)，最后取和得到右邊的結(jié)果。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）3.激勵(lì)層：激勵(lì)層負(fù)責(zé)把卷積層輸出結(jié)果做非線性映射，CNN采用的激勵(lì)函數(shù)一般為ReLU函數(shù)（TheRectifiedLinearUnit，修正線性單元）：f(x)=max(x,0)f(x)=max(x,0)，它的特點(diǎn)是收斂快，求梯度簡(jiǎn)單。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）4.池化層池化層也是CNN中很重要的一層，通常與卷積層成對(duì)的出現(xiàn)，其目的和作用是對(duì)卷積層輸出的特征圖進(jìn)行深度不變的降維。池化層在提取了主要特征的同時(shí)對(duì)數(shù)據(jù)量進(jìn)行了縮減，降低卷積神經(jīng)網(wǎng)絡(luò)計(jì)算的復(fù)雜度，過(guò)程如下：其中s代表所選池化模板，是模板的權(quán)值。按照的不同運(yùn)算方式，可以把池化分成平均池化、最大池化與隨機(jī)池化等等。本文采用的是最大池化。如圖所示，選用2×2尺寸的池化濾波器模板，通過(guò)區(qū)域不重復(fù)的最大池化操作，也就是將模板內(nèi)的圖像特征矩陣中的像素值按照大小進(jìn)行排序，選擇數(shù)值最大的像素值作為最后的結(jié)果，最終把一張尺寸為4×4的特征圖矩陣轉(zhuǎn)化為了2×2尺寸的矩陣，像素點(diǎn)個(gè)數(shù)由16個(gè)減少為4個(gè)，池化后的維數(shù)得到了降低，且出現(xiàn)過(guò)擬合的可能性大大降低，有利于減少計(jì)算量和增強(qiáng)CNN的魯棒性。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）5.全連接層全連接層是指該層的每個(gè)節(jié)點(diǎn)都和上一層的節(jié)點(diǎn)進(jìn)行了連接，把上一層輸出的特征全部進(jìn)行綜合，因此該層的權(quán)值參數(shù)最多。全連接層將每個(gè)節(jié)點(diǎn)相互連接起來(lái)作內(nèi)積運(yùn)算，一般分為兩層。第一層全連接層連接前一層的輸出，接著與第二層全連接層進(jìn)行邏輯處理，最后將輸出值送出給分類器進(jìn)行分類。圖中連線最密集的兩個(gè)地方就是全連接層，很明顯的可以看出全連接層的參數(shù)很多。其具體原理是將每個(gè)節(jié)點(diǎn)和上一層的特征做線性的加權(quán)求和，上一層輸出的每個(gè)節(jié)點(diǎn)與權(quán)重系數(shù)相乘，再加上偏置值。在圖8-7中，全連接第一層的輸入為60×2×2個(gè)神經(jīng)元，輸出為1000個(gè)節(jié)點(diǎn)，那么共需600×2×2×1000=2400000個(gè)權(quán)值參數(shù)和1000個(gè)偏置。8.4人工智能技術(shù)的發(fā)展趨勢(shì)8.4.3圖像數(shù)據(jù)處理圖像數(shù)據(jù)處理是利用圖像數(shù)據(jù)去噪、圖形分割、圖像數(shù)據(jù)增強(qiáng)等手段根據(jù)需求對(duì)圖像數(shù)據(jù)進(jìn)行處理的技術(shù)。近年來(lái)，圖像處理技術(shù)日趨成熟，被航空航天、軍事、生物醫(yī)學(xué)及人工智能等廣泛應(yīng)用。圖像數(shù)據(jù)處理技術(shù)主要分成兩大類：模擬圖像處理（AnalogImageProcessing）和數(shù)字圖像處理（DigitalImageProcessing）。數(shù)字圖像處理是指將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)進(jìn)行處理的過(guò)程。其優(yōu)點(diǎn)是處理精度高，處理內(nèi)容豐富，可進(jìn)行復(fù)雜的非線性處理，有靈活的變通能力，一般來(lái)說(shuō)只要改變軟件就可以改變處理內(nèi)容。困難主要在處理速度上，特別是進(jìn)行復(fù)雜的處理。數(shù)字圖像處理技術(shù)主要包括如下內(nèi)容：幾何處理（GeometricalProcessing）、算術(shù)處理（ArithmeticProcessing）、圖像增強(qiáng)（ImageEnhancement）、圖像復(fù)原（ImageRestoration）、圖像重建（ImageReconstruction）、圖像識(shí)別（ImageRecognition）。圖像處理技術(shù)的發(fā)展涉及信息科學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)、物理學(xué)以及生物學(xué)等學(xué)科，其理論和技術(shù)的發(fā)展對(duì)圖像處理科學(xué)的發(fā)展有越來(lái)越