- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
有关人工智能的综述
一、人工智能综述
1.人工智能的起源
在AI历史上,有逻辑规律和统计规律之争,具体而言,人工智
能有两大主流学派
符号主义:又称为计算主义或逻辑主义,它认为智能需要通过精
确的逻辑推理计算实现。这是传统的人工智能方法,最典型的例子
是专家系统和知识库,现在有了一个更优雅的名字,叫知识图谱。
统计主义:它更注重从数据和经验中学习统计规律。目前绝大多
数机器学习方法都属于统计主义,因为我们目前仍然缺乏让电脑自
动提炼和运用逻辑规律的有效方法。
这两大学派各有所长,都经历过数次兴衰,人工智能也曾经理两
次浪潮与两次低谷,目前我们正位于第三次浪潮,而这一切与计算
机硬件的发展有着密不可分的联系。
在两千多年前,从春秋战国时期《列子》中描述的偃师造人,到
古希腊传说中的青铜机器人Talos,人类就曾梦想创造出与人类具有
相同行为模式的智能机器。而17世纪Leibnitz的数学逻辑与Pascal
的机器加法机,可谓是人工智能算法和硬件的先驱。
部分摘自《深度卷积网络-原理与实践》一书
2.人工智能的范畴
亚瑟·塞缪尔(1959),机器学习:使计算机无需明确编程就能学
习的研究领域。TomMitchell(1998)学习问题:一个计算机程序
被称为从经验E中学习关于某个任务T和某个性能度量P,如果它在
T上的性能(用P度量)可以随着经验E的提高而提高。
3.人工智能研究方向–技术分类
人类语言技术(包括自然语言处理及语音技术)
计算机视觉(包括图像、视频及三维视觉等)
机器人与自动化技术(自动驾驶技术等)
机器学习算法(深度学习与强化学习等)
智能基础设施(芯片、云计算与物联网等)
数据智能技术(大数据、知识图谱与推荐系统等)
前沿智能技术(脑机接口、量子计算与沉浸式技术等)
4.人工智能研究方向
5.论文收录方向
6.人工智能应用状况
企业和政府对人工智能的应用逐渐升温。在决定企业产生经济效
益的各个环节,都已经能够看到人工智能的身影:AI帮助人们安全
生活、远程交易、边界通行;深度学习和知识图谱帮助企业在生产过
程中分析预测、科学决策;人机对话提升了拜访等级、服务响应中
的用户体验。人工智能将催生新技术、新产品、新产业、新业态、新
模式,实现社会生产力的整体跃升,推动社会进入智能经济时代。
数据来自艾瑞咨询
7.人工智能产业规模
2020年,人工智能预计达到超过1500亿元规模,疫情环境下,
2020年的业务高速增长主要由AI开放平台API贡献,到2025年,
产业规模预计超过4500亿元。大约30%-45%的市场是人工智能创
业企业所占据,外围赛道切换而来的互联网公司、云服务公司、大
数据公司、信息技术服务公司、通信设备公司以及个别科研院所切分
其余市场。
数据来自艾瑞咨询
8.人工智能主要赛道
在应用领域:
计算机视觉
人机交互与智能语音
对话机器人
机器学习与数据挖掘
金融数据分析
联邦学习
知识图谱
软件定义芯片
数据来自艾瑞咨询
9.特殊场景下技术难题的解决
在人类语言技术方面,主要体现在语音技术下的语音识别以及自
然语言处理方面的机器翻译、问答以及情感分析任务,这些技术任
务领域都是在整体技术指标达到超越人类的一定阈值之后转入研究
解决个别的具体实际问题,如语音技术方面的噪音、方言、鸡尾酒会
问题,自然语言处理方面的小语种、多语种、一词多义等语义理解
问题,以及计算机视觉任务普遍面对的环境光、背景杂物、以及分
辨率影响等特殊场景的技术难题。即技术标准度提升错误率下降的
情况下,重点强化鲁棒性。
与此同时,这些已经落地的技术任务还共同面临着场景切换的问
题,主要是不同垂直领域的语言或图像识别任务需要采取不同的数
据训练出的模型进行应对,而未来基于无监督学习的研究会更加侧
重这些技术的跨领域、跨场景融合,使得一个模型可以解决多个不同
场景的问题。
10.无监督学习是未来技术突破的主要着力点
在语言技术和
文档评论(0)