HCIA-AI v2.0 培训01: 人工智能概览
HCIA-AI培训书内容
- 人工智能概览
- 华为EI和HiAI概览
- Python基础
- AI数学基础
- Tensorflow2.0
- 深度学习预备知识
- 深度学习概览
人工智能概览
- 内容
AI基本概念
AI发展历史
AI应用技术及场景
各国企业AI发展战略
AI现有问题
AI未来
What is AI
它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年由约翰.麦卡锡首次提出,当时的定义为“制造智能机器的科学与工程”。人工智能的目的就是让机器能够像人一样思考,让机器拥有智能。时至今日,人工智能的内涵已经大大扩展,是一门交叉学科。
分类
- 像人一样思考
- 弱人工智能，Watson,AlphaGo
- 像人一样行动
- 弱人工智能，人形机器人、iRobot、波士顿动力的Atlas
- 理性地思考
- 强人工智能，瓶颈在脑科学
- 理性地行动
- 强人工智能
AI产业生态
- 人工智能的四要素是数据、算法、算力、场景
AI发展历史
达特茅斯会议
1956年8月,在美国达特茅斯学院中,约翰·麦卡锡(John McCarthy,LISP语言创始人)、马文·闵斯基(Marvin Minsky,人工智能与认知学专家)、克劳德·香农(ClaudeShannon,信息论的创始人)、艾伦·纽厄尔(Allen Newell,计算机科学家)、赫伯特·西蒙(Herbert Simon,诺贝尔经济学奖得主)等科学家聚在一起,讨论着一个不食人间烟火的主题:用机器来模仿人类学习以及其他方面的智能。
会议足足开了两个月的时间,虽然大家没有达成普遍的共识,但是却为会议讨论的内容起了一个名字:人工智能。因此,1956年也就成为了人工智能元年。
各流派
- 符号主义
- 人和计算机都是一个物理符号系统，因此可以用计算机模拟人的智能行为
- 用符号表示知识和概念
- 认知就是符号处理过程
- 推理是采用启发式知识和启发式搜索对问题求解的过程
- 连接主义
- 模仿人脑的神经元
- 一个概念用一组数、向量、矩阵或张量表示
- 概念由激活模式表示
- 每个节点没有特定意义，但每个节点都参与整个概念的表示
- 行为主义（进化主义，控制论学派）
- 智能取决于感知和行动，提出智能行为的“感知-动作”模式
- 智能不需要知识、不需要表示、不需要推理
- AI可以想人的智能一样进化
- 智能行为只能在现实世界中，通过与外界环境不断交互而表现出来
符号主义偏向于逻辑推理（数学符号计算）
连接主义逻辑性弱、解释性弱、看重结果
行为主义偏向于应用实践，从环境中不断学习以修正动作
发展史
应用
应用方向
- 计算机视觉
- 语音处理
- 研究语音发声过程、语音信号的统计、语音识别、机器合成、语音感知
- 自然语言处理
- 用计算机技术来理解并运用自然语言
计算机视觉
- 目前AI应用中最成熟的技术
- 研究主题
- 图像分类、目标检测、图像分割、目标跟踪、文字识别、人脸识别
- 未来
- 自主理解、分析决策
- 真正赋予机器“看”的能力
- 无人车、智能家居等场景
- 应用
- 人脸识别，人脸对比，证件识别
- 客流分析
- 视频动作分析
- 身份验证（人脸关键点匹配，指纹等）
- 智能相册
- 图片搜索、视频搜索
语音处理
- 语音识别、语音合成、语音唤醒、声纹识别、音频事件检测等
- 应用场景
- 问答机器人
- 语音导航
- 智能教育
- 实时会议记录
- 口语测评、问诊机器人、声纹识别、智能音箱等
自然语言处理
- 机器翻译、文本挖掘、情感分析等
- 技术成熟度低，语义复杂度高，仅依靠大数据、并行计算的深度学习很难达到人类的理解层次
- 未来
- 从只能理解浅层语义到能自动提取特征并理解深层语义
- 从单一智能（ML）到混合智能（ML，DL，RL）
- 应用场景
- 舆情分析
- 感情分析
- 机器翻译
- 内容审核
- 知识图谱、智能文案、评价分析
AI+智能医疗
- 用AI学习专业医疗知识，记忆大量病例，处理医学图像
- 应用
- 药物挖掘
- 健康管理：营养学、身体、精神健康管理
- 医院管理：病历结构化服务
- 辅助医学研究
- 虚拟助理：语音电子病例、智能导诊、问诊、推荐用药
- 医学影响：图像识别、标注、影像三维重建
- 辅助诊疗：问诊机器人
- 疾病风险预测：基因测序预测疾病
AI+智能安防
- 最易落地，较成熟
- 图像和视频处理
- 警用
- 可疑人员、车辆分析、追踪嫌疑人、检索对比嫌疑人、重点场所门禁
- 民用
- 人脸打卡、潜在危险预警、家庭布放
AI+智能家居
- IoT，包括硬件、软件、云平台
- 应用
- 语音控制
- 计算机视觉进行家居安防、面部指纹识别、智能实时监控、非法入侵检测
- 智能音箱、智能电视、建立用户画像进行内容推荐
发展阶段
各国各企业AI发展情况
- 华为AI
AI现有问题
算法偏见
- 算法偏见源于数据的偏见
- 算法的决策是根据已有的数据，学会歧视某个个体，如种族、性别歧视等
- 算法本身存在歧视问题
隐私问题
- 数据是隐私的
数据真实性
- PS，GAN等技术制作假图像
失业问题
深度学习算法的逻辑性和可解释性
- 现行基于DNN的算法像罗素鸡，只是通过结果来修正模型参数，缺少逻辑推理能力
- 它根本不知道自己在说什么，不了解说话的语境和措辞，它只是经过百万级别标记数据选出一句最适合的话
- 2017年CNN他爹YannLe Cun曾说，是时候放弃概率论了，因果关系才是理解世界的基石
- “基于深度学习的AI只是一只鹦鹉而已，而我们需要的是一只乌鸦”
其他问题
- 人工智能的创作物版权问题
- 机器人的权利问题
AI未来
AI发展趋势
合成训练数据
模拟生成难以获取的数据 - 仿真系统，GAN等
联邦学习
与迁移学习相似
联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。
由云服务器将最新算法发往随机选择的用户设备上，用户的设备基于本地化的数据对模型进行更新，之后只有这种更新的状态会回传给云服务器以改善“全局状态”
无人超市
AmazonGo的无人店（只有Prime会员才能进店）
农业
无人机进行土地映射、利用热成像监控含水量、识别虫患、喷洒农药
卫星影像
医疗
肿瘤识别、AI会诊机器人、疾病预测、药物开发、药物有效性、安全性预测、构建新型药物分子、筛选生物标志物
AI理解与控制大脑
直接从大脑信号产生口语句子，简介恢复语言功能的脑机接口
浙公网安备 33010602011771号