概述不同类型的人工智能和机器学习技术

来源: 网络 日期:2021-05-06

人工智能是一个广泛的术语,涵盖了许多技术,所有这些技术使计算机能够显示类似于我们人类的某种程度的智能。

通用AI

人工智能比较流行的用途是在许多不同任务上类似于超人的机器人。他们可以战斗,飞行,并可以就几乎任何主题进行深入的对话。电影中有很多机器人,有好有坏,例如Vision,Wall-E,Terminator,Ultron等。尽管这是AI研究的终极目标,但我们目前的技术离达到AI水平还很遥远,我们称之为通用AI。

NarrowAI窄人工智能

相反,我们今天拥有的AI是称为NarrowAI的人工智能子集。

NarrowAI在部分任务中可以达到甚至超越现有人类的水平

举个例子,几年前,你可能在新闻上看到谷歌的人工智能程序DeepMindAlphaGO非常擅长围棋,它打败了当时的世界冠军!然而,这个程序除了玩“围棋”游戏外,什么也做不了。“它肯定不能玩像PUBG或Fortnite这样的游戏了。它甚至不能告诉你当前时间是多少。

目前来说,我们接触到的基本上都窄AI,而窄AI有两种类型。让我们一个一个来看。

符号人工智能(SymbolicAI)

数字人工智能(NumericAI),一般来说数字人工智能又被称作机器学习ML

SymbolicAI符号人工智能

符号人工智能也被称为老式AI(GOFAI),因为它已经存在了数十年。程序员必须手动编写控制符号AI系统的所有规则。因此,很难建立正确的解决方案。但是,它仍被用于某些人类需要了解为什么AI程序在给定情况下做出特定决定的用例。例如,如果AI法官判某人入狱,则必须说明其决定的原因。

ML机器学习

ML比SymbolicAI相对新,但功能要强大得多。GoogleDeepMind的AlphaGO是一种ML系统。

在ML中,AI程序不是使用人工编写所有规则的程序员,而是使用大量示例或数据为自己”学习“我们想要做的事情。

这类似于人类如何”学习“新信息。当我们要教孩子狗的外观时,我们不会告诉他/她,如果动物矮小,耳朵下垂,尾巴摆动的话,那就是狗。取而代之的是,我们向孩子展示一些”狗“的图片,随着时间的流逝,孩子自然会明白什么是狗。ML程序遵循相同的范例。

随着智能手机和传感器的出现,我们每天都会产生大量数据,以至于机器学习方法现在已经拥有了足够的数据来接受训练。多年来,诸如多核CPU和GPU之类的电子芯片的成本也在下降。创建的数据量的激增以及廉价硬件的可用性,是当前AI革命的重要原因。

今天,主要有三种类型的机器学习。

概述不同类型的人工智能和机器学习技术

1.传统机器学习

传统的ML使用基于统计方法的算法来执行ML,其中最著名的算法有线性回归、支持向量机、决策树等。这些技术的大多数数学和统计数据都有几十年的历史了,而且已经很好理解了。直到过去十年,它们才被广泛称为ML或AI。

要学习这些算法背后的数学,一个很好的参考是《TheElementsofStaTIsTIcalLearning》一书。Pythonsklearn和xgboost软件包基本上可以包括上面所说的使用Python进行传统ML所需要的全部。

2.深度学习(DL)

DL彻底改变了计算机视觉(CV)和自然语言处理(NLP)领域。

在深度神经网络中,将多层人工神经网络链接在一起,可以根据通用逼近定理近似任意数学函数。人工神经网络的每一层都由一个线性操作和一个非线性操作组成。。

通过向算法提供有关我们要学习的任务的大量数据,可以”学习“线性运算的参数。在内部,使用一种称为”梯度下降“的学习算法来逐步调整参数,直到获得最佳精度为止。

概述不同类型的人工智能和机器学习技术

目前有两个主要的用于开发深度学习应用程序的Python框架:Tensorflow和Pytorch

3.强化学习(RL)

在我看来,强化学习是三种ML中最复杂的一种。谷歌DeepMindAlphaGO程序打败了世界上最好的”围棋“选手就是一个RL的例子。

在传统的ML和DL中,人工智能系统从过去的数据中学习,而在RL中,人工智能系统通过采取一些行动并衡量其回报来学习,类似于训练我们的宠物狗狗学新技能。在像”AlphaGO“这样的游戏中,奖励是做出决定以最大化分数。

如何选择?

    A+
声明:本文转载自其它媒体,转载目的在于传递更多信息,并不代表赞同其观点和对其真实性负责。