人工智能的感知能力、理解能力和学习能力以及交互能力的分析

　　
    1 感知能力

　　目前人工智能的感知主要通过物联网来实现，它提供了

　　计算机感知和控制物理世界的接口与手段，能够采集数据、

　　记忆，分析、传送数据，进行交互、控制等。比如摄像头和相

　　机记录了关于世界的大量图像和视频，麦克风记录了语音和声

　　音，各种传感器将它们感受到的世界数字化。这些传感器就

　　如同人类的五官，是智能系统的数据输入，是感知世界的方式。

　　2 理解能力

　　智能系统不同于人脑，没有数以千亿的神经元，对事物

　　问题的理解在现阶段还很大程度上依赖于处理器的计算分析

　　能力。近年来，基于 GPU（图形处理器）的大规模并行计算

　　异军突起，拥有远超 CPU 的并行计算能力。从处理器的计算

　　方式来看，CPU 计算使用基于 x86 指令集的串行架构，适合

　　尽 可 能 快 的

　　完 成一 个 计

　　算 任 务。 而

　　GPU 诞 生 之

　　初是为了处理

　　3D 图像中的

　　上百万个像素

　　图像，拥有更

　　摘　要：人工智能以云计算和大数据为基础，被广泛应用于工业制造等10个领域中。但由于各方

　　向处于不同的发展阶段，因此发展程度并不相同。但驱动发展的先决条件主要体现在感知能力、理解

　　能力、学习能力、交互能力四个方面。

　　关键词：人工智能；云计算；大数据

　　人工智能的发展 之 路

　　工业和信息化部国际经济技术合作中心　张　放

　　多的内核去处理更多的计算任务。因此 GPU 具备了执行大规

　　模并行计算的能力。云计算的出现、GPU 的大规模应用使得

　　集中化数据计算处理能力变得空前强大。

　　3 学习能力

　　学习能力的培养类似人类需要教材和训练。据统计，2015

　　年全球产生的数据总量达到了十年前的 20 多倍，大数据的发

　　展为人工智能的学习和发展提供了非常好的基础。机器学习是

　　人工智能的基础，而大数据和以往的经验就是人工智能学习的

　　书本，以此优化计算机的处理性能。不可忽视的是近年来科

　　技巨头为了提前布局 AI 生态，纷纷开源平台工具，极大地丰

　　富了机器训练的素材和手段。如谷歌发布了新的机器学习平台

　　TensorFlow，所有用户都能够利用这一强大的机器学习平台进

　　行研究，被称为人工智能界的 Android。IBM 宣布通过 Apache

　　软件基金会免费为外部程序员提供 System ML人工智能工具的

　　源代码。微软则开源了分布式机器学习工具包 DMTK，能够在

　　较小的集群上以较高的效率完成大规模数据模型的训练，并于

　　2016 年 7月推出了开源 Project Malmo 项目，用于人工智能训练。

　　4 交互能力

　　与科幻世界里的自主意

　　识相比，现实世界能够实现

　　自主交互本身就是很大的技

　　术突破，深度学习算法是实

　　现自主交互最重要的核心技

　　术。它基于多层神经网络，

　　融入自我学习，从大量的样

　　本中逐层抽象出相关概念，

　　然后理解，最终做出判断

　　和决 策。2006 年，Geoffrey

　　Hinton 教授发表论文《A fast

　　learning algorithm for deep

　　belief nets》，他在此文中提出

　　了深层神经网络逐层训练的

　　高效算法，让当时计算条件下的神经网络模型训练成为了可能。

　　之后，深度学习算法模型也经历了一个快速迭代的周期，Deep

　　Belief Network、Sparse Coding、Recursive Neural Network，

　　Convolutional Neural Network 等各种新的算法模型被不断提出，

　　而其中卷积神经网络（Convolutional Neural Network，CNN）更

　　是成为图像识别最炙手可热的算法模型。

　　当然人工智能的发展还存在很多瓶颈，比如尚未形成完

　　备的语义体系，无论抽象的概念还是具体的事物都需要统一

　　整合到一个语义网络中才能实现真正意义上的交流。在自然

　　语言处理和计算机视觉发展成熟后，如何将这两个领域统一

　　起来，实现对语言和图形同步的深入理解，进而将听觉、触

　　觉和运动做进一步整合。尽管不同操作系统的编程语言以及

　　芯片、单片机等核心硬件发展迅速，但未来人工智能的发展

　　之路不能只停留在数据和指令操作层面，而要有“自我意识”，

　　唯有自我意识的产生，才能衍生出其他观念，实现真正交互。

　　勿庸置疑，人工智能不仅会成为驱动产业发展的巨大力量，更

　　会在不远的未来给人类的生活带来颠覆性的改变