APP下载

人工智能的发展历程与研究初探

2020-10-09姜国睿陈晖王姝歆

计算机时代 2020年9期
关键词:研究热点发展历程人工智能

姜国睿 陈晖 王姝歆

摘要:人工智能是21世纪三大尖端技术之一,其发展对人类进步具有深远影响。回顾人工智能的发展历程和标志性事件的时间点,文章从哲学、技术和应用领域三个方面,分析比较了人工智能三个研究学派的特点,探讨了人工智能目前的研究热点,并对其应用领域进行了概括和展望。该研究有助于人工智能领域的初学者和爱好者了解人工智能知识,为其进一步开展人工智能研究提供参考。

关键词:人工智能;发展历程;研究学派;研究热点

中图分类号:TP18

文献标识码:A

文章编号:1006-8228(2020)09-07-04

Discussion on the development history and research hotspots of artificial intelligence

Jiang Guorui1, Chen Hui2, Wang Shuxin3

(1. Nanjing University of Posts and Telecommunications, Nanjing, Jiangsu 210023, China; 2. Suzhou Qingyan Bohao limitied company;3. Nanjing University of Aeronautics and Astronautics)

Abstract: Artificial intelligence is one of the three cutting-edge technologies in the 2lst century its development has a profoundimpact on human progress. Reviewing the development process of artificial intelligence and the time point of landmark events. thispaper analyzes and compares the characteristics of three study schools of artificial intelligence from three aspects of philosophy,technology and application fields. discusses the current research hotspots of artificial intelligence, and summarizes and prospects itsapplication fields. This discussion will help beginners and enthusiasts in the field of artificial intelligence to understand theknowledge of artificial intelligence, and provide them with a reference to further research on artificial intelligence.

Key words: artificial intelligence; development history; study schools; research hotspot

0引言

人工智能是由计算机科学、控制论、信息论、语言学、神经生理学、心理学、语言学、统计学、数学和哲学等多学科交叉融合进而发展起来的一门综合性前沿学科,其发展对人类进步具有深远影响,与基因过程、纳米科学并列为21世纪的三大尖端技术。人工智能在20世纪中叶诞生,其探索的过程经历了多次的挫折与挣扎,繁荣与低谷。随着近年来云计算、大数据和互联网的快速发展,人工智能也迅速发展,不断诞生新的理论和技术。

1发展历程

人工智能的发展可以分为四个阶段:萌芽阶段、形成阶段、发展阶段和成熟阶段,具体标志性事件和关键时间点如图1所示。

1.1萌芽阶段

20世纪40年代到50年代,人工智能處于萌芽阶段。由于四十年代计算机的出现,人类开始探索用计算机代替或扩展人类的部分脑力劳动。1949年,Donald Hebb[1]首次提出基于神经心理学的人工神经网络概念。1950年,Alan Turing[2](阿兰·图灵,被誉为“计算机之父”)创造了图灵测试来判定计算机是否智能。Samuel Arthur[3]”(亚瑟·塞缪尔,被誉为“机器学习之父”)开发了一个跳棋程序。

1.2形成阶段

20世纪50年代至60年代,人工智能处于形成阶段。1956年,人工智能的概念开始出现,源自于美国达特茅斯学院召开的夏季言谈会。当时,一批数学家、信息学家、心理学家、神经生理学家、计算机科学家聚在一起,探讨用机器来模仿人类智能并提出了“人工智能”的概念。此后,人工智能的研究集中在数学和自然语言领域。例如,1957年,Frank Rosenblatt[4]设计出计算机神经网络一感知机数学模型;1959年,Oliver Selfridge[5]推出字符识别程序;1965年,Roberts[6]编制出可以分辨积木三维构造的程序。1969年第一届国际人工智能联合会议的召开,标志着人工智能得到了国际上的认可。

1.3发展阶段

20世纪70年代到90年代早期,人工智能进入发展阶段。70年代,人工智能从理论走向应用,知识工程和专家系统成为主流。例如,1975年,斯坦福大学[7]推出基于知识的科学推理程序Meta-DENDRAL;1974年,Paul Werbos[8]提出反向传播法BP算法(BackPropagation,BP);1977年,Edward Albert Feigenbaum提出知识工程的概念。1979年美国人工智能联合会( American Association for Artificial Intelligence)成立。

80年代,机器学习成为人工智能领域的研究热点。1980年,美国召开的第一届机器学习国际研讨会,标志着机器学习的兴起。自此,机器学习理论蓬勃发展:1981年Kohen[9]提出了自组织映射神经网络;Werbos[10]提出多层感知器;1982年John Hopfield[11]提出了模擬人脑的Hopfield循环神经网络;1985年Hinton等[12]提出了玻尔兹曼机;1986年Hinton等[13]提出反向传播BP算法,Ross Quinlan[14]提出决策树算法,Rumelhart等[15]提出MLP与BP训练相结合方法;1995年Vladmir Vapnik等[16]提出支持向量机算法;1997年Freund等[17]提出Adaboost算法。机器学习理论研究获得丰硕的成果,1997年IBM深蓝在国际象棋中第一次击败人类世界冠军卡斯帕罗夫,布鲁克斯(Brooks)[18]推出六足行走机器人,能够在无思考和无规则情况下跨越障碍。

1.4成熟阶段

20世纪90年代末期至今,人工智能进入成熟阶段。90年代末,深度学习研究兴起,1998年Y.LeCun[19]提出了卷积神经网络(Convoluted Neural Network,CNN)是深度学习的代表算法之一。21世纪,人工智能的发展日益成熟,机器学习和深度学习成为人工智能研究主流,并在各行业得到了广泛应用。2001年,William Cleveland[20]提出数据挖掘的概念。2006年Hinton等[21]提出了深度学习的概念。2015年《Nature》杂志推出了Yann LeCun等[22]深度学习的综述,标志着深度学习被学术界真正接受。深度学习理论研究获得丰硕的成果,2016年谷歌开发出AlphaGo程序,其围棋水平已经能够超过人类的顶尖水平。

2研究学派

人工智能研究学派大致分为三类:符号主义(Symbolism)、联结主义(Connectionism)和行为主义(Behaviorism)。符号主义又称逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism),着眼于程序的逻辑结构、符号操作系统以及编程语言,主要研究领域包括:专家系统和知识工程。联结主义又称仿生学派(bionicsism)或生理学派(physiologism)[23],着眼于对大脑神经系统工作方式的探索和模拟,主要研究领域包括机器学习和深度学习。行为主义又称为进化主义(evolutionism)或控制论学派(cybernetic-sism)[24],着眼于控制论及感知一动作型控制系统研究,主要研究领域包括智能控制和智能机器人。

许多学者对人工智能三大研究学派进行了分析,这些研究大多基于哲学角度[25-26]。本文总结归纳了三大研究学派在哲学、技术和应用领域的特点,如表1所示。从技术和应用领域的角度,符号主义擅长知识推理,知识工程和专家系统具有更高的精确性;联结主义擅长数学建模,机器学习和深度学习具有更好的灵活性;行为主义擅长感知控制,机器人和智能控制具有更多的经验性和应用性。

3研究热点

3.1专家系统

专家系统是依靠人类专家已有的大量知识和经验建立起来的程序系统,能自主推理与判断,用以高效地解决复杂的实际问题。专家系统通常包括知识库和推理机。其中,知识库包含各种专业知识和相关领域专家的理论知识及经验判断;推理机通过灵活运用知识库中知识,对问题求解。专家系统可应用于解释、预测、诊断、规划、监视、控制、教育等领域。

3.2机器学习

机器学习是人工智能的核心,是用计算机来模拟人类的学习活动、获取知识和技能,对真实世界中的事件做出决策和预测。机器学习主要包括机械学习、示教学习、类比学习和实例学习四种策略。机器学习常见算法包括:决策树,随机森林算法,逻辑回归,SVM分类器,Adaboost算法,神经网络,聚类算法等。机器学习的应用领域包括专家系统、自然语言理解、模式识别、计算机视觉、数据挖掘、智能机器人等。

3.3深度学习

深度学习是机器学习研究中的一个新领域,是当今人工智能大爆炸的核心驱动。深度学习模拟人脑多层神经网络,是一种特殊的机器学习。相比于其他机器学习方法,深度学习具有强大的特征提取能力、良好的迁移和多层学习能力,在图像、语音、文本识别和推理、分析、判断方面都有显著优势。深度学习的主要应用领域包括图像识别,语音识别、自然语言处理、自动驾驶汽车、医疗和各种决策预测等。

3.4机器视觉

机器视觉是人工智能学科中发展最快速的分支和前沿研究领域,目的是用机器代替人眼,完成人眼不方便或者难以完成的工作。机器视觉系统一般是通过图像摄取装置采集图像,经过图像处理,对研究对象信息进行判别,并将判断结果输出给执行机构。目前,机器视觉能够实现物体定位、特征检测、缺陷判断、目标识别、计数和运动跟踪等功能,主要应用领域包括自动化生产线中的工况监视、成品检验和质量控制等。

3.5数据挖掘

数据挖掘是机器学习和深度学习的基础。数据挖掘是指从大量数据中挖掘出有价值的知识,然后对知识进行比较,总结出原理和法则。数据挖掘的主要方法概括为:预测模型方法、数据分割方法、关联分析法和偏离分析法,其中预测模型方法最为复杂,涉及到机器学习的大量算法。与机器学习自动从过往经验中学习新知识不同,数据挖掘是有目的地从现有大数据中提取数据的模式和模型,得到重要信息。数据挖掘的主要应用领域包括多媒体、计算机网络、计算机视觉和自然语言处理等。

4结束语

本文首先综述人工智能的发展历程,绘制了标志性事件时间发展线,由此使得人工智能初学者和爱好者能快速清晰地了解人工智能在理论、技术和应用领域的发展阶段和重要突破。其次从哲学、技术和应用角度,分析比较了人工智能三大研究学派各自特点,有助于未来的人工智能研究者明确以后的研究方向。最后探讨了目前人工智能的研究热点,并对其应用领域进行了展望。总之,目前的人工智能还属于弱人工智能,距离真正能自我学习和进化的人工智能还很遥远,其研究、发展和应用仍然任重而道远。

参考文献(References):

[1]M.Peter.A Brief History of the Hebbian Learning Rule[J].Canadian Psychology/Psychologie Canadienne, 2003.44(1):5-9

[2]A.M. Turing. Computing Machinery and Intelligence[M].Oxford University Press on behalf of the Mind Associ-ation.1950.

[3]Arthur, SamueI.Some Studies in Machine Learning Usingthe Game of Checkers[J]. IBM Journal,1959.3(3):210-229

[4]Rosenblatt, Frank. The perceptron:a probabilistic modelfor information storage and organization in the brain[J].Psychological review, 1958.65(6): 386

[5]G. Selfridge. Pandemonium:A paradigm for learning[C]. InSymposium on the mechanization of thought processes,London.1959.

[6]Roberts L G.Machine perception of three-dimensionalsolids[J]. In

Optical and Electro-optical InformationProcessing.Cambridge: MIT Press,1965:159-197.

[7]Edward A.Feigenbaum. Bruce G Buchanan. DENDRALand Meta-DENDRAL: roots of knowledge systems andexpert system applications[J], Artificial Intelligence,1993.59(1-2):233-240

[8] Werbos P.J. Beyond Regression: New Tools for Predictionand Analysis in the Behavioral Sciences[D]. DoctoralDissertation, Harvard University, Cambridge,1974.

[9]杨占华,杨燕.SOM神经网络算法的研究与进展[J].计算机工程 ,2006.16:201-202.

[10] p. J. Werbos. Applications of advances in nonlinearsensitivity analysis[C].In Proceedings of the 10th IFIPConference,31.8-4.9, NYC,1981:762-770.

[11] J J Hopfield. Neural networks and physical systems withemergent collective computational abilities[C]. Pro-ceedings of the National Academy of Sciences of theUSA,1982.79(8):2554-2558.

[12] Ackley H, Hinton E, Sejnowski J. ALearning Algorithmfor Boltzmann Machines[J]. Cognitive Science, 1985:147-169.

[13] D. E. Rumelhart, G. E. Hinton, R. J. Williams. Learningrepresentations by back-propagating errors[J]. Nature,1986.323(6088):533-536.

[14] Quinlan, J. Ross. Induction of decision trees[J]. Machinelearning,1986:81-106.

[15] Rumelhart, David E., Geoffrey E. Hinton.et al. Learninginternal representations by error propagation[M].CALIFORNIA UNIV SAN DIEGO LA JOLLA INSTFOR COGNITIVE SCIENCE, 1985,Chapter8.

[16] Cortes, Corinna, Vladimir Vapnik. Support-vectornetworks[J]. Machine learning1995.20(3):273-297.

[17] Freund, Yoav, Robert Schapire,et aL A short introductionto boosting[J]. Journal-Japanese Society For ArtificialIntelligence, 1999. 14(1612): 771-780

[18]袁瑩.试论布鲁克斯的无表征人工智能模型 [J].山西师大学报(社会科学版),2016.43(3):109-112.

[19] Gu, J., Wang, Z., Kuen, J., et al. Recent advances inconvolutional neural networks[J]. Pattern Recognition,2018.77:354-377.

[20] Cleveland W S. Data Science: an action plan forexpanding the technical areas of the field of stastics[J].International Statistical Review/Revue Internationalede Statistique,2001.69(1):21-26.

[21] G. E. Hinton, R. R. Salakhutdinov. Reducing theDimensionality of Data with Neural Networks[J].Science,2006.313(5786): 504-507.

[22] Yann LeCun. Yoshua Bengio, Geoffrey Hinton. Deeplearning[J]. Nature.2015.521:436-444.

[23]顾险峰.人工智能中的联结主义和符号主义[J].科技导报,2016.34(7):20-25

[24]徐心和,么健石,有关行为主义人工智能研究综述[J].控制与决策,2004.19(3):241-246

[25]王广赞,易显飞.人工智能研究的三大流派:比轻与启示[J].长沙理工大学学报(社会科学版),2018.33(4):1-6

[26]成素梅,人工智能研究的范式转换及其发展前景[J].哲学动态,2017.12:15-21

收稿日期:2020-05-11

作者简介:姜国睿(1999-),男,江苏连云港人,本科生,主要研究方向:人工智能,机器学习,机器视觉。

通讯作者:王姝歆(1969-),女,江苏徐州人,博士,副教授,硕导,主要研究方向:机器人,智能制造,机器视觉。

猜你喜欢

研究热点发展历程人工智能
2019:人工智能
人工智能与就业
数读人工智能
近五年我国职业教育研究热点综析及未来展望
自闭症谱系障碍儿童的教育干预
国内奢侈品电子商务发展历程研究
基于社会网络分析的我国微课研究探析
新媒体时代表情包发展的传播学解析
我国水土保持监测的发展历程与成就
无线传感器网络技术综述