完整解析AI人工智能：3大浪潮＋3大技术＋3大应用

所说人工智能（Artificial Intelligence；简称：AI），是指以人力方法来完成人们所具备之智慧的技术。只不过，目前能实现与人类智能同等的技术还不存在，全世界绝大部分的人工智能或是只有处理某一特殊难题。本篇文章是在我阅读了几本AI的有关书本后，所概略统整出的架构，期待让初次接触AI的读者，能透过333口决，迅速了解AI究竟是什么。

一、AI的三次浪潮

第一次AI浪潮

第一次AI浪潮源于1950～1960年，止于1980年代。因为出现在网络以前，因而也被称为“古典人工智能”。这阶段发生的“符号主义”与“联接主义”，各是日后“专家系统”与“深度学习”的原型。只不过，虽然当时的成效已能解除拼图或简单的游戏，却几乎难以解决好用的难题。

第二次AI浪潮

第二次AI风潮伴随计算机普及，出现在1980年代。这阶段所进行的研究，要以传递「专家知识」做为标准，来协助处理特殊问题“专家系统”（Expert system）为主。但是，纵然当时有商业运用的案例，运用范围却很有限，风潮也由此慢慢消散。

第三次AI浪潮

第三次AI浪潮则出现在2010年代，伴随高性能计算机、互联网、大数据、传感器的普及，及其核算成本的降低，“机器学习”随着盛行。所说机器学习（Machine leaning），是指让计算机很多学习数据，让它能够像人们一样辨识响声及影象，或者针对问题作出适宜的分辨。

二、AI的三大技术

迅速了解了AI的发展史后，我们来看看当今人工智能的三大象征性模型：遗传算法、专家系统、类神经网络。

1遗传算法

遗传算法（Genetic algorithm；GA），也称为演变式算法（Evolutionary algorithm），是受达尔文演化论所启迪的人工智能。它透过「优胜劣汰」规则，将“出色的个体”想象成“好的回答”，透过演变的方式去找到最佳解。

2专家系统

专家系统（Expert system），乃是对于预置问题，事前备好大量对应方法。它运用在很多地方，特别是疾患诊断。只不过，专家系统只有对于专家事先考虑过的情况来准备对策，它并没自主学习的能力，因而或是有之局限。

3类神经网络

从第三次AI浪潮所盛行的机器学习（Machine learning）有许多种技巧，其中最受瞩目的，莫过深度学习（Deep learning）了。所说深度学习，是透过效仿人脑的“类神经网络”（Neural network）去学习很多数据手法。

类神经网络的来历

若你来观查脑的内部，会发现有较多称为“神经元”的神经细胞彼此相接。一个神经元从其他神经元那边接收的电气信号量达某一定值之上，便会激动（神经冲动）；在某一定值下列，就不会激动。

激动出来的神经元，会把电器信号传赠给下一个连接的神经元。下一个神经元同样会因而激动或不激动。实质上，彼此连接的神经元，会形成协同传送行为。大家透过将这种连接的构造来数学模型化，便构成了类神经网络。

类神经网络：深度学习

我们能发觉，经模型化的类神经网络，是由“输入层”（Input layer）、“隐藏层”（Hidden layer）及“输出层”（Output layer）等三层所组成。此外，学习数据则是由键入数据及其相对应恰当解释来构成。

以影象辨识为例，为了让AI学习类神经网络的模型，首先必须先把影象学习数据分割成像素数据，再将各像素值输进输入层。

接受数据的输入层，将像素值乘上“权重”后，便传输给后才隐藏层的神经元。隐藏层的每个神经元会累加前一层所接收到的值，并把它结论再乘上“权重”后，传输给后方的神经元。最终，经过输出层的神经元的导出，便能获得影象辨识的预测结论。

为了让输出层的值跟每个键入数据对应的正解数据相同，会对各个神经元的键入算出适度的“权重”值。

这一权重的测算，一般是应用“偏差倒传送算法”（Error Back Propagation），应用与正解数据间的偏差，从输出层逆推回家。透过各「权重」的变化，来变小输出层的值与正解数据的值间的偏差，以创建出进行学习模型。

因为以往类神经网络之间进行传达的权重无法提升，因而曾有多数学者对类神经网络的探索持否认心态。直至2006年，辛顿（Geoffrey Hinton）研发出自动编码器（Autoencoder）手法，才达到了此项短板。

自动编码器是指，在类神经网络的输入层和输出层应用同样数据，并把隐藏层设定于二者之间，借此用于调节类神经网络间的权重参数的一种技巧。运用以自动编码器所取得的类神经网络权重变量值开展复位后，便可运用「偏差倒传送算法」，提升双层类神经网络的学习精确度。

透过类神经网络，深度学习便成为了“只需把数据键入类神经网络，它就能自主抽出特点”的人工智能，而这也称为“特征学习”（feature learning）。

深度学习最擅长的，是它能辨识图象数据或波型数据这种没法符号化的数据。自2010年代至今，如Google、Microsoft及Facebook等国外著名IT公司，都开始着手深度学习的探索。比如，苹果「Siri」的语音识别，Microsoft搜索模块「Bing」所具有的影象寻找这些，而Google的深度学习项目也已超过1，500项。

对于深度学习这般飞越的发展，要得益于硬设备的提高。图形处理器（GPU）大厂辉达（NVIDIA）运用公司的图形适配器来提高深度学习性能，给予链接库（Library）和架构（framework）商品，并积极设立讨论课程。此外，Google也公开了架构「TensorFlow」，能将深度学习用于数据剖析。

三、AI的三大运用

AI主要用途关键可分为语音识别、影象辨识及其自然语言处理等三部分。

1语音识别

语音识别部分，透过多年来语音识别比赛CHiME的探索，有了等同人类辨识度（CHiME，是针对实际生活条件下的语音识别，所进行评测的国际语音识别比赛）。此外，Apple、Google、Amazon也相继提出可用于日常生活服务，所以其成熟度已达到好用级别。

2影象辨识

影象辨识部分，尽管一般图片的辨识已有同等于人类辨识率，但动态影像的辨识精确度却仍不如人们，目前还在进行各种算法的检测。其中，影象辨识目前最火爆的运用场所非无人驾驶莫属了。

全部车辆、信息通讯产业都正向着自驾游方向勤奋，比如Google持续进行无人驾驶的探索，TOYOTA也在国外开设丰田研究室，可以知道目前的开发已十分贴近产品化。因而，我们可分辨目前影象辨识的成熟度是介在研究与好用级别中间。

3自然语言处理

自然语言处理（Natural language processing；NLP），是尝试让人工智能能理解人们所写的文字和常说的言语。NLP首先会溶解词性，称之“语素剖析”（morphemic analysis），在溶解出最小字意企业后，然后将进行“语法分析”（syntactic analysis），接着再透过“词意剖析”（semantic analysis）去了解寓意。

导出部分，自然语言处理也与生成文法（generative grammar）息息相关。生成文法理论觉得，只需遵循规则即可形成文句。这也代表着，只要把标准组合在一起，便可能形成文章。

在自然语言处理中，具有代表性的运用便是“聊天机器人”（Chatbot）了，它是一种如真人般，可透过文本信息和人对话的程序。2022年，脸书上线了“Facebook Messenger Platform”，而Line也上线了“Messaging API”，因此促进这类配备NLP科技的聊天机器人变成瞩目的焦点。

此外，由IBM所研发的华生（IBM Watson），也是应用NLP的人工智能成的。华生能从维基百科等语料库中提取知识，学习词汇与词汇中间的相关性。如今，就连软件银行（SoftBank）机器人Pepper都是配备华生系统。

只不过，因为在日常对话中，我们很常省去句子，也不一定会谈及时光环境，因而当前的Chatbot尚没法和人类开展非常好的对话。所以，现行多数的Chatbot厂商，依然会限制对话的环境与主要用途。

- END -