1、AI实现方法及发展历程
人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术,使系统呈现智能的效果,而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法(ENGINEERING APPROACH),它已在一些领域内作出了成果,如文字识别、电脑下棋等。另一种是模拟法(MODELING APPROACH),它不仅要看效果,还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法(GENERIC ALGORITHM,简称GA)和人工神经网络(ARTIFICIAL NEURAL NETWORK,简称ANN)均属后一类型。遗传算法模拟人类或生物的遗传-进化机制,人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果,两种方式通常都可使用。采用前一种方法,需要人工详细规定程序逻辑,如果游戏简单,还是方便的。如果游戏复杂,角色数量和活动空间增加,相应的逻辑就会很复杂(按指数式增长),人工编程就非常繁琐,容易出错。而一旦出错,就必须修改原程序,重新编译、调试,最后为用户提供一个新的版本或提供一个新补丁,非常麻烦。采用后一种方法时,编程者要为每一角色设计一个智能系统(一个模块)来进行控制,这个智能系统(模块)开始什么也不懂,就像初生婴儿那样,但它能够学习,能渐渐地适应环境,应付各种复杂情况。这种系统开始也常犯错误,但它能吸取教训,下一次运行时就可能改正,至少不会永远错下去,用不到发布新版本或打补丁。利用这种方法来实现人工智能,要求编程者具有生物学的思考方法,入门难度大一点。但一旦入了门,就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定,应用于复杂问题,通常会比前一种方法更省力。
AI的历史发展历程:
图1.1中概括了AI技术60年的发展历程,期间包括两起两落,以及2013年开始,由深度学习(Deep Learning)算法的成功带来的第三个黄金期。技术上,除了算法方面的突破,数据资源和计算能力的增长也对AI的发展起着关键作用。
图1.1 AI技术60年的发展历程
如图1.2所示,人工智能是一类非常广泛的问题,它表现为为机器赋予了人的智能。机器学习是解决这类问题的一个重要手段,也是实现人工智能的方法之一。深度学习则是机器学习的一个分支。在很多人工智能问题上,深度学习的方法突破了传统机器学习方法的瓶颈,推动了人工智能领域的发展,使人工智能的未来一片光明。
图1.2 人工智能、机器学习以及深度学习之间的关系
AI发展到现在,机器学习是AI最主要的实现方式之一,深度学习作为机器学习的一个分支,激起了机器学习的又一次浪潮,是目前AI研究最火热的一门技术。因此本文主要针对机器学习的开发流程进行介绍,然后介绍深度学习与机器学习开发流程的主要不同(特征处理),最后给出深度学习的一个简要开发流程。
2、机器学习的开发流程
2.1