人工智能的应用领域

人工智能的应用领域

人工智能在我们的生活中有许多应用。就在此刻，聪明的工程师正在开发更多的人工智能应用来改善生活的各个方面。

人工智能的一个非常流行的应用是知识表示。这包括试图复制人脑的超强能力，通过一种易于检索和关联的方式存储大量信息，以便回答问题。如果我问你第一天工作时的情景，你可能记得很清楚，很可能还有美好的回忆，但你可能记不太清楚其他时间的事情了，比如工作的第15 天，除非那天发生了什么大事。我们的大脑非常擅长存储大量上下文相关联的信息。因此，当需要时，它可以根据上下文快速查找正确的信息并进行检索。类似地，人工智能系统需要将大量的原始数据转换成知识，这些知识可以与上下文一起存储，并且很容易检索以找到答案。这方面的一个很好的示例是IBM 的Watson，它是一台超级计算机，能够通过在互联网上阅读数百万份文件并在内部存储这些知识来学习。Watson 能够利用这些知识回答问题，并在《危险边缘》节目中击败人类专家。IBM还教授Watson 医学诊断知识，以便它能够像医生一样帮助开医学处方。

IBM Watson 完胜《危险边缘》节目冠军

人工智能的另一个更流行、更酷的应用是在机器中建立一种感知。机器内部的计算机收集和解释来自高级传感器的数据，以帮助机器了解其环境。想想一辆自动驾驶汽车，它使用摄像机、激光雷达、雷达和超声波传感器来定位路上的物体。自动驾驶汽车配有人工智能计算机，帮助寻找路上的行人、汽车、标志和信号，并确保它们避开障碍物，遵守交通规则。图展示了谷歌的自动驾驶汽车Waymo。

谷歌的自动驾驶汽车

人工智能还可用于战略和规划，在这方面，我们有智能体（smart agent），它们知道如何与现实世界中的对象交互，并实现给定的目标。目标可以是人工智能在国际象棋比赛中击败特级大师，或是工业智能体、机器人从亚马逊的仓库接收在线订单，并以最快的方式准备货物。

人工智能的更多应用包括推荐引擎，如亚马逊使用的推荐引擎，它根据你的购买历史推荐你可能感兴趣的商品；又如Netflix 根据你过去看过的电影推荐你可能喜欢的电影。在线广告是一个巨大的领域，人工智能在其中被用来理解人类活动的模式，提高产品的可见性。谷歌和Facebook自动标记朋友的照片也是通过人工智能完成的。

视频监控是被人工智能彻底改变的另一个领域。人工智能不仅能在监控录像中找到人，还有更多用途。人工智能能够理解人类的表情和身体姿势，以检测出有疲劳、愤怒、暴力行为等迹象的人。医院使用人工智能的摄像机来观察病人是否压力极大，并通知医生。现代汽车、卡车和火车使用摄像机来检测司机是否有压力或昏昏欲睡，从而试图避免事故。

最后，视频游戏行业是最先开始采用人工智能的行业之一，并正在充分利用其最新进展。绝大多数的现代游戏有人工智能引擎为游戏制定策略，并与用户对抗。一些现代游戏的引擎非常了不起，以至于做到了真实世界的完美再现。例如，在我最喜欢的游戏《侠盗猎车手5》中，穿越铁路的互动非常真实。游戏中的人工智能捕捉到了各种各样的场景，包括停止交通、信号灯闪烁、让火车通过、打开大门恢复交通等，非常完美。使用强化学习等方法，游戏可以学习不同的策略 来采取行动，构建能与人类竞争并让我们娱乐的智能体。

在过去的几年里，人工智能领域真正引人注目的是机器学习，这将是本书的重点内容。机器学习就是从数据中学习，提取模式，并使用这些模式进行预测。虽然大多数人把机器学习作为人工智能的一个类别，但你会发现，现代机器学习在人工智能应用的不同领域中有着相当大的影响。事实上，你可能很难找到不含任何机器学习元素的人工智能。如果你回想一下我们讨论过的不同人工智能应用，就会发现机器学习会以某种方式触及所有这些应用。

IBM Watson 建立了一个知识库，利用自然语言处理（机器学习的一个领域）从中学习，从而提供解决方案。自动驾驶汽车使用机器学习模型——更具体地说是深度学习模型——来处理大量非结构化数据，以提取有价值的知识，如行人、其他汽车和交通信号灯的位置。下象棋的智能体使用强化学习，这也是机器学习的一个领域。智能体试图通过一遍又一遍地观察国际象棋比赛来学习不同的策略，最终变得足以打败人类。这可以和孩子如何学习玩游戏相比较，但是速度要快得多。最后，找到物品和准备订单的机器人正在模仿10 个甚至更多仓库工人会做的事情——当然，机器人没有午餐时间！

人工智能领域中备受关注的一个话题是通用人工智能（AGI）。这是一种高级人工智能，几乎与人类智能无法区分。它几乎能完成人类可完成的所有智力任务。通用人工智能基本上可以愚弄人类，让人类认为它也是人类。这就是你会在《黑镜》或《疑犯追踪》等电视节目中看到的那种东西。我记得在2018 年的谷歌公司活动中，首席执行官（CEO）桑达尔·皮查伊演示了他们的虚拟助理是如何打电话给餐馆进行预约的（见图1-7）。餐厅服务员分辨不出电话的另一端其实是计算机。这个演示引发了人工智能伦理辩论，以及对谷歌误导人们的批评。果不其然，谷歌公司团队发表了道歉声明，并发布了人工智能伦理政策，基本上是说他们不会利用人工智能做坏事。然而，我们仍然要注意，人工智能的能力日益成熟，并将越来越多地对我们的生活产生重大影响。

谷歌CEO 演示Duplex 虚拟助理愚弄餐厅服务员

基于数据构建分析类型

分析的发展取决于你试图解决的问题。基于你所追求的预期结果，你首先需要了解哪些数据是可用的，哪些在处理后可用，以及可以使用哪些技术来处理数据。从被调查的系统收集的数据可以是人为输入或传感器读数，也可以是数据库、摄像机的图像和视频、音频信号等现有来源。如果从头开始构建系统，你可以自由决定要测量哪些参数和安装哪些传感器。然而，在大多数情况下，你将数字化现有的系统，并在有限范围内测量新参数。你可能必须使用现有的传感器和数据源。

传感器测量特定的物理特征，将它们转换成电信号，然后转换成一系列数字进行分析。传感器测量系统的特征，如运动、温度、压力、图像、音频、视频，等等。这些通常位于战略位置，以便尽可能多地为你提供系统详细信息。例如，应该放置一个监控摄像机，使其覆盖你想要监视的最大区域。有些汽车的尾部装有超声波传感器，可以测量物体之间的距离，以便在倒车时帮助你。这些物理特征被传感器测量并转换成电信号，然后流经信号处理电路，被转换成数字。你可以用计算机对这些数字进行分析。

如果系统已有了收集数据的传感器，或者有系统数据的现有数据库，那么可以使用这些历史数据来理解系统。否则，我们可能需要安装传感器并运行系统一段时间来收集数据。工程系统也使用模拟器来生成与真实系统非常相似的数据。然后可以使用这些数据来构建处理逻辑——这就是我们的分析。例如，如果想建立温度控制逻辑来模拟恒温器数据，那么可以模拟房间中不同的温度。然后，对这些数据进行热统计分析，热统计分析是为了根据设定的温度增加或减少室内的热量流动而设计的。模拟的另一个示例可能是生成关于不同股票市场条件的数据，并利用这些数据来构建决定买卖股票的分析。从真实系统或模拟器收集的数据也可以用来训练人工智能系统学习模式，并根据系统的不同状态做出决策。

无论构建的是基于人工智能的分析还是基于非人工智能的分析，构建的一般模式都一样：从数据源读取输入，构建处理逻辑，在真实数据或模拟数据上测试该逻辑，并将其部署到系统中以生成所需的输出。从数学上讲，所有这些输入和输出的值都可以随着时间的推移而变化，它们被叫作变量。输入通常被叫作自变量（X），输出被叫作因变量（Y）。我们的分析试图在因变量和自变量之间建立一种关系。当在本书的其余部分描述不同的人工智能算法时，我们将使用这些 术语。

我们的分析试图将Y 表达或映射为X 的函数。这可以是简单的数学公式，也可以是将自变量映射到因变量的复杂神经网络。我们可以知道公式的细节，也就是说，我们知道系统行为的内在细节。或者这种关系可能是一个黑盒，我们不知道任何细节，只使用黑盒根据输入预测输出。自变量即X 可能有内部关系，但我们通常选择忽略这一点，而专注于X-Y 关系。

将Y 表示为X 的函数

分析类型：基于应用程序

分析是通过处理系统的输入数据来产生输出，这样人类就可以根据系统做出决策。在开始构建分析之前，理解我们想要问系统的问题是非常重要的。根据我们提出的问题，可能有4 类分析。下面用这4 类分析试图回答的问题来解释一些示例。

1. 描述性分析：发生了什么

这些非常简单，但也非常重要，因为它们试图清楚地描述数据。这里的输出可能是统计摘要，如平均值、众数和中位数。我们可以有像图表和直方图这样的视觉辅助工具来帮助人类理解数据中的模式。许多商业智能和报告工具，如Tableau、Sisense、QlikView、Crystal Reports 等，都基于这个概念。这样做的目的是为用户提供数据的综合视图，帮助他们做出决策。图中的示例显示了哪些月份的月支出高于平时。

为人类描述数据

2. 诊断性分析：为什么会这样

在这里，我们试图诊断已发生的事情，并试图理解它为什么会发生。一个明显的示例是医生观察你的症状并诊断出疾病。我们有像WebMD这样的系统试图捕捉医生拥有的惊人的人类智能，并做出快速的初步诊断。类似地，像核磁共振扫描仪这样的医疗机器使用诊断性分析来试图隔离疾病模式。这种类型的分析在诊断机器的工业应用中也非常流行。工业控制和安全系统使用传感器数据和诊断规则来检测出现的故障，并试图在重大损坏发生前停止机器运行。

可以使用与描述性分析相同的工具（如图表和摘要）来诊断问题，也可以使用推理统计等技术来识别某些事件发生的根本原因。在推理统计中，假设事件依赖于问题中的某些X，然后收集数据，看看是否有足够的数据来证明这一假设。

这里的分析通常会为我们提供关于特定事件的证据。人类仍必须用自己的直觉来确定事件发生的原因和需要做什么。图1-10 中的示例显示了发动机机油温度如何持续升高，这可能导致了发动机故障。

使用数据诊断问题

3. 预测性分析：会发生什么

前两个人工智能应用处理过去发生的事情，预测性分析则关注未来或预见。这里，我们使用机器学习等技术从历史数据中学习，并建立预测未来的模型。我们将在这里主要使用人工智能来开发预测性分析。因为我们在这里做预测，所以这些分析广泛使用概率来提供一个置信因子。本书的余下部分会讨论这种类型的分析案例。

图示例显示了天气网站分析历史数据模式来预测天气。

天气预报

4. 规划性分析：该怎么办

现在我们将预测向前推进一步，并规划一项行动。这是最复杂的分析类型，仍是一个活跃的研究领域，也有一些争论。规划性分析可以看作一种预测性分析。然而，为了使分析具有规划性，它也清楚地说明了人类必须采取的行动。在某些情况下，如果预测可信度足够高，我们可允许分析自己采取行动。这种分析在很大程度上依赖于要预测的领域。为了构建有效的规划性分析，我们需要探索许多先进的人工智能方法。

图中的示例显示了谷歌地图如何通过考虑交通条件来规划最快的路线。

去上班的路

图显示了高级别的分析类型。可以看到复杂性从描述性上升到规划性，对人类决策的帮助也在增加——规划性有可能推动完全自动化。我们使用了不同领域的示例来强调分析是一门适用于多个领域（医疗保健、工程、金融、天气，等等）的通用学科。如果重新思考每个示例，我们往往会问自己这些问题，并在大脑中计算答案。

分析类型

我们查看不同月份的银行对账单，并使用描述性分析来推断我们在某个月份比其他月份花销大，然后深入挖掘，试图诊断原因——也许是家庭度假导致了开支的增加。我们用心智模型来将日常事件[如吃泰国菜（富含鱼油）等特定风格的菜]与可能遇到的过敏症状联系起来。我们通过做出如“八月的傍晚班加罗尔经常下雨”这样的推断成为气象专家。我们经常能做出正确预测。最后，我们听说专业机械师能感觉到汽车发动机过热或听到某些噪声，并能提出换油或水位低加水等操作。

每种分析都有人工智能的示例。我们在大脑中做出这些明智的决定，也可以建立人工智能系统来做同样的事情。我们可以建立一个人工智能系统，尝试将这些思维过程委托给计算机，以帮助我们以最大的准确性尽快获得见解。这就是我们用基于人工智能的分析所做的事。人工智能可以用于任何分析应用程序，以改善结果。

分析类型：基于决策逻辑

另一种在行业中更为常见的对分析进行分类的方式是，基于分析中决策逻辑的编码方式。根据编写逻辑的方式，可能有以下两种类型的分析。

1. 基于规则或物理的分析

基于规则（也叫作基于物理）是构建分析的更传统的方法。在这里，你需要知道不同的自变量是如何相互关联以构成因变量的。当你很好地理解了系统内部结构以及变量之间的关系时，这种方法是很常见的。你使用这些知识并编写显式方程，然后用计算机来计算。

基于规则的分析模型

2. 数据驱动的模型

这里，我们不完全了解正在研究的系统。我们使用历史数据来导出模式，并将这些模式编码成叫作模型的工件。随着数据越来越多，这些模型越来越擅长做出预测，并形成了分析的内部结构。你可能已猜到，随着从现实世界系统中收集的数据的增长，这种方法越来越受欢迎。这也将是本书的重点。

数据驱动的分析模型

构建分析驱动的系统

最后，让我们看一个分析开发的简单示例。这不是一个包含所有细节的完整系统，我们会从宏观上进行讨论，以促进你思考核心分析如何构成更大系统的一部分，以及什么是系统性思考。当你开发任何类型的分析时，记住这些非常重要。此外，我们将讨论3 个概念，它们将帮助我们决定要开发的分析类型。

让我们以测量人运动时消耗热值的系统为例。我们感兴趣的结果是燃烧的热值数，这是因变量Y。为了测量Y，我们考虑可测量的自变量：所有的X。如果能把因变量建立为自变量的函数，就有了分析模型。

为了测量运动，我们需要测量运动过程中发生的活动。运动与结果成正比，结果就是燃烧的热值数。你运动得越多，燃烧的热值就越多。可以用几种方法测量运动，接下来会讨论。

1. 受试者在跑步机上跑步

我们让受试者，即我们关注的人，在跑步机上跑步。我们找到了跑步距离，并试图用它来计算运动量。基于一个人的跑步距离、跑步时间和体重，我们可以建立方程式来测量这段时间消耗的热值。这是一个基于规则的分析，因为你确切地知道所有X 与所有Y 的关系。这是一个“已知的知识”的示例，即我们知道所有的变量及其关系。

跑步机上的人

2. Fitbit 运动跟踪

我们可以用Fitbit 来测量手的运动，并把它与热值关联起来。Fitbit 测量3 个方向的加速度（见图1-17）。很难将这种加速度直接与步行或跑步的步数联系起来，然后再与热值联系起来。对于这个问题，通常采用像机器学习这样的数据驱动方法。我们从许多走路的人身上取样，测量与行走和跑步等动作相对应的加速度值。我们使用这些数据来训练一个机器学习模型。从大量数据中学习后，机器学习模型变得足够好，可以开始预测从原始加速度数据中取得的步数。然后，这些 步骤的数据可以映射到燃烧的热值。机器学习让我们进入“已知的未知”的领域。我们知道影响结果的所有X，但不知道它们与Y 的关系。我们使用数据来确定这种关系。

Fitbit 手环

如果我们决定在一个人走路或跑步的时候用摄像机来监控他，会怎么样呢？这个人身上没有传感器，也没有像跑步机这样的特殊设备。这里的传感器数据是此人走路的视频片段。视频基本上是图像的序列，每个图像被数字化为像素强度值的数组。这是非结构化数据，因为图像只有一组没有条理的数据。从这组数据中，我们如何识别这个人在哪里并测量其运动呢？这就是深度学习发挥作用的地方。深度学习通过多层学习构建大型模型，帮助解码这种大量的非结构化数据并提取知识。这是我们处理“未知的未知”的领域。变量X 太多了，我们不知道它们与Y 有什么关系。

摄像机追踪运动