一、简介
(一)定义详解
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
(二)技术研究
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机,人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
1、研究方法
如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是:是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样,人类生物学对于人工智能研究是没有关系的?智能行为能否用简单的原则(如逻辑或优化)来描述?还是必须解决大量完全无关的问题?
智能是否可以使用高级符号表达,如词和想法?还是需要“子符号”的处理?JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念,也提议人工智能应归类为SYNTHETIC INTELLIGENCE,[29]这个概念后来被某些非GOFAI研究者采纳。
2、智能模拟
机器视、听、触、感觉及思维方式的模拟:指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,智能搜索,定理证明,逻辑推理,博弈,信息感应与辨证处理。
3、学科范畴
人工智能是一门边沿学科,属于自然科学、社会科学、技术科学三向交叉学科。
4、涉及学科
哲学和认知科学,数学,神经生理学,心理学,计算机科学,信息论,控制论,不定性论,仿生学,社会结构学与科学发展观。
5、研究范畴
语言的学习与处理,知识表现,智能搜索,推理,规划,机器学习,知识获取,组合调度问题,感知问题,模式识别,逻辑程序设计,软计算,不精确和不确定的管理,人工生命,神经网络,复杂系统,遗传算法人类思维方式,最关键的难题还是机器的自主创造性思维能力的塑造与提升。
6、安全问题
人工智能还在研究中,但有学者认为让计算机拥有智商是很危险的,它可能会反抗人类。这种隐患也在多部电影中发生过,其主要的关键是允不允许机器拥有自主意识的产生与延续,如果使机器拥有自主意识,则意味着机器具有与人同等或类似的创造性,自我保护意识,情感和自发行为。
7、实现方法
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。
二、常用软件列表
序号 | 类别 | 软件名称 | CPU | GPU | DCU |
1 | 机器学习库 | xGboost | 支持 | 支持 | 支持 |
2 | 基础框架软件 | TensorFlow | 支持 | 支持 | 支持 |
3 | 基础框架软件 | PyTorch | 支持 | 支持 | 支持 |
4 | 基础框架软件 | PaddlePaddle | 支持 | 支持 | 支持 |
5 | 通信库 | Horovod | 支持 | 支持 | 支持 |
6 | 推理框架 | MIGraphX | 支持 | 支持 | 支持 |
7 | 推理框架 | OnnxRuntime | 支持 | 支持 | 支持 |
8 | 高性能MoE系统 | FastMoe | 支持 | 支持 | 支持 |
9 | PyTorch 计算机视觉库 | Torchvision | 支持 | 支持 | 支持 |
10 | PyTorch目标检测框架 | MM-Detection | 支持 | 支持 | 支持 |
11 | PyTorch混精计算库 | APEX | 支持 | 支持 | 支持 |
12 | PyTorch深度学习优化库 | DeepSpeed | 支持 | 支持 | 支持 |
13 | PyTorch三方视觉库 | Detectron2 | 支持 | 支持 | 支持 |
14 | PyTorch三方视觉库 | MMCV | 支持 | 支持 | 支持 |
15 | PyTorch三方库 | DCNv2 | 支持 | 支持 | 支持 |
16 | 阿里三方计算库 | Stylegan2 | 支持 | 支持 | 支持 |
17 | AIPerf | NNI | 支持 | 支持 | 支持 |
18 | 计算机视觉软件 | Detection2D/3D | 支持 | 支持 | |
19 | 计算机视觉软件 | Classification | 支持 | 支持 | |
20 | 计算机视觉软件 | Segmentation | 支持 | 支持 | |
21 | 自然语言处理 | Transformer | 支持 | 支持 | |
22 | 自然语言处理 | Bert | 支持 | 支持 | |
23 | 自然语言处理 | GNMT | 支持 | 支持 | |
24 | 自然语言处理 | Switch- | 支持 | 支持 | |
25 | 基础框架软件 | Jittor | 支持 | 支持 | |
26 | 基础框架软件 | OnnxRuntime | 支持 | 支持 | |
27 | 基础框架软件 | MIGraphx | 支持 | 支持 | |
28 | 基础框架软件 | SenseParrrots | 支持 | 支持 | |
29 | 基础框架软件 | MegEngine | 支持 | 支持 | |
30 | 基础框架软件 | OneFlow | 支持 | 支持 | |
31 | 基础框架软件 | TVM | 支持 | 支持 | |
32 | 基础框架软件 | Jax | 支持 | 支持 | |
33 | Vision | 支持 | |||
34 | Kaldi | 支持 | |||
35 | Megatron-LM | 支持 | |||
36 | torchaudio | 支持 | |||
37 | colossalai | 支持 | |||
38 | darknet | 支持 | |||
39 | faiss | 支持 | |||
40 | fastfold | 支持 | |||
41 | tfserving | 支持 | |||
42 | lightop | 支持 | |||
43 | warpctc | 支持 |