人工智能綜述

李玉環

摘 要：自2016年3月AlphaGo戰勝世界圍棋冠軍李世石，人工智能也越來越成為社會關注的焦點，伴隨著人工智能應用的普及以及各界人士對人工智能未來的猜測，進而引發的人工智能威脅論也被社會各界人士所討論。該文首先介紹了人工智能的發展歷程，繼而剖析了人工智能的核心部分情感計算機制以及其與人類的關系進行了分析，接著介紹了目前常用的機器學習部分相關理論，最后分析了對人工智能的思考這五個方面進行了總結綜述。

關鍵詞：人工智能 機器 學習 情感識別

中圖分類號：TP18 文獻標識碼：A 文章編號：1674-098X（2016）06（a）-0077-02

人工智能是一門涵蓋多學科知識，而又被當今社會廣泛應用于多領域，給人帶來便捷、高效的同時，又讓業界為其擔心的交叉學科知識的綜合產物。隨著各種智能機器人開始服務于各大領域，有超強力量的機械手臂，高效解決問題的專家系統，公眾日常可接觸到的可穿戴智能設備，從智能手機到各類功能的3D打印技術，從谷歌眼鏡到全息投影，各類機器設備如雨后春筍不斷涌出。

1 人工智能的發展

“人工智能”簡稱AI，是集心理認知，機器學習，情感識別，人機交互以及數據保存、決策等于一身的多學科技術。其最早被提出是由McCarthy在20世紀中葉的達特茅斯會議上，這也成為人工智能正式誕生的標志。在人工智能經歷兩個低谷后的最近一個階段，從1993年開始，人工智能其實取得了一些里程碑似的成果。比如在1997年，國際象棋冠軍卡斯帕羅夫被深藍戰勝；英國皇家學會舉行的“2014圖靈測試”中“尤金·古斯特曼”第一次“通過”圖靈測試，而這一天恰為計算機科學之父阿蘭·圖靈（Alan Turing）逝世60周年紀念日。2015年以來，“人工智能”開始成為諸多業界人士關注的焦點之一。2016年3月AlphaGo在首爾以4∶1戰勝圍棋世界冠軍李世石，繼而引發了人工智能將如何改變人類社會的思考。

2 從AlphaGo看人工智能的“情感機制”與人類的關系

機器學習算法的本質是選擇一個萬能函數建立預測模型[1]。首先用戶輸入大量訓練樣本數據，機器對模型進行訓練，選擇可以使預測的模型達到最優的參數集，從而使模型能夠更好地擬合訓練樣本數據的空間分布[2]。谷歌公司在訓練AlphaGo時，收集了20萬職業圍棋高手的對局，在經過不同版本AlphaGo之間的自我對弈，生成了3 000多萬個對局，包含了人類圍棋領域所積累的所有豐富和全面的知識與經驗。相比IBM“深藍”戰勝國際象棋卡斯帕羅夫，其依靠了強大的運算能力取得了勝利，AlphaGo的最大進步是從“計算加記憶”進化到“擬合加記憶”法則[2]。智能設備具有了海量數據存儲和高速的計算本領，人機交互（human-computer interaction）系統研發過程遇到的瓶頸仍是識別和表達情感方面。

情感在人際交往中扮演著重要的角色，情緒的識別主要是識別人類傳遞情緒的信號。既可以通過語言直接傳遞，也可以通過語調、面目表情、姿勢等進行表達。機器具有智能，“情感”是十分重要的一環。這要求機器具有對認知的解釋與建構，而認知的關鍵問題則是自主和情感意識。

對人工智能的威脅霍金總結說：“人工智能在短時間內發展取決于應用它的人，長遠來看到底其能否被控制是我們需要關注的內容。”針對人類對于“人工智能終將超越人類”的擔憂可以概括為以下兩點：（1）蠹生于木，而反食于木。恰如部分美國科幻片中所展現的場景，人類創造的機器因被賦予人類情感智力而脫離人類控制。（2）機器因其具有人類交互的情感且很少產生人工失誤而逐漸取代人類的勞動，致使人類無用武之地而待業失業。從技術飛速發展過程來看，智能設備的應用往往只是其在某一功能極大化的使用，如，專家系統其解決的只是某一領域內復雜問題解決方案的決策提供；虛擬現實技術是生活場景的實體化展現，以方便用戶更好地體驗現實場景；服務領域的機器人，提供的只是某一行業的服務，恰如汽車提供的只是快速的代步工具而不能與人交流一樣，智能機器只是發揮其某一單方面的優勢，從而更好地輔助人類完成特定的工作。在未來社會，那些簡單重復性的勞動將被機器所取代；此外，還有一些通過大量數據進行判別決策類的輸出，從而更好地為人類提供建議；同時對社會生活中重大事變、復雜工業系統中的故障處理，這些存在危險的領域中有智能設備的存在其實質是對人類安全及人類價值的禮遇；而對于那些與人交流密切的服務領域內，則更需要人與人的溝通，才能更好地服務于人。這些機器的存在解放了人的身體，進而可以使人類投入更多精力在科研領域。而人工智能與人類之間的關系，可以用“共存”一詞進行概括，即按勞分配，取長補短[2]。

3 機器學習理論

目前最受社會關注的智能算法，當屬日本學者福島教授基于Hubel Wiese的視覺認知模型提出的卷積神經網絡模型（Convolution Neural Network，CNN），是一種深度監督學習下的機器學習模型。深度學習的概念來源于人工神經網絡，常見的深度學習算法包括：受限波爾茲曼機（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷積網絡（Convolutional Network），堆棧式自動編碼器（Stacked Auto-encoders）。該算法的提出是為解決起初基于1943年，美國心理學家W.S.McCulloch和數學家W.A.Pitts生物神經元計算模型（M-P）[2]的早期人工神經網絡中，網絡層超過4層后，用傳統反向傳遞算法訓練而無法收斂的問題而提出。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成高層屬性類別或特征，從而發現數據的分布特征。重要的人工神經網絡算法包括：感知器神經網絡（Perceptron Neural Network），反向傳遞（Back Propagation），Hopfield網絡，自組織映射（Self-Organizing Map，SOM），學習矢量量化（Learning Vector Quantization，LVQ）。

簡單介紹一下神經網絡：

對應公式為，通過不同權重的多輸入，得到輸出，該單元也被稱為邏輯回歸模型。當多個單元相互關聯，并進行分層后即形成了神經網絡模型。

4 人工智能的未來

當前，人才輩出的社會促進技術手段的不斷創新，大數據，物聯網，虛擬現實、云計算等技術發展與機器人人工智能領域不斷融合發展，這無疑將推動產業方式發生改變。

而針對人工智能威脅論，李開復老師針對機器越發智能化而帶給人類的危機表示：人工智能的真實危機在于未來機器將養活無所事事的人。這也在激勵著人類，機器的智能，在代替人類部分勞動后，需要我們潛心于高科技的發展，進而不被社會所淘汰。斯特羅斯說“人工智能之于人類，最需要擔心的是其自發意識。無人機并不能殺人，指導無人機的坐標并投射地獄火導彈的人才能殺人。”這一說法表明其認為人類已經生活在后人工智能世界了，但人們還沒有意識到人工智能都是我們的代理人。這足以表明，人工智能產品的設計，一方面是為人類帶來了更加綠色，智能，方便的生活方式，而另一方面其法律規范意識，以及人才價值觀及道德的培養更值得社會關注。

參考文獻

[1] 于玲，吳鐵軍.LS-Ensem：一種用于回歸的集成算法[J].計算機學報，2006（5）：719-726.

[2] 劉偉.關于人工智能若干重要問題的思考[J].學術前沿，2016（7）：6-11.

[3] 龔怡宏.人工智能是否終將超越人類智能[J].學術前沿，2016（7）：12-21.