計算機通信技術在人工智能領域的有效應用

文虎程

（湖北科技學院計算機科學與技術學院，湖北 咸寧 437100）

1 人工智能簡介和發展

1.1 人工智能的概述

從含義上，可以對人工智能進行三個維度剖析。第一，能夠在思維上對人類進行模仿。通過從數據源處獲得的信息來模仿人類思維，主要實現依據為邏輯規則，在實際中被廣泛提及的機器學習就是體現此種含義。第二，它能夠對人類大腦結構進行模擬。從科學上看細胞由神經組成，人工智能的目標是讓機器向人腦靠近，因此需要對人的神經網絡進行研究，以算法學習的形式達到目的，在實踐中的感知機模型即為這一概念的運用。第三，對人類具體行為展開模仿。人工智能擁有自我學習的能力，它會自行模仿行為、體會周遭變化來自我進化，具有強大的適應性，如生物智能算法。這3個維度可以看作是其發展過程，以思維為開端，再到具體的結構，最后到結合環境的自我適應，也從側面反映出未來人工智能領域的走向。

人工智能具備五大特殊性：第一，不被媒介范圍局限，能夠跨平臺及媒體完成信息搜集工作[1]；第二，大數據是其技術根本，強大的數據獲取、儲存和計算分析等過程都需要計算機通信技術來完成，尤其是常說到的云計算等技術；第三，能夠自主完成學習，之所以被稱作是人工智能是由于其對人類的模仿，包含學習和思維層面，只要給其擬好規則即可自行學習如何分析及處理問題；第四，人機同步的仿生能力；第五，能夠有效運用語言，包括理解規則和內涵、基礎對話、暢通交流等。

1.2 人工智能發展方向

顧名思義，我們對人工智能的追求一直都以智能化為主體，還需要兼顧交互與服務。通常設備中會有大量傳感原件，由此產生的語言和圖像等信息能夠讓其更好地對周遭環境進行判斷，同時依據所獲取的信息做出合理反映。設備中的計算軟件可以幫助用戶實現產品與產品間的連通，對其給予既定指令來完成及其對人類從思維層面到行動層面的模仿。例如，除了最基本的語音、圖像鑒別等，目前各個廠商還致力于開發與其搭配的芯片等。在媒介方面其可以對移動端、PC端和電視等進行連接，通過芯片來完成信息接入和傳輸的工作，極大地提升數據采集、分析梳理及自動信息服務的水平。

2 計算機通信技術概述

在人工智能領域可以將計算機通信技術看做基礎部分，它能夠獲取及識別線性或非線性的數據及信息，適用于人工智能開發。例如，當需要對視覺圖像進行智能化獲取、識別語音及反饋時可以將其運用，特別是對海量數據、復雜數據進行處理加工時，計算機通信技術能夠展現其優勢性，保障工作速度及質量。在計算機通信技術發展過程中，人工智能對其的運用也在發展，常需要用到其對數據標記和處理的能力，結合神經網絡模擬形成數據模型[2]。

3 計算機通信技術在人工智能領域的實踐應用

3.1 計算機通信技術在人工智能領域的技術實現

人工智能領域不斷對深度學習開展研究，這項技術需要通過神經網絡相關搭建才能夠完成，在配以計算機通信技術，先對所采集的大量信息進行標記，而后實現相關數據分析處理，完成有關向前擬合、數理統計等學習。

具體地，我們會在計算機通信系統里選擇部分樣本點，以其為基礎獲得所需要的擬合曲線，以此在圖形上體現因自變量改變、樣本點會如何變化。通常，在對人工智能的深度學習進行研究過程中，傳統的（X,Y）樣本點也許不能夠完全滿足我們的需求，還可以考慮納入向量矩陣元素，以此標記任意所需點，通過多維度的取點能夠讓所有樣本點模擬成復雜而切合實際的多層神經系統網絡，尤其需要注意的是：線性關系并不存在于我們所選取及輸入的數據與數據之間，此種系統是以隨機錄入的數據為基礎，在后續展開前向或后向的不定方向傳播，以此實現訓練的目的。此外，在進行深度學習時還會自動依據系統中流動的數據進行質量上的優化，目前已經在實踐中運用研究的框架主要包含TensorFlow、moa、neon、theano等，著名的Google和ARM公司就運用前兩者神經網絡結構來搭建本公司的開源深度學習體系。TensorFlow結構先進性體現在不會被單獨GPU的數據計算及分析所局限，它采取不止一個GPU卡及C++接口，搭建分布式連接模式，能夠在數據量極大的情況下做到并行處理數據。所以在計算機通信技術里實現的并行處理并不是單獨存在，通常會和其他模塊進行有機結合。例如，NoSQL、內存等計算，較好地在分布式系統中完成對不同層級、節點進行模型搭建。

多層神經網絡系統與其他模式相比較對用戶較為友好，因為它不需要使用者充分理解其底層結構，其自身會開展自我學習以優化網絡系統，還會對目前存在的數據開展分析推理，同時在設備、內存等硬件水平的提升過程中，一方面保障系統所運用的算法形式逐漸優化，在對大量信息進行采集和處理時實現高效操作，另一方面在質量結果層面也有所保障，也就是計算前后需要保持一致，甚至當部分節點出現問題時還能夠繼續向后讀寫、針對容錯問題產生的場景做到主動分區。

前段提及的并行處理模式要求使用不止一個GPU卡，在此過程中主要依據在系統中不同數據的聯結，達到跨區域、跨模型、跨數據的并行運作。所處相同層級的數據也能夠處于不同GPU，此種情況能夠有效縮短每個層級里所承載的數據需要的處理時間，極大地提高運作效率。舉例Agent的實踐運用在加以說明，它所采取的技術是分布式模型，以此模型做到對整個系統中共存的不同工作任務進行交互、把控。Agent技術擁有對信息采集的能力，還能夠做到對不同信息的不同處理層級開展并行處理運作，同時還具備分布式模式的仿真交互性能。實際運用Agent技術開展分布式交互仿真情況的探究時，第一步要求做到準確迅速收集所需要的服務及數據，再來完成注冊，主要針對的是關鍵數據或重點用戶信息需求，然后Agent技術再被運用于系統工作流研究，將處理輸出的不同工作計劃順利傳遞給不同的工作站，工作站會及時對獲取的信息進行再反饋，通過反饋的數據進行下一步收集整理，其可以帶來極具真實的模擬場景，利用精密的傳感器件給用戶以強交互感。另外，它對存在的任務還具備協作、實施監控、管理把控等功能，在以局域網為載體上傳經過準確清洗分析后的信息至終端處。此項功能能夠大大減少用戶在數據查詢等相關服務上所花費的時間。將Agent技術納入人工智能領域并廣泛實施應用優勢甚多，最核心的是能夠顯著提升效率，尤其是針對數據計算等信息處理服務，同時因其特殊的機制設置在一定程度上可以解決常見的網絡傳輸擁堵狀況，實現暢通使用。

3.2 計算機通信技術在人工智能領域的實踐應用案例

環顧現代社會中各領域的發展現狀，四處都可以看到計算機通信技術的身影，如教育、交通、醫療、商業等領域都已經深受其益處。在人工智能領域中對系統的鏈接注重設備齊全，所以在此情況下傳統的數據庫范式也許無法滿足各個場景設置的需求，從現有應用情況來看，NoSQL是最常被提及的，以做到實時處理數據流，較好完成收集分析任務。

舉例智能交通系統的實踐運用加以說明：智能交通系統從定義上來看是包含廣泛外部空間環境領域的整體系統，在此系統中起到智能傳感器的作用的是攝像頭。通常，該智能傳感器會被放置于行車前部，以及時感知前方道路的情況。智能傳感器攝像頭除了感知之外也可以將所識別的影像輸出為視頻，同時儲存于NoSQL數據庫中的Hadoop平臺。該平臺會實時依據所獲取的視頻場景情況來科學規劃符合該用戶需求的算法模式，以尋求匹配的解決方案。同時無論是圖片還是視頻，都可以對其中的人物展開識別，這也是該系統能夠做到及時避開行車過程中的行人的原理。

4 結 論

人工智能已經在現代各個領域被廣泛應用并獲得較好成果，未來應當積極推進它的實踐運用程度，并且注重其與計算機通信技術之間的緊密聯系，探究人工智能領域的深入學習技能，使其能夠更好地為國家及社會貢獻力量。