探究計算機信息技術在人工智能發展中的應用

張 寧

（江蘇省銅山中等專業學校 江蘇 徐州 221000）

0 引言

第三次科技革命以計算機技術作為核心，人工智能作為現代計算機信息技術的代表性成果，已經逐漸成為信息技術發展的主流趨勢，智能化也已經成為社會發展的主流特征。 人工智能經歷了從萌芽期到高速發展期，再到當前正在進行的第三次革新發展階段，并逐漸從最初的圖靈機模型發展到人們目前熟知的人工智能模型。 現如今，人工智能模型以及相關技術與最初發展階段相比，已經實現了質的飛躍，并在人類經濟社會發展過程中發揮著十分重要的作用。 基于此，本文就計算機信息技術在人工智能發展中的具體應用進行分析，以期為國內計算機信息技術以及人工智能的高質量融合發展提供參考。

1 計算機信息技術和人工智能概述

1.1 計算機信息技術

計算機信息技術實際上是一種能夠在計算機和其他終端設備之間完成數據信息的儲存、傳遞和共享的現代技術，也是計算機技術與現代信息技術結合發展的產物。 如今，計算機信息技術的數據模型變得更加復雜，能夠在短時間內完成大量數據信息的運算工作，任務的執行速度明顯提高。 目前，在經濟社會發展過程中產生的圖像視覺數據和語言數據，因為性質較為特殊，可以利用網絡數據正向和反向傳播等技術進行標記以及儲存，最終建立對應的模型［1］。 因此，計算機信息技術和人工智能技術中的神經網絡有效結合，可以針對各項數據信息全方位進行收集和處理，從而進一步提高數據處理的效率和效果。

1.2 人工智能

人工智能（artificial intelligence）也被人們稱作AI，是一種從人類思考角度對于事物進行分析和判斷的學科以及技術。 結合百度百科、搜狗百科等方面的資料來看，人工智能是模擬、延伸、擴展人類智能的理論、方法及應用系統的一門新的技術科學。 從目前人工智能技術以及相關模型的發展看來，普遍具備大數據計算、跨媒體感知、自主學習、語言和仿生能力。 人工智能能夠利用計算機信息技術完成數據的儲存、計算和分析工作，并且云計算和5G技術也具有十分重要的作用。 在人工智能模型持續完善的背景下，信息模型能夠在不同的媒介、平臺上搜集所需的數據和信息，同時能夠模仿人類的思維，根據設定的規則解決問題，擁有一定的自主學習能力。 目前，在智能終端中設置的各種智能語音助手便是人工智能的應用代表，有著良好的語言能力，能夠在揣摩人們語義的基礎上和人們進行交流［2］。 從某種程度上看，這種語言交流與人工智能的仿生和感知能力有著密切的聯系，能夠實現人機之間信息的同步交流和交換。

2 計算機信息技術用于人工智能的基本原理

人工智能可以利用神經網絡實現深度學習。 計算機信息技術和神經網絡二者的結合應用能夠幫助人工智能技術相關模型完成數據集合的標注工作，且可以針對數據集合中儲存的相關數據進行前向擬合處理，完成數據的統計學習等相關工作。 在這種情況下，計算機通信系統通常都會設定一定的樣本點，并通過擬合曲線的設計，對于樣本點和資本量之間的變化關系進行全方位闡述。 人工智能模型在自行深度學習的過程中，樣本點不僅集中在（x，y）點上，還可以利用向量矩陣探索形成其他的任意點。在任意點數量過多的背景下，人工智能模型的神經網絡會變得越發復雜，逐漸形成層次化的神經網絡體系［3］。 然而，實際上，由于輸入數據之間不存在任何線性關系的影響，這種層次化神經網絡仍然會按照之前設置的程序開展輸入數據的正向和反向傳播等訓練。 人工智能在利用層次化神經網絡進行深度學習時，能夠結合數據質量完成自動優化處理工作。

如今，多層神經網絡的框架類型變得越來越多元化，主要包括Neon TensorFlow 和Moa 等。 人們熟知的Neon、TensorFlow 是由ARM、谷歌公司結合各自優勢建立的人工智能深度學習架構。 TensorFlow 是一種能夠脫離單圖形處理器進行數據處理的網絡框架，并且以分布式連接方式存在，利用多GPU 卡和C＋＋接口實現，能夠在數據運算量較大的情況下，以最快的速度完成數據運算工作。

由此可以得出，在數據并行計算環節，計算機能夠促進非關系型數據庫、內存和數據流圖三者之間的有效融合，并在此基礎上建立分布式系統的多層模型。 在不同用戶嘗試運用多層神經網絡時，并不需要對結構模型的組成進行了解，只需要持續利用神經網絡進行學習便可針對輸入的數據進行全面推理。 隨著內存和處理設備硬件性能的不斷提升和發展，海量數據的高效運算可以通過不同的方法進行優化。 即使出現節點故障，經過優化后的海量數據也能夠基本保持一致。 數據仍然能夠進行讀寫，并且在出現容錯現象后主動進行分區處理［4］。 此外，人工智能也能夠在多個模型的數據和區域的并行計算中發揮作用，利用多GPU 卡和網絡數據進行連接，提高并行計算的效率。 同時，多GPU 卡也能夠用于同層級數據的處理環節，確保不同數據的處理流程能夠得到壓縮，具體如圖1 所示。

圖1 層次化神經網絡并行計算示意圖

以目前人工智能的發展來看，計算機信息技術的應用變得越來越普及，其中應用頻率最高的便是Agent。 該軟件以分布式計算模型為主，能夠對人工智能平臺中分散的多項任務進行全方位控制和交互。 在完成數據信息收集和處理之后，便可將得到的數據結果在分布式平臺進行仿真操作以及交互。 在人工智能技術持續發展的過程中，Agent 技術的應用意味著需要建立仿真環境的交互模型。針對目前的需求和服務信息全方位進行搜集，便可完成數據流的開發工作，并向不同的工作節點下達相應的工作計劃，結合數據反饋進行收集和管理。 Agent 技術能夠對不同類型的仿真環境分類進行模擬，通過使用多種類型的傳感器，進一步提高交互環境的真實性，為用戶帶來良好的使用體驗。 因此，Agent 技術已經成為某些分布式平臺數據計算實施的重要實體，能夠完成有關數據方面的協作處理、監控管理等多項任務。 同時，Agent 技術能夠利用局域網，將用戶所查詢的相關數據信息或者得到的數據處理結果向用戶終端以及云平臺進行上傳，使用戶信息搜索、處理和查詢的時間得到明顯壓縮，避免在網絡數據信息傳輸過程中出現信息擁堵問題。 總體的技術數據處理模型結構如圖2 所示。

圖2 Agent 技術下的數據處理模型結構

3 計算機信息技術在人工智能發展中的應用

3.1 用于網絡安全防護

目前，人工智能依舊以計算機網絡作為核心組成部分方可發揮作用。 然而，網絡系統中經常存在安全隱患，如系統漏洞和惡意程序等。 計算機信息技術在人工智能發展中的應用主要體現在網絡入侵安全監測方面，這是維護網絡系統安全的初級任務。 計算機信息技術和人工智能能夠對各項數據信息進行安全性分析。 在發現各種病毒數據或不明因素時，會生成相應的安全分析報告，確保相關人員能夠及時掌握不同危險因素的分布和實際狀況，采取相應的措施處理風險因素，規避網絡風險事件，為用戶提供良好的使用體驗［5］。

計算機通信技術在人工智能防火墻領域中的應用，主要利用信息識別技術對數據庫中收集的各項病毒數據進行識別。 通過綜合運用統計、決策和記憶等方法，避免了出現大規模數據運算帶來的問題，在維護數據計算結果精準性的同時，也使網絡數據變得更加安全，能夠從根本上消除各種病毒信息和潛在危險因素，修復現有網絡漏洞，并在第一時間發布病毒入侵警報，從而顯著提高網絡系統的安全性。 此外，在數據傳輸過程中，計算機信息技術和人工智能能夠對數據風險全方位進行識別和界定，維護數據輸入和輸出的安全性。 同時，云計算能夠在第一時間完成數據信息的匹配和核對，識別潛在的風險事件，有效阻止黑客攻擊和病毒入侵等行為。

3.2 用于智能機器人

智能機器人是我國人工智能發展過程中出現的全新技術成果。 計算機信息技術同樣可以在醫療智能機器人、環保智能機器人、智能家居機器人等領域中廣泛應用。 與傳統的醫療人力操作相比，醫學領域的智能機器人能夠24 小時保持高負荷運轉，這不僅明顯提升了效率，也顯著提高了精準性。 國家超級計算長沙中心研發的“大白”機器人具有令人矚目的工作效率和診斷質量。 它能夠在4.8 s 的時間內完成100 份病例的診斷。 這一成果與智能機器人自身的數據儲存和計算能力密切相關。 應用智能機器人可以明顯減輕醫院的工作壓力。 麻省理工研發出了Ginger 醫療智能機器人，能夠在醫生接生的過程中提供醫療輔助。 一旦遇到突發問題，機器人能夠憑借搜集的相關數據，為醫生提供合理的解決方案，醫療中的成本投入明顯壓縮，醫師的工作總量有所減輕。

在世界各國倡導生態環境保護與經濟社會協同發展的背景下，環保智能機器人成為目前環境治理工作的主要設備。 與傳統的人力操作相比，環保智能機器人能夠實現污染物的精準處理。 在某些特殊情況下，人工無法完成污染物的清理工作，智能機器人則能夠通過高清攝像頭將現場情況傳送到后臺的控制系統，由管理人員和指揮員發出相應的指令，及時處理各種不同類型的污染物。 環保智能機器人不僅能夠精準識別污染物，還能對當地的污染狀況進行分析，從而顯著提高治理效率。

3.3 用于網絡管理

計算機綜合管理是以計算機運行模式作為依據，能夠在設定合理的管理框架的基礎上提高系統運行的可靠性和規范性。 人工智能和計算機信息技術能夠將自主驅動作為核心，并針對不同類別的系統和操作功能進行整合。例如，在專家系統對接和自主識別中，通常可以采用管理和風險識別的方法，針對系統中存在的各種行為進行檢測和處理。 隨后，將數據信息在專家系統內進行反饋，根據數據的變化決定是否執行相應的工序。 這種模式實際上是以內部控制作為基礎進行網絡管理。 同時，計算機信息技術能夠與人工智能搭載在系統的知識庫中同步導入相應的數據和信息，在經過耦合處理之后，同樣能夠實現智能控制的目標。 例如，應用數據模型逐漸轉變為數據行為，也是在運行過程中以知識規則作為原理分析存在的各種問題，同時利用已經生成的自動化控制程序，針對計算機網絡進行邏輯處理，意味著計算機網絡管理效能和數據信息防護效果能夠進一步提高。

3.4 用于數據處理和共享

人工智能應用質量與深度學習水平有著明顯的聯系，神經網絡能夠對相關的數據進行全方位解析，對其背后的價值進行研究和歸納評估，確保人工智能的模仿升級能力可以持續提升。 總體來看，數據的實時性特點也變得越來越明顯。 在人工智能持續發展的過程中，如果想要實現自我提升的目標，需要將計算機信息技術融入其中，確保人工智能技術能夠利用計算機信息技術以及現代傳感器完成數據信息的收集、處理和分析工作，并完成數據信息的反饋以及交互。 網絡資源的共享也是人工智能持續發展的關鍵所在。 計算機信息技術是數據信息共享得以實現的基礎條件。 計算機信息技術能夠通過各種網絡接口建立云服務器，獲取高價值的數據信息。 如此一來，人工智能庫可以將相關數據進行上傳，并配合學習、交流和模仿能力的發展，為用戶提供更加高質量的服務。 在經濟社會發展的過程中，人工智能針對不同用戶的信息進行區分，結合差異地區提取的信息，為用戶提供個性化的定制服務。

3.5 用于圖像智能識別

目前，人工智能技術在持續發展的過程中已經能夠做到針對不同圖像自主進行識別，并提煉出其中的相關要素和物體。 人工智能圖像識別實際上是對人類在發展過程中的圖像和事件分析進行模仿，集成、識別圖像中的各種特性，并將不同階段的信息合成，最終形成一幅完整的圖像，從而完成圖像的識別。 如今，人工智能圖像識別應用廣泛。 在車輛交通系統中，人工智能圖像識別能夠與計算機信息技術有效融合，在第一時間對違法車輛進行抓拍處理，并利用車牌識別技術對車牌信息和車主信息進行識別。 同時，圖像識別技術在小區安全和手機支付等軟件中也得到了廣泛應用。

3.6 用于模式識別

模式識別的理論基礎是信息論和概率公式，能夠利用多種方法對人類的思維模式進行模擬。 在目前數學計算方法以及計算機軟硬件功能快速發展的背景下，計算機信息技術和人工智能能夠針對任意形式的事物表象和表征進行數據性的分析和處理，完成事物的描述、解釋、辨別和分類工作。 結構識別和統計識別是目前應用較為普遍的模式識別類型。 隨著研究的持續深入，諸如人臉識別和虹膜識別等具備現代科技特征的產物也被逐漸研發并廣泛應用。

4 結語

作為我國計算機技術發展的全新成果，人工智能在諸多行業中應用廣泛。 通過多層神經網絡秩序強化其自主學習能力，智能化發展特征變得越來越明顯。 計算機信息技術和人工智能技術持續發展，二者的結合也越來越深入，并在多個領域中發揮重要作用，能夠在緩解人工工作壓力的同時，提高信息收集、處理效率與質量，為不同行業的發展以及決策提供精準數據支持，實現我國經濟社會高質量、可持續發展的目標。