我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:多盈娱乐注册 > 多带图灵机 >

带你深入理解图灵机--什么是人工智能AI?

归档日期:05-11       文本归类:多带图灵机      文章编辑:爱尚语录

  原标题: 带你深入理解图灵机--什么是人工智能AI? 01 什么是机器? 为了方便大家回忆和理解,我

  随便给一个不确定的方程,是否通过有限的步骤运算,判断这个方程是否存在整数解?

  对于这个问题,大家普遍认为,这样的一套步骤是不存在的,也就是说我们没有一种判断一个数学命题是否为真的通用方法。其实这里最关键的问题是:什么叫做“一系列有限的步骤”?

  在没有计算机的时代,人们对“一系列有限的步骤”的体会是模糊。现在大家都很清楚了,其实就是算法,是有读写、条件、循环、移动等组成的一个机械过程,对于“读写、条件、循环、移动”这几个词语还眼熟吗?没错,在图灵机组成中出现过,图灵机就是这样的一个假象的机器,第一次给“机械过程、一系列有限的步骤”一个确定的数学定义。

  从上一篇文章介绍的虫子的举例中,我们知道通过不同的指令,就可以实现不同的虫子移动。实际上,通过精心设计不同的指令,我们可以用图灵机打印斐波那契数列,圆周率等,实际上我们现在用电脑,手机进行文字、语音、视频交互,看图片,看电影等等这些所有的功能都是用图灵机的方式实现的。

  当然这些只是理想的图灵机,因为现实中不存在无限长的存储带,更加图灵的理论这样的一台装置就能模拟人类所能进行的任何计算过程。是不是很神奇?我相信你肯定不相信,不过图灵是经过严格的数学证明,下面我们来看看图灵机的计算过程。

  图灵在1950年写过一篇论文《计算机器与智能》,有兴趣的同学可以看下,英文版论文,链接是:

  图灵的这篇论文写的太棒了,我们对人工智能的异议、担心、误解图灵都已经想到了,后续笔者有时间会对该篇论文进行一次解读。

  所以,对于这篇论文,建议大家都去看下,笔者搜索到一版中文翻译版,有兴趣去看看:

  在开篇的 “The Imitation Game”中,图灵让我们思考:“机器能否拥有智能?(Can machines think?)”这个问题。有趣的是,作为计算理论和人工智能领域的天才,图灵成功定义了什么是计算机器(即图灵机),但却不能定义什么是智能(Think),没有办法用机器或算法来准确定义。因此,图灵设计了一个后人称为图灵测试的模拟游戏。图灵测试的核心想法是要求计算机在没有直接物理接触的情况下接受人类的询问,并尽可能把自己伪装成人类。这个游戏有点类似杀人游戏,这个模拟游戏大概是这样的:

  询问者与另两个人待在不同的房间里,并通过打字的方式与他们交流,以确保询问者不能通过声音和笔迹区分二者。

  两位被询问者分别用 X 和 Y 表示,询问者用C表示,询问者C事先只知道 X 和 Y 中有且仅有一位女性,而询问的目标是正确分辨 X 和 Y 中哪一位是女性。另一方面,两位被询问者X 和 Y 的目标都是试图让询问者认为自己是女性。也就是说,男性被询问者需要把自己伪装成女性,而女性被询问者需要努力自证。

  现在我们问:如果我们把“模仿游戏”中的男性被询问者换成计算机,结果会怎样?相比人类男性,计算机能否使询问者更容易产生误判?”

  如上图所示,“所有智能行为”对应的集合和“所有人类行为”对应的集合既有交集又互有不同。在全部智能行为中有一些是人类靠自身无法做到的(比如计算出国际象棋中白棋是否必胜),但人类也是有智能的,因此只要完成两个集合的交集部分—就应该被认作是“拥有智能”的。另一方面,人类行为并不总是和智能相关。图灵测试要求机器全面模拟“所有人类行为”,其中既包括了两个集合的交集,也包括了人类的“非智能”行为。

  因此图灵测试是 “拥有智能”的一个有效的充分条件,也就是说,由于没有办法严格定义智能,图灵把智能测试的范围扩大了,即不一定要全部通过图灵测试才算是真正的人工智能。

  在图灵看来,人的智能(不包含人的所有,比如皮肤,宫保鸡丁和鱼香肉丝哪个更好吃?)是可以用图灵机来模拟的,因为人的智能是某种模式,即一系列机械步骤形成的。

  近几年,人工智能AI是被提及的概念。阿尔法狗,苹果的siri,google assistant,微软小冰,百度大脑,无人驾驶,AI等等,都被冠以人工智能的概念,不说好像不好意思一样。那么AI的实现技术有哪些呢?

  传统的机器学习是一种归纳法,主要思想是通过一些特征样本,试图从样本中发现一些规律,提取特征值,然后把这些特征放到各种机器学习模型中,实现对新的数据和行为进行智能识别和预测。

  这种实现方式的的理论基础其实就是统计学,也是人类观察世界,认识世界的一种方式。不过缺点是:需要人工整理好大量的、尽量覆盖全的样本,是无疑是一个巨大的工作。

  传统的机器学习是要输入特征样本,而深度学习是试图从海量的数据中让机器自动提取特征,深度学习也是一种机器学习,这种方式需要输入海量的大数据,让机器从中找到弱关联关系,这种方式比传统机器学习方式减少大量人工整理样本的工作,识别准确率也提高了很多,让人工智能在语音识别、自然语言处理、图片识别等领域达到了可用的程度,是革命的进步。

  深度学习实现方式源于多层神经网络,把特征表示和学习合二为一,特点是放弃了可解释性,寻找关联性。简单白话一下深度学习的工作原理:一个神经元就是一个分类器,神经元模型就是不停的分类,形成规模效率和网络效率,最终高质量的特征值就奇妙的产生了。不过缺点是:神经元的参数调整依然高度依赖人的经验。

  现在很多网站要求输入验证码来验证登录,这里的目的是防止机器人模拟登录,比如12306要求你找出某一类物品,现在机器还不能很好的通过模式识别出来,但是人类可以。反过来来讲,如果让机器收集人类的这些验证码的识别结果,是否让机器学会人类的识别模式?目前已经很多公司开始了以人工的人工智能方法。当然还有更多更好的方法在不断探索中。

  2016年阿尔法狗战胜围棋世界冠军,攻破了人类智力的引以为傲的最后一道防线,一年后,阿尔法狗升级版master战胜了阿尔法狗第一版,并通过和自己不断对弈,以人们不可想象的速度快速的进步,最后以全胜的绝对优势打败了世界排名第一的柯洁,甚至让柯洁产生了无力感,至此人类围棋棋手已经不可能战胜以阿尔法狗为代表人工智能机器。

本文链接:http://cakesbyrita.net/duodaitulingji/249.html