数智资源网
首页 首页 人工智能 查看内容

如何构造一个强健的人工智能体系

木马童年 2019-4-2 21:25 195 0

如何构造一个强健的人工智能体系作者:未知   人工智能渗透到了社会各个领域,但从目前来看,无论是深度学习还是其它方法,解决的都是单一问题。人类大脑是一个多问题求解的结构,怎么从脑认知和神经科学中得到构 ...

如何构造一个强健的人工智能体系作者:未知   人工智能渗透到了社会各个领域,但从目前来看,无论是深度学习还是其它方法,解决的都是单一问题。人类大脑是一个多问题求解的结构,怎么从脑认知和神经科学中得到构造强健的人工智能的启示,国内外都做了相当有成效的研讨。

实现强健的人工智能的方法

人类面临的许多问题具有不确定性、脆弱性和开放性。今天人工智能的理论框架,是建立在演绎逻辑和语义描述的基础方法之上的,但我们不可能对人类社会所有问题建模,因为这中间存在着条件问题,这是传统人工智能的局限性。

这个局限性主要表如今几个方面:需要对问题本身抽象出一个精确数学意义上的解析式的数学模型;需要为已建立的数据模型设计出确定的算法;处理的结果无法表现现实世界所固有的不确定性;图灵意义下的可计算问题都是可递归的;用“度量”区分模式,只可处理可量化的数据。

计算机和人类大脑是为问题求解的物质基础。在智力和计算能力方面,计算机远远超过了人类,然而人类面对的大局部问题都是开放的、动态的、复杂的,大脑在处理这种问题时表现出的想象和创造,还有对复杂问题的分析和描述,是传统人工智能方法所不能企及的。我们只可从人类大脑的神经网络结构中去获得构造新的人工智能的因素。人类大脑相当奇妙,也恰是在这个物质基础之上,才演义出人类世界的发展和为问题求解的各种方法。

另外,神经元的连接并不是像我们一般理解的物理方式那样,而是靠突出,突出的过程中有一个间隙,这个间隙产生的反应,构成了大脑中奇妙的演进。人类大脑中的思想或学习都是发生在突出这个层面上的。实际上在大脑的神经网络连接中,不同空间对应不同功能,不同功能在自身内部产生着不同的成本函数。

人出身之后,大脑会不时发展,发展到一定程度,神经元增长到一定数量,又会递减,把不需要的神经元删掉。大脑是慢性记忆神经元,它需要具有高度的容错性。实际上,人出身时大脑是一样的,如三字经所提到的“性相近,习相远”,6 岁从前,大脑在发育,到 6 岁左右,从生物学角度上讲,这种发育就完成了,各位的记忆力、智商等都是教育上的反应。教育的基础便是大脑。所以,大脑不是通过一个统一的、没有分化的神经网络,来实现单一的全景优化学习的,不同功能和区域会生成不同的成本函数,它是模块化的,同时具有独特的系统来支撑注意、记忆、语言等功能。

脑认知和人工智能的联合

大脑有 800 亿个神经元容量,它主要有三种研讨方式:结构研讨、功能研讨、有效研讨。

大脑的结构连接是静态的,功能连接和有效研讨则具偶尔空动态演化的特性。在视觉和听觉神经网络的区域空间当中,功能连接和有效连接是不一样的。

有效连接是针对具体任务的,在同一个视觉功能连接空间中,当我们执行不同的视觉任务时,它所变成的神经网络的有效连接是不一样的。有效连接则描述了神经元之间的因果与相互影响关系。

从这种结构化的观点来看,我们构造的神经网络还没办法模拟同时具有结构连接、功能连接、有效连接的方式。我们能够通过获取某一区域的活跃程度,或活跃状态,鉴别大脑正在执行什么样的视觉任务。知道它在执行什么样的视觉任务,我们就得到了它有效连接的状态,也能够发现它的有效连接在时空演化中的特性。

前面讲了观念,在观念基础上我们要抽象出科学问题,这样才能教导我们进一步的研讨,找到解决问题的方法。下面我们谈一下这个方法怎么和如今的方法联合。

我们如今深度学习的基本框架,是通过多层神经网络输入,根据误差来调整连接,这建立在大量数据标注的基础上,通过标记数据得到网络优化的成本函数。

大脑的认知活动

大脑的认知活动分为三个不同层次:一是哲学,二是形象思想和逻辑思想,三是敏感性。

直觉推理。直觉和敏感都属于创造性思想,警察在破案中,靠的是多年积累和实践,变成的直觉判断。灵感、顿悟与直觉的区别是,直觉是对当前环境的反应,它在人工智能的发展中扮演着十分重要的角色。我们需要一种基于直觉的人工智能,基于直觉的推理。

人的直觉反应实际上是寻找全局的最优办法。要构造直觉推理,需要两个关键因素:构造一个成本函数;给出一个决策结构,而这个决策结构就建立在记忆基础上。

人在观察事物时,一定会变成一种与时间相关的影像。如果把直觉推理和数学总结演绎推理两类机制组合,就能够实现基于认知计算或受神经科学启发的人工智能。

认知推理。我们把认知推理称为直观、朴素的物理推理。物理层面的认知推理能够化解时间与空间,追踪事物的发展轨迹。认知推理的另一个要素在心理层面,简而言之便是学习方向受心理状态的指引。我们需要把物理层面和心理层面的推理嵌入到推理的人工智能系统中。

因果模型。在直觉和认知推理中,我们还需要构造一种模型,其中因果模型是基础。认知计算框架下的因果模型既要满足物理因果关系所产生的物理约束,同时又要让机器理解当前认知任务下的因果关系。

认知如何解决实际问题

我们在 2000 年初就起初做无人驾驶,有人说要把无人驾驶汽车和城市真实场景的车融合,我们还面临相当艰难的挑战,有非常长的路要走。

无人驾驶的挑战存在于:必须正确感知周围环境,在所有条件下平安行驶;必须可以抽象,要完成一种交互情境中的忆计算;必须可以理解预行为。

如今绝大多数自动驾驶采取了场景感知与定位,决策规划与抑制,这是一种大略的 ADAS 形式,但我们要如何通过新的方法来解决这个问题?

场景感知与情境计算。场景是某个交互局面在特定时间和空间中的具体情境和影像,它能够定义为一种实体。情境是指这种实体随着时间和空间变化而产生的关联。情境计算是对场景各个关联的对象做解释,能够定义为一个行为相关体。

这里的问题便是,第一,要让自动驾驶汽车像人一样理解和记忆,就要具有记忆推理和经验分析的技能;第二,进化发展的自动驾驶,其学习过程要像人类一样熟能生巧。

人类视觉关注的基本机制是选择、组织、整合、编码。人对变化相当敏感,能够提取交通场景中的显著变化。比如你在开车时,如果右前方忽然出现一个骑自行车的人,你的注意力会转移到骑车人身上。在自动驾驶汽车上,我们要构造一个选择性的注意机制网络,对数种图像进行理解,并根据内部状态表示,忽略不相关对象,选择下一步要采取的动作。

把场景感知和情景认知联合起来,需要我们构建一个模型,融合先进知识观念,实现记忆学习。

场景感知是将通过各种不同属性的传感器获得的不同数据,提供到深度学习中,之后再根据长短期记忆和定位网络,进行情境计算。在这种框架中,我们能够把场景感知和情境计算融合在一同。

一个高效的情景计算要运用实际情境的因果关联,在最前端的数据层面进行有效计算,就需要把数据驱动形成事件驱动。怎么构造事件驱动?便是把可见光和激光点云数据融合在一同,把三维数据转化成二维图像数据。点云数据给出了每一个生物体的明确的点,二维图像没有深度信息,它是图像的几何形状变化。

(根据郑南宁院士近来的公开演讲整理而成,未经本人确认。)

转载请注明来源。原文地址:https://www.7428.cn/page/2018/1123/46084/

在不久的将来,多智时代一定会彻底走入我们的生活,有兴趣入行未来前沿产业的朋友,可以收藏多智时代,及时获取人工智能、大数据、云计算和物联网的前沿资讯和基础知识,让我们一起携手,引领人工智能的未来!

人工智能 深度学习 脑认知 数学模型 数据模型 计算机
0

最新评论(0)