Ein Meister der Grundlagen der künstlichen Intelligenz

Im Jahr 1955 schlug John McCarthy, ein Informatiker an der Stanford University, auf der Dartmouth-Konferenz erstmals das Konzept der „künstlichen Intelligenz“ vor.

Nach AlphaGo haben uns die Nachrichten über künstliche Intelligenz dieser Tage geblendet, nicht wahr? Und das Wichtigste: Sind Sie nach der Auffrischung Ihres Wissens über künstliche Intelligenz immer noch wie ein Wollknäuel? Die von einem bestimmten Experten erfundene Technologie legte den Grundstein für maschinelles Sehen, Deep Learning, Spracherkennung … Wer sind sie? Was haben Sie getan? Wie das Sprichwort sagt: Egal wie sehr sich die Dinge ändern, sie bleiben im Wesentlichen gleich. Im Allgemeinen werden Technologie- und Wissenssysteme von einem Meister von Generation zu Generation weitergegeben, wobei ständig neue Ideen eingeführt werden. Auch die Künstliche Intelligenz als Forschungsgebiet, das es seit sechzig Jahren gibt, hat ihre Ursprünge.

Das Artificial Intelligence Laboratory des Massachusetts Institute of Technology (MIT) und das Stanford Artificial Intelligence Laboratory gehörten zu den ersten, die Forschungen zur künstlichen Intelligenz durchführten. Tatsächlich wird künstliche Intelligenz in der Fächerklassifizierung des formalen Bildungssystems in zwei sekundäre Disziplinen unterteilt: Computer Vision und maschinelles Lernen, und die vielen Technologien in diesem Bereich sind miteinander verknüpft.

Computer Vision

Von Merkmalsbeschreibungen bis hin zum Deep Learning hat die Computervision zwei Jahrzehnte rasanter Entwicklung durchgemacht. In den letzten zwei Jahren, insbesondere durch die jüngsten Erfolge von Facebook, Microsoft und Google auf dem Gebiet der künstlichen Intelligenz, haben wir alle die Magie tiefer faltender neuronaler Netzwerke kennengelernt. Im Vergleich zu anderen Deep-Learning-Strukturen können Convolutional Neural Networks bessere Ergebnisse bei der Bild- und Spracherkennung liefern. Wie sah die Objekterkennungstechnologie vorher aus? Die Weiterentwicklung der Computer-Vision-Technologie ist untrennbar mit ihrer Arbeit verbunden:

Stammbaum der Computer Vision-Experten

Der Begründer der Computer Vision ist der große David Marr. Ausgehend von der Perspektive der Informatik integrierte er Mathematik, Psychophysik und Neurophysiologie und war ein Pionier der Theorie des menschlichen visuellen Computing, wodurch er die visuelle Forschung revolutionierte. Seine Kollegen gaben seine Theorie weiter. Heutzutage verschmelzen Computervision, Computergrafik und -bildgebung sowie maschinelles Lernen, und diese Technologien sind miteinander verbunden und untrennbar. Und wie bringt maschinelles Lernen, die heute am weitesten verbreitete Technologie, alle möglichen seltsamen Roboter oder Programme für künstliche Intelligenz hervor?

Maschinelles Lernen

Zu den Vertretern des Bereichs des maschinellen Lernens zählen im Allgemeinen Geoffrey Hinton, Yann Lecun, Tom Mitchell usw. Obwohl sie jetzt in verschiedenen Organisationen arbeiten, pflegen sie immer noch eine strikte Meister-Lehrling-Beziehung (einschließlich Promotion und Postdoc, Co-Betreuungsbeziehung), wie in der Abbildung dargestellt:

Ursprünglich war das maschinelle Lernen in zwei große Schulen unterteilt: Konnektionismus und Symbolismus. Später stellte Pedro Domingos, Professor an der University of Washington, beim letztjährigen ACM-Webminar die fünf großen Schulen des maschinellen Lernens und ihre Vertreter vor: Symbolismus, Konnektionismus, Evolutionismus, Behaviorismus und Bayesianismus.

Symbolisten

Vertreter:

Symbolismus ist eine intelligente Simulationsmethode, die auf logischem Denken basiert und auch als Logizismus bezeichnet wird. Sein Algorithmus stammt aus der Logik und Philosophie und sagt Ergebnisse durch Deduktion und Schlussfolgerung von Symbolen voraus. Beispiel: Sagen Sie den unbekannten Term in 2+?=4 basierend auf 2+2=? voraus.

Die überwiegende Mehrheit der frühen Forscher im Bereich der künstlichen Intelligenz fiel in diese Kategorie. Diese Denkschule geht davon aus, dass die Grundeinheit der menschlichen Wahrnehmung und des Denkens das Symbol ist und dass der kognitive Prozess eine Operation auf der Grundlage symbolischer Darstellung ist. Sie geht davon aus, dass der Mensch ein physisches Symbolsystem ist und dass Computer ebenfalls ein physisches Symbolsystem sind. Daher können wir Computer verwenden, um intelligentes menschliches Verhalten zu simulieren, das heißt, wir können Computersymboloperationen verwenden, um menschliche kognitive Prozesse zu simulieren.

Im Allgemeinen lässt sich die Idee der Symbolik einfach wie folgt zusammenfassen: „Erkenntnis ist Berechnung.“

Konnektionismus

Vertreter:

Laut Wikipedia ist der Konnektionismus eine Theorie, die die Bereiche der kognitiven Psychologie, der künstlichen Intelligenz und der Philosophie des Geistes integriert. Der Konnektionismus schlägt ein Modell der Manifestation eines psychologischen oder verhaltensbezogenen Phänomens vor – ein Netzwerk miteinander verbundener einfacher Komponenten. Konnektionismus gibt es in vielen verschiedenen Formen, die häufigste Form nutzt jedoch neuronale Netzwerkmodelle.

Künstliche Neuronen

Der zentrale Grundsatz des Konnektionismus besteht darin, psychologische Phänomene anhand miteinander verbundener Netzwerke einfacher Einheiten zu beschreiben. Die Form und Einheiten der Verbindungen können von Modell zu Modell geändert werden. Beispielsweise können die Einheiten eines Netzwerks Neuronen beschreiben und die Verbindungen Synapsen. In einem anderen Modellnetzwerk wird jede Einheit durch ein Wort und jede Verbindung durch ein semantisch ähnliches Wort dargestellt.

Demonstration des Backpropagation-Algorithmus

Neuronale Netzwerke sind heute die vorherrschende Form konnektionistischer Modelle und auch das beliebte Deep Learning ist eine Erweiterung dieser Schule.

Googles neuronales Netzwerk zur Katzenerkennung

Evolutionismus

Vertreter:

Laut Airbnb-Ingenieur Zhu Yun entstand der Evolutionismus aus der biologischen Evolution, die sich gut mit genetischen Algorithmen und genetischer Programmierung auskennt. Josh Bongard von der University of Vermont entwickelte beispielsweise einen „Seestern-Roboter“, der auf der Theorie der biologischen Evolution basiert. Es kann durch interne Simulation verschiedene Körperteile „erfassen“ und eine kontinuierliche Modellierung durchführen. Daher kann es auch ohne externe Programmierung selbstständig das Laufen erlernen.

Genetische Algorithmen

Genetische Programmierung

Seestern-Roboter

Bayesian

Vertreter

Bei der Bayes'schen Entscheidungsfindung werden subjektive Wahrscheinlichkeitsschätzungen für einige unbekannte Zustände unter unvollständigen Informationen verwendet, dann die Bayes'sche Formel verwendet, um die Eintrittswahrscheinlichkeit zu korrigieren, und schließlich der Erwartungswert und die korrigierte Wahrscheinlichkeit verwendet, um die optimale Entscheidung zu treffen. Die Grundidee ist: Konvertieren Sie den bekannten Ausdruck des Dichteparameters der bedingten Wahrscheinlichkeit einer Klasse und die vorherige Wahrscheinlichkeit mithilfe der Bayes-Formel in eine nachträgliche Wahrscheinlichkeit und treffen Sie eine Klassifizierungsentscheidung basierend auf der Größe der nachträglichen Wahrscheinlichkeit. Die häufigste Anwendung des auf Wahrscheinlichkeitsstatistiken basierenden Bayes-Algorithmus ist die Anti-Spam-Funktion.

Probabilistisches Denken

Analogisierer

Vertreter:

Felix Hill, Informatiker an der Universität Cambridge, glaubt, dass die jüngsten Fortschritte beim Deep Learning von Systemen künstlicher Intelligenz als Behaviorismus und Kognitivismus zusammengefasst werden können. Der Behaviorismus konzentriert sich, wie der Name schon sagt, auf Verhaltensmanifestationen und ignoriert die Rolle des Gehirns und der Nerven. Der Kognitivismus konzentriert sich auf die psychologischen Prozesse, die das Verhalten ausmachen.

Pedro Domingos sagte abschließend, dass die fünf großen Schulen zwar ihre eigenen Stärken hätten, wir aber jetzt wirklich einen Algorithmus bräuchten, der all diese Probleme auf einheitliche Weise lösen könne.

Von: Leifeng.com