0 引言

人工智能技術(shù)由來已久,隨著“互聯(lián)網(wǎng)+”熱潮的襲來,各行各業(yè)對于智能化的需求邁入了新階段,人工智能更多地作為技術(shù)載體來促生不同行業(yè)的智能化應(yīng)用。在此過程中,人工智能技術(shù)進(jìn)入了快速發(fā)展階段,而與不同行業(yè)的融合也對人工智能技術(shù)的更新?lián)Q代起到了不可或缺的作用。同時,由于硬件和軟件等各方面技術(shù)的發(fā)展,處理數(shù)據(jù)和計算數(shù)據(jù)的能力大大增強(qiáng),這也為人工智能技術(shù)在各領(lǐng)域的應(yīng)用提供了堅實基礎(chǔ)。

現(xiàn)階段人工智能的應(yīng)用場景不斷擴(kuò)展：在移動互聯(lián)網(wǎng)領(lǐng)域,人工智能技術(shù)可應(yīng)用于指紋識別、人臉識別、虹膜識別等生物識別技術(shù)中,可應(yīng)用于基于圖像、語音、文字的智能搜索,也可應(yīng)用于虛擬現(xiàn)實、增強(qiáng)現(xiàn)實、自動駕駛等系統(tǒng)中進(jìn)行復(fù)雜信息的快速處理^[1];在智能制造領(lǐng)域,人工智能技術(shù)與信息通信技術(shù)、制造技術(shù)及產(chǎn)品有關(guān)專業(yè)技術(shù)等相融合,進(jìn)而實現(xiàn)智能制造的新模式、新手段、新業(yè)態(tài)^[2];在金融領(lǐng)域,人工智能與大數(shù)據(jù)技術(shù)相結(jié)合可應(yīng)用于征信、金融風(fēng)險防控、金融交易決策等方面,保證金融服務(wù)的個性化與智能化^[3];在電力領(lǐng)域,人工智能技術(shù)可通過對信息的量化和分析,有效提高電網(wǎng)企業(yè)的信息安全風(fēng)險防控能力,保障電網(wǎng)安全、穩(wěn)定、高效運行^[4]。

綜合看來,人工智能技術(shù)由于其特有的學(xué)習(xí)能力、適應(yīng)能力以及并行計算能力等優(yōu)勢,能夠面對復(fù)雜系統(tǒng)問題求解和大規(guī)模數(shù)據(jù)分析建模,從而得出更加可靠和具有預(yù)見性的計算結(jié)果。目前,人工智能技術(shù)正在不斷推動與行業(yè)相結(jié)合的應(yīng)用,以期實現(xiàn)更完善的數(shù)據(jù)感知和匯總,更智慧的數(shù)據(jù)模型建立和問題求解,更自主的平臺服務(wù)提供和數(shù)據(jù)融合,更智能的決策制定和下發(fā),從而推動不同行業(yè)的智能化發(fā)展。為此本文介紹了人工智能技術(shù)的發(fā)展進(jìn)程,簡述了目前人工智能的關(guān)鍵技術(shù)和行業(yè)應(yīng)用情況。

 1 人工智能技術(shù)的發(fā)展

1.1 人工智能的起源與發(fā)展歷程

人工智能技術(shù)最早可以追溯至20世紀(jì)40年代,英國數(shù)學(xué)家圖靈提出了人工智能的基礎(chǔ)問題——機(jī)器是否可以思考,從而拉開了人工智能技術(shù)的研究序幕。人工智能的發(fā)展脈絡(luò)如圖1所示,經(jīng)歷了的幾個時期的起伏,歷經(jīng)幾代研究者的努力,終于成長為一門重要學(xué)科。20世紀(jì)40年代人工神經(jīng)網(wǎng)絡(luò)模型的誕生,成為了人工智能學(xué)科的基石,在20世紀(jì)50年代人工智能迎來了第一個上升期,得到了飛速的發(fā)展,一系列理論和方法在當(dāng)時被提出。然而由于計算能力的限制和智能化實現(xiàn)程度的不足,在20世紀(jì)60—70年代大部分人工智能項目停擺,人工智能研究進(jìn)入衰退期。進(jìn)入20世紀(jì)80年代,專家系統(tǒng)理論的出現(xiàn)突破了利用人工智能解決問題的能力,而機(jī)器學(xué)習(xí)算法的出現(xiàn)則大大增強(qiáng)了神經(jīng)網(wǎng)絡(luò)能力,完成了人工神經(jīng)網(wǎng)絡(luò)在理論和應(yīng)用方面的重生。而后,隨著基礎(chǔ)設(shè)施的提升,數(shù)據(jù)處理能力和計算水平也在逐步增強(qiáng),以及人工智能領(lǐng)域內(nèi)的大部分算法也進(jìn)行了改進(jìn)和融合,人工智能技術(shù)進(jìn)入了一個飛速發(fā)展的時期。而移動互聯(lián)網(wǎng)和大數(shù)據(jù)產(chǎn)業(yè)的繁榮,又進(jìn)一步推動了人工智能技術(shù)的行業(yè)融合,自動駕駛、生物識別、自然語言處理等應(yīng)用場景都出現(xiàn)了人工智能技術(shù)的身影,人工智能正在深刻地影響著人們生活的各個方面。

圖1 人工智能技術(shù)發(fā)展脈絡(luò)Fig.1 Development vein of artificial intelligence technologies

人工智能技術(shù)演進(jìn)路線如圖2所示。人工神經(jīng)網(wǎng)絡(luò)是最早被提出的人工智能技術(shù),也是沿用至今應(yīng)用最為廣泛的技術(shù),基于神經(jīng)網(wǎng)絡(luò)拓展的深度學(xué)習(xí)技術(shù)是目前最為先進(jìn)的學(xué)習(xí)算法。模糊邏輯用于建設(shè)涉及模糊推理和模糊集相關(guān)的智能系統(tǒng),專家系統(tǒng)通過錄入行業(yè)專家經(jīng)驗信息形成規(guī)則庫以指導(dǎo)事件求解和預(yù)測,遺傳算法則是通過模仿生物的進(jìn)化原理,用交叉和變異的計算手段進(jìn)行推理計算。進(jìn)入20世紀(jì)80年代后,人工智能技術(shù)有了很大的提升,各種演進(jìn)的機(jī)器學(xué)習(xí)算法能夠提供更加可靠、準(zhǔn)確、高效的求解和預(yù)測結(jié)果,同時由于計算能力的大大提升,各種混合智能系統(tǒng)出現(xiàn)在不同解決方案中,成為人工智能應(yīng)用的新方向。

圖2 人工智能技術(shù)演進(jìn)路線Fig.2 Evolution route of artificial intelligence technologies

1.2 人工智能技術(shù)的定義和范疇

人工智能很難以一個確定的概念去定義,它可以被定義為計算機(jī)科學(xué)的一個分支,致力于智能行為的自動化^[5]。目前的人工智能理論研究一直呈現(xiàn)“三足鼎立”的趨勢：其一,研究在計算機(jī)平臺上編制軟件來解決諸如定理證明、問題求解、機(jī)器博弈和信息檢索等復(fù)雜問題;其二,針對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行研究;其三,對于感知-動作系統(tǒng)以及多智能體進(jìn)行研究^[6]。

由這些主要研究方向可以看出人工智能一直存在兩個比較明顯的發(fā)展方向,也可以將之區(qū)分為強(qiáng)人工智能和弱人工智能。所謂弱人工智能,是指通過人類編寫好的算法或者軟件智能化地去解決和計算某些問題,這樣的算法或軟件只是采用一些智能化的計算工具,例如神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、模糊邏輯等,而計算行為需要人為觸發(fā)或控制,弱人工智能的目標(biāo)是通過智能化計算更好地解決一些復(fù)雜問題。而強(qiáng)人工智能是指通過對生物行為或大腦的研究和模仿,以期達(dá)到對意識、情感、理智三位一體的人工智能建模,簡單來說就是通過無監(jiān)督學(xué)習(xí)、人工生命、神經(jīng)網(wǎng)絡(luò)等技術(shù)讓機(jī)器具有人類的感知、思維和情感。目前這兩個方向的人工智能研究均存在一定進(jìn)展和成果,而2個方向的融合也是未來人工智能演進(jìn)的方向。

 2 人工智能技術(shù)應(yīng)用分析

2.1 人工智能的關(guān)鍵技術(shù)

根據(jù)人工智能技術(shù)的演進(jìn)路線,就當(dāng)前的使用場景來看,人工智能關(guān)鍵技術(shù)主要可以分為以下3類。

2.1.1 數(shù)據(jù)挖掘與學(xué)習(xí)

當(dāng)面對大量的數(shù)據(jù)需要進(jìn)行深度數(shù)據(jù)挖掘、明晰數(shù)據(jù)之間的聯(lián)系時,通常采用的方法是人工智能的一個重要分支——機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)是研究如何使用計算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)活動的方法^[7],按照學(xué)習(xí)干預(yù)方法可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí),按照學(xué)習(xí)方法可分為決策樹學(xué)習(xí)、知識學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、競爭學(xué)習(xí)和概率學(xué)習(xí)等。決策樹學(xué)習(xí)算法是經(jīng)典的分類學(xué)習(xí)算法,從大規(guī)模數(shù)據(jù)中構(gòu)建決策樹,并利用所有訓(xùn)練集數(shù)據(jù)進(jìn)行決策樹的訓(xùn)練來完成學(xué)習(xí)過程^[8]。強(qiáng)化學(xué)習(xí)是一種自適應(yīng)學(xué)習(xí)方法,通過在迭代中調(diào)整參數(shù)值以達(dá)到強(qiáng)化信號的最大化,完成最優(yōu)策略的建立。概率學(xué)習(xí)是利用像貝葉斯模型這樣的概率模型進(jìn)行訓(xùn)練數(shù)據(jù)的計算,從而得出學(xué)習(xí)模型和決策^[9]。人工神經(jīng)網(wǎng)絡(luò)是早期最重要的學(xué)習(xí)算法,通過對人腦神經(jīng)元的模擬來建立節(jié)點之間相互關(guān)聯(lián)的模型,并對每個節(jié)點的輸入和輸出進(jìn)行計算,從而完成學(xué)習(xí)模型的建立。

深度學(xué)習(xí)技術(shù)正是結(jié)合了多層人工神經(jīng)網(wǎng)絡(luò)和卷積計算的一種學(xué)習(xí)算法^[10],多層神經(jīng)網(wǎng)絡(luò)可以通過權(quán)值設(shè)置和反饋迭代優(yōu)化計算結(jié)果,并且輸入層的多個節(jié)點還能實現(xiàn)并行計算,能夠很好地處理海量數(shù)據(jù)并通過訓(xùn)練生成模型,完成對歷史數(shù)據(jù)的學(xué)習(xí),并在接收新輸入時進(jìn)行結(jié)果預(yù)測。

2.1.2 知識和數(shù)據(jù)的智能處理

專業(yè)領(lǐng)域的知識處理和問題求解一般使用專家系統(tǒng),它將探討一般問題的思維方法轉(zhuǎn)變?yōu)檫\用專門知識求解專門問題,實現(xiàn)了人工智能從理論研究向?qū)嶋H應(yīng)用的重大突破^[7]。專家系統(tǒng)一般由知識庫和推理機(jī)組成,通過知識標(biāo)識、知識獲取、知識存儲等操作完成知識庫的建立,再利用推理機(jī)進(jìn)行機(jī)器推理或模糊推理等操作,進(jìn)而得到基于知識的推理結(jié)果。專家系統(tǒng)將特殊領(lǐng)域?qū)＜业膶I(yè)知識和經(jīng)驗引入系統(tǒng)中,并將這些專業(yè)知識凝練為規(guī)則,大量的規(guī)則可以形成規(guī)則庫。在問題求解過程中,規(guī)則庫可以代替人類專家使得程序具有智能化。與早期單純基于規(guī)則的推理系統(tǒng)相比,目前的專家系統(tǒng)正逐漸與其他學(xué)科融合,出現(xiàn)了基于框架、基于案例、基于模型、基于神經(jīng)網(wǎng)絡(luò)以及基于Web等多種專家系統(tǒng)模型,專家系統(tǒng)正成為人類進(jìn)行智能管理與決策的重要工具和手段^[11]。

2.1.3 人機(jī)交互

人機(jī)交互是目前人工智能的另一個技術(shù)熱點,主要實現(xiàn)機(jī)器的智能化,確保機(jī)器和人類交互過程的順暢。人機(jī)交互的實現(xiàn)一般要應(yīng)用到機(jī)器人學(xué)和模式識別等技術(shù)。機(jī)器人學(xué)主要研究如何使機(jī)械模擬人的行為,而人工智能領(lǐng)域內(nèi)的模式識別是指用計算機(jī)代替人類或幫助人類進(jìn)行感知,也就是讓計算機(jī)系統(tǒng)模擬人類通過感官獲取的對外界的各種感知能力^[7]。目前的人機(jī)交互形式包括通過實物進(jìn)行交互、通過觸控屏幕進(jìn)行交互、通過虛擬現(xiàn)實進(jìn)行交互以及多種交互方式綜合的多通道交互等。因此,人機(jī)交互技術(shù)的實現(xiàn)不僅要依靠硬件的提升,同時還涉及到手勢識別技術(shù)、語音識別技術(shù)、觸覺反饋技術(shù)、眼動跟蹤技術(shù)以及3D交互技術(shù)等 ^[12]。人機(jī)交互可以使用戶擺脫常規(guī)輸入設(shè)備的束縛,并從復(fù)雜的人機(jī)交互場景中有效提取分析對象,實現(xiàn)自然的人與機(jī)器的感知交互^[13]。

2.2 人工智能技術(shù)應(yīng)用現(xiàn)狀

在人工智能的發(fā)展和應(yīng)用方面,谷歌公司一直走在前面。谷歌DeepMind團(tuán)隊開發(fā)的AlphaGo圍棋人工智能程