10 未来信息综合技术 · 10.2 人工智能(AI)技术
人工智能 (AI)技术
重要度:★★★
建议学习 300 分钟
软考学习笔记
人工智能的概念与分类
人工智能(AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。其核心目标是促使机器能够感知、获取并使用知识,从而完成通常需要人类智能才能胜任的任务。
根据智能水平和应用范围,人工智能可分为两个主要阶段:
- 弱人工智能:指不具备自主意识,无法实现真正推理,仅能在特定领域执行单一任务的系统。当前所有主流人工智能,包括著名的 AlphaGo 以及语音识别、图像识别等应用,均属于弱人工智能。
- 强人工智能:又称通用人工智能,指具备知觉和自我意识,能够像人类一样进行思维、推理和解决复杂问题的系统。目前这类技术仍处于理论探索阶段,尚无实质性进展。
需要注意的是,虽然某些 AI 系统在特定领域(如围棋)超越了人类,但这并不代表它们具备了自我意识,它们依然属于专用智能而非强人工智能。
人工智能关键技术体系
人工智能的实现依赖于多维度的技术支撑,其技术栈涵盖了感知、认知及交互等多个层面。下图展示了当前主流的六大关键技术领域及其典型应用方向:
人工智能关键技术体系
AI技术的六大核心领域及其代表性应用
人工智能关键技术
自然语言处理 (NLP)
计算机视觉 (CV)
知识图谱
机器学习 (ML)
人机交互 (HCI)
VR/AR
机器翻译/语义理解
自动驾驶/图像分析
结构化语义库/反欺诈
监督/无监督/深度学习
体感/脑机交互
虚拟/增强现实环境
体系根节点
核心领域
典型应用
认知与理解技术
侧重于机器对知识的整理与语言的处理能力。
- 自然语言处理 (NLP):实现机器翻译、语义理解及智能问答,让机器“读懂”语言。
- 知识图谱:本质上是结构化的语义知识库,由节点和边构成的关系网络,常用于复杂的金融反欺诈和关联分析。
感知与交互技术
侧重于机器对外部世界的观察与人的互动方式。
- 计算机视觉 (CV):模拟人类视觉,涵盖图像处理、自动驾驶和智能医疗等。
- 人机交互 (HCI):除了传统的鼠标键盘,还包括语音、情感、体感甚至脑机交互。
- VR/AR:利用数字化手段生成近似真实的虚拟环境或增强现实体验。
容易混淆的是,计算机视觉侧重于机器“看”并分析真实世界,而虚拟现实(VR)则侧重于让人“看”机器生成的数字化世界。
机器学习的四种分类模式
机器学习(ML)是人工智能的核心,它通过海量数据寻找统计规律,从而实现对未知数据的预测。根据数据标注情况和反馈机制,监督学习需要标记,无监督学习负责找规律,强化学习依靠反馈机制,而半监督学习则是两者的混合运用。
| 分类模式 | 数据样本要求 | 核心机制 | 典型算法/应用 |
|---|---|---|---|
| 监督学习 | 需已标记的训练集 | 建立输入与输出的映射模型 | 回归、分类 |
| 无监督学习 | 无标记数据 | 发现数据内部的隐藏结构 | 聚类、关联规则、KMeans |
| 半监督学习 | 少量标记 + 大量未标记 | 利用未标记数据辅助模型优化 | 减少标注代价的各类算法 |
| 强化学习 | 环境反馈(奖惩信息) | 在环境中不断试错,最大化累计奖赏 | Q-Learning、机器人控制 |
不同于其他模式,强化学习并不依赖于预先准备好的静态标记样本,而是高度依赖智能体与环境交互过程中产生的动态反馈(Reward)。
深度学习与进阶算法
深度学习作为机器学习的一个子集,通过多层神经网络模拟大脑工作。深度学习的核心优势在于无需人工特征提取,但其高度依赖于大数据支持和计算能力的支撑(如 GPU 算力)。
传统 ML vs 深度学习
- 传统机器学习:依赖领域知识进行人工特征提取,常用算法有支持向量机(SVM)和决策树。
- 深度学习:通过神经网络自动提取特征,代表性架构包括卷积神经网络(CNN)和循环神经网络(RNN)。
前沿学习算法
- 迁移学习:将已训练好的模型参数迁移应用到新领域,解决小样本数据难题。
- 主动学习:算法能够主动筛选出最具价值的样本,请求专家进行标注,从而用极少标注获得高性能。
- 演化学习:基于自然选择等演化算法(如粒子群算法)来解决复杂的路径规划或参数优化问题。
需要区分的是,主动学习的核心在于“机器主动问人”要标签,通过筛选最有代表性的数据来降低标注成本,而不是机器自动生成标签。