浅谈对人工智能以及其与云计算和物联网的理解

浅谈对人工智能以及其与云计算和物联网的理解

接触人工之智能不知不觉已有三年时间，在国内外核心期刊上发表过几篇论文，却没有发过这方面的博客，总觉得有点遗憾。现在人工智能对我来说，抛开工作不谈，已经是一门爱好。
在这里就自己所学所知的有限知识梳理总结一下，这里只做一个入门小科普，希望对初学人工智能的同学、同志们能有点助益。
###一、什么是人工智能
我们经常说自己的身体受大脑支配，但其实大脑只是硬件器官，只有这个器官是不足以有效驱动我们的身体的。真正左右我们身体行为的是我们的思维，并通过遍布全身各个器官的神经网络进行控制命令的收发。然而科学发展至今，我们的生命与思维能力从何而来，科学界依然只能不断地给出推论而没有人能给出定论。
同样的我们所期待的人工智能，其实就是人为创造的驱动计算机、机器人或者机器设备的“机器思维”。不过和人类的思维相比，这个“机器思维”还达不到真正生物思维的水平，所以将其简化、量化为“模式”或“算法模型”。
Artificial intelligence中文被翻译为“人工智能”，其实这是一种理想的叫法。从现在的国内中文核心期刊、国外SCI期刊、国际顶会论文来看，主要的科研成果都集中于机器学习算法模型的优化、改进或者应用创新。但是无一例外，都达不到智能的程度。所以“机器学习（machine learning）”是一个更恰当的叫法。
###*二、为什么需要人工智能
虽然机器学习还达不到人工智能的地步，但却是达到人工智能的必经之路。
人类社会发展至今，社会分工日趋精细化，我么越来越需要这些会学习的机器来将我们从简单劳动中解放出来，从而将精力更多用在创造、创新上。
###*三、人工智能技术主要应用方向
人工智能的传统应用领域依然占据主流位置。主要包括，自然语言处理、图像处理与识别、语音/语义识别以及语音、图像、文字的相互转化、自动控制领域。
###*四、神经网络模型探讨
神经网络是一种形象的比喻。无论是浅层机器学习（包括：支持向量机SVM、聚类等）还是深度学习（卷积神经网络（CNN）、循环神经网络（RNN、LSTM））或者迁移学习等都由以下几步组成。
数据采集、数据集制作、数据预处理、数据输入、特征提取、动作执行（分类、识别、打分等实际操作）、模型精度与性能评估（F1、分类准确率等指标）。

深度学习与传统机器学习的主要区别：
在深度学习以前，传统的基于支持向量机等的浅层机器学习方法，需要专门的算法模型工程师针对数据集的内容与形式设计好特征提取公式。也就是说，传统机器学习的数据特征提取依赖于人工设计的特征提取方程。
深度学习则不同，研发人员仅需搭建好特征提取模型，并对其中的特征数据矩阵进行初始化（全赋0、-1或者随机初始化）。数据通过输入层进入模型特征提取层，通过数据在神经网络模型中沿路径正向传播及反向LOOS函数理想值逼近，反复迭代训练，由验证集验证模型分类准确率作为模型训练程度阈值，以获得最优目标模型。训练完成后可以看到之前初始化的特征矩阵里的数值发生了变化，这些抽象的数据里包含有数据集的特征。也就是说，深度神经网络获得的数据特征是自主通过迭代训练获取的，而不需要专人来设计特征提取公式。
和传统机器学习相比显然深度学习更加接近智能一点。
###*五、畅想人工智能的未来
现在，依托于云计算的算力资源以及物联网IOT的网络通信覆盖优势，人工智能终端融入到我们的生活中。但是，生产、生活场景相对复杂，对模型的训练、优化速率与泛化能力与模型容错性都不断提出更高的要求。

比如语音/语义识别如何解决方言、口音问题，图像识别的动态匹配问题等都还有待深入探索与研究。人工智能、云计算、物联网，我们离真正的“智慧大脑”、“智慧城市”还有相当的距离，意味着还有旷阔的发展空间。
至少，在用户体验处能否达到智能的程度还很难说。很多语音、语义识别的产品，纸面上的识别准确率很高，实用时体验也很一般，说明人工智能产品还有很长的路要走。