神奇!!!人工智能居然是模擬人腦設計出來的

神奇!!!人工智能居然是模擬人腦設計出來的算法


人工智能的實現主要依靠於兩個方面。第一個方面是數學建模,也就是軟件跟算法,這須要很高深的一個數學跟神經學的原理。第二個是大數據的餵養。因此說若是機器想要更好的人工智能,就須要大數據去餵養它,才能把他養出來。機器跟人同樣,須要好的學習環境去學習的,這就是人工智能的原理。網絡

人工智能究竟是一個什麼樣的原理呢?原來他的底層原理是模擬人腦的神經元。機器學習

人的大腦是由不少個神經元組成的,有多少個呢?太多太多了,1後面有好多個0的那種。每一個神經元能夠進行一個2值性的判斷。什麼是2值性呢?就是當給神經元一個輸入,就會有一個輸出。輸入了一個參數,輸出呢,就會給一個二值性的判斷,要麼是1,要麼是零。舉個簡單的例子,譬如說給一張照片,問是貓仍是狗,答案要麼是貓要麼是狗,這就是二值性的一個東西,不可能有第三種答案。問一個問題是對的仍是錯的,答案要麼是對要麼是錯,這就叫二值性的。每一個神經元都能進行一個二值性的判斷,而後呢,不少個神經元級聯起來,造成一個神經網絡,這個神經網絡就能夠擁有智能。這是一個很奇妙的東西,朱老師我自己也不是很懂,也是從書上看來的,那都是研究神經學的神人研究出來的。人的大腦實際上是一件很神奇的事情,任何神經元都是二值性的,要麼是1,要麼是0,那爲何最後會產生一些那麼不二值化,很智能化的一個東西呢?人的情緒是怎麼產生的呢?人的創造性的思惟是怎麼來的?實際上是很難說清楚的,就算是神經學專家業也很難說清楚,這就屬於未解之謎,屬於人腦的一種科學。目前咱們人類廣泛認爲對人腦的瞭解連5%都沒有,還有其餘的95%未知等待咱們去挖掘。可是就以咱們如今已有的對人腦的研究,就幫助咱們發現了一個可讓機器去模擬人腦神經網絡的原理,固然只是在必定程度上模擬了。只是跟人腦很像,但遠沒有人腦複雜。人腦要複雜不少,是翻倍的,因此爲何說如今的人工智能其實還很淺,是由於只模擬了人腦不多一部分的東西,遠稱不上是真正的智能,但總的來講他的原理確實是模擬人腦的,這是不可否認的。ide

舉個貓和狗的案例,也是人工智能裏最常舉的案例,來講明人工智能這套體系是怎麼實現的。首先搞清楚咱們的目標,就是給機器一張照片,讓他去分辨這張照片是貓仍是狗。固然不能玩弄機器,總不能給他一張狐狸的,那他怎麼猜?如今也只是拿貓跟狗讓他區分,有人說:「那還不簡單啊,貓就是貓,狗就是狗嘛」其實沒有那麼簡單,貓也有不少種,有些貓長得大,有些貓長的小;有些是黃的,有些是白的;有些耳朵長,有些耳朵短,貓跟貓就徹底不是一回事兒,但全部的貓都是有一些共同點的。狗也有區別,藏獒長什麼樣?哈士奇長什麼樣?你能說這兩個不是狗嗎?關鍵是他們之間的差異是很大的。人仍是有必定的識別能力,譬如說給你拿一隻狗。就算你歷來沒見過這種狗,你也不知道這狗什麼品種的,你叫不上名字,平時也不怎麼接觸狗,但你一看就知道那是隻狗。這就是人腦的一種智能,一種判斷,可以根據他從前見過的不少的狗,可以推理出狗的一些特徵,從而以爲這個東西就是個狗,這就是人腦的智能。如今咱們就是要讓機器擁有這種智能,讓機器也能判斷一個歷來沒有見過的照片裏面究竟是貓仍是狗。那麼機器怎麼進行判斷呢?就要在機器裏面構建仿真的仿人腦的多層神經網絡,而後用到一些龐大的軟件和一些圖像識別的算法。至於那些軟件跟算法是什麼,咱們就不講了,那是屬於很是專業的人工智能的技術,須要具體去學習人工智能的時候再去了解。總之裏面會用到一些軟件跟一些算法,而後用大量的數據對所謂的神經網絡進行學習或者說是訓練,就好象人同樣。剛開始的時候,拿個貓的照片對機器說:「這是貓」,再拿另外一個貓的照片對他說:「這也是貓」,再拿另外一個貓的照片,說:「這仍是貓」。。。總共拿了一萬張照片給他看。他把這一萬張照片看完以後,就會知道貓是長什麼樣,貓跟其餘東西之間有什麼差別。哪天拿個兩條腿的東西的照片給他看,而後問是否是貓,他就會說不是貓,由於貓都是四條腿的,這是他從一萬張照片裏總結出來的。貓是有四條腿的,你拿個兩條腿的給我,確定不是貓。這就叫抓住了特徵,固然四條腿跟兩條腿的區別是一下就能夠識別出來的。可是有一些很細微的特徵,就不是那麼容易識別出來的,譬如貓跟狗的區別,須要本身去分析,學習。拿一萬張貓的照片給他,再拿一萬張狗的照片給他,而後讓他去學習,就告訴他「機器兄弟啊,這一萬張是貓,這一萬張是狗,有什麼特徵本身看,本身去發現。你是從腿的個數去看呢,仍是從貓的顏色去看呢,仍是從毛的長短去看呢,仍是從眼神去看,這都是你本身的事兒」。怎麼看是你本身的事,反正我給你一萬張貓,給你一萬張狗,而後你本身去看,本身去學習,學完了之後呢,這個機器就創建了一套模型,這套模型就是機器學習以後沉澱下來的經驗。你能夠這樣理解,就是機器經過這一萬張照片學習以後,大概就摸索出了一些規律,就掌握了一些貓和狗的特徵信息,這些特徵呢,全都儲存在他的模型裏面。有了這個模型以後,就能夠用這個模型去進行判斷,就算再拿一張照片不是那一萬張圖片裏面的,是一張全新的但也是一隻貓的照片。就算這張貓的照片他之前確定沒見過,或許這個品種他之前也沒見過,而後把這張照片給他看,機器就能根據新照片的特徵,而後結合他之前分析過的一萬張照片的特徵,告訴你這就是個貓。固然了機器也有可能分析錯,分析了半天以後說是狗也有可能。那機器分辨的是對仍是錯,取決於什麼?取決於算法跟軟件到底牛不牛,取決於給他訓練的數據多很少。給他訓練一萬張,可能只有90%的成功率。給他100張,有90張識別對了,10張識別錯了,這個正確率就是90%;那麼若是你給他訓練十萬張照片,他可能就更有經驗了,給他100張,能識別97張,只有3張識別錯;若是給他一百萬張照片,給他一億張照片呢,他看完可能就是100%了。再給他一隻外星貓的照片他也能識別出是貓,由於他已經完全掌握了貓的一個本質了。這就是一種本質上的掌握,那這種掌握究竟是什麼呢?我也不知道,人也不知道他是怎麼判斷的,反正他就是掌握了那樣一種技巧,可以判斷出那是一隻貓,並且準確率確實很是高,這是機器的學習。這是很是神奇的,他經過學習,經過大量數據的一個訓練,創建這種模型以後,他就能產生一種很神奇的識別能力,你搞不明白他是怎麼識別的(實際上仍是有跡可循的),但他就是可以識別到。這樣能力是比人厲害的,人是作不到的。譬如說如今把那一萬張貓的照片給你看,看完以後再給你拿一張很是難認的照片給你,你可能就搞不清楚是貓仍是狗了,人的這一點多是不如機器的。這就是機器學習,機器學習就是這麼來弄的,那咱們能去改善的地方在哪裏呢?能改善的就是模型跟算法,你能夠改變圖像識別的算法,能夠改變軟件的一個設置,能夠用更多的數據來訓練他,以此來迭代,提高能力。譬如說科大訊飛的語音識別能力,他一開始語音識別的能力也沒那麼高,但他不斷迭代,學習,開發,如今的語音識別能力已經很是之高了,這就是人工智能逐漸發展的一個過程。學習

總結:人工智能的實現主要依靠於兩個方面。第一個方面是數學建模,也就是軟件跟算法,這須要很高深的一個數學跟神經學的原理。第二個是大數據的餵養。上面已經提到了,讓他機器去學習一萬張跟十萬張,百萬張,千萬張絕對不是一個檔次的,因此說若是機器想要更好的人工智能,就須要大數據去餵養它,才能把他養出來。這就像小孩同樣,再聰明的小孩不讓他上學也能給養廢;小孩不那麼聰明,但他父母有錢,給他送好學校,每天給他作題,好老師給他上課,他最後也不會太差。機器跟人同樣,須要好的學習環境去學習的,這就是人工智能的原理。大數據

相關文章
相關標籤/搜索