--- slide1.xml --- 人工智能概述 第 1 章 --- slide2.xml --- 本章学习目标 了解人工智能的基本概念、发展历程与核心特征，以及人工智能与人类智能之间的相互关系。 01 掌握人工智能产业结构的基本框架，包括基础层、技术层和应用层之间的相互作用与关系。 02 学习并掌握人工智能的核心技术，如机器学习、深度学习、神经 网络、知识图谱和人机交互的基本概念及其应用。 03 了解人工智能在制造、家居、金融、零售、交通、安防、医疗、教育、物流等各行业的应用领域及其带来的社会变革。 04 深入理解人工智能带来的技术风险、经济风险、社会风险和法律风险，并学习如何在实际应用中识别和管理这些风险。 05 --- slide3.xml --- 目录 1.1 人工智能简介 1.2 人工智能的发展历程 1.3 人工智能的产业结构 1.4 人工智能的核心技术 1.5 人工智能的应用领域 1.6 人工智能的风险 --- slide4.xml --- 1.1 人工智能简介 1.1.1 人工智能的定义与核心特征 1.1.2 人工智能对人类智能的模拟与超越 --- slide5.xml --- 什么是人工智能？ “人工智能是制造智能机器的科学与工程。” —— 约翰 · 麦卡锡，“人工智能”概念的提出者 “人工智能就是研究如何使计算机做过去只有人才能做的智能工作。” —— 麻省理工学院 帕特里克 · 温斯顿 目前没有统一的定义，但学科的基础任务是明确的，即让机器拥有人的智慧。 --- slide6.xml --- 什么是人工智能？ 计算机 当前人工智能方法都是通过计算实现的，因此计算机是基本工具。基于物理过程实现的功能一般不作为人工智能的研究对象。 智能行为 人工智能起源于对人类思维的模拟，关注那些需要“动脑子”才能完成的工作，或称为“智能行为”，如感知、记忆、动作、推理等。 一般认为，人工智能是用 计算机 来模拟人类 智能行为 的科学。 --- slide7.xml --- 1.1.1 人工智能的定义与核心特征 人工智能系统能够在没有人类直接干预的情况下，根据预设的规则或目标自主地进行决策和行动。 人工智能系统能够表现出一定程度的思考、推理、学习和自我改进的能力，从而执行复杂的任务。 人工智能系统能够与人类或其他系统进行有效的信息交换和沟通，实现自然流畅的交互体验。 智能性 自主性 人工智能系统能够根据环境的变化和新的数据输入，调整自身的行为和策略，以适应不同的任务需求。 交互性 适应性 人工智能是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新技术科学。其核心特征主要体现在以下几个方面： --- slide8.xml --- 1.1.2 人工智能对人类智能的模拟与超越 03 02 01 通俗地理解，“智能” 是指人类“思考的能力”，包括推理、计划、解决问题、抽象思维、表达意念以及语言和学习等能力。 多元智能理论将人的智能总结成 9 种：逻辑数学智能、语言智能、空间智能、音乐智能、运动智能、人际交往智能、自省智能、自然智能（利用自然的能力）和存在智能（对人类存在意义等重大问题的思考能力）。 美国心理学家霍华德·加德纳提出的“多元智能理论”认为：人的智能不是单一的，是由多个侧面组成的，每个人擅长的智能活动是不同的。 --- slide9.xml --- 1.1.2 人工智能对人类智能的模拟与超越 计算能力 人工智能系统能够处理和分析海量数据，其计算速度和精度远超人类。 存储能力 人工智能系统拥有巨大的数据存储能力，可以记住并快速检索大量信息。 持续学习 通过机器学习等技术，人工智能系统能够持续从数据中学习并优化自身性能，这种学习能力是部分人类难以企及的。 特定任务优化 针对特定任务，人工智能系统可以进行高度优化，比人类更高效、更准确地执行。 人工智能的初衷是模拟人类智能的某些方面，但随着技术的不断进步，人工智能在某些领域已经超越了人类智能。具体表现如下： --- slide10.xml --- 1.2 人工智能的发展历程 1955年9月2日，约翰·麦卡锡（达特茅斯学院数学助理教授）联合克劳德·香农（贝尔电话实验室数学家）、马文·闵斯基（哈佛大学数学与神经学初级研究员）和纳撒尼尔·罗切斯特（IBM信息研究经理）向洛克菲勒基金会提出申请，希望举办一次为期两个月，大约10人参加的讨论会。 在申请中，麦卡锡等人首次提出“人工智能（Artificial Intelligence）”的概念，为一门新学科的诞生埋下了种子。 1. 达特茅斯会议 --- slide11.xml --- 1.2 人工智能的发展历程 会议大约开始于1956年6月18号，差不多8月17号结束，前后大约有47人参加。讨论在达特茅斯数学系一座教学楼里进行，有时候会有人做主讲报告成果，更多时候是自由讨论。 1. 达特茅斯会议 美国新罕布什尔州达特矛斯 学院 旧址 --- slide12.xml --- 1.2 人工智能的发展历程 除了组织者麦卡锡、香农、闵斯基、罗切斯特，与会者还包括赫伯特·西蒙、艾伦·纽厄尔、阿瑟·塞缪尔、雷·所罗门诺夫、约翰·纳什等。 1. 达特茅斯会议 这些人在接下来的几十年里都是人工智能领域的领军人物，完成了一次又一次创举和突破，包括麦卡锡的LISP语言，塞费里奇的机器感知理论，塞缪尔的机器学习方法，所罗门诺夫的贝叶斯推理等。 达特茅斯会议的部分参会者。左数：塞费里奇、罗切斯特、纽瓦尔、明斯基、西蒙、麦卡锡、香农。 --- slide13.xml --- 达特茅斯会议的历史意义 达特茅斯会议是“人工智能”第一次作为一门独立研究的学科登上历史舞台,确立了以后几十年研究的根本问题和基本方法。 --- slide14.xml --- 1.2 人工智能的发展历程 自达特茅斯会议以来，人工智能已经经历了两次潮起潮落，目前处于第三次高潮之中。三次高潮具有各自的特征，分别对应基于规则的智能、基于经验的智能、基于学习的智能。 2 . 人工智能的发展历程 --- slide15.xml --- 1.2 人工智能的发展历程 达特茅斯会议后的十年被称为黄金十年,是人工智能的第一次高潮。当时很多人持有乐观情绪,认为经过一代人的努力,创造出与人类具有同等智能水平的机器并不是问题。 这一时期的典型方法是符号方法,该方法遵循思维计算化的基本思路,以基本假设为前提,利用符号演算解决推理问题。启发式搜索是这一时期的典型算法。 这一时期的代表性成果包括定理证明、基于模板的对话机器人,以及感知器模型。 “二十年内，机器人将完成人能做到的一切工作。”—— 赫伯特•西蒙 1956. “在三到八年的时间里我们将得到一台具有人类平均智能的机器。”—— 马文·闵斯基 1970. 黄金十年（1956-1974） --- slide16.xml --- 1.2 人工智能的发展历程 到了70年代，人们发现对AI的预期过于乐观，失望情绪开始蔓延，人工智能走入低谷。 首先，符号主义遇到瓶颈。虽然在定理证明这类确定性问题上符号主义表现优异，但在实际问题中存在大量不确定性，不太可能完全用逻辑推理方法来解决。 严冬到来（1974-1980） 另一方面，不依赖逻辑演算的感知器模型被证明具有严重局限性，对神经网络的研究受到巨大打击。 闵斯基和他批判神经网络的著作 《 Perceptrons 》 。在这本书中，闵斯基证明感知器无法处理线性不可分问题。这本书使神经网络的研究陷入停顿。 机器就算知道了牛顿定律，也很难预测出明天会不会下雨。 --- slide17.xml --- 1.2 人工智能的发展历程 20世纪70年代，加拿大计算机学家斯蒂芬·库克和美国计算机学家理查德·卡普对计算复杂性进行了大量研究，揭示了人工智能中的很多实际问题难以在合理的时间内找到确切的解答。这让人们对人工智能的实用性产生了怀疑。 严冬到来（1974-1980） 理查德 · 曼宁 · 卡普 （ Richard Manning Karp ， 1935 年 1 月 3 日－）， 计算机科学家以及计算理论家，因在算法理论方面有卓越的贡献获得 1985 年的图灵奖。 史蒂芬 · 亚瑟 · 库克 （ Stephen Arthur Cook ， 1939 年 12 月 14 日－）， 加拿大计算机科学家和数学家，因提出“ NP 完全性”概念获得 1982 年的图灵奖。 --- slide18.xml --- 1.2 人工智能的发展历程 到80年代，人们渐渐意识到通用AI过于遥远，人工智能首先应该关注受限任务。受此思潮影响，以专家系统为代表的基于经验知识型的AI走上历史舞台。 1965年，美国计算机学家爱德华·费根鲍姆和遗传学家约书亚·莱德伯格等人合作，开发出了世界上 第一个专家系统程序DENDRAL 。DENDRAL中保存着化学家的知识和质谱仪的知识，可以根据给定的有机化合物的分子式和质谱图，从几千种可能的分子结构中挑选出一个正确的分子结构。 短暂回暖（1980-1987） 爱德华 · 阿尔伯特 · 费根鲍姆 （ 1936 年 1 月 20 日－ ) ，计算机科学家，被人称为专家系统之父。 1994 年获图灵奖。 下图是他和同事在研究专家系统。 --- slide19.xml --- 1.2 人工智能的发展历程 与基于规则的AI不同，专家系统通过收集具体的领域知识来解决任务，获得巨大成功，在很多行业得到应用。 短暂回暖（1980-1987） 专家系统将专家知识收集到知识库中，通过推理引擎给出用户所需要的答案。 --- slide20.xml --- 1.2 人工智能的发展历程 另一方面，杰弗里·辛顿等人提出反向传播算法，使训练多层神经网络成为可能。多层神经网络的出现极大提高了机器自我学习的能力。 短暂回暖（1980-1987） （左）包含一个隐藏层的多层神经网络； （右） 杰弗里 · 辛顿 在机房 --- slide21.xml --- 1.2 人工智能的发展历程 80年代后期到90年代初期，人们发现专家系统维护起来相当困难，新知识难以加入，老知识互相冲突。例如，由匹兹堡大学设计的疾病诊断系统CADUCEUS仅建立知识库就花了近十年。对AI的投资再次削减，AI 又一次进入低谷。 人们进一步反思传统人工智能中的符号逻辑方法。代表人物是罗德尼·布鲁克斯（Rodney Brooks），他曾写过一篇文章：《大象不下棋》（Elephants Don ’ t Play Chess），认为实现感知、移动、交互等基础能力是更现实、更迫切的事，而这些任务与符号逻辑并没有必然联系，就像大象不会下棋也生活得很好。 这一思潮后来被称为“行为主义”，代表工作是大量仿生昆虫。 二次低潮（1987-1993） --- slide22.xml --- 1.2 人工智能的发展历程 经过80年代末和90年代初的反思，一大批脚踏实地的研究者脱去AI鲜亮的外衣，开始认真研究 特定领域内特定问题的解决方法 ，在语音识别、图像识别、自然语言处理等领域取得了一系列突破。 在这一过程中，研究者越来越意识到 数据的重要性和统计模型的价值 ， 贝叶斯模型和神经网络 越来越受到重视， 机器学习 成为AI的主流方法。 务实与复苏（1993-2010） 1997 年， IBM 深蓝战胜国际象棋世界冠军卡斯帕罗夫。 2011 年， IBM Watson 在危险边缘游戏中战胜人类选手。 --- slide23.xml --- 1.2 人工智能的发展历程 2011年以后，得益于大数据的积累和计算能力的增长，以 深度神经网络 为代表的机器学习方法取得了极大成功，开启了以大数据学习为基本特征的人工智能新时代。 2011年，苹果发布了iPhone 4S，其中一款称为Siri的语音对话软件引起了公众的关注，重新燃起了人们对人工智能技术的热情。 迅猛发展（2011-今） 苹果 iPhone 4s 中的 Siri 系统 --- slide24.xml --- 1.2 人工智能的发展历程 图像识别领域的大突破 2012年，辛顿团队利用深度神经网络模型，在ImageNet大规模图像识别任务上取得重大突破，将错误率一举降低了10%。 从此以后，深度学习方法成为众多模式识别任务的首选方法。 迅猛发展（2011-今） --- slide25.xml --- 1.2 人工智能的发展历程 2016年，DeepMind的AlphaGo在围棋对弈中取得辉煌战绩，进一步激发起人们对人工智能的关注。 2017年，AlphaGo以3：0战胜柯洁，并被中国围棋协会授予职业围棋九段称号，不过聂卫平九段称它的水平“至少20段”。 迅猛发展（2011-今） --- slide26.xml --- 1.2 人工智能的发展历程 今天，人工智能飞速发展，不仅在图像处理、自然语言处理、语音信号处理等领域大显身手，更加渗透到物理、材料、化学、医学、天文学、地质学、生物学等各个领域，释放出了让人震惊的生产力。 迅猛发展（2011-今） 在著名的 《 自然 - 机器智能 》 杂志中，绝大多数文章涉及与人工智能相关的跨学科研究。 --- slide27.xml --- 1.2 人工智能的发展历程 符号主义 1 连接主义 2 行为主义 3 人工智能的分类与主要流派 --- slide28.xml --- 1. 符号主 义学派 艾伦 • 纽厄尔 (1927-1992) 赫伯特 • 西蒙 (1916-2001) https://debategraph.org/Details.aspx?nid=218 符号主义学派认为人类认知和思维的基本单元是符号，而 认知过程就是在符号表示上的一种运算 。它认为人是一个物理符号系统，计算机也是一个物理符号系统。因此，我们可以用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。可以把符号主义的思想简单地归结为“ 认知即计算 ”。 符号主义的代表人物是艾伦 · 纽厄尔和赫伯特 · 西蒙。 --- slide29.xml --- 1. 符号主 义学派 20 世纪 80 年代末，符号主义学派开始走向式微，日益衰落，其重要原因是： 符号主义追求的是如同数学定理般的算法规则，试图将人的思想、行为活动及其结果，抽象化为简洁深入而又包罗万象的规则定理，就像牛顿将世间万物的运动蕴含于三条定理之中。但是，人的大脑是宇宙中最复杂的东西，人的思想无比复杂而又广阔无垠，人类智能也远非逻辑和推理。所以，用符号主义学派理论解决智能问题难度可想而知； 另一个重要原因是：人类抽象出的符号，源头是身体对物理世界的感知，人类能够通过符号进行交流，是因为人类拥有类似的身体。计算机只处理符号，就不可能有类人感知，人类可意会而不能言传的 “ 潜智能 ” ，不必或不能形式化为符号，更是计算机不能触及的。要实现类人乃至超人智能，就不能仅仅依靠计算机。 --- slide30.xml --- 2. 连接主 义学派 连接学派的基本思想是通过模拟人的神经系统实现智能。 人的神经系统，特别是大脑，是由大量神经元互相连接形成的，每个神经元都具有同样的简单结构，但当它们互相连接起来形成神经网络以后，就可以表现出强大的智能。 --- slide31.xml --- 2. 连接主 义学派 湿度 降雨 云量 % 基于这一思路，连接学派设计了人工神经元网络模型，网络中每个节点模拟一个神经元，神经元互相连接形成功能。这些连接在模型设计时取随机值，并在模型训练时进行调整。 下方最右侧图是用来预测降雨发生与否的神经网络，它的输入为湿度和云量，输出为降雨的可能性。 --- slide32.xml --- 2. 连接主 义学派 神经网络概念清晰直观，结构简单，可学习性强，在人工智能发展之初就得到研究者的广泛关注。然而，直到近十年，随着数据的积累和深度学习算法的提出，神经网络才真正展现出其特有的优势。 --- slide33.xml --- 3. 行为主 义学派 行为主义，又称进化主义或控制论学派，是一种基于 “ 感知——行动 ”的 行为智能模拟方法 ，思想来源是进化论和控制论。其原理为控制论以及感知 —— 动作型控制系统。行为主义学派则强调智能是通过与环境的相互作用和适应而发展出来的。它认为智能不仅是内部计算的结果，更是与外部世界进行交互和适应的产物。 行为主义在机器人学、自动驾驶等领域展现出强大的应用潜力，其研究成果如六足行走机器人和波士顿动力机器人等，展示了在特定任务上的强大能力。 --- slide34.xml --- 3. 行为主 义学派 行为主义学派在诞生之初就具有很强的目的性，这也导致它的优劣都很明显。 其主要优势便在于行为主义重视结果，或者说机器自身的表现，实用性很强。行为主义在攻克一个难点后就能迅速将其投入实际应用。例如机器学会躲避障碍，就可应用于星际无人探险车和扫地机器人等等。 不过也许正是因为过于重视表现形式，行为主义侧重于应用技术的发展，无法如同其他两个学派一般，在某个重要理论获得突破后，迎来爆发式增长。 --- slide35.xml --- 学派融合 Cranmer et al., Discovering Symbolic Models from Deep Learning with Inductive Biases ， 2021. 左图是科学家利用神经网络从大量数据中总结出新规律，形成数学公式。上图表示从运动轨迹数据学习牛顿运动定律，下图表示从暗物质模拟数据中学习暗物质的分布规律。 随着时代的进步，各个学派也不再固守自己的封地，互相之间也开始借鉴甚至融合。 如作为符号学派典型工具的知识图谱，在训练和推理时开始大量使用神经网络和贝叶斯方法。 神经网络的不可解释性带来人们的担心，开始尝试用网络从数据中学出数据公式，这又是符号学派的基本思路。 --- slide36.xml --- 1.3 人工智能的产业结构 人工智能产业作为新兴产业，其结构复杂且多元化，主要可以分为基础层、技术层和应用层三个核心部分，它们共同构成了人工智能产业生态的完整链条。 --- slide37.xml --- 1.3 人工智能的产业结构 基础层 基础层是人工智能产业发展的基石，涵盖了为人工智能系统提供支撑的各种硬件平台和基础设施。 这一层主要包括高性能芯片、传感器、数据中心等硬件设备，以及为这些设备提供运算能力、存储空间和网络连接的云服务。 芯片作为人工智能技术的核心部件，其计算能力、能效比和成本控制直接影响着人工智能应用的性能和市场接受度。 传感器则负责采集现实世界中的数据，为人工智能系统提供输入。 --- slide38.xml --- 1.3 人工智能的产业结构 技术层是人工智能产业发展的核心驱动力，依赖于计算平台和数据资源，进行大规模的识别训练、机器学习建模等关键任务。 在这一层，企业通过不断的技术创新，提升人工智能算法的精度、效率和可靠性，开发出适用于不同场景的人工智能模型。 技术层的主要任务包括数据预处理、特征提取、模型训练、评估与优化等。其中， 机器学习 是技术层的关键技术之一，它通过让系统从数据中自动学习并改进自身性能，从而实现智能化。 技术层 --- slide39.xml --- 1.3 人工智能的产业结构 应用层是人工智能技术与具体场景相融合的领域，也是最终体现人工智能价值的地方。 在安防、金融、医疗、交通等众多领域，人工智能技术得到了广泛应用。例如 在安防领域，智能监控系统通过人脸识别、行为分析等技术提高安全监控的效率和准确性； 在金融领域，智能风控系统通过大数据分析预测金融风险，保护投资者的利益； 在医疗领域，人工智能辅助诊断系统通过分析病历和医学影像数据，提高医疗诊断的精准度。 应用层 --- slide40.xml --- 人工智能之所以能够不断突破界限，在各个领域展现出强大的潜力和价值，离不开其核心技术的支撑。本节将介绍机器学习、神经网络、深度学习等核心技术，计算机视觉、智能语音、自然语言处理等几项技术留待后面第 5-7 章介绍。 1.4 人工智能的核心技术 --- slide41.xml --- 1.4.1 机器学习 机器学习 是人工智能领域的核心驱动力之一，它赋予计算机系统从数据中自动学习并改进自身性能的能力，而无须进行明确的编程指令。机器学习的核心在于让算法通过分析大量数据集来识别模式、建立模型，并基于这些模型对新数据进行预测或分类。这一过程的关键在于算法能够不断优化和改进，以适应复杂多变的数据环境。 --- slide42.xml --- 机器学习基本流程 构造一个机器学习系统可以大致分为四个步骤：模型设计、模型训练、模型测试、模型选择。 在上述所有步骤中，数据都占有重要地位。这是因为机器学习本身就是从数据中学习规律的方法，整个学习过程必须以数据为基础。 --- slide43.xml --- 1. 模型设计 对于一个机器学习任务,如识别“苹果”还是“桔子”,我们需要设计一种模型来实现这一分类。 1 设计模型的第一步是提取数据中的 显著特征 ,使得目标任务更容易完成。 2 比如苹果和桔子这两类,我们发现用大小和颜色可以区分它们。“大小”和“颜色”即是完成分类任务的“ 特征 ”。 3 大小 颜色 左图，表示数据标注 右图，表示将这些数据表示在大小 - 颜色组成的“特征空间”中 --- slide44.xml --- 1. 模型设计 模型设计还需要确定一种合适的模型结构。机器学习里有很多种模型,我们应该选择哪种模型呢? 例如,有的模型分类面是一条直线,有的模型分类面是一条曲线,或一个圆圈,还有更复杂的模型,如贝叶斯网络,神经网络等等。哪种模型更好? --- slide45.xml --- 1. 模型设计 人们研究发现，每种模型都有其适用范围，在没有设定具体的应用场景时，没有哪一种模型一定优于其他模型。这一结论称为“ 没有免费的午餐 ”定理。 --- slide46.xml --- 1. 模型设计 “没有免费的午餐”定理告诉我们,在没有理解具体的任务时,讨论哪种模型更好没有意义。 模型设计就是要深入理解任务场景,设计与场景匹配的模型。图中,我们设定了苹果-桔子识别这一场景。你觉得在这一场景下,是直线模型更好,还是圆圈模型更好? --- slide47.xml --- 1. 模型设计 训练过程的内存和计算开销 1 2 3 4 5 数据的格式和数据量 外部环境干扰 可容忍的错误率 数据的分布形式 在模型设计中,需要考虑的因素包括: 实际应用中，要对这些因素综合考虑，选取最合适的模型。 --- slide48.xml --- 2. 模型训练 设计好了模型之后,即需要对它进行学习,这一过程称为“模型训练”。 以区分苹果-桔子这一学习任务来说明。我们设计一个简单的模型: Y = A * 颜色 + B * 大小 + C 其中,(A,B,C) 为模型参数,决定了模型的样子(如 左图的蓝色分类面)。我们需要通过一些数据来确定这些参数,即“学习”或“训练”。 --- slide49.xml --- 2. 模型训练 Y = A * 颜色 + B * 大小 + C T=1 T=1 T=1 T=1 T=1 T=1 T=0 T=0 T=0 大小 颜色 Y=0.4 Y=0.3 Y=0.4 Y=0.3 Y=0.3 Y=0.8 Y=0.1 收集一个训练集，集中包含若干桔子和苹果的样例。我们给每个样例设定一个分类目标 T ，如果是苹果则 T=1 ，如果是桔子则 T=0 。 我们希望由模型预测出的 Y 与 T 越接近越好，即模型输出向实际标记靠拢。 --- slide50.xml --- 2. 模型训练 T=1 T=1 T=1 T=1 T=1 T=1 T=0 T=0 T=0 大小 颜色 Y = A * 颜色 + B * 大小 + C Y=0.9 Y=0.9 Y=0.7 Y=0.7 Y=0.2 Y=0.2 Y=0.1 L=|Y-T| 为此，我们设计一个 目标函数 L=|Y-T| 。显然， L 越小，说明 Y 和 T 越接近，模型越精确。 因此，模型训练任务可以描述为这样一个数学问题：选择参数（ A ， B ， C ），使得目标函数 L 的值最小。 --- slide51.xml --- 2. 模型训练 右图给出了一种 随机尝试法 的求解过程。 首先对（ A ， B ， C ）随机取一个初始值，然后在这一取值附近随机尝试一组新的取值。 如果目标函数值下降，则用新的取值代替原来的参数值，否则进行下次尝试。 这一过程重复进行，如（ A ） - （ D ）所示。 经过多次尝试后，目标函数的值越来越小，桔子 - 苹果的分类面也越来越准确。 --- slide52.xml --- 2. 模型训练 L=|Y-T| 总结起来，为了学习一个模型，我们要将学习目标定义成合理的数学形式，这一数学形式称为目标函数。 选择一个数据集（称为训练集），利用合理的优化方法来调整模型参数，使得目标函数最小。这一过程称为模型训练。 训练好的模型，其输出 Y 将接近数据标记 T 。 --- slide53.xml --- 优化方法：梯度下降算法 (a) 右边坡度最陡，从这里下去我可以更快到山脚 (b) 现在左边坡度更陡一些呢，走左边吧！ (c) 马上就快到山脚了呢，我的方法果然没错哈哈哈 (d) 耶！我根据梯度下降方法到达山脚了呢！ 为了完成模型训练任务，研究者提出了很多优化方法。在这些方法中，梯度下降法因其简单高效应用最为广泛。 想象一个人在山坡的某一个位置，他的目的是下到最低谷，怎么办呢？通常的方案是从当前位置开始向四周探索一下，然后选择一个坡度最陡、高度下降最快的方向迈出一步。这样一步一步走下去，就可以逐渐接近谷底。 --- slide54.xml --- 优化方法：梯度下降算法 如果把参数想象成地理位置，把参数对应的目标函数值想象成山的高度，那么可以把目标函数表示成一个类似山坡的曲面，如右图所示。有了这一曲面，就可以采用和人下山一样的方式从山顶一步步到达谷底。 如右图所示，首先选择一个初始位置 A ，此时目标函数值较高。在 A 点附近寻找一个下坡最陡的方向，并沿这一方向走一小步，到达点 B 。重复上面的下山步骤，就可以一步步降低目标函数的值，最终到达低谷 C 。 --- slide55.xml --- 3. 模型测试 对模型的测试应该基于一个独立于训练集的 测试集 。为什么要在一个新的数据集上进行性能测试呢？这是因为模型在训练集和测试集上的性能可能存在很大差异：在训练集上性能非常好的模型，在测试集上可能会差很多。这种现象称为“ 过拟合 ”。 这就如同一个只会死记硬背的学生，在课堂学习时把老师讲的所有题目都背了下来，但是在考试时遇到没见过的题目时就做不出来了。 过拟合的根本原因在于 把数据中的细节和噪声当成规律 ，学到了“假规律”。 --- slide56.xml --- 3. 模型测试 在系统测试时，我们当然更加关注它在未知数据上的表现。这是因为在实际应用中遇到的数据绝大多数是在训练集中没有出现过的未知数据。为了获知机器学习系统的真实性能，我们需要一个独立的 测试集 来进行性能测试。 --- slide57.xml --- 3. 模型测试 训练集 测试集 如下图所示，我们训练了两个模型，它们的分类面分别对应红色虚线和蓝色实线。蓝色实线允许弯折，因此模型更复杂，可以照顾到训练集中那个“个头较大而颜色偏黄”的苹果。 然而，这样的苹果只是个特例，大部分“个头较大而颜色偏黄”的不是苹果而是桔子。因此，当在测试集上测试时，照顾了那个特殊苹果的蓝色实线模型反而出了错，把一些桔子错分成了苹果。本质上， 是把那个特殊的苹果当成了苹果的样子，即把个例当成了规律。 --- slide58.xml --- 3. 模型测试 总结起来，过拟合现象的根本原因在于把训练集中的一些特例错误地当成了规律，或“过度解读”，导致模型失真。 如下图所示，机器对数据进行了过度解读，把一堆噪音点看成了一只猫。 --- slide59.xml --- 4. 模型选择 过拟合现象的存在使得模型选择变得非常重要。复杂的模型有更强大的学习能力，同时也会带来更严重的过拟合问题。 在下图中，模型由简单到复杂。可以看到，过于简单的模型学习能力不强，但过于复杂的模型很容易过拟合。 --- slide60.xml --- 4. 模型选择 奥卡姆 （ 1285-1347 ），英国哲学家、神学家、中世纪著名学者，在逻辑学、物理学等方面都有重要贡献。 奥卡姆剃刀准则： 若无必要，勿增实体 。 如何选择合适的模型呢？机器学习里有一条著名的原则：如果两个模型具有类似的性能，那么应该选择更简单的那个。这条原则称为“奥卡姆剃刀准则”（ Occam’s Razor ）。 奥卡姆是个人名，英国中世纪哲学家。奥卡姆剃刀是比喻用法，意思是“删掉不必要的复杂性”。基于奥卡姆剃刀准则，在测试集上性能相近的前提下，应尽量选择那些简单的模型。 --- slide61.xml --- 数据的重要性 通过从数据中总结规律，机器可以获得强大的智能。从这个角度上说，数据是人工智能的粮食。 那么，什么样的数据才是机器学习所需要的优质数据呢？ --- slide62.xml --- 数据的重要性 https://zhuanlan.zhihu.com/p/607064291 首先，数据要保证一定的数量 。越复杂的模型，需要的数据量越大。 以当前流行的深度学习模型为例，一个实用的语音识别系统往往需要上万小时的语音数据，一个用于聊天机器人的对话系统可能会使用数千亿单词的文本数据。 到 2023 年 2 月，最大的 ChatGPT 模型所用数据达 45TB 。 --- slide63.xml --- 数据的重要性 其次，数据应达到一定的质量标准。 当前大多数系统需要人为标注的数据，如在语音识别任务中需要标记发音内容，图像分割任务中需要标注物体边界。这些标注需要达到一定精度，否则无法用于训练人工智能系统。 --- slide64.xml --- 数据的重要性 最后，数据需要有代表性。 如果我们想要构造一个实用的人工智能系统，最好使用实地采集的数据，因为这些数据可以代表系统实际运行时的现场环境，从而训练出针对真实场景的实用系统。 --- slide65.xml --- 大数据学习的问题和风险 首先，数据标注需要大量人力成本和时间成本，给构建机器学习系统带来现实压力。 --- slide66.xml --- 大数据学习的问题和风险 数据的不均衡容易带来模型偏差 数据不均衡带来模型上的偏差，不仅难以处理重要的但频率不高的事件，还可能带来不公平性，如安检系统对某一肤色人种的错误拒绝率提高。 第二，数据本身存在不均衡性，大量数据是常见的、容易获得的数据，那些不常见的、难以获得的数据较少。 --- slide67.xml --- 大数据学习 的问题和风险 第三，数据中某些样本可能带来不可预期的系统行为。例如，文本数据中可能包含带有侮辱性的句子，基于这样的数据训练出的对话机器人可能会说出同样的话。 --- slide68.xml --- 监督学习 ：有人为标注 无监督学习 ：无人为标注 强化学习 ：间接人为标注 机器学习方法一览 --- slide69.xml --- 监督学习类似于老师教学生，把知识直接传授给学生，学生记住了老师讲解的知识，即可用于实践。 1. 监督学习 --- slide70.xml --- 1. 监督学习 ① ② ③ 苹果 桔子 颜色 大小 大小 颜色 监督信息 训练分类模型 测试模型 你们按照标注好的监督信息进行训练 下面是监督学习的一个例子，学习的目的是让机器分辨苹果和桔子。 收集一些苹果和桔子的图片，并对这些图片进行标注，标明哪些图片是苹果，哪些图片是桔子。这些标注即是监督信息。 用这些图片训练一个对苹果和桔子的分类模型。 将一幅没见过的苹果图片送入分类模型，模型分辨出这是一个苹果而不是一个桔子。 --- slide71.xml --- 1. 监督学习：回归任务 基于样本的特征，对样本的某一属性进行预测。例如，基于房子的大小预测房子的价格；基于过去几天的股票价格预测明天的价格；基于前几天的气温预测未来几天的气温。 --- slide72.xml --- 1. 监督学习：分类任务 基于样本的特征预测样本的类别。如基于大小和价格预测房子是别墅还是普通住宅，基于颜色和形状预测植物种类，基于形状预测数字，基于面部表情预测情绪。 --- slide73.xml --- 1. 监督学习 监督学习需要对数据进行标注。依任务不同，标注的困难程度也不同。一般来说，标注会消耗大量人工和时间成本，但这些标注通常会带来性能的显著提升。 --- slide74.xml --- 无监督学习类似于没有老师的“自学成材”。例如，小孩子就算不听课，自己通过观察体会，也可以学习到很多知识。 2. 无监督学习 --- slide75.xml --- 2. 无监督学习 下图是无监督学习的一个例子，学习的目标是将水果进行归类。 收集一些水果的图片，但并不知道图片中的水果的名字，因此不包含监督信息。 用这些图片训练一个模型，这一模型可以将相似的水果聚成一堆。这一过程称为“聚类”。 将一幅没见过的苹果图片送入模型，模型将它归入苹果一类。 --- slide76.xml --- 2. 无监督学习：聚类 聚类是指把相似的样本聚成一组，同组成员有相似的属性。例如，右图中，苹果、桃子、香蕉被聚成三组。 这一方法可用于商品推荐：通过对商品进行聚类，可以给用户推荐与购买历史相似的商品。 --- slide78.xml --- 2. 无监督学习：流形学习 流形学习是指通过观察发现样本的分布规律。如下图所示，数据集中在一个蛋卷曲面上，如果能找到这个蛋卷曲面，就可以更合理地表示数据间的关系。比如，数据在这个曲面上的距离比在空间中的距离更重要。 --- slide79.xml --- 2. 无监督学习：流形学习 流形学习可以发现数据的重要特征。例如，在下方左图中，机器发现了苹果“颜色”这一属性的方向是自左下向右上逐渐由黄变红的。有了这一发现，就可以通过在该方向上进行搜索来找到某种颜色的苹果了。 流形学习的另一个用处是对数据可视化。下方右图是将 0-9 十个手写数字的图片用流形学习的方法降到二维后的样子。因为是二维图片，可以清晰看到不同数字聚堆的情况。 --- slide80.xml --- 3. 强化学习 我们想训练一只小狗，当说“苹果”或“桔子”时，它可以把正确的水果送过来。但是小狗听不懂我们说话。怎么办呢？ --- slide81.xml --- 3. 强化学习 一种做法是用奖励信号代替监督信号来引导它主动学习。方法如下：如果它拿对了，就给它一块骨头做奖励；如果拿错了，就没有奖励。久而久之，它就可以听懂主人的命令了。 这是一种有别于监督学习和无监督学习的另一种学习方法，称为“强化学习”。 --- slide82.xml --- 3. 强化学习 强化学习是我们人类的基础学习方法。 想想我们小时候是如何学会走路的：父母并没有告诉我们应该先迈哪只脚，该如何用力等（小孩子也听不懂），但我们做好的时候会有成就感，还会得到父母的赞扬，如果做不好，摔跤了会感到疼痛。这样一正一负两种反馈就形成了学习信号，引导我们一点点学会走路。 --- slide83.xml --- 3. 强化学习 强化学习是一种间接的监督学习，通过奖励让机器知道应该如何行动。强化学习广泛应用在棋牌游戏、机器人动作等任务。 在这些任务中，即时的监督信号很难获得，但可以通过行为产生的后果对模型进行引导，使得行为产生的整体收益最大。 UC Berkley 的机器狗，用强化学习 1 小时即可完成训练。 --- slide84.xml --- 动动脑筋 某创业公司在融资时称他们用无监督学习中的聚类技术实现了新闻推荐。 思考一下，该消息是否可信？ --- slide85.xml --- 按照学习的信息源来分，机器学习方法可分为监督学习、无监督学习、强化学习三类。 监督学习基于人类的标注数据，让机器的输出和标注一致。如语音识别中的发音内容，情绪识别中的情绪类别。 无监督学习的目标不是为了对数据进行标记（分类或预测），而是发现数据本身的“分布规律”，如聚类性。这类学习不需要对数据进行人为标注。 强化学习基于部分标注的数据，这些标注用来评价模型行为的价值（如一盘棋的胜负），而学习的目的是使得模型行为的价值最大化。 总结 --- slide86.xml --- 总结 --- slide87.xml --- 1.4.2 神经网络 神经网络 （ Neural Networks ），机器学习中的一种重要技术，是受生物神经系统启发而设计的计算模型，旨在模拟人脑的学习和识别过程。它们由一系列互连的节点（称为神经元）组成，这些节点通过加权连接进行信号传递。神经网络可以通过调整这些连接权重来学习和改进，其基本原理包括输入层、隐藏层和输出层的信息处理与传递。 --- slide88.xml --- 大脑中的神经网络 https://askabiologist.asu.edu/plosable/speed-human-brain 我们的大脑由超过 1 千亿个神经元组成，这些神经元都是同质的，而且功能很简单，但当大量神经元连接在一起时，就能完成非常复杂的功能。 特别重要的是，神经元之间的连接是可学习的，我们就是通过这种能力，逐渐学会了各种技能。 --- slide89.xml --- 人工神经网络模型 沃伦·麦卡洛克 （ 1898-1969 ） 受人类神经网络的启发， 1943 年，美国计算神经学家 沃伦 · 麦卡洛克 和 沃尔特 · 皮茨 提出了人工神经网络模型（ ANN ）。 他们认为，既然人类通过神经网络可以获得智能，机器也可以通过同样的方式获得智能。 沃尔特·皮茨 （ 1923-1969 ） --- slide90.xml --- 人工神经网络模型 麦卡洛克 - 皮茨的神经元模型， x 1 和 x 2 为从其 他 神经元传来的输入，二者都是二值的（ 0 或 1 ）， w 1 和 w 2 为这两个输入对应的连接权重， y 为当前神经元的输出。 是一个激发函数 ， 当 超过一个阈值时输出 1 ，否则输出 0 ，因此输出的 值也是二值的。 如下图所示，一个神经元从其他神经元接收输入，经过处理后，输出给其他神经元。神经元之间连接的强度称为 连接权重 。 --- slide91.xml --- 人工神经网络模型 麦卡洛克和皮茨发现，有限个这样的神经元互相连接，可以用来实现任何复杂的逻辑演算。 后续研究者发现，扩展的神经网络可以模拟图灵机。 这些研究确立了神经网络作为通用计算工具的基础性地位。 逻辑演算 神经网络 图灵机 --- slide92.xml --- 蓬勃发展 90 年代以后，人工神经网络蓬勃发展，人们提出卷积网络、循环网络等具有独特性质的神经网络变种，极大推动了神经网络的应用。 --- slide93.xml --- 蓬勃发展 2006 年以后，以深度神经网络为代表的深度学习技术突飞猛进，在各个领域取得极大成功，神经网络成为人工智能领域最重要的工具。 --- slide94.xml --- 神经网络研究历史脉络 --- slide95.xml --- 卷积神经网络（ CNN ） 卷积神经网络 （ Convolutional Neural Net, CNN ）是应用最广泛的具有特殊结构的神经网络之一。 如下图所示，第 n+1 层的每个神经元只与第 n 层的 9 个神经元相连接，而不是所有神经元。 对于 n+1 层两个不同位置的神经元，它们在接收第 n 层输入时所使用的连接权重是一样的。这些“共享”的连接权重也称为 卷积核 。 --- slide96.xml --- 卷积神经网络 这种网络的计算类似一个以卷积核为参数的“透镜”在输入平面上的扫描过程，这一计算过程称为 “卷积” ，因此称为卷积神经网络。 这一扫描过程相当于典型特征提取过程，而 特征是由卷积核确定的 。输出平面的每个位置的值表示卷积核所代表的特征在输入平面上相应位置出现的可能性。 --- slide97.xml --- 卷积神经网络 可以用多个卷积核进行多特征提取。每一个卷积核的输出对应一个平面，称为一个通道（ Channel ）。不同的通道对应不同特征在输入平面出现的情况。 --- slide98.xml --- 如果输入包含多个通道，可以用 3 维卷积核，扫描时对多个平面同时扫描，这样可以提取组合特征。 卷积神经网络 --- slide99.xml --- 多个卷积层可以前后串联起来，卷积核的视野逐渐扩大，得到的特征越来越“高级”，对目标任务的表征能力也越来越强。 注意在每个卷积操作之后要加入一个非线性激活函数。现在我们一般采用 ReLU 函数，它只保留正值激发，去除负值激发。 卷积神经网络 --- slide100.xml --- 卷积神经网络 卷积神经网络特别适合具有局部特征且这些特征在空间上具有不变性的数据。 例如一张包含猫脸的图片，猫脸在整张图片中只占有部分区域，因此猫的特征是 局部的 ；同时，不论猫的脸在图片的什么位置，它都是一只猫，这称为 空间不变性 。 卷积神经网络正是基于图像的这些特性所做的特别设计。 --- slide101.xml --- 循环神经网络（ RNN ） 循环神经网络 （ Recurrent Neural Net, RNN ）是包含环状连接的网络，如右图所示，隐藏层包含一个到自身的环形连接。 这一特殊的连接将前一时刻的计算结果反馈到下一时刻，作为下一时刻的输入，使得网络具有时序上的记忆能力。 --- slide102.xml --- 循环神经网络 如下图所示，将左侧的网络连续运行三次，这一顺序运行的过程等价于右侧的展开图。可以看到，因为存在环形连接，每次运行时上一时刻的隐藏层节点的值将输入到下一时刻，因此每一时刻网络的行为都不是独立的，而是取决于之前的运行过程。换句话说，循环神经网络具有记忆功能，网络的输出具有累积效应。 --- slide103.xml --- 循环神经网络 [ 图片来源： Cem Dilmegani ] 基于循环神经网络的记忆特性，这种网络特别适合前后顺序相关的任务。 例如，在语言理解任务中，一句话的意思和词语的顺序有很强的相关性，“武松打虎”和“虎打武松”差别很大，“老奶奶”和“奶奶老”也不是一个意思。 循环神经网络通过环形连接可以实现对语义信息的累积，从而对不同顺序的字符串得到不同的语义。 --- slide104.xml --- 循环神经网络 下图是利用一个循环神经网络预测句子情感的例子。网络通过总结句子中每个词的含义来判断这句话的情感。例子中包含“喜欢”这一单词，因此表现出很强的正向情感。 --- slide105.xml --- 自编码器（ AE ） 自编码器 （ AutoEncoder , AE ）是另一种重要的神经网络结构。这一网络的训练目标是使得网络的输出尽可能与输入一致，即恢复输入数据。如下图所示，输入是一只猫，网络希望尽可能在输出端恢复这只猫。 --- slide106.xml --- 自编码器 特殊的是，这一网络的中间层所包含的节点数要小于输入和输出层的节点数。这意味着输入数据在经过中间层时会有信息损失，因此这一层又称为 瓶颈层 。 --- slide107.xml --- 自编码器 因为网络要尽可能恢复输入数据，瓶颈层只能选择那些最重要的信息保留下来，这事实上实现了重要特征的提取功能。 下图中，瓶颈层保留了猫的轮廓，因为这是恢复输入图片最重要的信息。 --- slide108.xml --- 自编码器 下图是通过学习汽车图片，在自编码器的瓶颈层得到汽车的典型特征。当调整这些特征时，就可以得到不同的汽车。 --- slide109.xml --- 总结 卷积神经网络是强大的局部特征提取器，适合处理具有空间不变性的任务，如识别图片中的人脸。 循环神经网络是强大的时序建模工具，适合处理时序相关任务，如机器翻译、语音识别。 自编码器是显著特征提取器，用来提取数据中的重要信息，去除冗余。 --- slide110.xml --- 1.4. 3 深度学习 深度学习 通过构建多层神经网络来模拟人脑的学习过程，使得模型能够处理更加复杂和高维的数据。这种网络结构使得深度学习模型在图像识别、语音识别、自然语言处理等领域取得了突破性进展。通过反向传播算法和梯度下降法等优化方法，深度学习模型能够自动调整网络参数，以最小化预测误差，从而提高模型的准确性和泛化能力。 --- slide111.xml --- 一般来说，在参数量相同的前提下，层数更多的神经网络具有更强的表达能力。通常称包含两个隐藏层以上的神经网络为 深度神经网络 。 深度神经网络 --- slide112.xml --- 基于多层结构的机器学习方法一般称为 深度学习 。虽然任何一种多层结构都可以用于深度学习，到目前为止，深度神经网络依然是应用最广泛的深度学习模型。 因此，深度学习可以简单理解为用层数大于三层的神经网络进行的学习。 深度神经网络 人工智能、机器学习、神经网络、深度学习等概念之间的关系。严格来说，深度学习可以基于非神经网络模型，然而目前绝大多数深度学习模型基于深度神经网络，因此通常认为深度学习是神经网络研究的一部分。 --- slide113.xml --- 研究者很早就意识到多层神经网络具有更强的表达能力，然而在实验中，多层网络并没有表现出比三层网络更好的性能，一个重要原因是多层网络的训练非常困难。 下图给出一个深度神经网络的目标函数曲面，训练的目的是从某一个随机位置出发，在这一曲面上寻找一个最低点。很显然，这一任务非常艰巨。 深度神经网络训练 VGG-56 网络的目标函数曲面 ResNet-110 网络的目标函数曲面 --- slide114.xml --- 2006 年，多伦多大学的 杰弗里 · 辛顿 提出了一种预训练方法，先训练浅层网络，再一层层叠加起来，最终得到深层网络。辛顿发现，通过这种预训练得到的深层网络显示出了理论预期的优势，得到了比浅层网络更好的性能。 深度神经网络训练 https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-017-1798-2/figures/2 --- slide115.xml --- 2012 年，辛顿组开发的神经网络 AlexNet 在当年的 ImageNet 分类比赛中以压倒性优势取得冠军，证明了深度神经网络的强大。 深度神经网络训练 https://devopedia.org/imagenet --- slide116.xml --- 自此之后，众多学者投入到这一研究方向，深度学习成为人工智能最活跃的方向和代表性技术。 约书亚 · 本吉奥、杰弗里 · 辛顿、杨立昆三位学者是深度学习的领跑者。在他们的带领下，深度学习在各个领域取得了令人瞩目的成就。 为表彰他们的贡献， 2018 年，辛顿、本吉奥、杨立昆共同荣获计算机领域最高荣誉 —— 图灵奖。 深度神经网络训练 --- slide117.xml --- 深度神经网络之所以如此强大，一个很重要的原因在于它可以通过层次性处理逐渐提取抽象特征。 以下图所示的卷积神经网络为例，网络低层学到了一些简单的线条，高层学到了一些有代表性的图案。这说明网络可以逐层提取特征，越到高层得到的特征越具有全局性，语义越明确，表征能力越强。这种特征称为 “高级特征” 。 层次特征学习 --- slide118.xml --- 观察下图所示的用于人脸识别的卷积神经网络。在网络底层，神经元被一些简单的线条所激发，但到了网络高层，激发神经元的将是一些有代表性的人脸图案。 这说明网络以一种层次性的方式对特征进行了提取，越到后面得到的特征越高级，和任务的相关性越强。 层次特征学习 --- slide119.xml --- 类似的层次性也出现在其他网络中。如下图所示的四个网络，分别用于识别人脸、猫脸、大象、椅子。可以看到底层的特征都是相似的，而高层特征开始出现差异。 层次特征学习 --- slide120.xml --- 有趣的是，深度神经网络的逐层处理方式和人类的信息处理方式很相似。例如，人们发现卷积神经网络的特征提取方式和人脑中的视觉处理过程有很强的相似性。 如下图所示，人脑中不同区域的激发似乎与神经网络的特定层次的激发相对应。 层次特征学习 --- slide121.xml --- 深度神经网络强大的特征学习能力意味着只要数据量足够大，机器就可以自动从数据中提取出恰当的特征，不需要人为设计。 这种特征学习方法开创了机器学习的新范式，不仅极大简化了系统设计，也避免了人为特征可能存在的缺陷。 特征学习的意义 https://vitalflux.com/deep-learning-learning-feature-representations/ --- slide122.xml --- 特征学习可以在网络高层得到高级特征，这些特征具有很强的不变性。以人脸识别为例，我们把一张人脸图片加入各种变化，如缩放、旋转、染色等，这时低层特征（如线条、纹理等）会发生显著变化，但人脸还是人脸，“人脸”这一高级特征不会发生变化。这种不变性对人脸识别非常重要。 特征学习的意义 --- slide123.xml --- 最后，基于深度学习和人类信息处理方式的相似性，特征学习有可能用来解释人的某些感知行为。 特征学习的意义 --- slide124.xml --- 深度神经网络兴起之后，在机器视觉、语音处理、自然语言处理、机器人等众多领域取得极大成功。 现在我们知道，辛顿当初提出的预训练方案并不是必要的，只要数据量足够大，计算资源足够丰富，就可以成功训练一个强大的深度神经网络模型。 从这个角度上看，与其说是深度学习多么强大，不如说是大量数据的积累和计算机性能的提高使得大规模机器学习成为可能。 深度神经网络与现代人工智能 --- slide125.xml --- 最后，开源成为研究界的共识，出现了大量开源的代码、数据和论文。这些开源资源的出现极大促进了技术交流和技术进步，为当前人工智能浪潮打上了独特的历史烙印。 深度神经网络与现代人工智能 --- slide126.xml --- 1.4.4 知识图谱 知识图谱 是人工智能领域中的一项关键技术,它以图结构的形式存储和表示知识,旨在构建一个由实体、关系、属性等要素组成的语义网络。知识图谱通过整合来自各种数据源的结构化、半结构化乃至非结构化信息,形成了一个庞大而复杂的知识体系,从而为人工智能系统提供了理解和运用复杂知识的能力。 --- slide127.xml --- 1.4.4 知识图谱 在知识图谱中 实体是构成知识的基本单元,它们可以是人、地点、组织、概念等各种具体或抽象的事物。 关系则用于连接不同的实体,描述它们之间的相互作用或属性。 属性则是对实体特征的进一步描述,如年龄、性别、位置等。 通过将这些实体、关系和属性以图的形式组织起来,知识图谱不仅展现了它们之间的关联关系,还保留了丰富的语义信息,使得人工智能系统能够像人类一样理解和推理知识。 --- slide128.xml --- 1.4.4 知识图谱 知识图谱的构建是一个复杂而精细的过程,在图1-4的示例中,针对知识图谱本身构建了知识图谱,展现了信息抽取、实体识别、关系抽取、属性填充等多个环节。 首先,需要从各种数据源中提取出相关信息,并识别出其中的实体。 然后,通过分析实体之间的关系,构建出实体之间的连接网络。 最后,通过属性填充等方式,进一步丰富和完善知识图谱的内容。 在这个过程中,自然语言处理、机器学习等技术被广泛应用,以提高信息抽取和关系识别的准确性和效率。 --- slide130.xml --- 1.4.4 知识图谱 知识图谱的应用范围非常广泛，几乎涵盖了人工智能的所有领域。 在自然语言处理方面，知识图谱可以为机器阅读理解、问答系统、文本生成等任务提供丰富的背景知识和上下文信息。 在信息检索方面，知识图谱可以帮助搜索引擎更好地理解用户的查询意图，提供更加准确和相关的搜索结果。 在智能推荐方面，知识图谱可以根据用户的兴趣和偏好，为用户推荐更加个性化和符合需求的内容或产品。 --- slide131.xml --- 1.4 .5 人机交互 人机交互 是人工智能与人类用户之间进行信息交流和控制的技术。扮演着连接人类用户与智能系统之间信息交流的桥梁角色。它不仅仅是一种技术，更是一种理念，旨在使计算机系统和人工智能应用能够更加自然地融入人类的日常生活和工作中，提升用户体验和效率。 --- slide132.xml --- 1.4 .5 人机交互 人机交互的核心在于实现人与机器之间的有效、高效且直观的沟通。随着技术的不断发展，人机交互方式已经从传统的键盘、鼠标等物理输入设备，逐渐演变到如今的语音识别、语音合成、手势识别、眼神追踪以及虚拟现实（Virtual Reality，VR）、增强现实（Augmented Reality，AR）等更为自然和沉浸式的交互方式。这些新技术使得用户能够以更加直观、便捷和个性化的方式与智能系统进行互动。 在人机交互技术的发展过程中，智能语音助手成为最为典型的代表。通过语音识别和合成技术，用户可以通过自然语言与智能语音助手进行对话，实现查询天气、播放音乐、设定闹钟、控制智能家居等多种功能。这种交互方式不仅提高了用户的使用效率，还极大地丰富了人们的日常生活体验。 --- slide133.xml --- 人工智能作为一项前沿技术，其应用领域广泛且深远，已经渗透到我们日常生活的方方面面。从制造业到服务业，从医疗健康到金融科技，人工智能正以前所未有的速度改变着各个行业的面貌。本节将详细介绍人工智能在制造、家居、金融、零售、交通、安防、医疗、教育、物流等主要领域的应用。 1.5 人工智能的应用领域 --- slide134.xml --- 1．制造领域 在制造业中，人工智能通过智能制造系统、机器人等手段， 实现了生产过程的自动化、智能化 和高效化。智能制造系统能够根据生产需求自动调整生产计划，优化资源配置，提高生产效率和产 品质量。机器人则能够完成繁重、危险、精细化的生产任务，减轻工人的劳动强度，提高生产的安 全性。人工智能在制造领域的应用广泛且深入，极大地推动了制造业的智能化转型和升级。 --- slide135.xml --- 2．家居领域 智能家居是人工智能技术在日常生活中的重要应用之一。通过智能音箱、智能灯光、智能安防 等设备，人们可以实现家居环境的智能化控制和管理。智能家居系统能够根据人们的习惯和需求自 动调节室内温湿度、光线强度等环境参数，提高人们的居住舒适度。同时，智能家居系统还具备安 防监控、远程操控等功能， 可为人们提供更加便捷、安全的生活体验。 --- slide136.xml --- 3．金融领域 在金融领域， 人工智能通过智能风控、智能投顾等手段， 提升了金融服务的智能化水平和效率。 智能风控系统能够实时监测交易数据，识别异常交易和欺诈行为，降低金融风险。智能投顾则能够 根据投资者的风险偏好和财务状况，提供个性化的投资建议和资产配置方案，帮助投资者实现财富 增值。 --- slide137.xml --- 4．零售领域 在零售领域，人工智能通过智能推荐、库存管理、顾客行为分析等手段， 提升了零售企业的运 营效率和顾客体验。智能推荐系统能够根据顾客的购买历史和浏览行为推荐合适的商品，提高交易 成功率。库存管理系统则能够实时跟踪库存状态， 预测销售趋势，优化库存配置， 降低库存成本。 --- slide138.xml --- 5．交通领域 在交通领域，人工智能通过自动驾驶、智能交通管理系统等手段，提高了交通运输的安全性和 效率。自动驾驶技术通过感知环境、规划路径、控制车辆等方式实现车辆的自主驾驶， 减轻了驾驶 员的负担，降低了交通事故的风险。智能交通管理系统则能够实时监测交通流量、路况信息， 优化 交通信号控制，缓解交通拥堵问题。 --- slide139.xml --- 6．安防领域 在安防领域，人工智能通过人脸识别、行为分析、智能监控等手段，提升了安全防范的智能化 水平。智能监控系统能够实时识别监控画面中的异常行为及可疑人物，并自动报警或通知安保人员 进行处理。人脸识别技术则能够在人海中快速准确地识别出特定人物的身份信息，为公安机关打击 犯罪提供有力支持。 --- slide140.xml --- 7．医疗领域 在医疗领域，人工智能通过辅助诊断、辅助药物研发、个性化治疗等手段，提高了医疗服务的 精准度和效率。人工智能辅助诊断系统能够通过分析医学影像和病历数据提供初步的诊断建议， 帮 助医生更快更准确地判断病情。药物研发过程中利用人工智能进行分子筛选和药物作用机制预测， 可以大大缩短研发周期和降低研发成本。个性化治疗则能够帮助医生根据患者的基因信息和病情特 点制订个性化的治疗方案， 提高治疗效果。 --- slide141.xml --- 8．教育领域 在教育领域，人工智能通过智能教学系统、学习分析技术等手段为学生提供更加个性化、高效 的学习体验。智能教学系统能够根据学生的知识水平和学习进度提供个性化的教学计划和学习资源， 帮助学生更好地掌握知识点。学习分析技术则能够实时跟踪学生的学习行为和学习成果，分析学生 的学习习惯和潜在问题，为教师和学生提供有针对性的指导和建议。 --- slide142.xml --- 9．物流领域 在物流领域，人工智能通过智能仓储、智能配送等手段提高了物流运输的效率和准确性。智能 仓储系统能够实时跟踪库存状态，自动规划货物存储位置和出入库路径， 提高仓库利用率和货物出 库速度。智能配送系统则能够根据交通路况、订单量等信息优化配送路线和配送时间， 提高配送效 率和顾客满意度。 --- slide143.xml --- 随着人工智能技术的快速发展和广泛应用，其在带来巨大便利和效益的同时，也伴随着一系列潜在的风险和挑战。这些风险可以从技术、经济、社会和法律四个维度进行分析。 1.6 人工智能的风险 --- slide144.xml --- （2 ）算法偏见：人工智能系统的决策和预测往往基于历史数据，而这些数据中可能蕴含偏见和 歧视。若算法未能有效识别并纠正这些偏见，则可能导致不公平的决策结果，影响社会公正。 （3 ）技术失控： 随着人工智能技术的自主性和学习能力不断提升， 人工智能存在技术失控的风险。一旦人工智能系统脱离人类控制，可能引发不可预测的后果，甚至对人类造成威胁。 1．技术风险 （ 1 ）数据安全：随着人工智能系统对大数据的依赖性增加， 数据泄露、非法获取或滥用等风险 随之增大。一旦敏感数据被恶意利用，将有可能对个人隐私和企业安全造成重大损害。 01 02 03 --- slide145.xml --- 2．经济风险 （ 1 ）就业冲击：人工智能技术的广泛应用可能导致大量传统岗位消失，对劳动力市场造成冲击。虽然同时也会催生新的就业机会，但转型过程中的阵痛和不确定性不容忽视。 01 （2）市场垄断：人工智能技术的研发和应用需要大量的资金、技术和人才投入，这可能导致少数企业在市场上形成垄断地位，限制市场竞争和创新活力。 02 （3）经济不平等加剧：人工智能技术的应用可能加剧社会经济不平等现象。一方面，拥有人工智能技术的企业和个人可能获得更多的经济利益；另一方面，无法适应人工智能技术变革的群体可能面临更大的经济压力和挑战。 03 --- slide146.xml --- 3．社会风险 （ 1 ）隐私侵犯：人工智能系统的广泛应用可能加剧个人隐私泄露的风险。无论是智能家居、智 能安防还是智能医疗等领域，都可能涉及用户隐私数据的收集和处理。 （2 ）伦理道德挑战：人工智能技术的决策和行为可能引发伦理道德方面的争议及挑战。例如，自动驾驶汽车在面对紧急情况时如何决策，人工智能系统在医疗领域的应用是否会取代医生等。 （3 ）社会信任危机：若人工智能系统出现频繁的错误或不当行为，则可能引发公众对人工智能 技术的信任危机。这种信任危机不仅会影响人工智能技术的推广和应用，还可能对社会稳定造成不利影响。 --- slide147.xml --- 4．法律风险 （ 1 ）法律滞后：由于人工智能技术的快速发展和变化，现有法律体系可能无法及时跟上技术发展的步伐，导致法律空白和漏洞的出现。 （2 ）责任归属不明确：在人工智能系统的应用中，若出现损害或纠纷， 责任归属往往难以明确。 这涉及开发者、使用者、监管者等多方利益主体之间的复杂关系。 （3）跨国法律问题：随着全球化进程的加速和人工智能技术的跨国应用，跨国法律问题也日益凸显。不同国家和地区之间的法律差异及冲突可能导致人工智能技术应用的复杂性和不确定性增加。 --- slide148.xml --- 本章结束！ 广东金融学院