智能技术的起点与终点
 富的数据材料，让信息技术在当今的时代扮演着举足轻重的角色，而其中让机器可以从海量数据中自学习的技术便属于人工智能技术。 如果一项信息技术不能让机器彻底取代人，依靠机器独立地创造价值，那么无论这项技术能带给我们多么有效的信息，它还不能算作人工智能技术。对数据进行加工、处理和分析的数据分析或数据挖掘技术的确可以让我们有效地掌握数据背后的信息，但是如果这类技术不能让机器独立创造价值，那么它们还不具备人工智能技术的基础特质。事实上，数据分析或数据挖掘技术固然重要，但它们往往无法作为独立的产品形态而存在，并且它们创造价值的范围往往是受技术使用者的主观能力局限的。 如果一项信息技术不能创造社会价值(即对他人创造价值)，那么无论它表面上如何重要，它都不属于真正意义上的人工智能技术。人工智能技术是那些可以创造社会价值的信息技术，至于它们以何种方式创造社会价值，将在以下部分逐一介绍。不仅如此，拥有人工智能技术的机器所取代的往往不是人的简单生产劳动，而是人的复杂生产劳动。如果说工业革命中的机器取代了人在一定范围内的体力劳动，那么人工智能技术让机器取代了人在一定范围内的脑力劳动。对人的脑力劳动的模仿、补充和部分取代，正是人工智能技术有别于历史上其他重要技术的关键之处。 二、作为起点的经验人工智能技术发展的起点，是人在生产劳动过程中经验的积累。 在人工智能技术体系中，专家系统和机器学习技术扮演着最重要的角色，所以我们将着重分析人工智能技术的这两个分支。无论是专家系统还是机器学习，它们的本质都是将人的经验以不同的形式转化为让机器可以独立决策的计算机算法。 在专家系统中，针对待解决的问题，人将与问题相关的经验转化为一系列逻辑规则，由计算机依据这些逻辑规则进行决策。因此，专家系统也叫做规则引擎。专家系统所使用的逻辑规则不仅包括与问题相关的“自变量”，还包括与自变量有关的参数的设定。例如，假设待解决的问题是对变量y进行分类(变量y一般被称作“目标变量”)，x1和x2为与问题相关的自变量，专家系统的逻辑规则具有如下形式：当x1 > Θ且x1 + x2 < Δ的时候，y ϵ C1。其中，Θ和Δ为与自变量相关的参数。不难看出，专家系统需要人的经验覆盖解决问题的所有细节，不仅包括选择合适的自变量(x1和x2的选择)，还包括与自变量相关的参数的设定(Θ和Δ的设定)。前者属于定性分析，后者属于定量分析。 作为人工智能技术的另一个分支，机器学习技术是从历史数据中建立模型，通过模型让机器可以自行决策的一项技术。机器学习技术的基础是统计学，而机器学习技术的核心便是从数据样本中寻找自变量和目标变量之间的量化关系。和专家系统一样，机器学习技术也需要由人来设定自变量，但机器学习技术是基于模型来计算与自变量有关的参数。在以上的例子中，机器学习技术可以同样使用x1和x2对y进行分类决策。但是，机器学习技术并不需要对参数Θ和Δ进行预先设定，而是将参数设定的任务交给模型去完成。同时，这个模型的建立需要一定量的历史样本，每一条历史样本不仅包括x1和x2的所有数值，还包括目标变量y的历史结果。 显而易见，专家系统和机器学习技术的目标是一致的，都是让机器可以自行决策。并且，无论是专家系统还是机器学习技术，二者都需要人的经验作为机器可以自行决策的输入材料。不同的是，专家系统所需要的经验材料更加具体，机器学习所需要的经验材料更加抽象。表面上看，专家系统仅需要少量经验材料，而机器学习需要大量数据材料。事实上，我们需要提供给专家系统的经验材料是浓缩了的数据，而我们需要提供给机器学习的数据材料是尚未浓缩的经验。二者都是经验材料，二者也都是数据材料。前者侧重经验材料质的部分，后者侧重经验材料量的部分。顺便提一下，人们常常有一种错觉，认为机器学习技术应用效果的好坏程度主要依赖于输入给它的数据的大小——数据越大，机器学习技术的效果越好。实际上，输入给机器学习技术的数据如果不能有效地捕捉经验，这些数据不仅没有作用，甚至会产生副作用。专家系统与机器学习两种不同的技术，均有它们的适用范围。如果人对需要解决的问题具有详细的定性和定量的经验，那么专家系统往往更容易有效地解决问题。如果人对问题的经验并不充足，但可以获取一定量的历史样本，那么机器学习技术往往更有优势。 人工智能技术发展的起点是人的经验积累到了一定程度，而人工智能技术发展的终点是机器在逐渐增大的范围内取代人进行复杂生产劳动。在经验积累的初期，人的经验可以被总结为这样或那样的逻辑规则的时候，专家系统让机器在特定范围内取代人进行复杂生产劳动。随着经验积累的增加，人的经验材料的质的不足，便由经验材料的量的丰富来替代，机器学习技术让机器在更大的范围内取代人进行复杂生产劳动。 （编辑：济南站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
