0 引言

人工智能技術由來已久,隨著“互聯網+”熱潮的襲來,各行各業對于智能化的需求邁入了新階段,人工智能更多地作為技術載體來促生不同行業的智能化應用。在此過程中,人工智能技術進入了快速發展階段,而與不同行業的融合也對人工智能技術的更新換代起到了不可或缺的作用。同時,由于硬件和軟件等各方面技術的發展,處理數據和計算數據的能力大大增強,這也為人工智能技術在各領域的應用提供了堅實基礎。

現階段人工智能的應用場景不斷擴展：在移動互聯網領域,人工智能技術可應用于指紋識別、人臉識別、虹膜識別等生物識別技術中,可應用于基于圖像、語音、文字的智能搜索,也可應用于虛擬現實、增強現實、自動駕駛等系統中進行復雜信息的快速處理^[1];在智能制造領域,人工智能技術與信息通信技術、制造技術及產品有關專業技術等相融合,進而實現智能制造的新模式、新手段、新業態^[2];在金融領域,人工智能與大數據技術相結合可應用于征信、金融風險防控、金融交易決策等方面,保證金融服務的個性化與智能化^[3];在電力領域,人工智能技術可通過對信息的量化和分析,有效提高電網企業的信息安全風險防控能力,保障電網安全、穩定、高效運行^[4]。

綜合看來,人工智能技術由于其特有的學習能力、適應能力以及并行計算能力等優勢,能夠面對復雜系統問題求解和大規模數據分析建模,從而得出更加可靠和具有預見性的計算結果。目前,人工智能技術正在不斷推動與行業相結合的應用,以期實現更完善的數據感知和匯總,更智慧的數據模型建立和問題求解,更自主的平臺服務提供和數據融合,更智能的決策制定和下發,從而推動不同行業的智能化發展。為此本文介紹了人工智能技術的發展進程,簡述了目前人工智能的關鍵技術和行業應用情況。

 1 人工智能技術的發展

1.1 人工智能的起源與發展歷程

人工智能技術最早可以追溯至20世紀40年代,英國數學家圖靈提出了人工智能的基礎問題——機器是否可以思考,從而拉開了人工智能技術的研究序幕。人工智能的發展脈絡如圖1所示,經歷了的幾個時期的起伏,歷經幾代研究者的努力,終于成長為一門重要學科。20世紀40年代人工神經網絡模型的誕生,成為了人工智能學科的基石,在20世紀50年代人工智能迎來了第一個上升期,得到了飛速的發展,一系列理論和方法在當時被提出。然而由于計算能力的限制和智能化實現程度的不足,在20世紀60—70年代大部分人工智能項目停擺,人工智能研究進入衰退期。進入20世紀80年代,專家系統理論的出現突破了利用人工智能解決問題的能力,而機器學習算法的出現則大大增強了神經網絡能力,完成了人工神經網絡在理論和應用方面的重生。而后,隨著基礎設施的提升,數據處理能力和計算水平也在逐步增強,以及人工智能領域內的大部分算法也進行了改進和融合,人工智能技術進入了一個飛速發展的時期。而移動互聯網和大數據產業的繁榮,又進一步推動了人工智能技術的行業融合,自動駕駛、生物識別、自然語言處理等應用場景都出現了人工智能技術的身影,人工智能正在深刻地影響著人們生活的各個方面。

圖1 人工智能技術發展脈絡Fig.1 Development vein of artificial intelligence technologies

人工智能技術演進路線如圖2所示。人工神經網絡是最早被提出的人工智能技術,也是沿用至今應用最為廣泛的技術,基于神經網絡拓展的深度學習技術是目前最為先進的學習算法。模糊邏輯用于建設涉及模糊推理和模糊集相關的智能系統,專家系統通過錄入行業專家經驗信息形成規則庫以指導事件求解和預測,遺傳算法則是通過模仿生物的進化原理,用交叉和變異的計算手段進行推理計算。進入20世紀80年代后,人工智能技術有了很大的提升,各種演進的機器學習算法能夠提供更加可靠、準確、高效的求解和預測結果,同時由于計算能力的大大提升,各種混合智能系統出現在不同解決方案中,成為人工智能應用的新方向。

圖2 人工智能技術演進路線Fig.2 Evolution route of artificial intelligence technologies

1.2 人工智能技術的定義和范疇

人工智能很難以一個確定的概念去定義,它可以被定義為計算機科學的一個分支,致力于智能行為的自動化^[5]。目前的人工智能理論研究一直呈現“三足鼎立”的趨勢：其一,研究在計算機平臺上編制軟件來解決諸如定理證明、問題求解、機器博弈和信息檢索等復雜問題;其二,針對人工神經網絡進行研究;其三,對于感知-動作系統以及多智能體進行研究^[6]。

由這些主要研究方向可以看出人工智能一直存在兩個比較明顯的發展方向,也可以將之區分為強人工智能和弱人工智能。所謂弱人工智能,是指通過人類編寫好的算法或者軟件智能化地去解決和計算某些問題,這樣的算法或軟件只是采用一些智能化的計算工具,例如神經網絡、專家系統、模糊邏輯等,而計算行為需要人為觸發或控制,弱人工智能的目標是通過智能化計算更好地解決一些復雜問題。而強人工智能是指通過對生物行為或大腦的研究和模仿,以期達到對意識、情感、理智三位一體的人工智能建模,簡單來說就是通過無監督學習、人工生命、神經網絡等技術讓機器具有人類的感知、思維和情感。目前這兩個方向的人工智能研究均存在一定進展和成果,而2個方向的融合也是未來人工智能演進的方向。

 2 人工智能技術應用分析

2.1 人工智能的關鍵技術

根據人工智能技術的演進路線,就當前的使用場景來看,人工智能關鍵技術主要可以分為以下3類。

2.1.1 數據挖掘與學習

當面對大量的數據需要進行深度數據挖掘、明晰數據之間的聯系時,通常采用的方法是人工智能的一個重要分支——機器學習。機器學習是研究如何使用計算機模擬或實現人類的學習活動的方法^[7],按照學習干預方法可分為有監督學習和無監督學習,按照學習方法可分為決策樹學習、知識學習、強化學習、競爭學習和概率學習等。決策樹學習算法是經典的分類學習算法,從大規模數據中構建決策樹,并利用所有訓練集數據進行決策樹的訓練來完成學習過程^[8]。強化學習是一種自適應學習方法,通過在迭代中調整參數值以達到強化信號的最大化,完成最優策略的建立。概率學習是利用像貝葉斯模型這樣的概率模型進行訓練數據的計算,從而得出學習模型和決策^[9]。人工神經網絡是早期最重要的學習算法,通過對人腦神經元的模擬來建立節點之間相互關聯的模型,并對每個節點的輸入和輸出進行計算,從而完成學習模型的建立。

深度學習技術正是結合了多層人工神經網絡和卷積計算的一種學習算法^[10],多層神經網絡可以通過權值設置和反饋迭代優化計算結果,并且輸入層的多個節點還能實現并行計算,能夠很好地處理海量數據并通過訓練生成模型,完成對歷史數據的學習,并在接收新輸入時進行結果預測。

2.1.2 知識和數據的智能處理

專業領域的知識處理和問題求解一般使用專家系統,它將探討一般問題的思維方法轉變為運用專門知識求解專門問題,實現了人工智能從理論研究向實際應用的重大突破^[7]。專家系統一般由知識庫和推理機組成,通過知識標識、知識獲取、知識存儲等操作完成知識庫的建立,再利用推理機進行機器推理或模糊推理等操作,進而得到基于知識的推理結果。專家系統將特殊領域專家的專業知識和經驗引入系統中,并將這些專業知識凝練為規則,大量的規則可以形成規則庫。在問題求解過程中,規則庫可以代替人類專家使得程序具有智能化。與早期單純基于規則的推理系統相比,目前的專家系統正逐漸與其他學科融合,出現了基于框架、基于案例、基于模型、基于神經網絡以及基于Web等多種專家系統模型,專家系統正成為人類進行智能管理與決策的重要工具和手段^[11]。

2.1.3 人機交互

人機交互是目前人工智能的另一個技術熱點,主要實現機器的智能化,確保機器和人類交互過程的順暢。人機交互的實現一般要應用到機器人學和模式識別等技術。機器人學主要研究如何使機械模擬人的行為,而人工智能領域內的模式識別是指用計算機代替人類或幫助人類進行感知,也就是讓計算機系統模擬人類通過感官獲取的對外界的各種感知能力^[7]。目前的人機交互形式包括通過實物進行交互、通過觸控屏幕進行交互、通過虛擬現實進行交互以及多種交互方式綜合的多通道交互等。因此,人機交互技術的實現不僅要依靠硬件的提升,同時還涉及到手勢識別技術、語音識別技術、觸覺反饋技術、眼動跟蹤技術以及3D交互技術等 ^[12]。人機交互可以使用戶擺脫常規輸入設備的束縛,并從復雜的人機交互場景中有效提取分析對象,實現自然的人與機器的感知交互^[13]。

2.2 人工智能技術應用現狀

在人工智能的發展和應用方面,谷歌公司一直走在前面。谷歌DeepMind團隊開發的AlphaGo圍棋人工智能程