大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于人工智能模型是什么的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

ChatGPT國(guó)內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com

本文目錄:

• 1、人工智能是什么？

• 2、AI人工智能-目標(biāo)檢測(cè)模型一覽

• 3、人工智能基于模型推理？

• 4、什么是人工智能

一、人工智能是什么？

簡(jiǎn)而言之，人工智能就是用人造的方法模擬智能。

這里包含兩個(gè)關(guān)鍵概念，一個(gè)是“人造”，另一個(gè)就是“智能”。

“人造”好理解，就是用人工的方法去模擬。但是“智能”是什么呢？

在回答什么是“智能”前，讓我們先看看以下哪個(gè)物品有智能：

第一排很好判斷，大家都認(rèn)為它們是有智能的。

那第二排的呢？

1. 向日葵有智能嗎？它可以跟隨太陽(yáng)移動(dòng)。

2. 搜索引擎有智能嗎？它能把輸入問(wèn)題的答案列出來(lái)，比如：輸入“著名的餐館”，他可以給出著名餐館的列表。

3. 抽水馬桶有智能嗎？它在放水后能夠知道何時(shí)停止放水，轉(zhuǎn)而進(jìn)行蓄水，當(dāng)蓄滿的時(shí)候又知道何時(shí)停止蓄水。

第二排的物品（向日葵、搜索引擎、抽水馬桶）和第一排的物品（現(xiàn)代人類(lèi)、智人、貓）都有個(gè)共同之處，那就是： 它們能夠根據(jù)外部環(huán)境的變化，從而自發(fā)的改變自己。

比如：向日葵可以根據(jù)太陽(yáng)的移動(dòng)而移動(dòng)自己的花盤(pán)；搜索引擎可以根據(jù)用戶(hù)的不同輸入展示不同的結(jié)果；抽水馬桶可以根據(jù)水位來(lái)決定自己是放水還是蓄水，還是停止。

進(jìn)一步的一個(gè)問(wèn)題是，同樣都可以根據(jù)外部環(huán)境改變而自發(fā)的改變自己，那么這兩排的物品有什么不同嗎？

這個(gè)區(qū)別還是很明顯的，那就是： 在面對(duì)外部環(huán)境新的變化的時(shí)候，是否可以自主學(xué)習(xí)、理解環(huán)境，從而在新的外部環(huán)境下自發(fā)改變自己？

第二排的物品都是為了某些特定情景提前設(shè)定好的，如果跳出這個(gè)特點(diǎn)情景，它們就不會(huì)有任何自發(fā)行為。

比如：向日葵只是在發(fā)芽到花盤(pán)盛開(kāi)前的這段時(shí)間是隨著太陽(yáng)移動(dòng)的。搜索引擎也是通過(guò)事先計(jì)算好的關(guān)鍵字對(duì)應(yīng)關(guān)系來(lái)呈現(xiàn)結(jié)果。最后的抽水馬桶只是為了沖水這一件事情設(shè)計(jì)的。它們都不會(huì)對(duì)新的情景產(chǎn)生新的動(dòng)作。

“智能”通常具備以下兩個(gè)特征：

1. 根據(jù)外部環(huán)境的狀態(tài)變化，而自發(fā)的決定自己的狀態(tài)。

2. 在面對(duì)新的外部環(huán)境的時(shí)候，可以自己學(xué)習(xí)、理解環(huán)境，從而在新的環(huán)境狀態(tài)下自發(fā)決定自己的狀態(tài)。

根據(jù)這兩個(gè)特征，第一排的物品是有智能的，而第二排的物品是沒(méi)有智能的，只是有“功能”。

人工智能就是用人造的方法模擬智能，模擬的智能能達(dá)到智能物品的兩個(gè)特征即可。

目前大家已知的智能物中，人類(lèi)是被認(rèn)為智能最強(qiáng)的。那么有沒(méi)有什么方法來(lái)判斷人造智能物是否達(dá)到了人類(lèi)智能的級(jí)別？

著名的現(xiàn)代計(jì)算機(jī)之父圖靈曾經(jīng)提出過(guò)一個(gè)思想實(shí)驗(yàn)，能通過(guò)這個(gè)實(shí)驗(yàn)的，就被認(rèn)為擁有人類(lèi)智能的級(jí)別。這個(gè)思想實(shí)驗(yàn)也被稱(chēng)為 “圖靈測(cè)試” 。

圖靈測(cè)試是這樣的，一個(gè)人和一個(gè)機(jī)器在隔開(kāi)的情況下，通過(guò)一些裝置（如鍵盤(pán)）向這個(gè)機(jī)器隨意提問(wèn)，進(jìn)行多次測(cè)試后，如果有超過(guò)30%的測(cè)試者不能確定出被測(cè)試者是人還是機(jī)器，那么這個(gè)機(jī)器就通過(guò)了測(cè)試，被認(rèn)為擁有人類(lèi)級(jí)別的智能。

在圖靈測(cè)試中，圖靈并沒(méi)有檢驗(yàn)機(jī)器是否有合作、分工、演化、自由意志等因素，只是單純的檢測(cè)機(jī)器是否有足夠的智能。但是這并沒(méi)有妨礙哲學(xué)家討論這些問(wèn)題，哲學(xué)家認(rèn)為，如果這些因素機(jī)器都能滿足，那么這種智能叫強(qiáng)人工智能，如果不滿足這些因素，而僅僅是通過(guò)了圖靈測(cè)試，那么是一種弱人工智能。

目前在人工智能領(lǐng)域還沒(méi)有一種機(jī)器（或系統(tǒng)）能通過(guò)圖靈測(cè)試。

“智能”有一個(gè)特征就是在面對(duì)新的外部環(huán)境的時(shí)候，可以自己學(xué)習(xí)、理解環(huán)境，從而在新的環(huán)境狀態(tài)下決定自己的狀態(tài)。那么要如何才能學(xué)習(xí)呢？

人類(lèi)的學(xué)習(xí)方法是這樣的：從一個(gè)問(wèn)題的一些經(jīng)驗(yàn)中進(jìn)行歸納、演繹、聯(lián)想，得出結(jié)論，進(jìn)一步將結(jié)論用于解決這一類(lèi)的問(wèn)題上，在這個(gè)推廣過(guò)程中不斷利用上述步驟修正結(jié)論。人類(lèi)的經(jīng)驗(yàn)非常豐富，這些經(jīng)驗(yàn)有的成為了全人類(lèi)的一些共識(shí)，這使得人類(lèi)的學(xué)習(xí)速度加快。

那么如果是一個(gè)機(jī)器呢，我們?cè)撊绾巫屢粋€(gè)機(jī)器學(xué)習(xí)？它能學(xué)習(xí)到什么程度？

一個(gè)模擬人類(lèi)學(xué)習(xí)的方法是： 給機(jī)器輸入關(guān)于這個(gè)問(wèn)題的數(shù)據(jù)，利用一些數(shù)學(xué)方法讓機(jī)器根據(jù)這些數(shù)據(jù)做歸納、演繹，從而得出結(jié)論，再利用這個(gè)結(jié)論解決這一類(lèi)的問(wèn)題 。這個(gè)過(guò)程，稱(chēng)為機(jī)器學(xué)習(xí)。

在機(jī)器學(xué)習(xí)中，得出的結(jié)論有個(gè)特定的名稱(chēng)，叫做“模型”；讓機(jī)器根據(jù)數(shù)據(jù)做歸納、演繹的過(guò)程叫做“模型訓(xùn)練”；將模型用于解決這類(lèi)問(wèn)題的過(guò)程，叫做“泛化”。整個(gè)過(guò)程如下圖所示：

人們利用泛化結(jié)果的好壞來(lái)評(píng)價(jià)學(xué)習(xí)的模型的好壞。

機(jī)器學(xué)習(xí)由于其方法的普適性和解決問(wèn)題的泛化能力，被很多領(lǐng)域都廣泛使用。目前，機(jī)器學(xué)習(xí)的成功已經(jīng)廣泛使用在很多方面。比如： 判斷一封電子郵件是否是垃圾郵件，一些新聞資訊類(lèi)App自動(dòng)呈現(xiàn)用戶(hù)感興趣的內(nèi)容，根據(jù)診斷結(jié)果判斷一些病的患病幾率，自動(dòng)駕駛，和人類(lèi)對(duì)弈圍棋且戰(zhàn)勝人類(lèi)，圖片中的一些元素的識(shí)別，語(yǔ)音翻譯，虛擬個(gè)人助理等等。隨著機(jī)器學(xué)習(xí)在這些應(yīng)用領(lǐng)域的不斷使用，機(jī)器也在不斷優(yōu)化自己的結(jié)果，從而不斷提高機(jī)器學(xué)習(xí)的質(zhì)量和效果。

照這個(gè)趨勢(shì)下去，機(jī)器會(huì)超越人類(lèi)嗎？

機(jī)器學(xué)習(xí)和人類(lèi)學(xué)習(xí)相比，機(jī)器學(xué)習(xí)還有以下幾個(gè)硬傷：

1. 缺少跳躍式的建模。

目前機(jī)器學(xué)習(xí)的建模方法是逐步遞進(jìn)的，缺少了一些跳躍式的前進(jìn)。人類(lèi)經(jīng)常有靈光一現(xiàn)等想象力飛躍的時(shí)刻，但是機(jī)器學(xué)習(xí)沒(méi)有，它只有層層遞進(jìn)，逐步收斂，最終得到模型。

2. 計(jì)算能力還不夠強(qiáng)

雖然比人腦單個(gè)神經(jīng)元的計(jì)算速度快，但是人腦的并行計(jì)算能力遠(yuǎn)超現(xiàn)代計(jì)算機(jī)好幾個(gè)量級(jí)。人腦可以同時(shí)有上億個(gè)神經(jīng)元被激活，參與計(jì)算。相比之下，機(jī)器的計(jì)算力有限，如果計(jì)算機(jī)目前的體系結(jié)構(gòu)在未來(lái)保持不變，那機(jī)器在未來(lái)也沒(méi)可能超越人類(lèi)的計(jì)算能力。

3. 知識(shí)儲(chǔ)備不足

人類(lèi)的學(xué)習(xí)有個(gè)重要的來(lái)源就是人類(lèi)共有的知識(shí)，這些知識(shí)給人類(lèi)理解和學(xué)習(xí)問(wèn)題提供基礎(chǔ)，有時(shí)即便問(wèn)題信息不足，人類(lèi)依然可以利用這些知識(shí)來(lái)學(xué)習(xí)、梳理問(wèn)題。而每個(gè)機(jī)器有自己學(xué)習(xí)到的模型，目前還不能將這些模型讓其他機(jī)器共享。這也正是機(jī)器學(xué)習(xí)在很多領(lǐng)域很難達(dá)到人類(lèi)水平的一個(gè)原因，比如：自然語(yǔ)言處理。

4. 不能舉一反三

機(jī)器學(xué)習(xí)不能脫離要解決的實(shí)際問(wèn)題，得出的模型也只是在這類(lèi)實(shí)際問(wèn)題中得到有限的泛化能力。這就限制了機(jī)器能像人類(lèi)一樣擁有舉一反三的能力，只能一個(gè)個(gè)的學(xué)習(xí)。這就缺少了面對(duì)環(huán)境變化后的自主學(xué)習(xí)能力。

綜合來(lái)看，機(jī)器學(xué)習(xí)要想超越人類(lèi)，需要解建模方法、決計(jì)算力、知識(shí)共享，舉一反三這四個(gè)問(wèn)題。目前還不能超越人類(lèi)，只能在一些高度結(jié)構(gòu)化而且頻繁重復(fù)某些模式的領(lǐng)域才能適用。

到此，我們宏觀的了解了什么是人工智能，以及它的長(zhǎng)處和短處，希望能對(duì)想要了解人工智能領(lǐng)域的人起到幫助。

二、AI人工智能-目標(biāo)檢測(cè)模型一覽

目標(biāo)檢測(cè)是人工智能的一個(gè)重要應(yīng)用，就是在圖片中要將里面的物體識(shí)別出來(lái)，并標(biāo)出物體的位置，一般需要經(jīng)過(guò)兩個(gè)步驟：

1、分類(lèi)，識(shí)別物體是什么

2、定位，找出物體在哪里

除了對(duì)單個(gè)物體進(jìn)行檢測(cè)，還要能支持對(duì)多個(gè)物體進(jìn)行檢測(cè)，如下圖所示：

這個(gè)問(wèn)題并不是那么容易解決，由于物體的尺寸變化范圍很大、擺放角度多變、姿態(tài)不定，而且物體有很多種類(lèi)別，可以在圖片中出現(xiàn)多種物體、出現(xiàn)在任意位置。因此，目標(biāo)檢測(cè)是一個(gè)比較復(fù)雜的問(wèn)題。

最直接的方法便是構(gòu)建一個(gè)深度神經(jīng)網(wǎng)絡(luò)，將圖像和標(biāo)注位置作為樣本輸入，然后經(jīng)過(guò)CNN網(wǎng)絡(luò)，再通過(guò)一個(gè)分類(lèi)頭（Classification head）的全連接層識(shí)別是什么物體，通過(guò)一個(gè)回歸頭（Regression head）的全連接層回歸計(jì)算位置，如下圖所示：

但“回歸”不好做，計(jì)算量太大、收斂時(shí)間太長(zhǎng)，應(yīng)該想辦法轉(zhuǎn)為“分類(lèi)”，這時(shí)容易想到套框的思路，即取不同大小的“框”，讓框出現(xiàn)在不同的位置，計(jì)算出這個(gè)框的得分，然后取得分最高的那個(gè)框作為預(yù)測(cè)結(jié)果，如下圖所示：

根據(jù)上面比較出來(lái)的得分高低，選擇了右下角的黑框作為目標(biāo)位置的預(yù)測(cè)。

但問(wèn)題是：框要取多大才合適？太小，物體識(shí)別不完整；太大，識(shí)別結(jié)果多了很多其它信息。那怎么辦？那就各種大小的框都取來(lái)計(jì)算吧。

如下圖所示（要識(shí)別一只熊），用各種大小的框在圖片中進(jìn)行反復(fù)截取，輸入到CNN中識(shí)別計(jì)算得分，最終確定出目標(biāo)類(lèi)別和位置。

這種方法效率很低，實(shí)在太耗時(shí)了。那有沒(méi)有高效的目標(biāo)檢測(cè)方法呢？

一、R-CNN 橫空出世

R-CNN（Region CNN，區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）可以說(shuō)是利用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)的開(kāi)山之作，作者Ross Girshick多次在PASCAL VOC的目標(biāo)檢測(cè)競(jìng)賽中折桂，2010年更是帶領(lǐng)團(tuán)隊(duì)獲得了終身成就獎(jiǎng)，如今就職于Facebook的人工智能實(shí)驗(yàn)室（FAIR）。

R-CNN算法的流程如下

1、輸入圖像

2、每張圖像生成1K~2K個(gè)候選區(qū)域

3、對(duì)每個(gè)候選區(qū)域，使用深度網(wǎng)絡(luò)提取特征（AlextNet、VGG等CNN都可以）

4、將特征送入每一類(lèi)的SVM 分類(lèi)器，判別是否屬于該類(lèi)

5、使用回歸器精細(xì)修正候選框位置

下面展開(kāi)進(jìn)行介紹

1、生成候選區(qū)域

使用Selective Search（選擇性搜索）方法對(duì)一張圖像生成約2000-3000個(gè)候選區(qū)域，基本思路如下：

（1）使用一種過(guò)分割手段，將圖像分割成小區(qū)域

（2）查看現(xiàn)有小區(qū)域，合并可能性最高的兩個(gè)區(qū)域，重復(fù)直到整張圖像合并成一個(gè)區(qū)域位置。優(yōu)先合并以下區(qū)域：

3、類(lèi)別判斷

對(duì)每一類(lèi)目標(biāo)，使用一個(gè)線性SVM二類(lèi)分類(lèi)器進(jìn)行判別。輸入為深度網(wǎng)絡(luò)（如上圖的AlexNet）輸出的4096維特征，輸出是否屬于此類(lèi)。

4、位置精修

目標(biāo)檢測(cè)的衡量標(biāo)準(zhǔn)是重疊面積：許多看似準(zhǔn)確的檢測(cè)結(jié)果，往往因?yàn)楹蜻x框不夠準(zhǔn)確，重疊面積很小，故需要一個(gè)位置精修步驟，對(duì)于每一個(gè)類(lèi)，訓(xùn)練一個(gè)線性回歸模型去判定這個(gè)框是否框得完美，如下圖：

R-CNN將深度學(xué)習(xí)引入檢測(cè)領(lǐng)域后，一舉將PASCAL VOC上的檢測(cè)率從35.1%提升到53.7%。

二、Fast R-CNN大幅提速

繼2014年的R-CNN推出之后，Ross Girshick在2015年推出Fast R-CNN，構(gòu)思精巧，流程更為緊湊，大幅提升了目標(biāo)檢測(cè)的速度。

Fast R-CNN和R-CNN相比，訓(xùn)練時(shí)間從84小時(shí)減少到9.5小時(shí)，測(cè)試時(shí)間從47秒減少到0.32秒，并且在PASCAL VOC 2007上測(cè)試的準(zhǔn)確率相差無(wú)幾，約在66%-67%之間。

Fast R-CNN主要解決R-CNN的以下問(wèn)題：

1、訓(xùn)練、測(cè)試時(shí)速度慢

R-CNN的一張圖像內(nèi)候選框之間存在大量重疊，提取特征操作冗余。而Fast R-CNN將整張圖像歸一化后直接送入深度網(wǎng)絡(luò)，緊接著送入從這幅圖像上提取出的候選區(qū)域。這些候選區(qū)域的前幾層特征不需要再重復(fù)計(jì)算。

2、訓(xùn)練所需空間大

R-CNN中獨(dú)立的分類(lèi)器和回歸器需要大量特征作為訓(xùn)練樣本。Fast R-CNN把類(lèi)別判斷和位置精調(diào)統(tǒng)一用深度網(wǎng)絡(luò)實(shí)現(xiàn)，不再需要額外存儲(chǔ)。

下面進(jìn)行詳細(xì)介紹

1、在特征提取階段， 通過(guò)CNN（如AlexNet）中的conv、pooling、relu等操作都不需要固定大小尺寸的輸入，因此，在原始圖片上執(zhí)行這些操作后，輸入圖片尺寸不同將會(huì)導(dǎo)致得到的feature map（特征圖）尺寸也不同，這樣就不能直接接到一個(gè)全連接層進(jìn)行分類(lèi)。

在Fast R-CNN中，作者提出了一個(gè)叫做ROI Pooling的網(wǎng)絡(luò)層，這個(gè)網(wǎng)絡(luò)層可以把不同大小的輸入映射到一個(gè)固定尺度的特征向量。ROI Pooling層將每個(gè)候選區(qū)域均勻分成M×N塊，對(duì)每塊進(jìn)行max pooling。將特征圖上大小不一的候選區(qū)域轉(zhuǎn)變?yōu)榇笮〗y(tǒng)一的數(shù)據(jù)，送入下一層。這樣雖然輸入的圖片尺寸不同，得到的feature map（特征圖）尺寸也不同，但是可以加入這個(gè)神奇的ROI Pooling層，對(duì)每個(gè)region都提取一個(gè)固定維度的特征表示，就可再通過(guò)正常的softmax進(jìn)行類(lèi)型識(shí)別。

2、在分類(lèi)回歸階段， 在R-CNN中，先生成候選框，然后再通過(guò)CNN提取特征，之后再用SVM分類(lèi)，最后再做回歸得到具體位置（bbox regression）。而在Fast R-CNN中，作者巧妙的把最后的bbox regression也放進(jìn)了神經(jīng)網(wǎng)絡(luò)內(nèi)部，與區(qū)域分類(lèi)合并成為了一個(gè)multi-task模型，如下圖所示：

實(shí)驗(yàn)表明，這兩個(gè)任務(wù)能夠共享卷積特征，并且相互促進(jìn)。

Fast R-CNN很重要的一個(gè)貢獻(xiàn)是成功地讓人們看到了Region Proposal+CNN（候選區(qū)域+卷積神經(jīng)網(wǎng)絡(luò)）這一框架實(shí)時(shí)檢測(cè)的希望，原來(lái)多類(lèi)檢測(cè)真的可以在保證準(zhǔn)確率的同時(shí)提升處理速度。

三、Faster R-CNN更快更強(qiáng)

繼2014年推出R-CNN，2015年推出Fast R-CNN之后，目標(biāo)檢測(cè)界的領(lǐng)軍人物Ross Girshick團(tuán)隊(duì)在2015年又推出一力作：Faster R-CNN，使簡(jiǎn)單網(wǎng)絡(luò)目標(biāo)檢測(cè)速度達(dá)到17fps，在PASCAL VOC上準(zhǔn)確率為59.9%，復(fù)雜網(wǎng)絡(luò)達(dá)到5fps，準(zhǔn)確率78.8%。

在Fast R-CNN還存在著瓶頸問(wèn)題：Selective Search（選擇性搜索）。要找出所有的候選框，這個(gè)也非常耗時(shí)。那我們有沒(méi)有一個(gè)更加高效的方法來(lái)求出這些候選框呢？

在Faster R-CNN中加入一個(gè)提取邊緣的神經(jīng)網(wǎng)絡(luò)，也就說(shuō)找候選框的工作也交給神經(jīng)網(wǎng)絡(luò)來(lái)做了。這樣，目標(biāo)檢測(cè)的四個(gè)基本步驟（候選區(qū)域生成，特征提取，分類(lèi)，位置精修）終于被統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)框架之內(nèi)。如下圖所示：

Faster R-CNN可以簡(jiǎn)單地看成是“區(qū)域生成網(wǎng)絡(luò)+Fast R-CNN”的模型，用區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，簡(jiǎn)稱(chēng)RPN）來(lái)代替Fast R-CNN中的Selective Search（選擇性搜索）方法。

如下圖

RPN如下圖：

RPN的工作步驟如下：

Faster R-CNN設(shè)計(jì)了提取候選區(qū)域的網(wǎng)絡(luò)RPN，代替了費(fèi)時(shí)的Selective Search（選擇性搜索），使得檢測(cè)速度大幅提升，下表對(duì)比了R-CNN、Fast R-CNN、Faster R-CNN的檢測(cè)速度：

總結(jié)

R-CNN、Fast R-CNN、Faster R-CNN一路走來(lái)，基于深度學(xué)習(xí)目標(biāo)檢測(cè)的流程變得越來(lái)越精簡(jiǎn)、精度越來(lái)越高、速度也越來(lái)越快。基于region proposal（候選區(qū)域）的R-CNN系列目標(biāo)檢測(cè)方法是目標(biāo)檢測(cè)技術(shù)領(lǐng)域中的最主要分支之一。

為了更加精確地識(shí)別目標(biāo)，實(shí)現(xiàn)在像素級(jí)場(chǎng)景中識(shí)別不同目標(biāo)，利用“圖像分割”技術(shù)定位每個(gè)目標(biāo)的精確像素，如下圖所示（精確分割出人、汽車(chē)、紅綠燈等）：

Mask R-CNN便是這種“圖像分割”的重要模型。

Mask R-CNN的思路很簡(jiǎn)潔，既然Faster R-CNN目標(biāo)檢測(cè)的效果非常好，每個(gè)候選區(qū)域能輸出種類(lèi)標(biāo)簽和定位信息，那么就在Faster R-CNN的基礎(chǔ)上再添加一個(gè)分支從而增加一個(gè)輸出，即物體掩膜（object mask），也即由原來(lái)的兩個(gè)任務(wù)（分類(lèi)+回歸）變?yōu)榱巳齻€(gè)任務(wù)（分類(lèi)+回歸+分割）。如下圖所示，Mask R-CNN由兩條分支組成：

Mask R-CNN的這兩個(gè)分支是并行的，因此訓(xùn)練簡(jiǎn)單，僅比Faster R-CNN多了一點(diǎn)計(jì)算開(kāi)銷(xiāo)。

如下圖所示，Mask R-CNN在Faster R-CNN中添加了一個(gè)全卷積網(wǎng)絡(luò)的分支（圖中白色部分），用于輸出二進(jìn)制mask，以說(shuō)明給定像素是否是目標(biāo)的一部分。所謂二進(jìn)制mask，就是當(dāng)像素屬于目標(biāo)的所有位置上時(shí)標(biāo)識(shí)為1，其它位置標(biāo)識(shí)為 0

從上圖可以看出，二進(jìn)制mask是基于特征圖輸出的，而原始圖像經(jīng)過(guò)一系列的卷積、池化之后，尺寸大小已發(fā)生了多次變化，如果直接使用特征圖輸出的二進(jìn)制mask來(lái)分割圖像，那肯定是不準(zhǔn)的。這時(shí)就需要進(jìn)行了修正，也即使用RoIAlign替換RoIPooling

如上圖所示，原始圖像尺寸大小是128x128，經(jīng)過(guò)卷積網(wǎng)絡(luò)之后的特征圖變?yōu)槌叽绱笮∽優(yōu)?25x25。這時(shí)，如果想要圈出與原始圖像中左上方15x15像素對(duì)應(yīng)的區(qū)域，那么如何在特征圖中選擇相對(duì)應(yīng)的像素呢？

從上面兩張圖可以看出，原始圖像中的每個(gè)像素對(duì)應(yīng)于特征圖的25/128像素，因此，要從原始圖像中選擇15x15像素，則只需在特征圖中選擇2.93x2.93像素（15x25/128=2.93），在RoIAlign中會(huì)使用雙線性插值法準(zhǔn)確得到2.93像素的內(nèi)容，這樣就能很大程度上，避免了錯(cuò)位問(wèn)題。

修改后的網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示（黑色部分為原來(lái)的Faster R-CNN，紅色部分為Mask R-CNN修改的部分）

從上圖可以看出損失函數(shù)變?yōu)?/p>

損失函數(shù)為分類(lèi)誤差+檢測(cè)誤差+分割誤差，分類(lèi)誤差和檢測(cè)（回歸）誤差是Faster R-CNN中的，分割誤差為Mask R-CNN中新加的。

對(duì)于每個(gè)MxM大小的ROI區(qū)域，mask分支有KxMxM維的輸出（K是指類(lèi)別數(shù)量）。對(duì)于每一個(gè)像素，都是用sigmod函數(shù)求二值交叉熵，也即對(duì)每個(gè)像素都進(jìn)行邏輯回歸，得到平均的二值交叉熵誤差Lmask。通過(guò)引入預(yù)測(cè)K個(gè)輸出的機(jī)制，允許每個(gè)類(lèi)都生成獨(dú)立的mask，以避免類(lèi)間競(jìng)爭(zhēng)，這樣就能解耦mask和種類(lèi)預(yù)測(cè)。

對(duì)于每一個(gè)ROI區(qū)域，如果檢測(cè)得到屬于哪一個(gè)分類(lèi)，就只使用該類(lèi)的交叉熵誤差進(jìn)行計(jì)算，也即對(duì)于一個(gè)ROI區(qū)域中KxMxM的輸出，真正有用的只是某個(gè)類(lèi)別的MxM的輸出。如下圖所示：

例如目前有3個(gè)分類(lèi)：貓、狗、人，檢測(cè)得到當(dāng)前ROI屬于“人”這一類(lèi)，那么所使用的Lmask為“人”這一分支的mask。

Mask R-CNN將這些二進(jìn)制mask與來(lái)自Faster R-CNN的分類(lèi)和邊界框組合，便產(chǎn)生了驚人的圖像精確分割，如下圖所示：

Mask R-CNN是一個(gè)小巧、靈活的通用對(duì)象實(shí)例分割框架，它不僅可以對(duì)圖像中的目標(biāo)進(jìn)行檢測(cè)，還可以對(duì)每一個(gè)目標(biāo)輸出一個(gè)高質(zhì)量的分割結(jié)果。另外，Mask R-CNN還易于泛化到其他任務(wù)，比如人物關(guān)鍵點(diǎn)檢測(cè)，如下圖所示：

從R-CNN、Fast R-CNN、Faster R-CNN到Mask R-CNN，每次進(jìn)步不一定是跨越式的發(fā)展，這些進(jìn)步實(shí)際上是直觀的且漸進(jìn)的改進(jìn)之路，但是它們的總和卻帶來(lái)了非常顯著的效果。

最后，總結(jié)一下目標(biāo)檢測(cè)算法模型的發(fā)展歷程，如下圖所示：

三、人工智能基于模型推理？

舉一個(gè)分析半導(dǎo)體故障的基于規(guī)則專(zhuān)家系統(tǒng)的例子，該系統(tǒng)根據(jù)以下癥狀診斷電路故障:器件上的污點(diǎn)（可能表明這個(gè)部件已經(jīng)燒掉了)、類(lèi)似設(shè)備的故障歷史或者用電子儀表檢查器件的內(nèi)部特征。然而，把觀察情況和診斷結(jié)果聯(lián)系起來(lái)的規(guī)則失去了深入分析設(shè)備結(jié)構(gòu)和功能的好處。更魯棒的、可深入解釋的方法是從這個(gè)電路物理結(jié)構(gòu)的詳細(xì)模型以及描述每個(gè)部件和部件間預(yù)期行為的公式著手。它把診斷建立在來(lái)自設(shè)備不同位置的數(shù)字讀數(shù)上，使用這些數(shù)據(jù)和它的電路模型來(lái)判斷確切的故障點(diǎn)。

因?yàn)榈谝淮鷮?zhuān)家系統(tǒng)依賴(lài)于從人類(lèi)專(zhuān)家那里獲得的啟發(fā)性規(guī)則，所以具有很多局限性( Clancy 1985)。如果問(wèn)題實(shí)例與系統(tǒng)的啟發(fā)不匹配，那么即使通過(guò)理論分析可以找到解，這個(gè)解也是失敗的。很多時(shí)候，專(zhuān)家系統(tǒng)把啟發(fā)應(yīng)用于不適當(dāng)?shù)那闆r，例如，較深入地理解問(wèn)題可能預(yù)示著一個(gè)不同的過(guò)程。這便是基于模型方法所要解決的不足。如果一個(gè)基于知識(shí)的推理程序把分析直接建立在物理系統(tǒng)的特征和功能之上，那么就稱(chēng)其為基于模型系統(tǒng)。基于模型的推理程序在設(shè)計(jì)和使用中都創(chuàng)建一個(gè)軟件來(lái)模擬（經(jīng)常被稱(chēng)為“定性")要被理解的或修理對(duì)象的功能（當(dāng)然，還有其他類(lèi)型的基于模型系統(tǒng)，特別是第9章要介紹的基于邏輯的和隨機(jī)的基于模型系統(tǒng))。最早的基于模型推理程序出現(xiàn)在20世紀(jì)70年代中期，80年代后逐漸成熟（Davis and Ham-scher 1992)。值得注意的有趣的一點(diǎn)是，最早的一些研究是出于教學(xué)目的而創(chuàng)建各種物理設(shè)備(比如電子電路）的軟件模型（ deKleer 1976，Brown et al. 1982)。在這些早期的教學(xué)系統(tǒng)中，設(shè)備或電路的特征說(shuō)明是以規(guī)則集（例如基爾霍夫定律和歐姆定律）反映的。這些教學(xué)系統(tǒng)既檢驗(yàn)了學(xué)生關(guān)于設(shè)備和電路的知識(shí)，又向?qū)W生傳授了他們可能忽視的知識(shí)。規(guī)則既表示了硬件的功能，同時(shí)又是向?qū)W生傳輸這種知識(shí)的媒介。

基于模型推理程序從這些早期的教學(xué)系統(tǒng)（其任務(wù)既是對(duì)系統(tǒng)的功能建模又是教授這些功能）逐步轉(zhuǎn)向查找故障的系統(tǒng)。在查找物理系統(tǒng)中的故障時(shí)，模型會(huì)產(chǎn)生一系列預(yù)期的行為，然后通過(guò)分析預(yù)期行為和觀察到的行為之間的差異來(lái)發(fā)現(xiàn)故障。基于模型系統(tǒng)會(huì)告訴用戶(hù):期望行為是什么、觀察情況與期望情況的差異以及系統(tǒng)是如何根據(jù)這些差異推斷故障的。

定性的基于模型推理包括:

1)對(duì)設(shè)備中每個(gè)組件的描述。這些描述可以模擬組件的行為。

2）對(duì)設(shè)備內(nèi)部結(jié)構(gòu)的描述。這些描述通常表示出各個(gè)部件以及它們的互連方式，應(yīng)該具有模擬部件間相互作用的能力。所需內(nèi)部結(jié)構(gòu)知識(shí)的程度依賴(lài)于應(yīng)用的深度和預(yù)期診斷的層次。

3）診斷特定問(wèn)題時(shí)需耍觀察設(shè)備的實(shí)際工作情況，通常是輸入和輸出測(cè)量值。輸人輸出測(cè)量是最容易獲得的，但在實(shí)際過(guò)程中，也可能還需要測(cè)量其他指標(biāo)。

四、什么是人工智能

人工智能(Artificial Intelligence) ，英文縮寫(xiě)為AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。 人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類(lèi)智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等。

　人工智能, 英文單詞 artilect ,來(lái)源于 雨果·德·加里斯 的著作 . “人工智能”一詞最初是在1956 年Dartmouth學(xué)會(huì)上提出的。從那以后,研究者們發(fā)展了眾多理論和原理,人工智能的概念也隨之?dāng)U展。人工智能是一門(mén)極富挑戰(zhàn)性的科學(xué)，從事這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識(shí)，心理學(xué)和哲學(xué)。人工智能是包括十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，如機(jī)器學(xué)習(xí)，計(jì)算機(jī)視覺(jué)等等，總的說(shuō)來(lái)，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類(lèi)智能才能完成的復(fù)雜工作。但不同的時(shí)代、不同的人對(duì)這種“復(fù)雜工作”的理解是不同的。例如繁重的科學(xué)和工程計(jì)算本來(lái)是要人腦來(lái)承擔(dān)的，現(xiàn)在計(jì)算機(jī)不但能完成這種計(jì)算, 而且能夠比人腦做得更快、更準(zhǔn)確，因之當(dāng)代人已不再把這種計(jì)算看作是“需要人類(lèi)智能才能完成的復(fù)雜任務(wù)”, 可見(jiàn)復(fù)雜工作的定義是隨著時(shí)代的發(fā)具有人工智能的機(jī)器人

展和技術(shù)的進(jìn)步而變化的, 人工智能這門(mén)科學(xué)的具體目標(biāo)也自然隨著時(shí)代的變化而發(fā)展。它一方面不斷獲得新的進(jìn)展，一方面又轉(zhuǎn)向更有意義、更加困難的目標(biāo)。目前能夠用來(lái)研究人工智能的主要物質(zhì)手段以及能夠?qū)崿F(xiàn)人工智能技術(shù)的機(jī)器就是計(jì)算機(jī), 人工智能的發(fā)展歷史是和計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展史聯(lián)系在一起的。除了計(jì)算機(jī)科學(xué)以外, 人工智能還涉及信息論、控制論、自動(dòng)化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語(yǔ)言學(xué)、醫(yī)學(xué)和哲學(xué)等多門(mén)學(xué)科。人工智能學(xué)科研究的主要內(nèi)容包括：知識(shí)表示、自動(dòng)推理和搜索方法、機(jī)器學(xué)習(xí)和知識(shí)獲取、知識(shí)處理系統(tǒng)、自然語(yǔ)言理解、計(jì)算機(jī)視覺(jué)、智能機(jī)器人、自動(dòng)程序設(shè)計(jì)等方面?！?實(shí)際應(yīng)用 機(jī)器視覺(jué):指紋識(shí)別，人臉識(shí)別，視網(wǎng)膜識(shí)別，虹膜識(shí)別，掌紋識(shí)別，專(zhuān)家系統(tǒng),智能搜索，定理證明，博弈，自動(dòng)程序設(shè)計(jì)，還有航天應(yīng)用等。 學(xué)科范疇 人工智能是一門(mén)邊沿學(xué)科，屬于自然科學(xué)和社會(huì)科學(xué)的交叉。 涉及學(xué)科 哲學(xué)和認(rèn)知科學(xué)，數(shù)學(xué)，神經(jīng)生理學(xué)，心理學(xué)，計(jì)算機(jī)科學(xué)，信息論，控制論，不定性論，仿生學(xué)， 研究范疇 自然語(yǔ)言處理，知識(shí)表現(xiàn)，智能搜索，推理，規(guī)劃，機(jī)器學(xué)習(xí)，知識(shí)獲取，組合調(diào)度問(wèn)題，感知問(wèn)題，模式識(shí)別，邏輯程序設(shè)計(jì)，軟計(jì)算，不精確和不確定的管理，人工生命，神經(jīng)網(wǎng)絡(luò)，復(fù)雜系統(tǒng)，遺傳算法 人類(lèi)思維方式 應(yīng)用領(lǐng)域 智能控制，專(zhuān)家系統(tǒng)，機(jī)器人學(xué)，語(yǔ)言和圖像理解，遺傳編程 機(jī)器人工廠 安全問(wèn)題　 目前人工智能還在研究中，但有學(xué)者認(rèn)為讓計(jì)算機(jī)擁有智商是很危險(xiǎn)的，它可能會(huì)反抗人類(lèi)。這種隱患也在多部電影中發(fā)生過(guò)。

人工智能的兩種實(shí)現(xiàn)方法

人工智能在計(jì)算機(jī)上實(shí)現(xiàn)時(shí)有2種不同的方式。一種是采用傳統(tǒng)的編程技術(shù)，使系統(tǒng)呈現(xiàn)智能的效果，而不考慮所用方法是否與人或動(dòng)物機(jī)體所用的方法相同。這種方法叫工程學(xué)方法（Engineering approach），它已在一些領(lǐng)域內(nèi)作出了成果，如文字識(shí)別、電腦下棋等。另一種是模擬法（Modeling approach），它不僅要看效果，還要求實(shí)現(xiàn)方法也和人類(lèi)或生物機(jī)體所用的方法相同或相類(lèi)似。本書(shū)介紹的遺傳算法（Generic Algorithm, 簡(jiǎn)稱(chēng)GA）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,簡(jiǎn)稱(chēng)ANN）均屬后一類(lèi)型。遺傳算法模擬人類(lèi)或生物的遺傳-進(jìn)化機(jī)制，人工神經(jīng)網(wǎng)絡(luò)則是模擬人類(lèi)或動(dòng)物大腦中神經(jīng)細(xì)胞的活動(dòng)方式。為了得到相同智能效果，兩種方式通常都可使用。采用前一種方法，需要人工詳細(xì)規(guī)定程序邏輯，如果游戲簡(jiǎn)單，還是方便的。如果游戲復(fù)雜，角色數(shù)量和活動(dòng)空間增加，相應(yīng)的邏輯就會(huì)很復(fù)雜（按指數(shù)式增長(zhǎng)），人工編程就非常繁瑣，容易出錯(cuò)。而一旦出錯(cuò)，就必須修改原程序，重新編譯、調(diào)試，最后為用戶(hù)提供一個(gè)新的版本或提供一個(gè)新補(bǔ)丁, 非常麻煩。采用后一種方法時(shí)，編程者要為每一角色設(shè)計(jì)一個(gè)智能系統(tǒng)（一個(gè)模塊）來(lái)進(jìn)行控制，這個(gè)智能系統(tǒng)（模塊）開(kāi)始什么也不懂，就像初生嬰兒那樣，但它能夠?qū)W習(xí)，能漸漸地適應(yīng)環(huán)境，應(yīng)付各種復(fù)雜情況。這種系統(tǒng)開(kāi)始也常犯錯(cuò)誤，但它能吸取教訓(xùn)，下一次運(yùn)行時(shí)就可能改正，至少不會(huì)永遠(yuǎn)錯(cuò)下去，用不到發(fā)布新版本或打補(bǔ)丁。利用這種方法來(lái)實(shí)現(xiàn)人工智能，要求編程者具有生物學(xué)的思考方法，入門(mén)難度大一點(diǎn)。但一旦入了門(mén)，就可得到廣泛應(yīng)用。由于這種方法編程時(shí)無(wú)須對(duì)角色的活動(dòng)規(guī)律做詳細(xì)規(guī)定，應(yīng)用于復(fù)雜問(wèn)題，通常會(huì)比前一種方法更省力。

定義

人工智能的定義可以分為兩部分，即“人工”和“智能”。“人工”比較好理解，爭(zhēng)議性也不大。有時(shí)我們會(huì)要考慮什么是人力所能及制造的，或者人自身的智能程度有沒(méi)有高到可以創(chuàng)造人工智能的地步，等等。但總的來(lái)說(shuō)，“人工系統(tǒng)”就是通常意義下的人工系統(tǒng)。 關(guān)于什么是“智能”，就問(wèn)題多多了。這涉及到其它諸如意識(shí)（consciousness）、自我（self）、思維（mind）（包括無(wú)意識(shí)的思維（unconscious_mind）等等問(wèn)題。人唯一了解的智能是人本身的智能，這是普遍認(rèn)同的觀點(diǎn)。但是我們對(duì)我們自身智能的理解都非常有限，對(duì)構(gòu)成人的智能的必要元素也了解有限，所以就很難定義什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及對(duì)人的智能本身的研究。其它關(guān)于動(dòng)物或其它人造系統(tǒng)的智能也普遍被認(rèn)為是人工智能相關(guān)的研究課題。 人工智能目前在計(jì)算機(jī)領(lǐng)域內(nèi)，得到了愈加廣泛的重視。并在機(jī)器人，經(jīng)濟(jì)政治決策，控制系統(tǒng)，仿真系統(tǒng)中得到應(yīng)用。 著名的美國(guó)斯坦福大學(xué)人工智能研究中心尼爾遜教授對(duì)人工智能下了這樣一個(gè)定義：“人工智能是關(guān)于知識(shí)的學(xué)科――怎樣表示知識(shí)以及怎樣獲得知識(shí)并使用知識(shí)的科學(xué)?！倍硪粋€(gè)美國(guó)麻省理工學(xué)院的溫斯頓教授認(rèn)為：“人工智能就是研究如何使計(jì)算機(jī)去做過(guò)去只有人才能做的智能工作?！边@些說(shuō)法反映了人工智能學(xué)科的基本思想和基本內(nèi)容。即人工智能是研究人類(lèi)智能活動(dòng)的規(guī)律，構(gòu)造具有一定智能的人工系統(tǒng)，研究如何讓計(jì)算機(jī)去完成以往需要人的智力才能勝任的工作，也就是研究如何應(yīng)用計(jì)算機(jī)的軟硬件來(lái)模擬人類(lèi)某些智能行為的基本理論、方法和技術(shù)。 人工智能（Artificial Intelligence，簡(jiǎn)稱(chēng)AI）是計(jì)算機(jī)學(xué)科的一個(gè)分支，二十世紀(jì)七十年代以來(lái)被稱(chēng)為世界三大尖端技術(shù)之一（空間技術(shù)、能源技術(shù)、人工智能）。也被認(rèn)為是二十一世紀(jì)（基因工程、納米科學(xué)、人工智能）三大尖端技術(shù)之一。這是因?yàn)榻陙?lái)它獲得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩的成果，人工智能已逐步成為一個(gè)獨(dú)立的分支，無(wú)論在理論和實(shí)踐上都已自成一個(gè)系統(tǒng)。 人工智能是研究使計(jì)算機(jī)來(lái)模擬人的某些思維過(guò)程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，主要包括計(jì)算機(jī)實(shí)現(xiàn)智能的原理、制造類(lèi)似于人腦智能的計(jì)算機(jī)，使計(jì)算機(jī)能實(shí)現(xiàn)更高層次的應(yīng)用。人工智能將涉及到計(jì)算機(jī)科學(xué)、心理學(xué)、哲學(xué)和語(yǔ)言學(xué)等學(xué)科?？梢哉f(shuō)幾乎是自然科學(xué)和社會(huì)科學(xué)的所有學(xué)科，其范圍已遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)科學(xué)的范疇，人工智能與思維科學(xué)的關(guān)系是實(shí)踐和理論的關(guān)系，人工智能是處于思維科學(xué)的技術(shù)應(yīng)用層次，是它的一個(gè)應(yīng)用分支。從思維觀點(diǎn)看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進(jìn)人工智能的突破性的發(fā)展，數(shù)學(xué)常被認(rèn)為是多種學(xué)科的基礎(chǔ)科學(xué)，數(shù)學(xué)也進(jìn)入語(yǔ)言、思維領(lǐng)域，人工智能學(xué)科也必須借用數(shù)學(xué)工具，數(shù)學(xué)不僅在標(biāo)準(zhǔn)邏輯、模糊數(shù)學(xué)等范圍發(fā)揮作用，數(shù)學(xué)進(jìn)入人工智能學(xué)科，它們將互相促進(jìn)而更快地發(fā)展。

編輯本段簡(jiǎn)史

人工智能的傳說(shuō)可以追溯到古埃及，但隨著1941年以來(lái)電子計(jì)算機(jī)的發(fā)展，技術(shù)已最終可以創(chuàng)造出機(jī)器智能，“人工智能”(Artificial Intelligence)一詞最初是在1956年Dartmouth學(xué)會(huì)上提出的，從那以后,研究者們發(fā)展了眾多理論和原理，人工智能的概念也隨之?dāng)U展，在它還不長(zhǎng)的歷史中，人工智能的發(fā)展比預(yù)想的要慢，但一直在前進(jìn)，從40年前出現(xiàn)到現(xiàn)在，已經(jīng)出現(xiàn)了許多AI程序，并且它們也影響到了其它 技術(shù)的發(fā)展。

計(jì)算機(jī)時(shí)代

1941年的一項(xiàng)發(fā)明使信息存儲(chǔ)和處理的各個(gè)方面都發(fā)生了革命.這項(xiàng)同時(shí)在美國(guó)和德國(guó)出現(xiàn)的 發(fā)明就是電子計(jì)算機(jī).第一臺(tái)計(jì)算機(jī)要占用幾間裝空調(diào)的大房間,對(duì)程序員來(lái)說(shuō)是場(chǎng)惡夢(mèng):僅僅為運(yùn)行一 個(gè)程序就要設(shè)置成千的線路.1949年改進(jìn)后的能存儲(chǔ)程序的計(jì)算機(jī)使得輸入程序變得簡(jiǎn)單些,而且計(jì)算機(jī) 理論的發(fā)展產(chǎn)生了計(jì)算機(jī)科學(xué),并最終促使了人工智能的出現(xiàn).計(jì)算機(jī)這個(gè)用電子方式處理數(shù)據(jù)的發(fā)明, 為人工智能的可能實(shí)現(xiàn)提供了一種媒介.

AI的開(kāi)端

雖然計(jì)算機(jī)為AI提供了必要的技術(shù)基礎(chǔ),但直到50年代早期人們才注意到人類(lèi)智能與機(jī)器之間 的聯(lián)系. Norbert Wiener是最早研究反饋理論的美國(guó)人之一.最熟悉的反饋控制的例子是自動(dòng)調(diào)溫器.它 將收集到的房間溫度與希望的溫度比較,并做出反應(yīng)將加熱器開(kāi)大或關(guān)小,從而控制環(huán)境溫度.這項(xiàng)對(duì)反饋 回路的研究重要性在于: Wiener從理論上指出,所有的智能活動(dòng)都是反饋機(jī)制的結(jié)果.而反饋機(jī)制是有可 能用機(jī)器模擬的.這項(xiàng)發(fā)現(xiàn)對(duì)早期AI的發(fā)展影響很大. 1955年末,Newell和Simon做了一個(gè)名為"邏輯專(zhuān)家"(Logic Theorist)的程序.這個(gè)程序被許多人 認(rèn)為是第一個(gè)AI程序.它將每個(gè)問(wèn)題都表示成一個(gè)樹(shù)形模型,然后選擇最可能得到正確結(jié)論的那一枝來(lái)求解 問(wèn)題."邏輯專(zhuān)家"對(duì)公眾和AI研究領(lǐng)域產(chǎn)生的影響使它成為AI發(fā)展中一個(gè)重要的里程碑.1956年,被認(rèn)為是 人工智能之父的John McCarthy組織了一次學(xué)會(huì),將許多對(duì)機(jī)器智能感興趣的專(zhuān)家學(xué)者聚集在一起進(jìn)行了一 個(gè)月的討論.他請(qǐng)他們到 Vermont參加 " Dartmouth人工智能夏季研究會(huì)".從那時(shí)起,這個(gè)領(lǐng)域被命名為 "人工智能".雖然 Dartmouth學(xué)會(huì)不是非常成功,但它確實(shí)集中了AI的創(chuàng)立者們,并為以后的AI研究奠定了基礎(chǔ). Dartmouth會(huì)議后的7年中,AI研究開(kāi)始快速發(fā)展.雖然這個(gè)領(lǐng)域還沒(méi)明確定義,會(huì)議中的一些思想 已被重新考慮和使用了. Carnegie Mellon大學(xué)和MIT開(kāi)始組建AI研究中心.研究面臨新的挑戰(zhàn): 下一步需 要建立能夠更有效解決問(wèn)題的系統(tǒng),例如在"邏輯專(zhuān)家"中減少搜索;還有就是建立可以自我學(xué)習(xí)的系統(tǒng). 1957年一個(gè)新程序,"通用解題機(jī)"(GPS)的第一個(gè)版本進(jìn)行了測(cè)試.這個(gè)程序是由制作"邏輯專(zhuān)家" 的同一個(gè)組開(kāi)發(fā)的.GPS擴(kuò)展了Wiener的反饋原理,可以解決很多常識(shí)問(wèn)題.兩年以后,IBM成立了一個(gè)AI研 究組.Herbert Gelerneter花3年時(shí)間制作了一個(gè)解幾何定理的程序. 當(dāng)越來(lái)越多的程序涌現(xiàn)時(shí),McCarthy正忙于一個(gè)AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP語(yǔ)言. LISP到今天還在用."LISP"的意思是"表處理"(LISt Processing),它很快就為大多數(shù)AI開(kāi)發(fā)者采納. 1963年MIT從美國(guó)政府得到一筆220萬(wàn)美元的資助,用于研究機(jī)器輔助識(shí)別.這筆資助來(lái)自國(guó)防部 高級(jí)研究計(jì)劃署(ARPA),已保證美國(guó)在技術(shù)進(jìn)步上領(lǐng)先于蘇聯(lián).這個(gè)計(jì)劃吸引了來(lái)自全世界的計(jì)算機(jī)科學(xué)家, 加快了AI研究的發(fā)展步伐.

大量的程序

以后幾年出現(xiàn)了大量程序.其中一個(gè)著名的叫"SHRDLU"."SHRDLU"是"微型世界"項(xiàng)目的一部分,包括 在微型世界(例如只有有限數(shù)量的幾何形體)中的研究與編程.在MIT由Marvin Minsky領(lǐng)導(dǎo)的研究人員發(fā)現(xiàn), 面對(duì)小規(guī)模的對(duì)象,計(jì)算機(jī)程序可以解決空間和邏輯問(wèn)題.其它如在60年代末出現(xiàn)的"STUDENT"可相關(guān)書(shū)籍

以解決代數(shù) 問(wèn)題,"SIR"可以理解簡(jiǎn)單的英語(yǔ)句子.這些程序的結(jié)果對(duì)處理語(yǔ)言理解和邏輯有所幫助. 70年代另一個(gè)進(jìn)展是專(zhuān)家系統(tǒng).專(zhuān)家系統(tǒng)可以預(yù)測(cè)在一定條件下某種解的概率.由于當(dāng)時(shí)計(jì)算機(jī)已 有巨大容量,專(zhuān)家系統(tǒng)有可能從數(shù)據(jù)中得出規(guī)律.專(zhuān)家系統(tǒng)的市場(chǎng)應(yīng)用很廣.十年間,專(zhuān)家系統(tǒng)被用于股市預(yù) 測(cè),幫助醫(yī)生診斷疾病,以及指示礦工確定礦藏位置等.這一切都因?yàn)閷?zhuān)家系統(tǒng)存儲(chǔ)規(guī)律和信息的能力而成為可能. 70年代許多新方法被用于AI開(kāi)發(fā),著名的如Minsky的構(gòu)造理論.另外David Marr提出了機(jī)器視覺(jué)方 面的新理論,例如,如何通過(guò)一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過(guò)分析這些信 息,可以推斷出圖像可能是什么.同時(shí)期另一項(xiàng)成果是PROLOGE語(yǔ)言,于1972年提出. 80年代期間,AI前進(jìn)更為迅速,并更多地進(jìn)入商業(yè)領(lǐng)域.1986年,美國(guó)AI相關(guān)軟硬件銷(xiāo)售高達(dá)4.25億 美元.專(zhuān)家系統(tǒng)因其效用尤受需求.象數(shù)字電氣公司這樣的公司用XCON專(zhuān)家系統(tǒng)為VAX大型機(jī)編程.杜邦,通用 汽車(chē)公司和波音公司也大量依賴(lài)專(zhuān)家系統(tǒng).為滿足計(jì)算機(jī)專(zhuān)家的需要,一些生產(chǎn)專(zhuān)家系統(tǒng)輔助制作軟件的公 司,如Teknowledge和Intellicorp成立了。為了查找和改正現(xiàn)有專(zhuān)家系統(tǒng)中的錯(cuò)誤,又有另外一些專(zhuān)家系統(tǒng)被設(shè)計(jì)出來(lái).

從實(shí)驗(yàn)室到日常生活

人們開(kāi)始感受到計(jì)算機(jī)和人工智能技術(shù)的影響.計(jì)算機(jī)技術(shù)不再只屬于實(shí)驗(yàn)室中的一小群研究人員. 個(gè)人電腦和眾多技術(shù)雜志使計(jì)算機(jī)技術(shù)展現(xiàn)在人們面前.有了象美國(guó)人工智能協(xié)會(huì)這樣的基金會(huì).因?yàn)锳I開(kāi)發(fā) 的需要,還出現(xiàn)了一陣研究人員進(jìn)入私人公司的熱潮。150多所像DEC(它雇了700多員工從事AI研究)這樣的公司共花了10億美元在內(nèi)部的AI開(kāi)發(fā)組上. 其它一些AI領(lǐng)域也在80年代進(jìn)入市場(chǎng).其中一項(xiàng)就是機(jī)器視覺(jué). Minsky和Marr的成果現(xiàn)在用到了生產(chǎn)線上的相機(jī)和計(jì)算機(jī)中,進(jìn)行質(zhì)量控制.盡管還很簡(jiǎn)陋,這些系統(tǒng)已能夠通過(guò)黑白區(qū)別分辨出物件形狀的不同.到1985年美國(guó)有一百多個(gè)公司生產(chǎn)機(jī)器視覺(jué)系統(tǒng),銷(xiāo)售額共達(dá)8千萬(wàn)美元. 但80年代對(duì)AI工業(yè)來(lái)說(shuō)也不全是好年景.86-87年對(duì)AI系統(tǒng)的需求下降,業(yè)界損失了近5億美元.象 Teknowledge和Intellicorp兩家共損失超過(guò)6百萬(wàn)美元,大約占利潤(rùn)的三分之一巨大的損失迫使許多研究領(lǐng) 導(dǎo)者削減經(jīng)費(fèi).另一個(gè)另人失望的是國(guó)防部高級(jí)研究計(jì)劃署支持的所謂"智能卡車(chē)".這個(gè)項(xiàng)目目的是研制一種能完成許多戰(zhàn)地任務(wù)的機(jī)器人。由于項(xiàng)目缺陷和成功無(wú)望,Pentagon停止了項(xiàng)目的經(jīng)費(fèi). 盡管經(jīng)歷了這些受挫的事件,AI仍在慢慢恢復(fù)發(fā)展.新的技術(shù)在日本被開(kāi)發(fā)出來(lái),如在美國(guó)首創(chuàng)的模糊邏輯,它可以從不確定的人工智能機(jī)器人

條件作出決策;還有神經(jīng)網(wǎng)絡(luò),被視為實(shí)現(xiàn)人工智能的可能途徑.總之,80年代AI被引入了市場(chǎng),并顯示出實(shí)用價(jià)值.可以確信,它將是通向21世紀(jì)之匙. 人工智能技術(shù)接受檢驗(yàn) 在"沙漠風(fēng)暴"行動(dòng)中軍方的智能設(shè)備經(jīng)受了戰(zhàn)爭(zhēng)的檢驗(yàn).人工智能技術(shù)被用于導(dǎo)彈系統(tǒng)和預(yù)警顯示以 及其它先進(jìn)武器.AI技術(shù)也進(jìn)入了家庭.智能電腦的增加吸引了公眾興趣;一些面向蘋(píng)果機(jī)和IBM兼容機(jī)的應(yīng)用 軟件例如語(yǔ)音和文字識(shí)別已可買(mǎi)到;使用模糊邏輯,AI技術(shù)簡(jiǎn)化了攝像設(shè)備.對(duì)人工智能相關(guān)技術(shù)更大的需求促 使新的進(jìn)步不斷出現(xiàn).人工智能已經(jīng)并且將繼續(xù)不可避免地改變我們的生活.

以上就是關(guān)于人工智能模型是什么相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。

推薦閱讀：

人工智能行業(yè)年薪多少（人工智能行業(yè)年薪多少萬(wàn)）

人工智能chatGPT股票（人工智能股票行情）

人工智能在營(yíng)銷(xiāo)領(lǐng)域的應(yīng)用（人工智能在營(yíng)銷(xiāo)領(lǐng)域的應(yīng)用摘要）

可卡品牌設(shè)計(jì)論文（40歲整牙的危害）

兔的文化象征意義（兔的文化象征意義是什么）