d01d40ddb2
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
人工智慧簡介
手繪筆記由 Tomomi Imura 提供
課前測驗
人工智慧是一門令人興奮的科學領域，研究如何讓電腦展現出智能行為，例如執行人類擅長的事情。
最初，電腦由 Charles Babbage 發明，用來根據明確定義的程序（演算法）操作數字。現代電腦雖然比19世紀提出的原型複雜得多，但仍然遵循受控計算的理念。因此，只要我們知道達成目標所需的精確步驟，就可以編程讓電腦完成某些事情。
照片由 Vickie Soshnikova 提供
✅ 從一張照片中判斷一個人的年齡是一項無法明確編程的任務，因為我們不知道自己在腦海中得出數字的具體過程。
然而，有些任務我們並不明確知道如何解決。比如從一張照片中判斷一個人的年齡。我們能夠做到這件事，是因為我們看過許多不同年齡的人的例子，但我們無法明確解釋自己是如何做到的，也無法編程讓電腦完成這件事。這正是人工智慧（簡稱 AI）感興趣的任務類型。
✅ 想一想有哪些任務可以交給電腦處理，並且能從 AI 中受益。考慮金融、醫療和藝術領域——這些領域今天如何從 AI 中受益？
弱人工智慧 vs. 強人工智慧
| 弱人工智慧 | 強人工智慧 |
|---|---|
| 弱人工智慧指的是設計和訓練用於特定任務或狹窄任務集的 AI 系統。 | 強人工智慧，或稱人工通用智慧（AGI），指的是具有人類水平智能和理解能力的 AI 系統。 |
| 這些 AI 系統並不具備一般智能；它們擅長執行預定義的任務，但缺乏真正的理解或意識。 | 這些 AI 系統能夠執行人類可以完成的任何智力任務，適應不同領域，並擁有某種形式的意識或自我認知。 |
| 弱人工智慧的例子包括虛擬助理如 Siri 或 Alexa、流媒體服務使用的推薦算法，以及專門設計用於客戶服務的聊天機器人。 | 實現強人工智慧是 AI 研究的長期目標，需要開發能夠在廣泛任務和情境中進行推理、學習、理解和適應的 AI 系統。 |
| 弱人工智慧高度專業化，並不具備人類般的認知能力或超出其狹窄領域的一般問題解決能力。 | 強人工智慧目前仍是一個理論概念，尚無 AI 系統達到這種通用智能的水平。 |
更多資訊請參考 人工通用智慧 (AGI)。
智能的定義與圖靈測試
在討論**智能這個術語時，其中一個問題是我們對此並沒有明確的定義。有人可能認為智能與抽象思維或自我意識**相關，但我們無法準確定義它。
照片由 Amber Kipp 提供，來自 Unsplash
為了看出“智能”這個術語的模糊性，試著回答這個問題：“貓是智能的嗎？”不同的人往往會給出不同的答案，因為沒有普遍接受的測試來證明這個說法是對還是錯。如果你認為有——試著讓你的貓參加智商測試吧……
✅ 花點時間思考你如何定義智能。一隻能解迷宮並獲得食物的烏鴉是智能的嗎？一個小孩是智能的嗎？
在討論 AGI 時，我們需要某種方法來判斷是否創造了一個真正智能的系統。Alan Turing 提出了一種方法，稱為**圖靈測試**，它也可以作為智能的定義。該測試將給定系統與某些本質上智能的事物（如真人）進行比較，並且因為任何自動化比較都可能被電腦程序繞過，我們使用人類審問者。如果人類無法在基於文字的對話中區分真人和電腦系統，那麼該系統就被認為是智能的。
一個名為 Eugene Goostman 的聊天機器人於2014年在聖彼得堡接近通過圖靈測試，使用了一個巧妙的個性技巧。它事先聲明自己是一個13歲的烏克蘭男孩，這解釋了知識的缺乏和文本中的一些不一致之處。該機器人在5分鐘的對話中說服了30%的評審員相信它是人類，這是一個圖靈認為機器能在2000年之前通過的指標。然而，應該理解的是，這並不表示我們已經創造了一個智能系統，或者電腦系統欺騙了人類審問者——系統並沒有欺騙人類，而是機器人創造者欺騙了人類！
✅ 你是否曾被聊天機器人欺騙，認為自己在與人類交談？它是如何說服你的？
人工智慧的不同方法
如果我們希望電腦像人類一樣行事，我們需要以某種方式在電腦內部模擬我們的思維方式。因此，我們需要嘗試理解什麼使人類具有智能。
為了能夠將智能編程到機器中，我們需要理解自己做決策的過程是如何運作的。如果你進行一些自我反思，你會意識到有些過程是潛意識進行的——例如，我們可以在不思考的情況下區分貓和狗——而另一些則涉及推理。
解決這個問題有兩種可能的方法：
| 自上而下方法（符號推理） | 自下而上方法（神經網路） |
|---|---|
| 自上而下方法模擬人類解決問題的推理方式。它涉及從人類中提取知識，並以電腦可讀的形式表示。我們還需要開發一種在電腦內部模擬推理的方法。 | 自下而上方法模擬人類大腦的結構，由大量簡單單元組成，稱為神經元。每個神經元的作用類似於其輸入的加權平均值，我們可以通過提供訓練數據來訓練神經元網路以解決有用的問題。 |
此外，還有一些其他可能的智能方法：
-
湧現式、協同式或多代理方法基於這樣的事實，即通過大量簡單代理的交互可以獲得複雜的智能行為。根據進化控制論，智能可以在系統轉變過程中從更簡單的反應行為中湧現。
-
進化方法或遺傳算法是一種基於進化原則的優化過程。
我們將在課程後續考慮這些方法，但現在我們將重點放在兩個主要方向：自上而下和自下而上。
自上而下方法
在自上而下方法中，我們嘗試模擬我們的推理。因為我們可以在推理時跟隨自己的思維，我們可以嘗試將這個過程形式化並編程到電腦中。這被稱為符號推理。
人們往往在腦海中有一些指導其決策過程的規則。例如，當醫生診斷病人時，他或她可能意識到病人有發燒症狀，因此可能身體內部有炎症。通過將大量規則應用於特定問題，醫生可能能夠得出最終診斷。
這種方法高度依賴於知識表示和推理。從人類專家中提取知識可能是最困難的部分，因為醫生在許多情況下可能不知道自己為什麼得出特定診斷。有時解決方案只是自然而然地出現在他的腦海中，沒有明確的思考。有些任務，例如從照片中判斷一個人的年齡，根本無法簡化為知識操作。
自下而上方法
或者，我們可以嘗試模擬我們大腦中的最簡單元素——神經元。我們可以在電腦中構建所謂的人工神經網路，然後通過提供例子來教它解決問題。這個過程類似於新生兒通過觀察學習周圍環境的方式。
✅ 研究一下嬰兒是如何學習的。嬰兒大腦的基本元素是什麼？
那機器學習呢？ 基於電腦通過某些數據學習解決問題的人工智慧部分稱為機器學習。我們不會在本課程中考慮傳統機器學習——我們推薦您參考單獨的 機器學習初學者課程。
人工智慧的簡史
人工智慧作為一個領域始於20世紀中期。最初，符號推理是主要方法，並取得了一些重要成功，例如專家系統——能夠在某些有限問題領域中充當專家的電腦程序。然而，很快就發現這種方法的可擴展性不佳。從專家中提取知識、在電腦中表示知識並保持知識庫的準確性，事實證明是一項非常複雜且在許多情況下成本過高的任務。這導致了1970年代的所謂人工智慧寒冬。
圖片由 Dmitry Soshnikov 提供
隨著時間的推移，計算資源變得更便宜，更多數據可用，神經網路方法開始在許多領域（如計算機視覺或語音理解）中展現出色的表現。在過去十年中，“人工智慧”這個術語大多被用作神經網路的同義詞，因為我們聽到的大多數人工智慧成功案例都基於神經網路。
我們可以觀察到方法的變化，例如在創建下棋電腦程序方面：
- 早期的下棋程序基於搜索——程序明確嘗試估算對手在一定步數內的可能走法，並根據幾步內可以達到的最佳位置選擇最佳走法。這導致了所謂的alpha-beta剪枝搜索算法的發展。
- 搜索策略在遊戲結束時效果很好，因為搜索空間受到少量可能走法的限制。然而，在遊戲開始時，搜索空間巨大，算法可以通過學習人類玩家之間的現有比賽來改進。隨後的實驗採用了所謂的基於案例推理，程序在知識庫中尋找與當前棋局非常相似的案例。
- 現代能夠擊敗人類玩家的程序基於神經網路和強化學習，程序通過長時間與自己對弈並從自己的錯誤中學習來學會下棋——就像人類學習下棋一樣。然而，電腦程序可以在更短的時間內玩更多的棋局，因此可以學得更快。
✅ 研究一下其他由人工智慧玩過的遊戲。
同樣，我們可以看到創建“會說話的程序”（可能通過圖靈測試）的方法如何改變：
- 早期的此類程序，例如 Eliza，基於非常簡單的語法規則和將輸入句子重新表述為問題。
- 現代助理，例如 Cortana、Siri 或 Google Assistant，都是混合系統，使用神經網路將語音轉換為文本並識別我們的意圖，然後採用一些推理或明確算法執行所需操作。
- 未來，我們可能期待一個完全基於神經網路的模型能夠自行處理對話。最近的 GPT 和 Turing-NLG 神經網路系列顯示了巨大的成功。
> 圖片由 Dmitry Soshnikov 提供，[照片](https://unsplash.com/photos/r8LmVbUKgns) 由 [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto) 提供，Unsplash
最近的人工智慧研究
神經網路研究的快速增長始於 2010 年左右，當時大型公共數據集開始變得可用。一個名為 ImageNet 的龐大圖像集合，包含約 1400 萬張帶有註解的圖像，催生了 ImageNet 大規模視覺識別挑戰賽。
圖片由 Dmitry Soshnikov 提供
2012 年，卷積神經網路 首次被用於圖像分類，這導致分類錯誤率顯著下降（從接近 30% 降至 16.4%）。2015 年，微軟研究院的 ResNet 架構達到了人類水準的準確率。
自那時起，神經網路在許多任務中展現了非常成功的表現：
| 年份 | 達到人類水準的領域 |
|---|---|
| 2015 | 圖像分類 |
| 2016 | 對話式語音識別 |
| 2018 | 自動機器翻譯（中翻英） |
| 2020 | 圖像標註 |
在過去幾年中，我們見證了大型語言模型的巨大成功，例如 BERT 和 GPT-3。這主要是因為有大量的通用文本數據可用，這使我們能夠訓練模型來捕捉文本的結構和意義，先在通用文本集合上進行預訓練，然後再將這些模型專門化用於更具體的任務。我們將在本課程稍後的自然語言處理部分中學到更多。
🚀 挑戰
在網路上進行探索，判斷您認為人工智慧在哪些領域最有效地被使用。是地圖應用程式、語音轉文字服務，還是某款電子遊戲？研究該系統是如何構建的。
課後測驗
回顧與自學
透過閱讀這一課程來回顧人工智慧和機器學習的歷史。從該課程或本課程頂部的手繪筆記中選擇一個元素，深入研究其文化背景，以了解其演變過程。
作業：遊戲開發馬拉松
免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而產生的任何誤解或誤釋不承擔責任。