0a7f88c514
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
图片由 Dmitry Soshnikov 提供
随着时间的推移，计算资源变得更加廉价，同时可用的数据量也大幅增加，因此神经网络方法在许多领域（如计算机视觉或语音理解）中开始展现出与人类竞争的卓越表现。在过去的十年里，“人工智能”这个术语大多被用作“神经网络”的同义词，因为我们听到的大多数人工智能成功案例都基于神经网络。
我们可以通过创建国际象棋程序的演变来观察这些方法的变化：
- 早期的国际象棋程序基于搜索算法——程序会显式地尝试估算对手在接下来几步中的可能走法，并根据几步内可以达到的最佳局面选择最优走法。这种方法促成了所谓的 alpha-beta 剪枝 搜索算法的发展。
- 搜索策略在游戏后期效果较好，因为此时搜索空间由于可能走法较少而受到限制。然而，在游戏开局阶段，搜索空间非常庞大，因此可以通过从人类棋局中学习来改进算法。后来的实验采用了所谓的 基于案例的推理，程序会在知识库中寻找与当前棋局非常相似的案例。
- 能够战胜人类玩家的现代程序基于神经网络和 强化学习，这些程序通过长时间与自己对弈并从自己的错误中学习来掌握棋艺——这与人类学习下棋的方式非常相似。然而，计算机程序可以在更短的时间内进行更多的对局，因此学习速度远快于人类。
✅ 研究一下其他由人工智能参与的游戏。
同样，我们也可以看到“对话程序”（可能通过图灵测试）的开发方法是如何变化的：
- 早期的此类程序，例如 Eliza，基于非常简单的语法规则，并将输入句子重新表述为问题。
- 现代助手，如 Cortana、Siri 或 Google Assistant，都是混合系统，它们使用神经网络将语音转换为文本并识别用户意图，然后利用某些推理或显式算法来执行所需的操作。
- 在未来，我们可能会看到完全基于神经网络的模型能够独立处理对话。最近的 GPT 和 Turing-NLG 系列神经网络在这一领域展现了巨大的成功。
图片由 Dmitry Soshnikov 提供，照片 来自 Marina Abrosimova，Unsplash
最近的人工智能研究
近年来，神经网络研究的快速增长始于 2010 年左右，当时大型公共数据集开始变得可用。一组名为 ImageNet 的庞大图像集合（包含约 1400 万张标注图像）催生了 ImageNet 大规模视觉识别挑战赛。
图片由 Dmitry Soshnikov 提供
2012 年，卷积神经网络 首次被用于图像分类，这使得分类错误率显著下降（从接近 30% 降至 16.4%）。2015 年，微软研究院的 ResNet 架构达到了人类水平的准确率。
从那时起，神经网络在许多任务中表现出了非常成功的效果：
| 年份 | 达到人类水平的任务 |
|---|---|
| 2015 | 图像分类 |
| 2016 | 对话语音识别 |
| 2018 | 自动机器翻译（中译英） |
| 2020 | 图像描述生成 |
在过去几年中，我们见证了大型语言模型（如 BERT 和 GPT-3）的巨大成功。这主要是因为有大量的通用文本数据可用，这使得我们能够训练模型来捕捉文本的结构和意义，先在通用文本集合上进行预训练，然后将这些模型专门化用于更具体的任务。我们将在本课程后续部分中学习更多关于自然语言处理的内容。
🚀 挑战
在互联网上进行探索，找出你认为人工智能最有效的应用领域。是地图应用程序、语音转文字服务，还是视频游戏？研究该系统是如何构建的。
课后测验
复习与自学
通过阅读这节课来回顾人工智能和机器学习的历史。从该课程顶部的手绘笔记或本节课中选取一个元素，深入研究其文化背景，以了解其演变过程。
作业：游戏创作活动
免责声明：
本文档使用AI翻译服务 Co-op Translator 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原文档的原始语言版本为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用本翻译而引起的任何误解或误读不承担责任。