人工智能模型是什么（人工智能模型是什么模型）

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

ChatGPT國內(nèi)免費在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

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-目標檢測模型一覽

• 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。

這里包含兩個關(guān)鍵概念，一個是“人造”，另一個就是“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物品有智能：

第一排很好判斷，大家都認為它們是有智能的。

那第二排的呢？

1. 向日葵有智能嗎？它可以跟隨太陽移動。

2. 搜索引擎有智能嗎？它能把輸入問題的答案列出來，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停止放水，轉(zhuǎn)而進行蓄水，當蓄滿的時候又知道何時停止蓄水。

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、智人、貓）都有個共同之處，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)太陽的移動而移動自己的花盤；搜索引擎可以根據(jù)用戶的不同輸入展示不同的結(jié)果；抽水馬桶可以根據(jù)水位來決定自己是放水還是蓄水，還是停止。

進一步的一個問題是，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？

這個區(qū)別還是很明顯的，那就是： 在面對外部環(huán)境新的變化的時候，是否可以自主學習、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，如果跳出這個特點情景，它們就不會有任何自發(fā)行為。

比如：向日葵只是在發(fā)芽到花盤盛開前的這段時間是隨著太陽移動的。搜索引擎也是通過事先計算好的關(guān)鍵字對應(yīng)關(guān)系來呈現(xiàn)結(jié)果。最后的抽水馬桶只是為了沖水這一件事情設(shè)計的。它們都不會對新的情景產(chǎn)生新的動作。

“智能”通常具備以下兩個特征：

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. 在面對新的外部環(huán)境的時候，可以自己學習、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)這兩個特征，第一排的物品是有智能的，而第二排的物品是沒有智能的，只是有“功能”。

人工智能就是用人造的方法模擬智能，模擬的智能能達到智能物品的兩個特征即可。

目前大家已知的智能物中，人類是被認為智能最強的。那么有沒有什么方法來判斷人造智能物是否達到了人類智能的級別？

著名的現(xiàn)代計算機之父圖靈曾經(jīng)提出過一個思想實驗，能通過這個實驗的，就被認為擁有人類智能的級別。這個思想實驗也被稱為 “圖靈測試” 。

圖靈測試是這樣的，一個人和一個機器在隔開的情況下，通過一些裝置（如鍵盤）向這個機器隨意提問，進行多次測試后，如果有超過30%的測試者不能確定出被測試者是人還是機器，那么這個機器就通過了測試，被認為擁有人類級別的智能。

在圖靈測試中，圖靈并沒有檢驗機器是否有合作、分工、演化、自由意志等因素，只是單純的檢測機器是否有足夠的智能。但是這并沒有妨礙哲學家討論這些問題，哲學家認為，如果這些因素機器都能滿足，那么這種智能叫強人工智能，如果不滿足這些因素，而僅僅是通過了圖靈測試，那么是一種弱人工智能。

目前在人工智能領(lǐng)域還沒有一種機器（或系統(tǒng)）能通過圖靈測試。

“智能”有一個特征就是在面對新的外部環(huán)境的時候，可以自己學習、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)。那么要如何才能學習呢？

人類的學習方法是這樣的：從一個問題的一些經(jīng)驗中進行歸納、演繹、聯(lián)想，得出結(jié)論，進一步將結(jié)論用于解決這一類的問題上，在這個推廣過程中不斷利用上述步驟修正結(jié)論。人類的經(jīng)驗非常豐富，這些經(jīng)驗有的成為了全人類的一些共識，這使得人類的學習速度加快。

那么如果是一個機器呢，我們該如何讓一個機器學習？它能學習到什么程度？

一個模擬人類學習的方法是： 給機器輸入關(guān)于這個問題的數(shù)據(jù)，利用一些數(shù)學方法讓機器根據(jù)這些數(shù)據(jù)做歸納、演繹，從而得出結(jié)論，再利用這個結(jié)論解決這一類的問題 。這個過程，稱為機器學習。

在機器學習中，得出的結(jié)論有個特定的名稱，叫做“模型”；讓機器根據(jù)數(shù)據(jù)做歸納、演繹的過程叫做“模型訓(xùn)練”；將模型用于解決這類問題的過程，叫做“泛化”。整個過程如下圖所示：

人們利用泛化結(jié)果的好壞來評價學習的模型的好壞。

機器學習由于其方法的普適性和解決問題的泛化能力，被很多領(lǐng)域都廣泛使用。目前，機器學習的成功已經(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App自動呈現(xiàn)用戶感興趣的內(nèi)容，根據(jù)診斷結(jié)果判斷一些病的患病幾率，自動駕駛，和人類對弈圍棋且戰(zhàn)勝人類，圖片中的一些元素的識別，語音翻譯，虛擬個人助理等等。隨著機器學習在這些應(yīng)用領(lǐng)域的不斷使用，機器也在不斷優(yōu)化自己的結(jié)果，從而不斷提高機器學習的質(zhì)量和效果。

照這個趨勢下去，機器會超越人類嗎？

機器學習和人類學習相比，機器學習還有以下幾個硬傷：

1. 缺少跳躍式的建模。

目前機器學習的建模方法是逐步遞進的，缺少了一些跳躍式的前進。人類經(jīng)常有靈光一現(xiàn)等想象力飛躍的時刻，但是機器學習沒有，它只有層層遞進，逐步收斂，最終得到模型。

2. 計算能力還不夠強

雖然比人腦單個神經(jīng)元的計算速度快，但是人腦的并行計算能力遠超現(xiàn)代計算機好幾個量級。人腦可以同時有上億個神經(jīng)元被激活，參與計算。相比之下，機器的計算力有限，如果計算機目前的體系結(jié)構(gòu)在未來保持不變，那機器在未來也沒可能超越人類的計算能力。

3. 知識儲備不足

人類的學習有個重要的來源就是人類共有的知識，這些知識給人類理解和學習問題提供基礎(chǔ)，有時即便問題信息不足，人類依然可以利用這些知識來學習、梳理問題。而每個機器有自己學習到的模型，目前還不能將這些模型讓其他機器共享。這也正是機器學習在很多領(lǐng)域很難達到人類水平的一個原因，比如：自然語言處理。

4. 不能舉一反三

機器學習不能脫離要解決的實際問題，得出的模型也只是在這類實際問題中得到有限的泛化能力。這就限制了機器能像人類一樣擁有舉一反三的能力，只能一個個的學習。這就缺少了面對環(huán)境變化后的自主學習能力。

綜合來看，機器學習要想超越人類，需要解建模方法、決計算力、知識共享，舉一反三這四個問題。目前還不能超越人類，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，以及它的長處和短處，希望能對想要了解人工智能領(lǐng)域的人起到幫助。

二、AI人工智能-目標檢測模型一覽

目標檢測是人工智能的一個重要應(yīng)用，就是在圖片中要將里面的物體識別出來，并標出物體的位置，一般需要經(jīng)過兩個步驟：

1、分類，識別物體是什么

2、定位，找出物體在哪里

除了對單個物體進行檢測，還要能支持對多個物體進行檢測，如下圖所示：

這個問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，目標檢測是一個比較復(fù)雜的問題。

最直接的方法便是構(gòu)建一個深度神經(jīng)網(wǎng)絡(luò)，將圖像和標注位置作為樣本輸入，然后經(jīng)過CNN網(wǎng)絡(luò)，再通過一個分類頭（Classification head）的全連接層識別是什么物體，通過一個回歸頭（Regression head）的全連接層回歸計算位置，如下圖所示：

但“回歸”不好做，計算量太大、收斂時間太長，應(yīng)該想辦法轉(zhuǎn)為“分類”，這時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，計算出這個框的得分，然后取得分最高的那個框作為預(yù)測結(jié)果，如下圖所示：

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

但問題是：框要取多大才合適？太小，物體識別不完整；太大，識別結(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計算吧。

如下圖所示（要識別一只熊），用各種大小的框在圖片中進行反復(fù)截取，輸入到CNN中識別計算得分，最終確定出目標類別和位置。

這種方法效率很低，實在太耗時了。那有沒有高效的目標檢測方法呢？

一、R-CNN 橫空出世

R-CNN（Region CNN，區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）可以說是利用深度學習進行目標檢測的開山之作，作者Ross Girshick多次在PASCAL VOC的目標檢測競賽中折桂，2010年更是帶領(lǐng)團隊獲得了終身成就獎，如今就職于Facebook的人工智能實驗室（FAIR）。

R-CNN算法的流程如下

1、輸入圖像

2、每張圖像生成1K~2K個候選區(qū)域

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

4、將特征送入每一類的SVM 分類器，判別是否屬于該類

5、使用回歸器精細修正候選框位置

下面展開進行介紹

1、生成候選區(qū)域

使用Selective Search（選擇性搜索）方法對一張圖像生成約2000-3000個候選區(qū)域，基本思路如下：

（1）使用一種過分割手段，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區(qū)域，重復(fù)直到整張圖像合并成一個區(qū)域位置。優(yōu)先合并以下區(qū)域：

3、類別判斷

對每一類目標，使用一個線性SVM二類分類器進行判別。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。

4、位置精修

目標檢測的衡量標準是重疊面積：許多看似準確的檢測結(jié)果，往往因為候選框不夠準確，重疊面積很小，故需要一個位置精修步驟，對于每一個類，訓(xùn)練一個線性回歸模型去判定這個框是否框得完美，如下圖：

R-CNN將深度學習引入檢測領(lǐng)域后，一舉將PASCAL VOC上的檢測率從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，大幅提升了目標檢測的速度。

Fast R-CNN和R-CNN相比，訓(xùn)練時間從84小時減少到9.5小時，測試時間從47秒減少到0.32秒，并且在PASCAL VOC 2007上測試的準確率相差無幾，約在66%-67%之間。

Fast R-CNN主要解決R-CNN的以下問題：

1、訓(xùn)練、測試時速度慢

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)計算。

2、訓(xùn)練所需空間大

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

下面進行詳細介紹

1、在特征提取階段， 通過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全連接層進行分類。

在Fast R-CNN中，作者提出了一個叫做ROI Pooling的網(wǎng)絡(luò)層，這個網(wǎng)絡(luò)層可以把不同大小的輸入映射到一個固定尺度的特征向量。ROI Pooling層將每個候選區(qū)域均勻分成M×N塊，對每塊進行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，但是可以加入這個神奇的ROI Pooling層，對每個region都提取一個固定維度的特征表示，就可再通過正常的softmax進行類型識別。

2、在分類回歸階段， 在R-CNN中，先生成候選框，然后再通過CNN提取特征，之后再用SVM分類，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也放進了神經(jīng)網(wǎng)絡(luò)內(nèi)部，與區(qū)域分類合并成為了一個multi-task模型，如下圖所示：

實驗表明，這兩個任務(wù)能夠共享卷積特征，并且相互促進。

Fast R-CNN很重要的一個貢獻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)）這一框架實時檢測的希望，原來多類檢測真的可以在保證準確率的同時提升處理速度。

三、Faster R-CNN更快更強

繼2014年推出R-CNN，2015年推出Fast R-CNN之后，目標檢測界的領(lǐng)軍人物Ross Girshick團隊在2015年又推出一力作：Faster R-CNN，使簡單網(wǎng)絡(luò)目標檢測速度達到17fps，在PASCAL VOC上準確率為59.9%，復(fù)雜網(wǎng)絡(luò)達到5fps，準確率78.8%。

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

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

Faster R-CNN可以簡單地看成是“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，簡稱RPN）來代替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)計了提取候選區(qū)域的網(wǎng)絡(luò)RPN，代替了費時的Selective Search（選擇性搜索），使得檢測速度大幅提升，下表對比了R-CNN、Fast R-CNN、Faster R-CNN的檢測速度：

總結(jié)

R-CNN、Fast R-CNN、Faster R-CNN一路走來，基于深度學習目標檢測的流程變得越來越精簡、精度越來越高、速度也越來越快?；趓egion proposal（候選區(qū)域）的R-CNN系列目標檢測方法是目標檢測技術(shù)領(lǐng)域中的最主要分支之一。

為了更加精確地識別目標，實現(xiàn)在像素級場景中識別不同目標，利用“圖像分割”技術(shù)定位每個目標的精確像素，如下圖所示（精確分割出人、汽車、紅綠燈等）：

Mask R-CNN便是這種“圖像分割”的重要模型。

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

Mask R-CNN的這兩個分支是并行的，因此訓(xùn)練簡單，僅比Faster R-CNN多了一點計算開銷。

如下圖所示，Mask R-CNN在Faster R-CNN中添加了一個全卷積網(wǎng)絡(luò)的分支（圖中白色部分），用于輸出二進制mask，以說明給定像素是否是目標的一部分。所謂二進制mask，就是當像素屬于目標的所有位置上時標識為1，其它位置標識為 0

從上圖可以看出，二進制mask是基于特征圖輸出的，而原始圖像經(jīng)過一系列的卷積、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制mask來分割圖像，那肯定是不準的。這時就需要進行了修正，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)過卷積網(wǎng)絡(luò)之后的特征圖變?yōu)槌叽绱笮∽優(yōu)?25x25。這時，如果想要圈出與原始圖像中左上方15x15像素對應(yīng)的區(qū)域，那么如何在特征圖中選擇相對應(yīng)的像素呢？

從上面兩張圖可以看出，原始圖像中的每個像素對應(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中會使用雙線性插值法準確得到2.93像素的內(nèi)容，這樣就能很大程度上，避免了錯位問題。

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)為分類誤差+檢測誤差+分割誤差，分類誤差和檢測（回歸）誤差是Faster R-CNN中的，分割誤差為Mask R-CNN中新加的。

對于每個MxM大小的ROI區(qū)域，mask分支有KxMxM維的輸出（K是指類別數(shù)量）。對于每一個像素，都是用sigmod函數(shù)求二值交叉熵，也即對每個像素都進行邏輯回歸，得到平均的二值交叉熵誤差Lmask。通過引入預(yù)測K個輸出的機制，允許每個類都生成獨立的mask，以避免類間競爭，這樣就能解耦mask和種類預(yù)測。

對于每一個ROI區(qū)域，如果檢測得到屬于哪一個分類，就只使用該類的交叉熵誤差進行計算，也即對于一個ROI區(qū)域中KxMxM的輸出，真正有用的只是某個類別的MxM的輸出。如下圖所示：

例如目前有3個分類：貓、狗、人，檢測得到當前ROI屬于“人”這一類，那么所使用的Lmask為“人”這一分支的mask。

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

Mask R-CNN是一個小巧、靈活的通用對象實例分割框架，它不僅可以對圖像中的目標進行檢測，還可以對每一個目標輸出一個高質(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)鍵點檢測，如下圖所示：

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

最后，總結(jié)一下目標檢測算法模型的發(fā)展歷程，如下圖所示：

三、人工智能基于模型推理？

舉一個分析半導(dǎo)體故障的基于規(guī)則專家系統(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（可能表明這個部件已經(jīng)燒掉了)、類似設(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電路物理結(jié)構(gòu)的詳細模型以及描述每個部件和部件間預(yù)期行為的公式著手。它把診斷建立在來自設(shè)備不同位置的數(shù)字讀數(shù)上，使用這些數(shù)據(jù)和它的電路模型來判斷確切的故障點。

因為第一代專家系統(tǒng)依賴于從人類專家那里獲得的啟發(fā)性規(guī)則，所以具有很多局限性( Clancy 1985)。如果問題實例與系統(tǒng)的啟發(fā)不匹配，那么即使通過理論分析可以找到解，這個解也是失敗的。很多時候，專家系統(tǒng)把啟發(fā)應(yīng)用于不適當?shù)那闆r，例如，較深入地理解問題可能預(yù)示著一個不同的過程。這便是基于模型方法所要解決的不足。如果一個基于知識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，那么就稱其為基于模型系統(tǒng)?；谀Ｐ偷耐评沓绦蛟谠O(shè)計和使用中都創(chuàng)建一個軟件來模擬（經(jīng)常被稱為“定性")要被理解的或修理對象的功能（當然，還有其他類型的基于模型系統(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是，最早的一些研究是出于教學目的而創(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)。在這些早期的教學系統(tǒng)中，設(shè)備或電路的特征說明是以規(guī)則集（例如基爾霍夫定律和歐姆定律）反映的。這些教學系統(tǒng)既檢驗了學生關(guān)于設(shè)備和電路的知識，又向?qū)W生傳授了他們可能忽視的知識。規(guī)則既表示了硬件的功能，同時又是向?qū)W生傳輸這種知識的媒介。

基于模型推理程序從這些早期的教學系統(tǒng)（其任務(wù)既是對系統(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，模型會產(chǎn)生一系列預(yù)期的行為，然后通過分析預(yù)期行為和觀察到的行為之間的差異來發(fā)現(xiàn)故障?；谀Ｐ拖到y(tǒng)會告訴用戶: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)對設(shè)備中每個組件的描述。這些描述可以模擬組件的行為。

2）對設(shè)備內(nèi)部結(jié)構(gòu)的描述。這些描述通常表示出各個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)知識的程度依賴于應(yīng)用的深度和預(yù)期診斷的層次。

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

四、什么是人工智能

人工智能(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學。 人工智能是計算機科學的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

　人工智能, 英文單詞 artilect ,來源于 雨果·德·加里斯 的著作 . “人工智能”一詞最初是在1956 年Dartmouth學會上提出的。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擴展。人工智能是一門極富挑戰(zhàn)性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智能是包括十分廣泛的科學，它由不同的領(lǐng)域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但不同的時代、不同的人對這種“復(fù)雜工作”的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的，現(xiàn)在計算機不但能完成這種計算, 而且能夠比人腦做得更快、更準確，因之當代人已不再把這種計算看作是“需要人類智能才能完成的復(fù)雜任務(wù)”, 可見復(fù)雜工作的定義是隨著時代的發(fā)具有人工智能的機器人

展和技術(shù)的進步而變化的, 人工智能這門科學的具體目標也自然隨著時代的變化而發(fā)展。它一方面不斷獲得新的進展，一方面又轉(zhuǎn)向更有意義、更加困難的目標。目前能夠用來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)的機器就是計算機, 人工智能的發(fā)展歷史是和計算機科學技術(shù)的發(fā)展史聯(lián)系在一起的。除了計算機科學以外, 人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數(shù)理邏輯、語言學、醫(yī)學和哲學等多門學科。人工智能學科研究的主要內(nèi)容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設(shè)計等方面?！?實際應(yīng)用 機器視覺:指紋識別，人臉識別，視網(wǎng)膜識別，虹膜識別，掌紋識別，專家系統(tǒng),智能搜索，定理證明，博弈，自動程序設(shè)計，還有航天應(yīng)用等。 學科范疇 人工智能是一門邊沿學科，屬于自然科學和社會科學的交叉。 涉及學科 哲學和認知科學，數(shù)學，神經(jīng)生理學，心理學，計算機科學，信息論，控制論，不定性論，仿生學， 研究范疇 自然語言處理，知識表現(xiàn)，智能搜索，推理，規(guī)劃，機器學習，知識獲取，組合調(diào)度問題，感知問題，模式識別，邏輯程序設(shè)計，軟計算，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 人類思維方式 應(yīng)用領(lǐng)域 智能控制，專家系統(tǒng)，機器人學，語言和圖像理解，遺傳編程 機器人工廠 安全問題　 目前人工智能還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發(fā)生過。

人工智能的兩種實現(xiàn)方法

人工智能在計算機上實現(xiàn)時有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物機體所用的方法相同。這種方法叫工程學方法（Engineering approach），它已在一些領(lǐng)域內(nèi)作出了成果，如文字識別、電腦下棋等。另一種是模擬法（Modeling approach），它不僅要看效果，還要求實現(xiàn)方法也和人類或生物機體所用的方法相同或相類似。本書介紹的遺傳算法（Generic Algorithm, 簡稱GA）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,簡稱ANN）均屬后一類型。遺傳算法模擬人類或生物的遺傳-進化機制，人工神經(jīng)網(wǎng)絡(luò)則是模擬人類或動物大腦中神經(jīng)細胞的活動方式。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，需要人工詳細規(guī)定程序邏輯，如果游戲簡單，還是方便的。如果游戲復(fù)雜，角色數(shù)量和活動空間增加，相應(yīng)的邏輯就會很復(fù)雜（按指數(shù)式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調(diào)試，最后為用戶提供一個新的版本或提供一個新補丁, 非常麻煩。采用后一種方法時，編程者要為每一角色設(shè)計一個智能系統(tǒng)（一個模塊）來進行控制，這個智能系統(tǒng)（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠?qū)W習，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)開始也常犯錯誤，但它能吸取教訓(xùn)，下一次運行時就可能改正，至少不會永遠錯下去，用不到發(fā)布新版本或打補丁。利用這種方法來實現(xiàn)人工智能，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應(yīng)用。由于這種方法編程時無須對角色的活動規(guī)律做詳細規(guī)定，應(yīng)用于復(fù)雜問題，通常會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”?！叭斯ぁ北容^好理解，爭議性也不大。有時我們會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有高到可以創(chuàng)造人工智能的地步，等等。但總的來說，“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”，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維（unconscious_mind）等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構(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人的智能本身的研究。其它關(guān)于動物或其它人造系統(tǒng)的智能也普遍被認為是人工智能相關(guān)的研究課題。 人工智能目前在計算機領(lǐng)域內(nèi)，得到了愈加廣泛的重視。并在機器人，經(jīng)濟政治決策，控制系統(tǒng)，仿真系統(tǒng)中得到應(yīng)用。 著名的美國斯坦福大學人工智能研究中心尼爾遜教授對人工智能下了這樣一個定義：“人工智能是關(guān)于知識的學科――怎樣表示知識以及怎樣獲得知識并使用知識的科學?！倍硪粋€美國麻省理工學院的溫斯頓教授認為：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。”這些說法反映了人工智能學科的基本思想和基本內(nèi)容。即人工智能是研究人類智能活動的規(guī)律，構(gòu)造具有一定智能的人工系統(tǒng)，研究如何讓計算機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)用計算機的軟硬件來模擬人類某些智能行為的基本理論、方法和技術(shù)。 人工智能（Artificial Intelligence，簡稱AI）是計算機學科的一個分支，二十世紀七十年代以來被稱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）。也被認為是二十一世紀（基因工程、納米科學、人工智能）三大尖端技術(shù)之一。這是因為近三十年來它獲得了迅速的發(fā)展，在很多學科領(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獨立的分支，無論在理論和實踐上都已自成一個系統(tǒng)。 人工智能是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規(guī)劃等）的學科，主要包括計算機實現(xiàn)智能的原理、制造類似于人腦智能的計算機，使計算機能實現(xiàn)更高層次的應(yīng)用。人工智能將涉及到計算機科學、心理學、哲學和語言學等學科?？梢哉f幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智能與思維科學的關(guān)系是實踐和理論的關(guān)系，人工智能是處于思維科學的技術(shù)應(yīng)用層次，是它的一個應(yīng)用分支。從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發(fā)展，數(shù)學常被認為是多種學科的基礎(chǔ)科學，數(shù)學也進入語言、思維領(lǐng)域，人工智能學科也必須借用數(shù)學工具，數(shù)學不僅在標準邏輯、模糊數(shù)學等范圍發(fā)揮作用，數(shù)學進入人工智能學科，它們將互相促進而更快地發(fā)展。

編輯本段簡史

人工智能的傳說可以追溯到古埃及，但隨著1941年以來電子計算機的發(fā)展，技術(shù)已最終可以創(chuàng)造出機器智能，“人工智能”(Artificial Intelligence)一詞最初是在1956年Dartmouth學會上提出的，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擴展，在它還不長的歷史中，人工智能的發(fā)展比預(yù)想的要慢，但一直在前進，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。

計算機時代

1941年的一項發(fā)明使信息存儲和處理的各個方面都發(fā)生了革命.這項同時在美國和德國出現(xiàn)的 發(fā)明就是電子計算機.第一臺計算機要占用幾間裝空調(diào)的大房間,對程序員來說是場惡夢:僅僅為運行一 個程序就要設(shè)置成千的線路.1949年改進后的能存儲程序的計算機使得輸入程序變得簡單些,而且計算機 理論的發(fā)展產(chǎn)生了計算機科學,并最終促使了人工智能的出現(xiàn).計算機這個用電子方式處理數(shù)據(jù)的發(fā)明, 為人工智能的可能實現(xiàn)提供了一種媒介.

AI的開端

雖然計算機為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智能與機器之間 的聯(lián)系. Norbert Wiener是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調(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)將加熱器開大或關(guān)小,從而控制環(huán)境溫度.這項對反饋 回路的研究重要性在于: Wiener從理論上指出,所有的智能活動都是反饋機制的結(jié)果.而反饋機制是有可 能用機器模擬的.這項發(fā)現(xiàn)對早期AI的發(fā)展影響很大. 1955年末,Newell和Simon做了一個名為"邏輯專家"(Logic Theorist)的程序.這個程序被許多人 認為是第一個AI程序.它將每個問題都表示成一個樹形模型,然后選擇最可能得到正確結(jié)論的那一枝來求解 問題."邏輯專家"對公眾和AI研究領(lǐng)域產(chǎn)生的影響使它成為AI發(fā)展中一個重要的里程碑.1956年,被認為是 人工智能之父的John McCarthy組織了一次學會,將許多對機器智能感興趣的專家學者聚集在一起進行了一 個月的討論.他請他們到 Vermont參加 " Dartmouth人工智能夏季研究會".從那時起,這個領(lǐng)域被命名為 "人工智能".雖然 Dartmouth學會不是非常成功,但它確實集中了AI的創(chuàng)立者們,并為以后的AI研究奠定了基礎(chǔ). Dartmouth會議后的7年中,AI研究開始快速發(fā)展.雖然這個領(lǐng)域還沒明確定義,會議中的一些思想 已被重新考慮和使用了. Carnegie Mellon大學和MIT開始組建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題的系統(tǒng),例如在"邏輯專家"中減少搜索;還有就是建立可以自我學習的系統(tǒng). 1957年一個新程序,"通用解題機"(GPS)的第一個版本進行了測試.這個程序是由制作"邏輯專家" 的同一個組開發(fā)的.GPS擴展了Wiener的反饋原理,可以解決很多常識問題.兩年以后,IBM成立了一個AI研 究組.Herbert Gelerneter花3年時間制作了一個解幾何定理的程序. 當越來越多的程序涌現(xiàn)時,McCarthy正忙于一個AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP語言. 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開發(fā)者采納. 1963年MIT從美國政府得到一筆220萬美元的資助,用于研究機器輔助識別.這筆資助來自國防部 高級研究計劃署(ARPA),已保證美國在技術(shù)進步上領(lǐng)先于蘇聯(lián).這個計劃吸引了來自全世界的計算機科學家, 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.其中一個著名的叫"SHRDLU"."SHRDLU"是"微型世界"項目的一部分,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), 面對小規(guī)模的對象,計算機程序可以解決空間和邏輯問題.其它如在60年代末出現(xiàn)的"STUDENT"可相關(guān)書籍

以解決代數(shù) 問題,"SIR"可以理解簡單的英語句子.這些程序的結(jié)果對處理語言理解和邏輯有所幫助. 70年代另一個進展是專家系統(tǒng).專家系統(tǒng)可以預(yù)測在一定條件下某種解的概率.由于當時計算機已 有巨大容量,專家系統(tǒng)有可能從數(shù)據(jù)中得出規(guī)律.專家系統(tǒng)的市場應(yīng)用很廣.十年間,專家系統(tǒng)被用于股市預(yù) 測,幫助醫(yī)生診斷疾病,以及指示礦工確定礦藏位置等.這一切都因為專家系統(tǒng)存儲規(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開發(fā),著名的如Minsky的構(gòu)造理論.另外David Marr提出了機器視覺方 面的新理論,例如,如何通過一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過分析這些信 息,可以推斷出圖像可能是什么.同時期另一項成果是PROLOGE語言,于1972年提出. 80年代期間,AI前進更為迅速,并更多地進入商業(yè)領(lǐng)域.1986年,美國AI相關(guān)軟硬件銷售高達4.25億 美元.專家系統(tǒng)因其效用尤受需求.象數(shù)字電氣公司這樣的公司用XCON專家系統(tǒng)為VAX大型機編程.杜邦,通用 汽車公司和波音公司也大量依賴專家系統(tǒng).為滿足計算機專家的需要,一些生產(chǎn)專家系統(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)有專家系統(tǒng)中的錯誤,又有另外一些專家系統(tǒng)被設(shè)計出來.

從實驗室到日常生活

人們開始感受到計算機和人工智能技術(shù)的影響.計算機技術(shù)不再只屬于實驗室中的一小群研究人員. 個人電腦和眾多技術(shù)雜志使計算機技術(shù)展現(xiàn)在人們面前.有了象美國人工智能協(xié)會這樣的基金會.因為AI開發(fā) 的需要,還出現(xiàn)了一陣研究人員進入私人公司的熱潮。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開發(fā)組上. 其它一些AI領(lǐng)域也在80年代進入市場.其中一項就是機器視覺. Minsky和Marr的成果現(xiàn)在用到了生產(chǎn)線上的相機和計算機中,進行質(zhì)量控制.盡管還很簡陋,這些系統(tǒng)已能夠通過黑白區(qū)別分辨出物件形狀的不同.到1985年美國有一百多個公司生產(chǎn)機器視覺系統(tǒng),銷售額共達8千萬美元. 但80年代對AI工業(yè)來說也不全是好年景.86-87年對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6百萬美元,大約占利潤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.另一個另人失望的是國防部高級研究計劃署支持的所謂"智能卡車".這個項目目的是研制一種能完成許多戰(zhàn)地任務(wù)的機器人。由于項目缺陷和成功無望,Pentagon停止了項目的經(jīng)費. 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)在日本被開發(fā)出來,如在美國首創(chuàng)的模糊邏輯,它可以從不確定的人工智能機器人

條件作出決策;還有神經(jīng)網(wǎng)絡(luò),被視為實現(xiàn)人工智能的可能途徑.總之,80年代AI被引入了市場,并顯示出實用價值.可以確信,它將是通向21世紀之匙. 人工智能技術(shù)接受檢驗 在"沙漠風暴"行動中軍方的智能設(shè)備經(jīng)受了戰(zhàn)爭的檢驗.人工智能技術(shù)被用于導(dǎo)彈系統(tǒng)和預(yù)警顯示以 及其它先進武器.AI技術(shù)也進入了家庭.智能電腦的增加吸引了公眾興趣;一些面向蘋果機和IBM兼容機的應(yīng)用 軟件例如語音和文字識別已可買到;使用模糊邏輯,AI技術(shù)簡化了攝像設(shè)備.對人工智能相關(guān)技術(shù)更大的需求促 使新的進步不斷出現(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)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(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）

人工智能chatGPT股票（人工智能股票行情）

人工智能在營銷領(lǐng)域的應(yīng)用（人工智能在營銷領(lǐng)域的應(yīng)用摘要）

可卡品牌設(shè)計論文（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）