第7章 智能系统概述.pptx

第7章 智能系统概述.pptx

《第7章 智能系统概述.pptx》由会员分享，可在线阅读，更多相关《第7章 智能系统概述.pptx（19页珍藏版）》请在冰点文库上搜索。

第7章智能系统概述,概述智能系统的特点智能系统的发展,.智能系统,智能系统（Intelligentsystems）是指能产生人类智能行为的机器（计算机）系统。

智能是人类大脑的较高级活动的体现，那么什么是人类智能？

有哪些表现特征？

人类智能,人类在认识和改造自然的过程中表现出来的智力活动的能力，表现在以下方面：

通过视觉，听觉，触觉等感官接受图像，文字，声音等各种自然信息去认识外界环境的能力。

将感性知识加工成理性知识的能力。

也就是说，经过分析，推理，判断等思维过程而形成概念，建立方法和做出决策的能力。

经过教育，训练，学习，不断提高认识与改造客观环境的能力。

对外界环境的变化和干扰做出适应性反应的能力。

智能系统应具备自动地获取和应用知识的能力、思维与推理的能力、问题求解的能力和自动学习的能力。

设计实现一个完全具有人类智能的智能系统，是人类追求的终极目标，还有很长的路。

但是，实现部分功能，或一定程度上实现部分功能的智能系统已经出现。

智能系统的特点,处理对象智能系统处理的对象，不仅有数据，而且还有知识。

表示、获取、存取和处理知识的能力是智能系统与传统系统的主要区别之一。

处理结果智能系统往往采用人工智能的问题求解模式来获得结果。

它与传统的系统所采用的求解模式相比，有三个明显特征，即其问题求解算法往往是非确定型的；其问题求解在很大程度上依赖知识；求解的问题往往具有指数型的计算复杂性。

具有环境适应能力在与环境交互的中，通过感知、学习、推理、判断然后做出相应的动作，即自组织性与自适应性。

三.智能系统的发展,谷歌公司在国际顶尖期刊自然杂志发文宣布，其人工智能研究团队研发的围棋电脑软件“阿尔法围棋”（AlphaGo），以5比0的比分战胜了欧洲围棋冠军、原中国职业围棋二段选手樊麾。

这是电脑在完全公平（没有让子）的情况下，首次打败围棋职业棋手。

自然杂志封面,三.智能系统的发展,2016年3月9日，AlphaGo对战世界围棋冠军李世石，李世石投子认输；3月10日，“围棋人机大战”第二局在韩国首尔的开赛，AlphaGo执黑战胜李世石；3月12日，AlphaGo执白再次战胜李世石；3月13日，李世石战胜阿尔法电脑，比分扳成1-3；3月15日，AlphaGo战胜李世石，总比分定格在1比4。

自然杂志封面,这一战果让围棋界和科技界都震惊不已：

围棋一直以来被视为人工智能无法超越人类智慧的证据。

围棋被世界公认为是最深奥、最难下、变化最复杂的棋类运动。

近几十年来，围棋游戏一直是计算机难以涉足的领域。

尽管1997年IBM公司开发的“深蓝”在国际象棋的人机大战上击败了世界棋王卡斯帕罗夫，但上世纪90年代获得世界计算机围棋锦标赛冠军的电脑软件，如果跟人类对局，竟然可被初段棋手让到17个子。

为什么电脑在国际象棋能打败人类，而在围棋却与人类不成对手呢？

这是因为“深蓝”凭借强大的计算能力，借助穷举法穷尽了国际象棋对弈的所有变化。

国际象棋整个对弈过程，在当时已经被电脑软件拆解到每一步都有最佳应手。

也就是说，电脑下国际象棋，步步都是正着，而人类棋手因受精力、体能和情绪等因素的影响，难以避免会走出“昏招”，故最终一定会输给不会犯错的电脑。

棋盘由64个黑白相间的格子组成，每方16个棋子，平均每回合有35种可能，一盘棋可以有80回合；,棋盘横竖19道，共有361个点，其走法大于10的80次方，有3的361次方的局面。

围棋每回合有250种可能，一盘棋可以长达150回合。

这一巨大的计算量，用穷举法是不可能的。

除此之外，围棋还需要有布局、形势判断等整体形象思维的能力。

因此围棋一直被认为是人工智能难以攻克的堡垒。

“阿尔法围棋”是怎么做到的？

“阿尔法围棋”的关键在于使用的深度神经网络。

在这样的网络中，如果你将足够多的关于树木的照片输入进去，它们就能学会识别出一棵树。

如果输入足够多的对话，它们就能学会如何进行一段得体的对话。

如果输入足够多的围棋走法，它们就能学会下围棋。

深度学习神经网络,采用了目前人工智能领域最热门的卷积神经网络技术，它能模拟人脑神经元，具有深度学习、主动识别、自适应等功能，其核心是成功应用了两种深度神经网络“策略网络”和“价值网络”：

前者，将围棋盘面落子选点从几百、几十个大大缩减为三五个，逐渐接近职业棋手；后者，也是最难的，在盘面形势判断上，通过职业棋手棋谱的验证、筛选，给出下一步的正确预判。

也就是说，“策略网络”负责减少搜索的宽度，“价值网络”负责减少搜索的深度，它们合作“挑选”出那些比较正确的棋着，抛弃明显不该走的臭着，其本质上和人类棋手所做的是完全一样的。

“阿尔法围棋”利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。

这样“阿尔法围棋”在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。

自然杂志将“阿尔法围棋”的成果归功于“深度学习”（DeepLearning）。

深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。

2006年之后，深度学习实际使用多于三层的神经网络，即深度神经网络。

这是复杂的非线性模型，拥有复杂的结构和大量的参数，有非常强的表示能力，特别适合于复杂的模式识别问题。

这种能力在“阿尔法围棋”上就得到了很充分的体现。

对于任何一个神经网络，谁也不能保证输入是2，输出一定是第二个数字最大，要保证这个结果，需要对网络进行训练使其学习。

学习的过程就是：

输入大量的图片，如果结果不是想要的结果，则对网络参数进行调整。

如何调整呢？

每个神经元的权值都向目标进行微调。

权值调整算法（后面介绍BP算法）,人工智能技术发展,2017年10月19日，在国际学术期刊自然（Nature）上发表的一篇研究论文中，谷歌下属公司Deepmind报告新版程序AlphaGoZero：

从空白状态学起，在无任何人类输入的条件下，它能够迅速自学围棋，它经过3天的训练便以100：

0的战绩击败了他的哥哥AlphoGoLee，经过40天的训练便击败了它的另一个哥哥AlphoGoMaster。