智能的概念定义_实践的本质和结构

智能的概念定义_实践的本质和结构本文描述了我理解的智能的DIKW结构(数据层Data->信息层Information->知识层Knowledge->智慧层Wisdom),希望凭借这个框架解释智能的来源和本质。

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46,售后保障稳定

前言

本文描述了我理解的智能的DIKW结构(数据层Data->信息层Information->知识层Knowledge->智慧层Wisdom),希望凭借这个框架解释智能的来源和本质。

PS:

  1. 好久没写技术博客了,难得闲下来,打算开挖一堆新坑,把我最近几年在金融圈搞大数据和人工智能的经验和思考分享出来。
  2. 本文写完并发表之后,才发现原来国外早就有人提出了DIKW。 见DIKW模型 差点闹了乌龙!

人工智能的历史

人工智能开始的标志,是1956年的达特茅斯会议。至今已经发展了60多年。期间各种流派各种思路互相竞争,互相借鉴。人工智能的发展并非一帆风顺,而是经历三起三落。

2012年,以Hinton和他的学生Alex提出的AlexNet赢得2012届ImageNet大赛冠军为标志,人工智能再次强势崛起,以深度学习为代表的技术在很多领域实现了实用化。如,以前只出现在科幻片中的技术:人脸识别解锁手机,人脸识别抓逃犯等已经成为现实。自动驾驶技术也非常成熟了。

这一波人工智能的崛起,有赖于以下这些技术的成熟:

  1. 大数据,带来的大量数据。
  2. 云计算和GPU,带来的强大计算能力。
  3. 深度学习,带来的强大模型。

数据,算力,模型共同成就了这波人工智能革命。

深度学习是机器学习中的一项重要技术。

目前,业内公认,机器学习是实现人工智能最可行的途径。

百度百科上是这么定义机器学习的:
“机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心,是使计算机具有智能的根本途径。”

智能的DIKW结构

巴普洛夫条件反射实验

大家一定记得中学时生物课上的巴普洛夫的条件反射实验。

巴甫洛夫的经典性条件反射理论来源于一个经典实验, 即:狗——铃声——唾液的实验。
这个实验分为三个阶段:
第一阶段,狗看到食物分泌唾液这是没有任何条件的 ;
这属于无条件反射。
第二阶段,在给狗食物之前,先摇铃,然后给食物。
反复多次;
第三阶段,仅仅给狗摇铃,观察狗分泌唾液的情况。
需要后天学习获得,属于条件反射。

实验表明,仅仅是给狗摇铃,狗也会分泌唾液。 这就是说,摇铃和狗分泌唾液之间建立了一定的联系。

不仅狗有条件反射的现象,鸟类也有,人类也有。如,某个人被蛇咬伤后,看见类似蛇的绳子也会非常紧张。

条件反射,就是智能的一种体现。

其实,所有动物都有条件反射现象。也就是说,所有动物都有一定的智能。我们知道,甲虫,蟑螂的智慧非常有限,是比较笨的。它们存活至今靠的是强大的繁殖能力,以量取胜。

老鼠的智慧很高。如果家里有老鼠,想要通过粘鼠板,捕鼠器,老鼠药等消灭尽家里的老鼠是不太可能的。

动物智能的高低区别,主要体现在神经元数量上。深度学习使用的深度神经网络,其灵感来自于人脑。

目前,基本上也是深度神经网络参数更多的模型,预测效果要比参数较少的模型更好。

条件反射,其实就是动物在大量训练中学习到一些知识,从而对未来进行预测。

人类,具有所有动物中神经元数量最多的大脑,最强大的学习能力,具备最强的预测能力,也就是最高的智能。

构成智能的DIKW结构

从动物的条件反射,以及机器学习的原理,我认为智能由四层结构组成。

Created with Raphaël 2.2.0 数据层 信息层 知识层 智慧层

数据层(Data)

数据是智能的基础。大数据,蕴含了大量规律。

巴普洛夫的条件反射实验中,每次喂狗,就是一次训练,就获得了一个样本数据。只有通过大量重复训练,才能形成狗的条件反射。

人类婴儿是怎么学习识别物体的呢?婴儿每天一睁眼,每秒钟人眼就要拍摄几十张照片。事实上正是这样大量的训练样本数据,才让婴儿学会了识别物体。

著名的ImageNet数据集,有超过1500万张照片。

信息层(Information)

数据的形式纷繁复杂,有照片,有音频,有文本。直接从如此杂乱的数据中生成智能是不可能的。必须从数据中做进一步的加工,提取信息,才能得到智能。

香农在70年多前就凭一己之力开创了信息论。
香农提出用“信息熵”作为信息量的测度。根据人们的实践经验,一个事件给予人们的信息量多少,与这一事件发生的概率(可能性)大小有关。一个小概率事件的发生,如“唐山发生七级以上大地震”使人们感到意外,它给人们的信息量就很多。相反一个大概率事件的出现,如“12月15日北京未下雪”给人们的信息量就很少。

在实践中,我发现信息还需要有一定的结构,否则计算机程序无法有效处理。

知识层(Knowledge)

就是动物从经验或者说训练数据中提取的规则和知识。如,巴普洛夫的狗,听到铃声就预测马上会有食物,从而开始分泌唾液。

在机器学习中,我们从信息层中可以用统计学知识得到一些规则,这就是知识。

智慧层(Wisdom)

根据知识,按照最优化的规则进行决策,就是有智慧。

韩寒在电影《后会无期》中说:我们听说过很多道理,却依然过不好这一生。

智慧亦如是。但这不是一个技术问题,本文就不赘述了。

以上4个层次就是智能的DIWK结构。

形成智能的关键环节

由于智慧层是非技术性的问题。所以,智能的关键,就是从数据中提取信息,从信息中归纳知识。

从数据中提取信息

信息和标签

信息是事物及其属性标识的集合。但这个概念对于机器学习编程好像没什么指导意义。

多年前,我曾经做过一个大数据征信平台。这个平台被我命名为Struct Data。因为我认为,大数据征信平台,必须存储结构化的数据,非结构化的数据在工程上是无法处理的。

如,我们有某个客户的一些短信。短信内容是无结构的文本,我怎么返回该客户的征信数据呢?方法就是把非结构化的数据转变成结构化的数据。如,从该客户的短信数据中,提取出一些标签:有大量信用卡,有少量信用卡,没有信用卡。
只有这样的结构化的数据,才在工程上有用。

在工程上,我可以把信息等价为“标签”。

标签,在技术上,可以认为是数据库的字段,是Excel表的列。

标签,是结构化的,易于处理。标签包含了从数据中提炼出的信息。

从标签中提取的标签

标签可以从数据中直接提取出来。也可以从其他标签中提取出来。

如,一份人行征信报告中包含大量的数据。从中可以提取大量的标签。如可以提取用户的信用卡数量,信用卡额度,信用卡使用额等标签。可以再从这些标签进一步提取衍生的标签:信用卡使用率等。这就是从标签中提取的标签。

一次标签提取,可以认为是一个函数操作。输入是一些数据或者标签,返回一个标签。

从标签中提取标签,可以认为是数学上的高阶函数,就是多个函数作用在数据上提取出了标签。这种机制能够从底层数据中提取到高度抽象的标签。

深度学习,是用多层神经网络来从数据中自动提取标签的机制。目前最深的网络有上千层。相当于上千个函数叠加作用在数据上。类似于炼油时进行上千次萃取,能够提取纯度非常高的油。

从信息中归纳知识

知识这个词和信息一样,非常抽象。我这里换一个和知识等价的词:规则。

因此,从信息中归纳知识,等价于从标签中归纳规则。

条件反射实验中,狗从大量的样本中,把“铃声”和“食物”这两个标签关联了起来,学习到了规则:“铃声”之后会有“食物”。

从标签中归纳规则,需要识别出标签之间的相关关系和因果关系。这需要使用统计学模型从大量样本中找出规律。

通过从数据中归纳出的规则来指导你的行动,要比你随机做出反应成功率要高得多。

这就是生物从单细胞生物向复杂的高智慧生物进化的过程。更强的智能,让生物更能够适应变化的环境。当前地球上最强的智能,就是人类的大脑。人脑约有1000亿个神经元。目前最大的深度神经网络GPT-3有1750亿个参数。可能很快,人类就可以制造出智能更强的深度神经网络。

数据和信息

这里,我们需要对数据和信息的一些关键概念进行一些澄清。

数据

数据,决定了可能获得的知识的准确度的理论上限。如果采集的数据,根本就没有包含规则,则不可能从数据中学习到规则。

信息

传统机器学习方法中,从数据中提取信息,需要分析师有很强的领域知识。如,图像识别领域的分析师,必须精通图像的构成知识;语音识别的分析师必须精通语言学,了解音素等知识;做风控的,必须了解信用风险,欺诈风险等知识。否则不大可能从数据中提取出真正有用的信息。

深度学习中,可以用统计学模型,直接让计算机从数据中自动提取合适的信息。

但是,深度学习要真正能很好地工作,需要有大量的数据,并且需要数据能够对知识有很好的解释力。

总结

本文描述了我理解的智能的DIKW结构,希望凭借这个框架解释智能的来源和本质。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:http://www.javaforall.cn/234792.html原文链接:http://www.javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • Windows系统日志分析工具– Log Parser「建议收藏」

    Windows系统日志分析工具– Log Parser「建议收藏」可参考文章:日志分析工具LogParser学习笔记_Memetali_ss的博客-CSDN博客写完才看见。吐了0x01基本设置事件ID及常见场景对于Windows事件日志分析,不同的EVENTID代表了不同的意义,摘录一些常见的安全事件的说明。4624–登录成功4625–登录失败4634–注销成功4647–用户启动的注销4672–使用超级用户(如管理员)进行登录系统:1074,通过这个事件ID查看计算机的开机、关…

  • Shell if else语句「建议收藏」

    Shell if else语句「建议收藏」Shellifelse语句if语句通过关系运算符判断表达式的真假来决定执行哪个分支。Shell有三种if…else语句:if…fi语句; if…else…fi语句; if…elif…else…fi语句。1)if…else语句if…else语句的语法:if[expression…

  • java人力外包的流程总结

    java人力外包的流程总结互联网高科技的快速发展加快了企业信息化进程,而很多企业在信息化进程中需要大量的软件人才,特别是java人才,存在很大的缺口,对java人才需求旺盛的企业很难招聘到合格的java人员,加上为了控制java人力成本、灵活发展公司业务,会选择和专业的it人力外包公司合作,那么java人力外包的流程是怎样的呢?一般来说,java人力外包流程分为以下几步:1、用人单位提出用人需求;2、用人单位与it人力外包公司签订技术服务框架协议;3、it人力外包公司安排候选java人员到用人单位参加面试;4、面试通

  • web实现QQ第三方登录「建议收藏」

    web实现QQ第三方登录「建议收藏」开放平台-web实现QQ第三方登录应用场景web应用通过QQ登录授权实现第三方登录。操作步骤1注册成为QQ互联平台开发者,http://connect.qq.com/2准备一个可访问的域名,

  • 簡單SQL存儲過程實例

    簡單SQL存儲過程實例

  • 数据库实例: STOREBOOK > 表空间 > 编辑 表空间: SYSTEM

    数据库实例: STOREBOOK > 表空间 > 编辑 表空间: SYSTEM

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号