如果你遵循炒作 人工智能是下一件大事

我們的房子，我們的汽車，我們的烤面包機(jī)，所有這些似乎都充滿了，甚至充滿了智慧，就像一些偉大的真菌已經(jīng)消失了。人工智能就在這里，你需要它，現(xiàn)在!

好吧，這可能有點(diǎn)夸大其詞，在某種程度上值得問(wèn)一下究竟所有這些人工智能的東西是什么，以及它是否真的不如每個(gè)人都聲稱的那樣偉大(也不像每個(gè)人都擔(dān)心的那樣糟糕，如果你采取相反的立場(chǎng)，AI正在追求每個(gè)人的工作)。

然后有點(diǎn)歷史課。人工智能作為一個(gè)概念已存在，只要人類一直在講故事。唱?jiǎng)?，魔法物品，魔法的各種東西是一種將智力和自由代理歸于無(wú)生命物體的方式。希臘的偽造之神赫菲斯托斯據(jù)說(shuō)創(chuàng)造了青銅侍女，幫助他制造神靈的武器。塔洛斯是赫菲斯托斯為保護(hù)克里特島而創(chuàng)建的青銅自動(dòng)機(jī)，是杰森和阿爾戈英雄故事中最令人討厭的故事之一，杰森和他的手下只能通過(guò)取下他的油帽來(lái)打敗他。腳踝(原始的阿基里斯腳跟)并讓油排出。

最近，在20世紀(jì)50年代，由Marvin Minsky和John McCarthy領(lǐng)導(dǎo)的一個(gè)研究小組建立了什么會(huì)成為麻省理工學(xué)院計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室。明斯基本人在他的一生中是一個(gè)有爭(zhēng)議的人物(他于2016年去世)。他對(duì)第一個(gè)神經(jīng)網(wǎng)絡(luò)中的一個(gè)是負(fù)責(zé)任的，這個(gè)算法大致模仿了有限數(shù)量的神經(jīng)元在大腦中的工作方式，但他對(duì)其他人的理論的批評(píng)，如弗蘭克羅森布拉特的作品，后者稱之為感知器和他試圖淡化人工智能可以做的事情，大大削弱了投資者對(duì)人工智能的興趣，最終導(dǎo)致人們?cè)?0世紀(jì)60年代和70年代的大部分時(shí)間里被稱為人工智能冬季。

回想起來(lái)，這可能不是一件壞事。明斯基的評(píng)估是正確的，當(dāng)時(shí)計(jì)算能力不足以讓人工智能真正發(fā)揮作用，并且需要戈登摩爾的復(fù)合因素，每隔18個(gè)月將處理能力提高一倍，才能達(dá)到電腦開始的階段。有能力將神經(jīng)網(wǎng)絡(luò)探索到合理的水平。具有諷刺意味的是，羅森布拉特的感知者最終會(huì)在這方面占據(jù)突出地位，同時(shí)人們?cè)絹?lái)越認(rèn)識(shí)到非線性數(shù)學(xué)將成為其核心。

事實(shí)上，這是明斯基在他和心理學(xué)家Nicolas Papert所寫的書中的關(guān)鍵論點(diǎn)之一，即感知器是一種非線性方法，因此無(wú)法用當(dāng)時(shí)的技術(shù)解決。

線性是一種具有一些不同含義的數(shù)學(xué)概念。最簡(jiǎn)單的是，它意味著您可以使用y = a * x + b的變化來(lái)解決問(wèn)題。例如，華氏溫度和攝氏溫度之間的關(guān)系為C =(5/9)*(F-32)。更一般地說(shuō)，這意味著您可以轉(zhuǎn)換公式，使轉(zhuǎn)換后的公式具有這種關(guān)系。指數(shù)和對(duì)數(shù)方程通常以這種方式處理，并且，如果使用復(fù)數(shù)(實(shí)數(shù)+虛數(shù))，這還包括三角函數(shù)，如正弦和余弦。

所有這些都發(fā)生(并非巧合)是微積分中線性微分方程的解，這意味著它們可以精確地求解，并且可以使用數(shù)值方法以相對(duì)較小的問(wèn)題求解。因?yàn)樗鼈冊(cè)诤艽蟪潭壬厦枋隽嗽S多工程系統(tǒng)的行為，所以數(shù)學(xué)家很難解決問(wèn)題并使它們成為線性的。

另一方面，非線性方程描述了更廣泛的問(wèn)題領(lǐng)域，但通常解決方案不能轉(zhuǎn)化為線性方程，因此難以求解。例如，牛頓的運(yùn)動(dòng)方程描述了完美物體的行為 - 例如，冰上的冰球?qū)⒈３峙c遇到障礙時(shí)相同的速度。

然而，混凝土上相同的冰球會(huì)急劇減速，會(huì)跳躍，并會(huì)旋轉(zhuǎn)。為什么?摩擦。一旦將摩擦引入等式，該等式就變?yōu)榉蔷€性，并且預(yù)測(cè)其行為變得相當(dāng)困難。它們對(duì)初始條件變得更加敏感，并且經(jīng)常變得不連續(xù)，因此對(duì)于在源中或多或少彼此相鄰的兩個(gè)點(diǎn)，所得到的函數(shù)以使得它們?cè)诒舜酥斜舜瞬唤咏姆绞接成渌鼈?。目?biāo)。

最簡(jiǎn)單的例子是雙曲線方程：y = 1 / x。當(dāng)你在正尺寸上接近x時(shí)，y的值會(huì)上升，而相應(yīng)的x的負(fù)值會(huì)下降。在x = 0時(shí)，等式是沒(méi)有意義的。這被稱為不連續(xù)功能，它是各地?cái)?shù)學(xué)家和物理學(xué)家的禍根。

但是，還有另一類稱為高階函數(shù)的函數(shù)，其中函數(shù)的輸出隨后被用作同一函數(shù)的輸入。例如，假設(shè)你有一個(gè)函數(shù)y = f(x)= x + 1.當(dāng)x = 0，y = 1時(shí)，這是一個(gè)很好的簡(jiǎn)單線性方程。但是，f(f(0)= f(1)= 2，f(f(f(0)= 3等等。這是遞歸函數(shù)的一個(gè)例子。

非線性遞歸函數(shù)傾向于產(chǎn)生不連續(xù)點(diǎn)的云，但氣象學(xué)家愛(ài)德華洛倫茲在1971年首次發(fā)現(xiàn)的有趣的事情是，如果你運(yùn)行足夠的點(diǎn)，云會(huì)聚在一個(gè)不太可重入的軌道上他稱之為一個(gè)奇怪的吸引子。

基于Lorenz的工作以及他自己對(duì)股票市場(chǎng)運(yùn)動(dòng)與海岸線形狀相似性的研究，數(shù)學(xué)家Benoit Manderlbrot將非線性方程的可視化稱為“分形”，因?yàn)樗鼈儽憩F(xiàn)出類似于線性的特征。 - 我們熟悉的維度(點(diǎn)，線，平面，空間，超空間)，但介于這些維度之間。

分形一段時(shí)間成為了一個(gè)熱門領(lǐng)域，用于挖掘計(jì)算機(jī)屏幕背景，然后熱潮最終消失，但大多數(shù)人都不知道，隨著對(duì)神經(jīng)網(wǎng)絡(luò)的研究開始遇到增加的速度，它們將在計(jì)算領(lǐng)域找到第二個(gè)生命。計(jì)算系統(tǒng)的內(nèi)存可用性。

然而，到達(dá)那里需要另一次轉(zhuǎn)移。語(yǔ)言計(jì)算長(zhǎng)期以來(lái)一直是計(jì)算科學(xué)領(lǐng)域的一種死水。隨著計(jì)算機(jī)從大型真空管系統(tǒng)轉(zhuǎn)向筆記本電腦，最終轉(zhuǎn)向手機(jī)和平板電腦，與計(jì)算機(jī)交談(好吧，尖叫)的沖動(dòng)，如果有的話，只會(huì)隨著時(shí)間的推移變得更強(qiáng)大。同樣，有很多與策劃書籍和雜志文章相關(guān)的任務(wù) - 確定要點(diǎn)，共同主題和總結(jié) - 既耗時(shí)又需要很多技巧才能做好。如果我們能夠動(dòng)態(tài)地閱讀和總結(jié)(甚至更有力地閱讀和翻譯)計(jì)算機(jī)，它將解決幾乎所有組織中最大的問(wèn)題之一：能夠在媒體中找到您需要的信息。

自20世紀(jì)60年代以來(lái)，有一個(gè)完整的領(lǐng)域稱為文本分析，其涉及使用統(tǒng)計(jì)函數(shù)來(lái)確定兩個(gè)作品之間的主題相似性。它的成功是喜憂參半 - 這些帶來(lái)的搜索功能遠(yuǎn)遠(yuǎn)優(yōu)于大量圖書館員手動(dòng)總結(jié)的手動(dòng)工作，但相關(guān)性仍然很差。

在大多數(shù)情況下，在這樣的系統(tǒng)中實(shí)際使用的是索引，通常在單詞和短語(yǔ)之間具有某種強(qiáng)度指示符，以及它們所處的位置。統(tǒng)計(jì)數(shù)據(jù)(大部分)是線性的，但一般來(lái)說(shuō)，對(duì)于可以解釋的內(nèi)容存在重大限制。

作為互聯(lián)網(wǎng)基礎(chǔ)的第一個(gè)網(wǎng)絡(luò)瀏覽器，客戶端和通信協(xié)議的創(chuàng)建者，Tim Berners-Lee開始這項(xiàng)工作主要是為了讓您更容易在瑞士的CERN找到文件。通過(guò)在文檔中直接標(biāo)記內(nèi)容和構(gòu)建元數(shù)據(jù)，Berners-Lee能夠使文檔更具機(jī)器可讀性。

他在十五年后回到這個(gè)主題，并意識(shí)到他可以使用類似的方法處理任何類型的數(shù)據(jù)。最大的區(qū)別在于他意識(shí)到“數(shù)據(jù)文檔”中的信息可以分解為更簡(jiǎn)單的斷言的互連圖形網(wǎng)絡(luò)。每個(gè)節(jié)點(diǎn)成為實(shí)體或概念的標(biāo)識(shí)符，每個(gè)邊緣都是描述與其他節(jié)點(diǎn)的關(guān)系的向量。

這種“圖形”視圖提供了許多優(yōu)于傳統(tǒng)數(shù)據(jù)庫(kù)的巨大優(yōu)勢(shì)。首先，可以通過(guò)創(chuàng)建從元數(shù)據(jù)返回到相關(guān)項(xiàng)目的鏈接來(lái)添加關(guān)于某事物的元數(shù)據(jù)。其次，對(duì)于給定的屬性，資源可以具有多個(gè)值，而不需要構(gòu)建整個(gè)表。最后，使用元數(shù)據(jù)(可以遞歸遍歷的模式)抽象出數(shù)據(jù)中的行為模式變得更加容易。

注意一個(gè)模式開始在這里發(fā)展?在關(guān)系數(shù)據(jù)庫(kù)中很難進(jìn)行遞歸，因此遞歸設(shè)計(jì)模式非常少。使用一個(gè)查詢，您可以在處理圖形時(shí)基本上重現(xiàn)族樹，您可以遍歷圖形而無(wú)需知道下一個(gè)相鄰節(jié)點(diǎn)，并且可以將多個(gè)圖形合并在一起而不會(huì)重復(fù)。

這可用于提供基于連接的搜索 - 搜索蝙蝠俠，你獲得超級(jí)英雄作為一個(gè)概念，從這可以搜索穿著caped十字軍的所有黑色(或深灰色)。這對(duì)于關(guān)系數(shù)據(jù)庫(kù)來(lái)說(shuō)很難做到。它可以使用XML或JSON數(shù)據(jù)庫(kù)來(lái)完成，但通常這些都不是非常擅長(zhǎng)管理對(duì)其他實(shí)體的引用。

使用信息圖表的優(yōu)點(diǎn)是信息被霧化并重構(gòu)為不同的屬性，通常可以從其他屬性構(gòu)建。實(shí)際上，您正在處理多維數(shù)據(jù)，甚至可以動(dòng)態(tài)更改數(shù)據(jù)的不同方面具有的類別。最后，您可以動(dòng)態(tài)地檢測(cè)基于數(shù)據(jù)集的模式，而無(wú)需事先了解您正在使用的屬性。這意味著數(shù)據(jù)可以隨著時(shí)間的推移變得自組織。

這些類型的圖數(shù)據(jù)庫(kù)稱為知識(shí)圖。還有其他形式的圖形數(shù)據(jù)存儲(chǔ)針對(duì)不同類型的處理進(jìn)行了優(yōu)化，但是大多數(shù)形式的工作在于信息存儲(chǔ)在連接具有關(guān)系信息的實(shí)體的圖形或網(wǎng)格中的想法。