人工智能应用场景及发展维度探析

闫 敏

(新乡职业技术学院，河南 新乡 453006)

0 引言

人工智能作为当今世界除能源技术、空间技术之外的三大顶端技术之一，也是计算机科学领域的前沿学科。该项技术1956年由麦卡赛、明斯基等一批科学家提出。美国斯坦福大学的人工智能研究中心尼尔森教授将人工智能定义为“人工智能是一门知道如何表达知识以及如何获取和使用知识的学科”。美国另一所知名大学温斯顿教授认为，人工智能是研究计算机如何执行以前只能由人类完成的智能任务[1]。

1 人工智能的研究方法

在人工智能领域，简化主义的思想已经被象征主义所取代。试图用研究知识将所有人类思想概念化，将其抽象为规则，并编写符号程序，试图通过成熟的模仿人脑的逻辑思维，以实现人类的完美。建构主义学派展示了一种研究方法，将“人工神经网络”理论应用于人工智能领域，该理论主要基于核心网络的单个神经元之间的相互作用，主要表达了单个神经元的作用和行为。认为人工智能的实现并不单单依赖于获取知识或者建立逻辑思维，可以从低级到高级逐步演化，从而激发个体神经元反应。

人工能智能系统除了具有结构、功能和行为等重要系统属性外，其主要还体现在工作机制上，北京邮电大学钟以新教授提出了研究制度主义方法。该研究方法主要阐述了信息、知识和智能之间的相互关系与区别，将具体的信息表达以及从信息中抽象出来的知识表达作为策略，从而具备解决问题的本领。这个过程主要将智能生成作为出发点，形成知识、信息、智能转换的互生作用机制。把具体的信息作为抽象知识的抽取源，相当于从原始材料中提取核心元素。换句话说，信息只有变为抽象知识，才能发挥其最大的价值，也可以将知识视为从信息中衍生出来的。抽象的知识只是揭示了运动和变化规律，若要达到预设，应用于实际中解决问题，还需要基于智能策略才能实现智能行为的转化[2]。

2 人工智能的主要应用领域

2.1 问题求解

问题求解是解决意外后果或偏离事故管理活动期望结果的方式。例如：人工智能在国际象棋大赛中的不俗表现，展现出人工智能解决难题的能力已经能够超越人类的思维，这与人工智能软件的计算速度息息相关[3]。人工智能可以获取信息引导和启发式搜索，以实践知识为导向，导致一个解决问题的程序接着另一个优先解决问题的程序，将各种数学模型的符号集合，其性能已经达到了非常高的水平，被很多科学家和工程师使用，甚至一些程序也可以利用经验来提高其性能。利用数学方法不断优化算法，从而可以进行复杂的符号运算，简化解决问题的方案，直到能寻求到解决问题的方法，达到人类解决问题的表达能力，就像国际象棋大师对象棋棋局的熟悉程度，从而解决问题。

2.2 专家系统

人工智能研究的另一个重要领域是欧盟的Expert Svstem系统，它探索一般思维并鼓励人们利用他们的专业知识解决特定问题。这是实现工业智能从理论研究到实际应用的重要突破。专家系统可以看作是具有特殊知识的某种计算机智能软件。它教授特定领域专家的知识和经验以及人工智能推理技术来模拟专家解决各种问题。一般来说，专家系统是智能软件，其解决问题的方式是启发式的，需要专家系统解决的问题通常没有算法解决方案。与传统计算机程序的不同之处在于，其总是根据不完整或不准确的信息得出结论。

近些年，专家系统的研究也成为人工智能领域的重要研究方向，并且已经具备成功应用于人工智能领域的基础。比如用户与专家系统的对话谈判，就是专家系统在人工智能领域应用的典范。这种专家与用户的对话同样是向专家系统获取解决问题的答案。这种模式可以成功应用于化学和地质数据分析、计算机系统结构、土木工程和医疗诊断。在这些测试领域中，人工智能展示了优秀的咨询能力。此外，还有很多研究侧重于解释和论证专家系统的可能性，以便用户更好地理解句子并帮助人们发现系统思维中的错误。开发专家系统的核心是表达和使用来自人类的专家知识、有用的事实和过程，这些专家已经证明了他们在特定领域解决典型问题的能力。不同学科和类型的专家系统在体系结构和功能上存在一定的差异，但其组成本质上是相同的。基础专家系统主要由知识库、数据库、演示机、解释机、知识采集和用户界面6部分组成[4-6]。

2.3 机器学习

机器学习是研究使用计算机来模拟或实施人类学习活动。机器学习作为人工智能的又一主要应用领域，与专家系统相比，共同点在于都是基于计算机智能，其应用范围也基本覆盖了人工智能的全部领域。学习作为人类区别于其他生物的高级思维活动，也是人类获取知识的重要途径与方法。若机器具有类似人类的学习高级思维活动，那么计算机便可实现向智能计算机的转化趋势。正如申克所说，“只有学习型计算机才能称为智能，也有助于揭示人类学习的机制，揭示人脑的秘密。这个过程是老师(或专家)提供信息并转化学习的过程。”系统可以被理解和应用。教学方法可以根据教师系统的依赖程度进行分类，主要包括：机械学习、指导学习、模拟学习、归纳学习、观察和发现学习等。此外，教学近年来发展了解释等方法，以及实例、概念、神经网络学习、遗传学习等[7]。

2.4 神经网络

人工神经网络是由多个处理器连接而成的网络，即神经元，常被称为神经网络，或简称为拟线性网络。

神经网络的模型建构主要以一定数量的节点或神经元构成。其是一种由自然神经网络抽象出来的模型。神经网络基于人脑的机制作为模仿对象，具有人脑某些方面的功能，从而解决具体实际问题。人工神经网络依据生物神经网络机理，应用数学描述方法，建立与之相适配的数学模型，其模型参数由固定算法来实现。与以往的计算机信息存储方式有着很大不同，神经网络是利用各个节点元素之间的分布式物理链接的方式对信息进行处理与存储。这也就意味着人工神经网络具有类似人脑的自主学习能力，而非“专家”的经验与直觉。可采用自适应方式自动依据实验数据编写规则。这对于解决多维复杂的非线性问题尤为重要，也就是说不仅可以定量解决问题，而且还能够定性解决问题。神经网络具有并行处理、分布式存储、定制信息、组织性强、训练有素、关联性强、灵活性和可靠性好等众多优点。

2.5 模式识别

计算机人工智能使用的模型识别是指使用计算机来改变人或帮助人们理解模型。其研究重点是计算机模型识别系统，该系统允许计算机系统使用感官来模仿一个人对外部世界的感知。过去，模型识别研究主要集中在文本和二维图像识别上，已经取得了很多成果。自1960年代中期以来，计算机视觉的研究集中在3D场景的解释和描述更复杂的主题。1965年Robest发表的文章将3D图像解释为3D场景，为分析棱镜场景奠定了基础，并迈出了计算机使用单目图像的第一步。机器识别也从三维识别转向更复杂的场景识别，用于复杂环境和户外场景分析和探索的其他方面。

场景分析领域目前的重点是对活动目标(如飞机)的识别和分析，这是机器识别应用于实践场景的研究标志。语言识别技术的研究始于1960年代初，并在 1970 年代得到发展，不同的语音识别设备相继出现。在实践中，能够识别单词的功能良好的语音识别系统已经出现。神经网络也成功地用于语音识别。模型识别是一个瞬息万变的事物，其理论基础和研究领域也在不断变化。模式识别目前正处于严重的发展阶段：随着应用的逐渐扩大和计算机科学的进步，未来模型识别技术将更加活跃，量子计算机技术将应用于模型识别研究。

2.6 通信领域

5G通信技术作为智能交通、智能家居、智能互联等关键技术，是为人们生活提供智能服务的可靠保障。利用人工智能，5G通信技术发挥着关键作用，主要体现在以下几点。

(1)提升云服务性能。

使用5G看高清视频，上传下载资源更快。随着智能手机的普及，5G通信技术将集中的服务器云转变为分散的移动设备云，解决了智能移动设备存储资源有限的问题。基于数据的共享是一项核心服务。5G技术强大的带宽和算力可以加速自动驾驶汽车、远程医疗、智能交通等应用的普及，加速人工智能与通信网络的互联互通。

(2)促进工厂自动化的发展。

为了提高工作效率，减少人力开支，降低特殊岗位人员作业的风险，需要通过人工智能实现岗位自动化。同时，5G的通信很好地保证了自动化设备的无线连接，可以使用远程工厂连接对各个作业流程和产品的质量进行实时监测。

(3)促进物流行业更加智能化的发展。

由于广泛链接、低成本的特性，5G通信将会促进物流行业仓库管理、物流配送的智能发展。

(4)5G通信技术与人工智能技术的融合将侧重技术演化的互助。

目前，5G通信与人工智能有所融合，比如在5G通信设备中应用了许多人工智能算法，例如机器学习、知识图谱、计算机视觉、遗传算法等。未来人工智能与5G通信更侧重于技术演化的互助。特别是自主资源分配、智能流量识别、智能预测等方面，都将与5G通信技术深度结合，有助于提高5G通信的效率，实现资源的高效分配，可以提高信息资源的利用率。5G通信技术更新换代也会助推人工智能的发展，比如远程控制智能终端设备。

3 人工智能未来发展维度

3.1 垂直领域应用潜力大

人工智能市场在零售、交通、自动化、制造和农业等多个垂直领域具有巨大潜力。市场的主要驱动力是人工智能技术在各种垂直终端用户活动中的应用和发展，尤其是能否为消费者提供更多的人性化服务。人工智能市场的发展受到多种因素的影响，包括完善的IT基础设施以及智能手机和智能设备的普及。自然语言处理尤为重要。随着自然语言处理技术的发展，人工智能的范围扩大，推动了消费市场的发展。

3.2 AI发展的关键在芯片

AI芯片的核心就是半导体和算法。人工智能硬件必须满足命令周期快、功耗低、与深度学习算法集成的要求。目前，AI芯片包括GPU、DSP、ASIC、FPGA和神经芯片。AI硬件的选择取决于产品制造商的要求，因为GPU在计算速度上比FPGA快，FPGA在功率效率上优于GPU。以苹果的Face ID为例，该计划由8个部分组成，需要高能效。此外，苹果最终选择了FPGA，因为它依赖于消费者生物识别技术。

3.3 机器自主学习是目标

AI的“大脑”正逐渐变得更加智能，从机器学习到深度自主学习。从全球来看，人工智能还处于机器学习和深度学习阶段。要实现自主学习，需要解决4个关键问题：一是为自主机器打造人工智能平台，打造虚拟自主学习环境；二是现实世界；三是让人工智能的“大脑”回归自主机器的结构；四是创建虚拟世界 (VR)门户。

3.4 “人工智能+”社会发展模式

社会发展模式将逐渐以“人工智能+”取代目前的互联网模式，人类生活方式也将发生巨大变革。人工智能将不断融入各行各业，不断更替传统的行业形式，也会不断涌现新的发展行业。在以深度学习为基础，以云计算、生物识别等数据或计算能力为关键技术基础的“AI+”时代，AI推动人工智能在金融、医疗、自动驾驶、安全等领域的应用非常有价值。在互联网成为互联互通的今天，数据的高速增长迫使信息的高效搜索和资源的合理配置。在互联网和电脑无处不在的时代，“人工智能+”时代已成为必然趋势。未来，人工智能将从更专业的领域逐步扩展到各行各业，演进为通用智能，为产业革命的新阶段做出贡献。

4 结语

人工智能就是21世纪影响最大的科学技术，同时也是未来主导的技术之一。当前，在人们的生活、生产中，智能技术的身影无处不在。相信在不久的将来，该技术的发展将会更加完善。为了更好地完成这次的工作，笔者搜集了很多的有关的资料，充分查阅国内外参考文献，在这个过程中加深了对人工智能发展维度的了解，明确了人工智能的发展维度方面的研究思路以及研究方向，从而顺藤摸瓜进行下一步研究，发现了许多以前没有仔细研究的地方，为以后的相关研究奠定了基础。