人工智慧：讓機器像人類一樣思考

以人類大腦為模型，

機器學習可以教會AI計算機

學習新事物、識別不同模式，

甚至做出自主決策。

亞里士多德曾說過：「我們通過實踐學習。」現在，體驗式學習不再是人類的專利，機器的能力也越來越強，它們可基於學習經驗進行感知、推理、行動和調整等活動。

那位古希臘的哲學家可能從未設想過，「通過實踐學習」的方法論也同樣適用於人工智慧機器人，這些機器人被廣泛應用於各個領域，包括精準醫學、無人駕駛汽車，甚至還可以運用與其邏輯系統相似的程序進行數據分析。

計算機科學家們花了六十多年讓機器變得更加智能，至今他們的工作仍在繼續。實踐證明，在機器學習領域，「做」和「說」所代表的意思有著天壤之別。

早期AI研究過程中，計算機需要知道什麼，研究員們就告訴它什麼。然而這些直接指令似乎收效甚微，科學家們開始嘗試採用機器學習策略，讓AI程序直接分析並學習數據。

英特爾Saffron認知方案部前任產品主管安迪·希克爾表示，這絕對是一個明智之舉。「三種能力的集合助力學習技術的長足發展，」希克爾說。

高性能的計算機能力、強大的在線數據（包括文本、視覺、圖片以及感測數據）獲取能力以及數據註解能力——這三個要素將極大提高AI系統推斷信息的能力，他補充道。

現在，軟體開發商利用軟體、硬體和網路，就能夠設計出強大的AI應用程序，有能力完成多項任務，從檢測金融詐騙到贏得官司，再到與客戶進行在線交流。

智能機器學習方式

英特爾人工智慧Student Program項目兼社區經理尼文·辛格表示，機器學習現在已經廣泛應用於多個行業，它能夠基於計算機程序學習數據，無需進行編程就可根據經驗自主改進。作為英特爾Nervana AI Academy的組成部分，該項目展示了全世界各個學府的研究生們極具創造力的工作成果。

「機器學習讓我們能夠以更快的速度完成任務，這就是這種新興科技的最大優勢，」辛格說，

「人類無法解決的問題，它同樣束手無策，但是它能夠處理大量數據，並快速建立聯繫、作出預測。」

比如在遊戲領域，機器學習演算法能夠在競技遊戲中進行分析、預測接下來的操作，從而創造出更具挑戰性的對手。

在生產領域，如果公司能夠很好地理解數據，就可以提前修復，改善預防性維護。

在醫療領域，AI能夠分析多種疾病的醫學資料庫，幫助使用者做出更快更準確的醫療診斷。

機器學習基於最強大的計算機器之一——人腦中樞系統。

人工神經網路（ANN）使用演算法學習新事物、識別不同模式以及做出自主選擇。它們模擬人腦解決問題的方式——接收輸入、處理數據、生成輸出。希克爾表示，人工神經網路（ANN）能夠通過「weight值」對信息的重要性進行甄別。

人工神經元通過神經網路相互連接，通過判別這些連接的「weight值」，來確定某個神經元對其它神經元的影響強度。「weight值」可通過培訓程序進行調整，培訓程序可教授神經網路如何對輸入做出適當反應。

深度學習程序支持多層次運算需求。一層的運算結果將為下一層分析提供依據，從而逐步加深對數據的理解。

舉例來說，一個人工神經網路（ANN）在分析建築物圖像時，會在第一層進行邊緣檢測，然後在下一層進一步識別出它的邊緣是矩形。第三層分析之後，它可以識別出該矩形結構是一座建築物。最後一層分析後，就可以確定該建築是摩天大樓還是穀倉。

軟體開發商們使用大量輸入數據集訓練人工神經網路（ANN）的學習能力。原始數據本身並無太大作用，希克爾說，所以開發商們會為輸入數據作註解，標示「正確」答案。

為數據做註解對於分析成功與否非常關鍵，希克爾說。

自學式計算機

通過機器學習，計算機能夠在未被編程的情況下進行學習。軟體開發商們生成了學習演算法，讓人工神經網路（ANN）在未來接觸到更多數據時能夠不斷自我改善，辛格說道。

學習演算法可以分為三個子集：監督式學習、半監督式學習和無監督學習。前兩種方式需要大量的訓練數據作支持才能達到預期結果。

比如說，要想生成人臉識別演算法，開發商們可能需要提供大量風景、人物和動物的圖像，並各自附上標籤，直到確保機器能夠在無標籤圖像中成功識別人臉，希克爾說。

「我們利用機器學習進行的大部分工作都是無監督式學習，這就是我們最大的優勢，」希克爾說。

英特爾Saffron採用無監督的方式，可以獨立、簡便地識別數據的含義。生產商們不提供標籤圖片，而是讓機器根據人類無法識別的共享特徵對圖像聚類分析，希克爾說。

製造AI的工具

雖然AI領域似乎略顯神秘，不過製造智能系統的工具其實已經得到了廣泛應用。現代發展不再使用老舊、特殊的AI語言，比如Lisp和Prolog語言。開發商們現在更青睞通用語言，比如Python、Java和C++。

辛格說，監督式學習也有很多非常出色的工具包可供使用。Caffe、Theano、MXNet和TensorFlow等程序已被優化，適合在英特爾硬體上運行。高性能的晶元，比如英特爾至強可擴展處理器，能夠進行機器學習演算法所要求的高速矩陣乘法運算。

AI可以分析、整合不同類型的數據，並在此基礎上作出決策，辛格表示他對AI這種能力的發展感到非常興奮。

機器將在「通過實踐學習」的過程中不斷改進、不斷完善，這一點與人類並無二致。