資源簡介

(共36張PPT)
信息技術：人工智能
DATA
DATA
人工智能的產生
06-1
人工智能的產生
圖靈，是發明計算機的先驅者，被稱為計算機之父、人工智能之父。為了紀念他，計算機界的最高獎項被命名為“圖靈獎”
電影《模仿游戲》
人工智能的產生
恩尼格瑪密碼機上的輪子
仿制的“炸彈機”
人工智能的產生
1950年，圖靈發表一篇論文《計算機器與智能》，提出測試機器智能的方法，就是著名的“圖靈測試”
人工智能的產生
1956年夏天 約翰.麥卡錫等人在美國達特茅斯學院開研討會”如何用機器模擬人的智能“。會上提出”人工智能“這一概念，標志著人工智能學科的誕生。
約翰.麥卡錫
馬文.明斯基
克勞德.香農
什么是人工智能？
讓機器和人一樣運動
運動控制
讓機器和人一樣思考
機器學習、自動推理、知識表達、人工意識
讓機器和人一樣看懂
計算機視覺
讓機器像人一樣聽懂
語音識別、語音翻譯、聲紋識別、自然語言處理
人工智能（AI）是計算機學科的一個分支，是研究計算機模擬人的某些感知能力、思維過程和智能行為（如學習、推理、思考、規劃等）的學科。
什么是人工智能？
機器學習：實現人工智能的方法
深度學習：實現機器學習的利器
大數據： 人工智能的基石
利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。
——中國電子技術標準化研究院《人工智能標準化白皮書（2018版）》
人機博弈“三盤棋”
國際跳棋
---機器學習
國際象棋
---將知識庫搜索與機器學習結合
圍棋
---深度學習
人機博弈“三盤棋”
人機對弈：國際跳棋
1956年，計算機技術的先驅薩繆爾，在計算機上編寫出了世界上第一款國際跳棋程序。
1962年，這個程序擊敗了人類的一個跳棋冠軍。
這是“機器學習”算法的提出與首次應用。
人機博弈“三盤棋”
人機對弈：國際象棋
1997年，超級計算機“深藍”戰勝國際象棋世界冠軍卡斯帕羅夫。“深藍”是美國IBM公司生產的一臺超級計算機，有32個大腦（微處理器），每秒可以計算2億步。“深藍”中存儲了一百多年來優秀棋手的兩百多萬局對局。
今天看來，“深藍”還算不上足夠智能，它當時主要依靠強大的計算能力，窮舉所有路數，來選擇最佳策略。“深藍”靠計算可以預判12步，而卡斯帕羅夫可以預判10步，雙方能力不相上下。
人機博弈“三盤棋”
人機對弈：圍棋
2016年，阿爾法圍棋（AlphaGo）在與圍棋世界冠軍李世石的對弈中，以4:1的總比分獲勝。
2017年，它又進化為阿爾法元（AlphaGo Zero），通過“自學成才”，僅用3天就成了圍棋界的頂尖高手。以3比0的總比分打敗了柯潔。
“深度學習”算法取得巨大的成功。
前50目，他在棋局里看到了數千年來先賢的影子，
前80目，他看到了自己曾經對手的高超技法，這些都沒有打敗他，
直到第120目，他看到了自己的影子。
認識 人工智能
ChatGPT 是一種專注于對話生成的語言模型。它能夠根據用戶的文本輸入，產生相應的智能回答。這個回答可以是簡短的詞語，也可以是長篇大論。其中GPT是Generative Pre-trained Transformer（生成式預訓練變換模型）的縮寫。
通過學習大量現成文本和對話集合（例如Wiki），ChatGPT能夠像人類那樣即時對話，流暢的回答各種問題。（當然回答速度比人還是慢一些）無論是英文還是其他語言（例如中文、韓語等），從回答歷史問題，到寫故事，甚至是撰寫商業計劃書和行業分析，“幾乎”無所不能。
人工智能的產生
1956年達特茅斯會議
1959年
薩繆爾提出“機器學習”
1972年
出版《計算機不能做什么？》
1976年
機器翻譯項目失敗，政府減少經費資助
80年代初專家系統復興
1982年
第五代計算機系統計劃、Cyc項目
1995年前后，陷入“AI冬天”
2006年
杰弗里·希爾頓
提出“深度學習”
2010年
大數據時代到來
1950
1960
1970
1980
1990
2010
2020
2000
2016年
AlphaGo戰勝李世石
1997年
“深藍”戰勝國際象棋大師卡斯帕羅夫
第一次繁榮（1956-1974）：
偉大的首航
第二次繁榮（1980-1987）：
專家系統的興衰
第三次增長爆發（2011年至今）：
厚積薄發，再造輝煌
人工智能解決問題的模型框架
人類如何識別朋友的臉？
識別結果
（是朋友）
過去對于朋友的臉的知識和經驗
識別過程
識別結果
(不是朋友）
陌生人的臉
人工智能解決問題的模型框架
朋友臉的模型 F(x)
（用數學公式、圖表
表示過去的知識和經驗）
大量過去的案例（樣本）
訓練過程
人工智能如何識別朋友的臉？
識別結果
（是朋友）
識別過程
識別結果
(不是朋友）
陌生人的臉
朋友的臉
智能問答機器人解決問題的模型框架
典型的智能問答系統結構示意圖
在“人工標注數據+強化學習”框架下，具體而言，ChatGPT 的訓練過程分為以下三個階段：
階段一：有監督微調Supervised fine-tuning (SFT)
首先會在數據集中隨機抽取問題，由人類標注人員，給出高質量答案，然后用這些人工標注好的數據來微調 GPT-3.5模型（獲得SFT模型, Supervised Fine-Tuning）
階段二：訓練回報模型（Reward Model, RM）
通過人工標注訓練數據，來訓練回報模型。用階段一中調整好的模型，人工針對問題產生的回答按一定的標準進行排序，再根據排序結果訓練回報模型，RM模型接受一個輸入，給出評價回答質量的分數。
階段三：使用強化學習微調 SFT 模型
本階段無需人工標注數據，而是利用上一階段學好的 RM 模型，靠 RM 打分結果來更新預訓練模型參數。
人工智能的應用
06-2
人工智能的應用
智能制造
智能家居
智能教育
智能交通
智能安防
智能醫療
智能物流
人工智能的應用
智能制造
智能家居
智能制造是基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、生產、管理、服務等制造活動的各個環節，具有自感知、自學習、自決策、自執行、自適應等功能的新型生產方式。
智能家居以住宅為平臺，基于物聯網技術，是由硬件（智能家電、智能硬件、安防控制設備、家具等）、軟件系統、云計算平臺構成的家居生態圈，實現人遠程控制設備、設備間互聯互通、設備自我學習等功能，并通過收集、分析用戶行為數據為用戶提供個性化生活服務，使家居生活安全、節能、便捷等。
人工智能的應用
智能交通
智能物流
智能交通系統（Intelligent Traffic System，ITS）是通信、信息和控制技術在交通系統中集成應用的產物。ITS 借助現代科技手段和設備，將各核心交通元素聯通，實現信息互通與共享以及各交通元素的彼此協調、優化配置和高效使用，形成人、車和交通的一個高效協同環境，建立安全、高效、便捷和低碳的交通運輸管理系統。
智能物流就是利用條形碼、射頻識別技術、傳感器、全球定位系統等技術優化改善運輸、倉儲、配送裝卸等物流業基本活動，同時也在嘗試使用智能搜索、推理規劃、計算機視覺以及智能機器人等技術，實現貨物運輸過程的自動化運作和高效率優化管理，提高物流效率。
人工智能的應用
智能教育
智能安防
智能醫療
智能安防技術是一種利用人工智能對視頻、圖像進行存儲和分析，從中識別安全隱患并對其進行處理的技術。智能安防與傳統安防的最大區別在于智能化，傳統安防對人的依賴性比較強，非常耗費人力，而智能安防能夠通過機器實現智能判斷，從而盡可能實現實時的安全防范和處理。
人工智能的快速發展，為醫療健康領域向更高的智能化方向發展提供了非常有利的技術條件。近年，智能醫療在輔助診療、疾病預測、醫療影像輔助診斷、藥物開發等方面發揮了重要作用。
隨著人工智能技術的發展，越來越多的人工智能工具被應用于教育領域，成為教師教學和學生學習的得力助手。
常見技術
06-3
人工智能的研究領域
1 人機交互
3 自然語言處理
2 圖像識別
4 機器學習
人機交互
鍵盤交互
語音交互
情感交互
體感交互
腦機交互
什么是人機交互？
人機交互：主要研究人與計算機之間的信息交換，包括人到計算機和計算機到人的信息交換兩部分。
人機交互
語音采集
② 語音識別
③ 語義理解
④ 語音合成
語音交互的原理是什么？
圖片識別
為什么拍照能夠識別建筑、植物、動物？
圖像識別：是利用計算機對圖像進行處理、分析和了解，以識別各種不同模式的目標和對象的技術。
圖像識別的原理是什么？
圖像識別技術是以圖像的主要特征為基礎的。每個圖像都有其特征，在圖像輪廓曲度最大或輪廓方向突然改變的地方的信息量最大。
圖片識別
如何識別狗的品種？
采集特征
特征庫對比
識別狗品種
輸入
判斷
阿拉斯加
哈士奇
自然語言處理
什么是自然語言處理？
自然語言處理（NLP）：主要研究實現人與計算機之間用自然語言進行有效通信、交流的各種理論和方法。
自然語言處理的研究領域有哪些？
利用計算機技術實現一種自然語言到另外一種自然語言的翻譯。
機器翻譯
利用計算機技術實現對文本篇章的理解，并回答相關問題。
語義理解
讓計算機像人類一樣用自然語言與人交流
問答系統
自然語言處理
“訊飛聽見”翻譯過程是什么？
將中文信息進行輸入、識別與分析，翻譯成英文進行輸出。
機器翻譯
將人口述的中文信息轉化為中文文字，注重對信息的理解和精準程度的把控。
語義理解
機器學習
什么是機器學習？
機器學習：研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
從觀測數據出發尋找規律，利用規律對未來數據或無法觀測的數據進行預測。
歷史數據
新的數據
模型
未知屬性
輸入
訓練
預測
關鍵技術——生物特征識別
指紋識別系統
指紋識別通過比較不同指紋的細節特征點來進行鑒別。我們的手掌、手指和腳、腳趾內側表面皮膚凹凸不平的紋路具有唯一性。依靠這種唯一性，就可以把個人身份與其指紋對應起來。
1
①
②
③
④
通過指紋采集設備獲取所需識別指紋的圖像
對采集的指紋圖像進行如下預處理：圖像質量判斷、圖像增強指紋區域、檢測指紋方向圖和頻率估算、圖像二值化、圖像細化。
將提取指紋特征與數據庫中保存的指紋特征逐一匹配，判斷是否為相同指紋。
從預處理后的圖像中，獲取指紋的脊線數據，提取指紋識別所需的特征點。
關鍵技術——生物特征識別
人臉識別系統
人臉識別是基于人的臉部特征信息進行身份識別的一種生物識別技術。如上圖所示用攝像機或攝像頭采集含有人臉的圖像或視頻流,并自動在圖像中檢測和跟蹤人臉,進而對檢測到的人臉進行臉部特征比對。
2
關鍵技術——生物特征識別
虹膜識別系統
虹膜是位于黑色瞳孔和白色鞏膜之間的圓環狀部分,包含很多相互交錯的斑點、細絲、冠狀、條紋和隱窩等細節特征。如上圖所示,虹膜識別系統基于眼睛中的虹膜進行身份識別,主要應用于安防設備(如門禁、設備開關等)，以及有高度保密需求的場所。
3
關鍵技術——生物特征識別
指靜脈識別系統
指靜脈識別是靜脈識別技術的一種。如左圖所示，通過近紅外光線照射手指，利用圖像傳感器獲取個人手指靜脈分布圖，然后從手指靜脈分布圖提取特征值并存入計算機系統,等待進行識別。
進行識別時,實時采集靜脈圖，提取特征值,運用濾波、圖像二值化、細化等手段提取數字圖像特征，然后和存儲在主機中的手指靜脈特征值比對，采用匹配算法對手指靜脈特征進行匹配，從而實現個人身份鑒定，確認身份。
4
識別其他生物特征工作流程與識別指紋是一樣的，都是 “采集——圖像處理——特征提取——特征匹配”。
再次驗證：
總結
人工智能
認識人工智能
人工智能的產生
人工智能的應用
圖靈測試
人工智能發展歷程
人工智能解決問題的模型框架
人機交互
圖像識別
自然語言處理
讓機器像“人”那樣思考，感知
人工智能的關鍵技術
機器學習
生物特征識別
https://c.binjie.fun/

展開更多......

收起↑