“縱觀整個(gè)人工智能的發(fā)展歷程可以發(fā)現(xiàn),我們是站在過往先輩的肩膀上在做這件事情”,順豐科技數(shù)據(jù)總監(jiān)余何在物流沙龍2018數(shù)字化供應(yīng)鏈峰會(huì)既LOG年會(huì)上的演講開頭如此強(qiáng)調(diào)。作為順豐數(shù)據(jù)中心、服務(wù)中心,基礎(chǔ)的IT設(shè)施數(shù)據(jù)負(fù)責(zé)管理者,理論與實(shí)踐并重,他從人工智能的定義說起,緊接著從人工智能的發(fā)展歷程、技術(shù)框架以及應(yīng)用場(chǎng)景等內(nèi)容延伸開來,闡釋了人工智能在供應(yīng)鏈數(shù)字化下的應(yīng)用。
在業(yè)內(nèi)有著“大師兄”昵稱的余何,令人忍不住聯(lián)想到武俠小說里門派中的大師兄,接下來,我們一起來看一看他的人工智能“江湖”,學(xué)個(gè)一招半式。
人工智能是什么?
人工智能是什么?余何給出了自己的解讀——人工智能是指計(jì)算機(jī)能夠替代人類實(shí)現(xiàn)識(shí)別、認(rèn)知、分析和決策的多種功能,它主要包括三個(gè)階段,依次分別是:邏輯計(jì)算、學(xué)習(xí)認(rèn)知與意識(shí)情感。
1)邏輯計(jì)算。通過運(yùn)用布爾代數(shù)、符號(hào)邏輯建立算法公式,再通過計(jì)算機(jī)進(jìn)行計(jì)算,以達(dá)到釋放人腦計(jì)算的目的。
2)學(xué)習(xí)認(rèn)知。包括時(shí)空感知、經(jīng)驗(yàn)抽象與想象創(chuàng)造三個(gè)部分。
3)意識(shí)情感。什么是意識(shí)情感?我知道我就是我,我知道自己的存在。我們?cè)陔娪爸锌吹降娜斯ぶ悄苁鞘裁矗烤褪菣C(jī)器人有自己的意識(shí)會(huì)毀滅人類。而在余何看來,人工智能是可以模擬滿足人類的情感需求,對(duì)人類自己缺乏的情感進(jìn)行補(bǔ)充,要能證明自己的意識(shí)以及滿足人類的情感才是真正的人工智能。
人工智能的發(fā)展歷程
“縱觀整個(gè)人工智能的發(fā)展歷程可以發(fā)現(xiàn),我們是站在過往先輩的肩膀上在做這件事情,很多偉大的科學(xué)家都在無關(guān)乎商業(yè)的象牙塔里做過研究?!庇嗪伪硎尽?
人工智能的發(fā)展經(jīng)歷了三個(gè)階段:
1、第一階段:人工智能起步期
整個(gè)人工智能是從1956年開始的,當(dāng)時(shí)最年輕的科學(xué)家只有29歲,名氣最大的科學(xué)家當(dāng)時(shí)不是討論有什么樣的科研結(jié)果或者什么產(chǎn)出?而只是做了一些假設(shè):即什么是人工智能,可以通過哪些方式實(shí)現(xiàn),有無相關(guān)標(biāo)準(zhǔn)?1956年,馬文·明斯基組織達(dá)特茅斯會(huì)議標(biāo)志AI誕生。
實(shí)際上,關(guān)于如何模擬人工智能當(dāng)時(shí)分為兩派,一派認(rèn)為可以通過邏輯符號(hào)、布爾代數(shù)模擬;一派則主張完全打破原來計(jì)算的結(jié)構(gòu),仿造人類的大腦做神經(jīng)網(wǎng)絡(luò)。
1957年,心理學(xué)家羅森布拉特發(fā)明了神經(jīng)網(wǎng)絡(luò)模型Perceptron感知機(jī),論文發(fā)表后引起了社會(huì)轟動(dòng),并得到商業(yè)界諸多投資。但與此同時(shí),整個(gè)學(xué)術(shù)界亦對(duì)其進(jìn)行非常激烈的批評(píng),其中以馬文·明斯基尤甚,馬文·明斯基將對(duì)羅森布拉特的批評(píng)直接寫到書中。
直至1970年,整個(gè)對(duì)人工智能的投資就像2000年互聯(lián)網(wǎng)一樣被打入寒冬。但無論如何,他們?nèi)耘f是人工智能的先驅(qū)。
2、第二階段:機(jī)器學(xué)習(xí)時(shí)期
1982年,霍普菲爾德提出復(fù)合型的神經(jīng)網(wǎng)絡(luò)遞歸(復(fù)發(fā)型)網(wǎng)絡(luò),但當(dāng)時(shí)投入到工業(yè)和商業(yè)的價(jià)值并不是很大;1986年,Rumelhar、Hinton等人提出了反向傳播BP算法,解決了兩層神經(jīng)網(wǎng)絡(luò)所需要的復(fù)雜計(jì)算量問題;90年代,DARPA人工智能計(jì)算機(jī)研究失敗,SVM(Support Vector Machines,支持向量機(jī))算法誕生,迅速打敗了神經(jīng)網(wǎng)絡(luò)算法成為主流。
3、第三階段:深度學(xué)習(xí)時(shí)期
2006年,Geoffrey Hinton發(fā)表了論文,首次提出了“深度學(xué)習(xí)”神經(jīng)網(wǎng)絡(luò),人工智能在此興起;2010年,舉辦ImageNet挑戰(zhàn)賽;2012年,Andrew Ng建造最大的神經(jīng)網(wǎng)絡(luò),骨骼大腦;2013深度學(xué)習(xí)算法在語(yǔ)音和視覺識(shí)別上都有重大突破;2016,AlphaGo擊敗人類職業(yè)圍棋選。
尤其值得一提的是,1986年,“深度學(xué)習(xí)之父”Geoffrey Hinton當(dāng)時(shí)在一所大學(xué)當(dāng)教授,在這個(gè)時(shí)期,由于計(jì)算能力能夠滿足之后,他把人類的神經(jīng)網(wǎng)絡(luò)進(jìn)行擴(kuò)張,并且?guī)С隽撕芏鄬W(xué)生,其中包括華裔李非非。
李非非做了一件事,她將1500多萬(wàn)張圖片放到互聯(lián)網(wǎng)上,通過分布式的管理方式讓學(xué)生和科學(xué)家對(duì)這些圖片進(jìn)行標(biāo)注,分成2200個(gè)分類,通過神經(jīng)網(wǎng)絡(luò)來快速識(shí)別圖片,識(shí)別圖片的正確率提高了2倍?!翱梢园l(fā)現(xiàn)它不是一個(gè)算法的問題,而是數(shù)據(jù)問題,只要數(shù)據(jù)量足夠大,正確率就高。”余何這樣說道。
目前基本上是到了這樣的階段,我們的數(shù)據(jù)量已經(jīng)足夠,有了云計(jì)算的資源來支撐,至少在某個(gè)專業(yè)領(lǐng)域已經(jīng)取得相應(yīng)的成功。
人工智能的技術(shù)框架
很多人想自己做人工智能,或者成立一個(gè)團(tuán)隊(duì)去做和人工智能這個(gè)行業(yè)的相關(guān)工作,在這個(gè)行業(yè)中整個(gè)技術(shù)框架是怎樣的?
1、大數(shù)據(jù)、云計(jì)算
大數(shù)據(jù)和云計(jì)算是整個(gè)AI的基礎(chǔ),先要信息化、數(shù)字化,這兩個(gè)基礎(chǔ)是最難的。和以往相比,現(xiàn)在獲取數(shù)據(jù)的手段更多速度更快;在計(jì)算能力這塊有順豐云,在單位空間中計(jì)算能力越強(qiáng)越好。
2、算法、模型
在算法和模型這塊,可以發(fā)現(xiàn)很多科學(xué)家采用的方式完全不一樣,比如在神經(jīng)網(wǎng)絡(luò)這塊,在沒有計(jì)算能力和數(shù)據(jù)量的情況下可能是劍走邊鋒。
算法主要包括三種類型,分別為:無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。
無監(jiān)督學(xué)習(xí)是給定數(shù)據(jù),從數(shù)據(jù)中發(fā)現(xiàn)信息。通過對(duì)這些事情分析后發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)中只要看到有貓的視頻存在,某部分神經(jīng)元就會(huì)產(chǎn)生反應(yīng),自動(dòng)辨別哪個(gè)是貓,這個(gè)時(shí)候是沒有人去干預(yù)的。
監(jiān)督學(xué)習(xí)會(huì)給定數(shù)據(jù),預(yù)測(cè)這些數(shù)據(jù)的標(biāo)簽。它會(huì)告訴我們大量的信息是什么,并進(jìn)行歸類,比如前面李非非做的項(xiàng)目,1500萬(wàn)圖片都是經(jīng)過大量的人工去處理和達(dá)標(biāo)的,識(shí)別率達(dá)到90%。
強(qiáng)化學(xué)習(xí)是給定數(shù)據(jù),選擇動(dòng)作以最大化長(zhǎng)期激勵(lì),是這幾個(gè)階段中最復(fù)雜的。類似于在玩一個(gè)游戲,這個(gè)時(shí)候不需要任何人告訴他游戲的規(guī)則,整個(gè)激勵(lì)和角度在于是否做得好。
3、技術(shù)方向
技術(shù)方向比較明確的是計(jì)算機(jī)視覺,人臉現(xiàn)在也非常普及,此外還包括語(yǔ)言工程、自然語(yǔ)言處理以及決策規(guī)劃。
4、瓶頸與研究
當(dāng)前應(yīng)用這些技術(shù)會(huì)遇到很多問題,如計(jì)算機(jī)視覺和語(yǔ)音工程會(huì)有很多噪音和干擾,這樣的情況下通過什么方式讓你的機(jī)敏度更高?機(jī)器與自然語(yǔ)言翻譯這一塊要求語(yǔ)量的信息要足夠豐富;決策規(guī)劃方面,目前我們要做的是,把應(yīng)用場(chǎng)景中基于原來信息化、數(shù)據(jù)化和不斷在變化的內(nèi)容糅合在一起。
人工智能的應(yīng)用場(chǎng)景
人工智能在物流領(lǐng)域有哪些應(yīng)用?余何總結(jié)歸納了四個(gè)應(yīng)用場(chǎng)景,包括收派、中轉(zhuǎn)、運(yùn)輸、倉(cāng)儲(chǔ)。
其中,收派做了手寫體的識(shí)別,原來是有人工跟單的,要去識(shí)別各種各樣的人的字體,識(shí)別率可能在60%左右,現(xiàn)在完成第一輪的翻譯后,結(jié)合現(xiàn)有的技術(shù)庫(kù)歷史數(shù)據(jù)進(jìn)行識(shí)別,識(shí)別率可能是90%。
中轉(zhuǎn)主要是網(wǎng)絡(luò)的選址和路徑規(guī)劃。這是一個(gè)決策系統(tǒng),要將整個(gè)全國(guó)全網(wǎng)的網(wǎng)點(diǎn)整個(gè)大的數(shù)據(jù)實(shí)現(xiàn)整個(gè)流轉(zhuǎn)流向非常難。
當(dāng)時(shí)做了一個(gè)切割,比如分為華東、華北,根據(jù)具體的業(yè)務(wù)場(chǎng)景做摸索,原來的人工智能也可以很好的運(yùn)用,如計(jì)算機(jī)視覺可以在整個(gè)中轉(zhuǎn)場(chǎng)有整套人工智能的識(shí)別系統(tǒng),可以快速看到包裹的真實(shí)物流位置、捕捉單號(hào);甚至可以在整個(gè)中轉(zhuǎn)場(chǎng)看到人工作業(yè)的情況,如有無高空拋物或者按照制定位置認(rèn)真工作;也可以通過計(jì)算機(jī)系統(tǒng)去完成具體場(chǎng)景,只要大的整套系統(tǒng)明確便可以很快運(yùn)用。
【獨(dú)家稿件及免責(zé)聲明】本網(wǎng)注明轉(zhuǎn)載文章中的信息僅供用戶參考。凡注明來源“運(yùn)輸人網(wǎng)”的作品,未經(jīng)本網(wǎng)授權(quán)均不得轉(zhuǎn)載、摘編或使用。聯(lián)系郵件:master@yunshuren.com
評(píng)論