人工智能詞彙表

出自維基百科,自由嘅百科全書
跳去導覽 跳去搵嘢
2018 年《AI for Good》峰會嗰度展示嘅機械人蘇菲亞;佢內置人工智能,曉用語言同人傾偈。

以下係人工智能(artificial intelligence;AI)上常用嘅詞彙一覽。人工智能,又有叫機械智能(machine intelligence),泛指由機械展示嘅智能,相對於同第啲動物展示嘅自然智能(natural intelligence),而喺科學上,「人工智能」一詞亦都俾人攞嚟指專門研究人工智能嘅認知科學電腦科學交界領域[1]。人工智能呢個領域上嘅研究會關注嘅問題包括點樣教機械做推理知識表示計劃學習自然語言處理感知以及郁同操控物體等嘅作業,而呢啲研究其中一個終極目標就係想創造出強人工智能(strong AI)-即係喺廿世紀嘅人類想像當中常見、能夠展現出同人無異嘅智能嘅 AI [1]

到咗廿一世紀,人工智能經已係一個蓬勃嘅獨立科學領域,引起咗哲學社科科幻等領域嘅討論,而且仲有得按照所使用嘅技術或者想達到嘅目的分做多個唔同嘅子領域。人工智能嘅子領域好多時仲要專化到彼此之間溝通唔到-所以有大量嘅專業行話詞彙[2][3]

理論基礎[編輯]

內文:人工智能

人工智能(artificial intelligence;AI)泛指由機械展示嘅智能[1]

  • 智能體(intelligent agent,IA):人工智能領域上嘅基本概念;人工智能嘅目標係人工噉創造出智能體,而喺最抽象化嘅層面嚟講,一個智能體可以想像成一嚿具有以下部份嘅物體:
    1. 感知外界嘅能力,可以睇吓感應器(sensor),例:耳仔等嘅感官
    2. 某啲按「if... then...」式條件做決策嘅法則,可以睇吓條件陳述式(conditional statement),例:「如果睇到有嘢食,就行埋去」;
    3. 感知到嘅外界狀態同智能體嘅內部運作法則(睇埋下面知識表示)會主宰個智能體會採取乜嘢行動(action),而
    4. 執行器(actuator)會負責實際採取行動,例:肌肉會做出適當嘅動作,等隻動物行埋嘢食嗰度;
    5. 行動會改變環境(environment)嘅狀態,而環境上嘅改變會由感應器感知到。
  • 如是者,智能體就會一路同環境互動,一路嘗試達到自己嘅目的。唔同智能體喺複雜度上可以有好大差異,而一個智能體嘅複雜度同佢嘅智能(intelligence)息息相關[4][5]。智能體同環境之間互動形成嘅系統可以畫成以下噉嘅抽象圖解:
智能體同環境互動嘅抽象化圖解
  • 自然智能(natural intelligence):一個有啲含糊嘅概念,有好多唔同嘅定義;喺最廣義上嚟講,智能可以定義為「一個心靈感知同推斷資訊、將呢啲資訊儲起同化為知識、並且運用知識適應環境嘅能力」[6]
    • 群體智能(swarm intelligence):指一個由好多個體組成嘅系統喺自我組織(self-organization;系統嘅組成元件地區性嘅互動,引致整體上嘅運作規律)之下展現嘅智能或者類似有智能嘅行為[7],例如一個蜜蜂竇由大量嘅個體(個體蜜蜂)組成;每隻蜜蜂都會按某啲法則行動,個體蜜蜂之間有地區性(local)嘅互動,即係一隻蜜蜂會同佢周圍嘅蜜蜂互動,但好少可會有得同時同成個竇嘅蜜蜂互動;呢啲眾多嘅活動最後令成個竇整體上曉作出「建立新竇(接近自我複製)」同「維持自己存在」等嘅行為-個竇有少少似一隻有智能嘅生物個體噉[8]
  • 演算法(algorithm):指一段唔含糊嘅指令,能夠教一部運算機械執行某啲作業,由某啲特定嘅輸入(input)嗰度做運算計出相應嘅輸出(output)[9]
  • 啟發法(heuristics):指人類(或者人工智能思考嗰陣可以用嘅「認知捷徑」,即係一啲簡單(唔使做好大量嘅運算)、可以用嚟解難嘅法則[10]
  • 圖靈機(Turing machine):一種運算模型嘅一種,一部圖靈機嘅運作如下:一部圖靈機會讀取一條分做若干個格嘅帶,條帶每個格裏面都會有個符號(可以係 1 同 0 等多個款);喺每一個時間點,部圖靈機個讀取器都會位於條帶其中一格,而部機會做以下三個基本作業當中是但一個[11][12]
    1. 讀取讀取器下嗰格係乜符號;
    2. 編輯嗰格-寫一個新嘅符號落去或者刪除咗嗰格佢;
    3. 將條帶向左或者向右移一格,等個讀取器可以讀取打前嗰個格隔離嘅一個格。
    • 圖靈機呢部抽象(abstract)機械就噉睇好似好簡單,但查實可以計到好多嘢[13]
一條圖靈機輸入帶嘅抽象圖解; 代表第 款符號。
  • 複雜性(complexity):系統可以具有嘅一種特性。一個複雜(複雜性高)嘅系統會有好多部份,唔同部份之間會有互動,而且是但搵兩個部份,佢哋之間嘅互動會受好多嘢影響,於是成個系統嘅行為就難以用簡單嘅法則一兩句講清楚嗮[14]
  • 組合性爆發(combinatorial explosion):指「可能性嘅數量」隨問題嘅複雜性而有爆發性嘅增長,例如係教個人工智能程式捉棋噉,國際象棋喺兩個棋手都行咗第一步之後個棋盤會有 400 個可能嘅形勢,喺兩個棋手都行咗第二步之後個棋盤會有 197,742 個可能嘅形勢,而喺兩個都行咗第三步之後呢個數字會超過 100 萬(「可能性嘅數量」隨「行咗嘅步嘅數量」增長得好犀利),就算用先進嘅電腦行都要嘥極大量嘅時間先至能夠考慮嗮所有嘅可能性[14][15]
  • 不確定性(uncertainty):指一個智能體手上資訊唔夠嘅情況,例如有個人搵個唔透明嘅骰盅𢫏住咗粒六面嘅骰仔,然後係噉勁搖個骰盅,假設佢完全冇方法睇到粒骰仔(資訊唔夠),佢喺攞開個骰盅之前就會經歷不確定性,唔知粒骰仔邊一面向上。不確定性呢家嘢可以用機會率(probability)嘅數值嚟衡量,而概率論(probability theory)有對相關嘅問題作出詳細嘅著墨[16]

認知心理學[編輯]

內文:認知

認知(cognition)指一系列喺個入面發生嘅過程,呢啲過程幫個腦透過感官思考同經驗嚟處理由外界嗰度收到嘅資訊(information;可以睇資訊理論),並且運用呢啲資訊加埋佢舊有嘅知識,嚟令到個腦學到新嘅知識同適應環境上嘅改變[17]

神經科學[編輯]

  • 功能性聯結(functional connectivity):源自功能性磁振造影(fMRI)嘅一個概念;如果話若干個(兩個或者以上)腦區之間「有功能性聯結性」,意思即係話呢柞腦區彼此之間喺神經活動上有某啲特定嘅時間性統計相關皮亞遜積差相關係數)-例如兩個腦區 硬係會喺 出現強烈活動 0.5 秒之後跟住出現強烈活動,或者 硬係會一齊變得唔活躍... 呀噉。一般認為,如果若干個腦區之間有功能性聯結,通常表示佢哋係一齊負責做某樣功能嘅[19]。例子可以睇吓預設模式網絡

哲學[編輯]

睇埋:人工智能哲學

重要問題[編輯]

  • 機械感知(machine perception):旨在教一個人工智能體由感應器嗰度感應外界嘅資訊並且了解佢四圍嘅環境-而唔係吓吓都靠設計員話俾佢聽;生物型嘅智能體-人同第啲動物-冚唪唥都曉自己用等嘅感官嚟接收有關佢哋周圍環境嘅資訊同埋處理分析呢啲資訊(感知),所以如果人工智能要做到好似人噉嘅智能,就一定要識做同樣嘅嘢[20]
    • 電腦視覺(computer vision):指教人工智能處理視覺資訊)嘅領域,個設計者可以(例如)寫一個會由部電腦嘅鏡頭攞數據嘅程式,而且個程式內置一個之前事先訓練咗,曉(例如)辨認入面邊忽係人面乜嘢唔係-跟住佢就會有一個能夠靠部電腦個鏡頭知道自己面前有冇人面嘅程式[21]
    • 顯著性圖(saliency map):電腦視覺上一個重要概念,指(用一柞標量)表示一幅源圖每個位置「有幾重要」嘅圖;想像家陣個人工智能程式要處理一幅圖像,對注意力嘅研究表明咗,一幅圖像通常都會有某幾忽係重要啲嘅,例如人喺望人面嗰陣傾向會望對,而一幅圖像嘅顯著性圖做嘅係顯示出幅源圖有邊啲地方係重要啲嘅,即係例如將一幅影塊人面嘅相轉化做顯著性圖,幅顯著性圖會將眼等比較重要嗰幾忽油做深色,冇咁重要嗰啲就油做淺色。喺電腦視覺上,將圖像轉化做顯著性圖嘅技術有助引導做電腦視覺嘅演算法[22]
一幅相(左圖)同幅相對應嘅一幅顯著性圖(右圖)
  • 決策(decision making)
    • 利用定探索(exploit or explore):喺教人工智能做決策嗰陣撞到嘅一個問題;想像有個按過往經驗做決策嘅人工智能程式,一方面,對於個程式嚟講,响短期內令自己利益最大化嘅做法係「利用」-集中淨係揀一啲根據過往經驗係大機會得益嘅選擇;另一方面,現實嘅決策通常都涉及由數唔嗮咁多嘅選擇當中揀一啲出嚟,所以喺任何一個時間點都實會有大量嘅可能性係個程式未睇過嘅,所以個程式有需要去「探索」-去睇呢啲可能性有一定嘅機會搵到能夠進一步提升自己得益嘅選擇。「利用同探索之間要點平衡」係教人工智能決策上嘅一個大問題[23][24]
  • 瓣瓣掂玩遊戲(general game playing,GGP):指思考點樣設計出能夠用嚟「普遍性」噉玩遊戲嘅 AI 程式-廿世紀尾嘅電子遊戲 AI 技術表明咗,要編寫出能夠玩某隻特定遊戲嘅 AI 程式並唔難;不過問題係,一路直至 2010 年代為止,玩遊戲嘅 AI 程式冚唪唥都係專化(specialized)嘅-即係每個程式都都淨係識一味玩死某一隻遊戲;瓣瓣掂玩遊戲嘅目的在於教 AI 好似人噉能夠學識玩多隻唔同嘅遊戲[25]
  • 解釋得嘅 AI(explainable AI),指人工智能內部嘅資訊處理過程要能夠用言語解釋;人曉用口講嚟表達自己嘅思考過程,識得向身邊嘅人解釋「我係點樣諗到呢個答案嘅」,強人工智能都要能夠做到同樣嘅事[26]
  • 運動規劃(motion planning):一種運算問題,研究點樣教電腦通過一串有效嘅移動嚟將一嚿物體由一個地方移去第個地方嗰度。
    • 蟲仔演算法(bug algorithm):一種用嚟教機械人應付運動規劃嘅演算法,步驟如下[27]
      1. (假設個機械人經已知終點嘅位置同方向)向終點嘅方向移動,直至撞到障礙物為止;
      2. 順時鐘(或者逆時鐘都得)沿住嚿障礙物嘅邊緣嚟行,行到去到第一之撞到嚿障礙物嗰點為止(假設個機械人有感應器曉探測周圍有乜邊緣);
      3. 個機械人行去嚿障礙物嘅邊緣上面最近終點嗰一點;
      4. 返去步驟 1。一路重複直至去到終點為止。

運算方法[編輯]

  • 決策樹
    • 蒙地卡羅樹搜尋(Monte Carlo tree search):一種搜尋演算法,用嚟幫個決策者-由一個有極高複雜性(complexity)嘅決策情境下搵出最好嘅選擇;蒙地卡羅樹搜尋會有技巧噉搜索一樖決策樹-會揀定一個深度值 表示「要考慮幾多步」,並且喺每步按某啲準則揀邊啲節點嘅下一步值得睇[28][29]
      • 玩到尾(playout / roll-out):想像一個蒙地卡羅樹搜尋演算法由樖決策樹當中揀咗一個節點嚟睇,個演算法用某啲方式估計呢個節點最後結果會係乜(自己輸定贏),一次呢啲估計就算係「一次玩到尾」[30]

機械學習[編輯]

睇埋:概率及統計學詞彙表

機械學習(machine learning)專門研究能夠令人工智能程式隨經驗自動改善自己嘅演算法[31]。喺理想嘅情況下,能夠學習嘅程式會按自己所經歷嘅嘢改變佢內部嘅參數(parameter),等自己下次做嘢嗰陣能夠更加成功。舉個簡單例子說明:想像而家有架內置人工智能程式嘅自駕車,佢個程式嘅設定係佢會喺同前面架車距離 2 米或者以下嗰陣先耷逼力,呢個「2 米」嘅數值就係個程式內部嘅一個參數;而跟住有一次架自駕車喺離前面架車 3 米嗰陣,前面架車突然間耷逼力,架自駕車差少少撞埋去,一個識學習嘅程式就應該要考慮吓係咪要根據呢個經驗將個參數變做「4 米」或者「5 米」,以求降低日後撞車嘅機會率[32][33]。佢內部嘅源碼應該會包含類似以下噉嘅內容:

float brake_distance; // 有個變數表示「要喺邊個距離耷逼力」。

if distance_from_front_car <= brake_distance {
    brake; // 如果離前面架車近得滯,就耷逼力;假設個程式經已有方法知道離前面架車有幾近。
}
... // 而跟住要有某啲演算法界定乜嘢為止「差少少撞車」,而 if「差少少撞車」呢個情況發生,噉個 brake_distance 嘅數值要永久提升,同埋提升幾多等等。
  • 學習(learning):可以定義為指一個智能體吸收知識技能同埋行為嘅過程,包括獲取新知識、新技能、或者新行為,又可以係改變舊有嘅知識、技能、同行為[34]
  • 過適(overfitting):指一個數學模型複雜得滯,搞到佢嘅表現變差;一般嚟講雖然話過度複雜嘅模型解釋過去數據嘅能力比較勁,但統計學上嘅研究表明,呢啲模型解釋將來數據嘅能力通常會渣啲。為咗防止過適,設計人工智能嘅人好多時都會想鼓勵個程式學一啲能夠充分解釋數據得嚟又唔係太複雜嘅模型[35]。例如想像下圖:
過適嘅展示
  • 家陣有一個智能體,佢要學習兩個變數(圖中嘅 X 軸Y 軸)之間成乜嘢關係,等自己將來能夠由 X 嘅數值預測 Y 嘅數值;佢要做嘅係,嘗試搵一條有返咁上下合乎過去數據(每個黑點係一個個案)嘅,用條線做佢心目「兩個變數之間成乜嘢關係」嘅模型;藍色嗰條線有過適嘅問題-藍色線完美噉符合過去嘅數據,但藍色線條式會複雜過直線嘅好多,而實證研究顯示,通常呢啲咁複雜嘅線解釋將來數據嘅能力(以「將來用條線做預測嗰陣嘅誤差」衡量)會比較渣[35]
  • 奥坎剃刀(Occam's razor):意思係「假設第啲因素不變,一個學習者應該要偏好比較簡單啲嘅理論假說,除非比較複雜啲嗰個模型(例如)解釋同預測現實嘅能力勁好多」;奥坎剃刀俾人指幫到手避免過適嘅問題[35]

人工神經網絡[編輯]

內文:人工神經網絡種類一覽

應用[編輯]

[編輯]

睇埋[編輯]

[編輯]

  1. 1.0 1.1 1.2 This list of intelligent traits is based on the topics covered by the major AI textbooks, including:
    • Russell & Norvig 2003.
    • Luger & Stubblefield 2004.
    • Poole, Mackworth & Goebel 1998.
    • Nilsson 1998.
  2. General intelligence (strong AI) is discussed in popular introductions to AI:
    • Kurzweil 1999 and Kurzweil 2005.
  3. Pamela McCorduck (2004, pp. 424) writes of "the rough shattering of AI in subfields—vision, natural language, decision theory, genetic algorithms, robotics ... and these with own sub-subfield—that would hardly have anything to say to each other."
  4. Definition of AI as the study of intelligent agents:
    • Poole, Mackworth & Goebel 1998, p. 1, which provides the version that is used in this article. Note that they use the term "computational intelligence" as a synonym for artificial intelligence.
    • Russell & Norvig (2003). (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field" (Russell & Norvig 2003, p. 55).
    • Nilsson 1998.
    • Legg & Hutter 2007.
  5. Russell & Norvig 2009, Ch. 2.
  6. Wechsler, D (1944). The measurement of adult intelligence. Baltimore: Williams & Wilkins.
  7. E. Bonabeau, M. Dorigo, and G. Theraulaz. Swarm Intelligence: From Natural to Artificial System. Oxford University Press, New York, 1999.
  8. Karaboga, D., & Akay, B. (2009). A survey: algorithms simulating bee swarm intelligence. Artificial intelligence review, 31(1-4), 61.
  9. "an algorithm is a procedure for computing a function (with respect to some chosen notation for integers) ... this limitation (to numerical functions) results in no loss of generality", (Rogers 1987:1).
  10. Pearl, Judea (1983). Heuristics: Intelligent Search Strategies for Computer Problem Solving. New York, Addison-Wesley, p. vii.
  11. Hodges, Andrew (2012). Alan Turing: The Enigma (The Centenary Edition). Princeton University Press.
  12. Petzold, C. (2008). The annotated Turing: a guided tour through Alan Turing's historic paper on computability and the Turing machine. Wiley Publishing.
  13. Rabin, Michael O. (June 2012). Turing, Church, Gödel, Computability, Complexity and Randomization: A Personal View 互聯網檔案館歸檔,歸檔日期2019年6月5號,..
  14. 14.0 14.1 Intractability and efficiency and the combinatorial explosion:
    • Russell & Norvig 2003, pp. 9, 21–22.
  15. Domingos 2015, Chapter 2, Chapter 3.
  16. William Feller, An Introduction to Probability Theory and Its Applications, (Vol 1), 3rd Ed, (1968), Wiley.
  17. Adapted from Miller, George A (2003). "The cognitive revolution: a historical perspective". Trends in Cognitive Sciences, 7.
  18. Evans, J. S. B., & Stanovich, K. E. (2013). Dual-process theories of higher cognition: Advancing the debate (PDF). Perspectives on psychological science, 8(3), 223-241.
  19. Biswal, B. B., Kylen, J. V., & Hyde, J. S. (1997). Simultaneous assessment of flow and BOLD signals in resting‐state functional connectivity maps. NMR in Biomedicine, 10(4‐5), 165-170.
  20. Machine perception:
    • Russell & Norvig 2003, pp. 537–581, 863–898
    • Nilsson 1998, ~chpt. 6.
  21. Computer vision:
    • ACM 1998, I.2.10
    • Russell & Norvig 2003, pp. 863–898.
    • Nilsson 1998, chpt. 6.
  22. What Are Saliency Maps In Deep Learning?.
  23. Auer, Peter; Cesa-Bianchi, Nicolò; Fischer, Paul (2002). "Finite-time Analysis of the Multiarmed Bandit Problem (PDF)" (PDF). Machine Learning. 47 (2/3): 235–256.
  24. Chang, Hyeong Soo; Fu, Michael C.; Hu, Jiaqiao; Marcus, Steven I. (2005). "An Adaptive Sampling Algorithm for Solving Markov Decision Processes" (PDF). Operations Research. 53: 126–139.
  25. Genesereth, M., Love, N., & Pell, B. (2005). General game playing: Overview of the AAAI competition (PDF). AI magazine, 26(2), 62-62.
  26. Holzinger, A., Biemann, C., Pattichis, C. S., & Kell, D. B. (2017). What do we need to build explainable AI systems for the medical domain?. arXiv preprint arXiv:1712.09923.
  27. BUG Algorithms.
  28. Cameron Browne; Edward Powley; Daniel Whitehouse; Simon Lucas; Peter I. Cowling; Philipp Rohlfshagen; Stephen Tavener; Diego Perez; Spyridon Samothrakis; Simon Colton (March 2012). "A Survey of Monte Carlo Tree Search Methods". IEEE Transactions on Computational Intelligence and AI in Games. 4 (1): 1–43.
  29. Monte Carlo Tree Search. Towards Data Science.
  30. Liu, Michael (10 October 2017). "General Game-Playing With Monte Carlo Tree Search". Medium.
  31. Alan Turing discussed the centrality of learning as early as 1950, in his classic paper "Computing Machinery and Intelligence".(Turing 1950) In 1956, at the original Dartmouth AI summer conference, Ray Solomonoff wrote a report on unsupervised probabilistic machine learning: "An Inductive Inference Machine".(Solomonoff 1956).
  32. This is a form of Tom Mitchell's widely quoted definition of machine learning: "A computer program is set to learn from an experience E with respect to some task T and some performance measure P if its performance on T as measured by P improves with experience E."
  33. Learning:
    • ACM 1998, I.2.6,
    • Russell & Norvig 2003, pp. 649–788,
    • Poole, Mackworth & Goebel 1998, pp. 397–438,
    • Luger & Stubblefield 2004, pp. 385–542,
    • Nilsson 1998, chpt. 3.3, 10.3, 17.5, 20.
  34. Domingos 2015, Chapter 5.
  35. 35.0 35.1 35.2 Domingos 2015, Chapter 6, Chapter 7.

[編輯]