日本人工智慧演算法

㈠ 人工智慧藝術作品的演算法是什麼

人工智慧藝術作品的演算法是GAN演算法。根據查詢相關公開信息顯示人工智慧藝術作品的GAN演算法由2個相互競爭的神經網路組成，一個生成器和一個鑒別器，人工智慧藝術作品是通過CAN創造出了可以通過圖靈測試的抽象藝術作品，故而人工智慧藝術作品的演算法是GAN演算法的對抗。是這張名為《太空歌劇院》的畫作。人工智慧藝術作品第一名太空歌劇其實是一個科幻名詞，泛指把故事的背景舞台設定在外太空的未來向作品。

㈡ 你見過哪些「奇葩」的人工智慧應用

席捲全球的人工智慧浪潮——一浪高過一浪，它為現有的服務場景提供了技術支持，正在重新定義我們的生活。

人工智慧是一個比較復雜的產業結構，它由大數據和計算能力構成人工智慧產業支撐，有了這層支撐，還不足以撐起整個產業鏈，這里需要核心的關鍵技術，包括機器學習、計算機視覺、語音及自然語言處理等關鍵技術的研究和應用，促進實現人工智慧產業商業化構建，最後應用在服務機器人、個人助手、智能醫療、智能家居、智能營銷等細分行業。

然而

落地應用五花八門，只有你想不到，沒有你見不到的人工智慧落地產品。那些人工智慧落地產品有「正經」的，也有「不正經」的；有「嚴肅」的，也有「奇葩」的。總之，「雅俗共存」。

人工智慧落地應用無非是創造變革生活的方法，而且按照目前人工智慧企業定位，大多是在圖像識別、語音識別、無人駕駛等方面的應用，所以它是「正經」的。

但這里小編只想說些看起來「不正經」「奇葩」的人工智慧應用，依據個人觀點和評價，分別打了奇葩指數，供大家「參考」。

上榜理由：嘆為觀止！或許這就是為什麼有些專家認為人工智慧會對人類產生威脅，在道德倫理上，這點的確是在挑戰人類的底線。

奇葩指數：

選美機評委器人

據主辦方介紹，之所以讓人工智慧當選美評委，是因為他們希望將來通過一張照片判斷人的健康情況。他們認為，人的長相通常和健康程度成正比，所以人工智慧可以從選美開始，逐漸學會判斷人的健康狀況。

人對美的標準是很主觀的，所以主辦方將美的標准細分，具體包括膚色、皺紋、性別、年齡段、臉部對稱性及種族等因素。參與的人工智慧演算法有三種，均掌握深度神經網路技術。參賽人只要下載客戶端，在裡面上傳自己不帶妝、不戴眼鏡、無胡須的臉部照片，最後經過三個人工智慧「評委」的選擇就可以了。

上榜理由：長相和健康程度成正比？那你讓長相丑的該怎麼活？

奇葩指數：

4.智能撿黃瓜

人工智慧乾的活有時候不僅不高大上，還很容易讓人一頭霧水，比如下面要說的揀黃瓜。

日本的一名技術人員開發了一套人工智慧系統，用來給黃瓜分門別類。開發者的父母以種黃瓜為生，但是為了給種出來的黃瓜定品級是十分麻煩的一件事。就像他們家，為了給自家黃瓜分到九類品級，需要大量的時間觀察黃瓜的顏色、長短、粗細、紋理等等，費時費力，而且需要長時間的學習，沒法臨時僱人幫忙。

所以這名技術人員開發了一套可以分揀黃瓜的人工智慧系統。他利用谷歌開源的TensorFlow平台，通過圖像識別，再加上樹莓派3(RaspberryPi3)的硬體，人工智慧系統就這樣做出來了。他給這套系統「喂」了7000張黃瓜照片，幫助人工智慧學習黃瓜類別。

但目前為止，這套系統用於實踐的准確率僅為70%，並且因為訓練系統的照片解析度太低，目前系統還不能分辨出黃瓜的顏色、紋理、小刺和刮痕等判斷因素。目前這名技術人員正打算使用谷歌的雲機器學習平台，改善他的人工智慧系統。

上榜理由：開發人員是個孝順的孩子，趕緊開發讓更多孝子能用上。

奇葩指數：

無論如何，人工智慧落地應用就是一種實踐，它是檢驗理論的基礎。不管奇葩與否，能夠應用在生活中，並改變我們細微生活，都是人工智慧的實踐。

㈢ 人工智慧與設計（一）：AI 發展歷史

姓名：饒明磊

學號：19021210815

【嵌牛導讀】隨著人工智慧的興起，設計師會不會擔心自己被取代？

【嵌牛鼻子】機器學習 深度學習 創意設計

【嵌牛提問】人工智慧對設計起到輔助作用還是會完全取代設計師？

【嵌牛正文】人工智慧的發展歷史

本人業余偶爾做一些設計、攝影之類的藝術活動，經常接觸到一些創意軟體，發現最近幾乎每一款創意軟體的重磅更新都體現在了人工智慧演算法的加入。包括本人從事的研究領域，相關調試軟體也是在不斷加入人工智慧調試演算法，更加智能化了。從設計方面著手，我在想，以後人工智慧會不會完全取代設計師和工程師呢？

為了更好理解人工智慧和設計的關系，我開始涉獵一些機器學習、深度學習等方面的知識，並且和相關專業的同學探討這個方面的話題，從當初覺得人工智慧只會讓大部分設計師失業，到現在覺得人工智慧只是一個設計的輔助工具，也算是成長了不少。

這個專題將分成三個部分來調研，用三篇文章較為詳細地將 AI 的歷史、定義以及和設計之間的關系和影響呈現給大家。

說起人工智慧（AI：Artificial Intelligence）這詞，不得不提及人工智慧的歷史。人工智慧的概念主要由Alan Turing提出：機器會思考嗎？如果一台機器能夠與人類對話而不被辨別出其機器的身份，那麼這台機器具有智能的特徵。同年，Alan Turing還預言了存有一定的可能性可以創造出具有真正智能的機器。（說明： Alan Turing （1912.6.23-1954.6.7）曾協助英國軍隊破解了德國的著名密碼系統Enigma，幫助盟軍取得了二戰的勝利。因提出一種用於判定機器是否具有智能的試驗方法，即圖靈試驗，被後人稱為計算機之父和人工智慧之父。）

1956年，在達特茅斯學院舉行的一次會議上，不同領域（數學，心理學，工程學，經濟學和政治學）的科學家正式確立了人工智慧為研究學科。

2006年達特茅斯會議當事人重聚，左起：Trenchard More、 John McCarthy 、 Marvin Minsky 、Oliver Selfridge、Ray Solomonoff

達特茅斯會議之後是大發現的時代。對很多人來講，這一階段開發出來的程序堪稱神奇：計算機可以解決代數應用題、證明幾何定理、學習和使用英語。在眾多研究當中，搜索式推理、自然語言、微世界在當時最具影響力。

大量成功的AI程序和新的研究方向不斷涌現，研究學者認為具有完全智能的機器將在二十年內出現並給出了如下預言：

1958年，H. A. Simon，Allen Newell：「十年之內，數字計算機將成為國際象棋世界冠軍。」 「十年之內，數字計算機將發現並證明一個重要的數學定理。」

1965年，H. A. Simon：「二十年內，機器將能完成人能做到的一切工作。」

1967年，Marvin Minsky：「一代之內……創造「人工智慧」的問題將獲得實質上的解決。」

1970年，Marvin Minsky：「在三到八年的時間里我們將得到一台具有人類平均智能的機器。」

美國政府向這一新興領域投入了大筆資金，每年將數百萬美元投入到麻省理工學院、卡耐基梅隆大學、愛丁堡大學和斯坦福大學四個研究機構，並允許研究學者去做任何感興趣的方向。

當時主要成就：

神經網路機、世界第一台機器人被製造出來了；貝爾曼公式（ 增強學習 雛形）被提出；感知器（ 深度學習 雛形）被提出；搜索式推理被提出

然而遇到了 第一次寒冬（1974年—1980年）

70年代初，AI遭遇到瓶頸。研究學者逐漸發現，雖然機器擁有了簡單的邏輯推理能力，但遭遇到當時無法克服的基礎性障礙，AI停留在「玩具」階段止步不前，遠遠達不到曾經預言的完全智能。

當時主要問題：

計算機運算能力有限，解決不了超大型的計算問題，同時人們對世界的認知還不夠充分

當時有一個莫拉維克悖論：如果機器像數學天才一樣下象棋，那麼它能模仿嬰兒學習又有多難呢？然而，事實證明這是相當難的。

1987年，AI 硬體的市場需求突然下跌。科學家發現，專家系統雖然很有用，但它的應用領域過於狹窄，而且更新迭代和維護成本非常高。同期美國Apple和IBM生產的台式機性能不斷提升，個人電腦的理念不斷蔓延；日本人設定的「第五代工程」最終也沒能實現。人工智慧研究再次遭遇了財政困難，一夜之間這個價值五億美元的產業土崩瓦解。

當時主要問題：

1.受到台式機和「個人電腦」理念的沖擊影響

2.商業機構對AI的追捧和冷落，使AI化為泡沫並破裂

3.計算機性能瓶頸仍無法突破

4.仍然缺乏海量數據訓練機器

在摩爾定律下，計算機性能不斷突破。雲計算、大數據、機器學習、自然語言和機器視覺等領域發展迅速，人工智慧迎來第三次高潮。

摩爾定律起始於Gordon Moore在1965年的一個預言，當時他看到因特爾公司做的幾款晶元，覺得18到24個月可以把晶體管體積縮小一半，個數可以翻一番，運算處理能力能翻一倍。沒想到這么一個簡單的預言成真了，下面幾十年一直按這個節奏往前走，成為了摩爾定律。

主要事件

1997 年：

IBM的國際象棋機器人深藍戰勝國際象棋世界冠軍卡斯帕羅夫

2005 年：

Stanford開發的一台機器人在一條沙漠小徑上成功地自動行駛了131英里，贏得了DARPA挑戰大賽頭獎；

2006 年：

1.Geoffrey Hinton 提出多層神經網路的深度學習演算法

2.Eric Schmidt在搜索引擎大會提出「雲計算」概念

2010 年：

Sebastian Thrun領導的谷歌無人駕駛汽車曝光，創下了超過16萬千米無事故的紀錄

2011 年：

1.IBM Waston參加智力游戲《危險邊緣》，擊敗最高獎金得主Brad Rutter和連勝紀錄保持者Ken Jennings

2.蘋果發布語音個人助手Siri

3.Nest Lab發布第一代智能恆溫器Nest。它可以了解用戶的習慣，並相應自動地調節溫度

2012 年：

Google發布個人助理Google Now

2013 年：

深度學習演算法在語音和視覺識別率獲得突破性進展

2014 年：

1.微軟亞洲研究院發布人工智慧小冰聊天機器人和語音助手Cortana

2.網路發布Deep Speech語音識別系統

2015 年：

1.Facebook發布了一款基於文本的人工智慧助理「M」

2016 年：

1.Google AlphaGo以比分4:1戰勝圍棋九段棋手李世石

2.Chatbots這個概念開始流行

3.Google發布為機器學習定製的第一代專用晶元TPU

4.Google發布語音助手Assistant

2017 年：

1.AlphaGO在圍棋網路對戰平台以60連勝擊敗世界各地高手

2.Google開源深度學習系統 Tensorflow 1.0正式發布

3.Google AlphaGo以比分3:0完勝世界第一圍棋九段棋手柯潔

4.默默深耕機器學習和機器視覺的蘋果在WWDC上發布Core ML，ARKit等組件

5.Google發布了ARCore SDK

6.網路AI開發者大會正式發布Dueros語音系統，無人駕駛平台Apollo1.0自動駕駛平台

7.華為發布全球第一款AI移動晶元麒麟970

8.iPhone X 配備前置 3D 感應攝像頭(TrueDepth)，臉部識別點達到3W個，具備人臉識別、解鎖和支付等功能；配備的A11 Bionic神經引擎使用雙核設計，每秒可達到運算6000億次

9.AlphaGo Zero完全從零開始，不需要任何歷史棋譜的指引，更不需要參考人類任何的先驗知識，僅需要4個TPU，並花三天時間自己左右互搏490萬棋局，最終無師自通完爆阿法狗100-0

很多專家學者對此次人工智慧浪潮給予了肯定，認為這次人工智慧浪潮能引起第四次工業革命。人工智慧逐漸開始在保險，金融等領域開始滲透，在未來健康醫療、交通出行、銷售消費、金融服務、媒介娛樂、生產製造，到能源、石油、農業、政府……所有垂直產業都將因人工智慧技術的發展而受益，那麼我們現在講的人工智慧究竟是什麼？

詳情參見下一篇：人工智慧與設計（二）：AI 是什麼？

㈣ 人工智慧發展的歷史

人工智慧發展歷程

人工智慧誕生於20世紀50年代中期，1956年被確立為一門學科，至今經歷過經費枯竭的兩個寒冬(1974-1980年、1987-1993年)，也經歷過兩個大發展的春天(1956-1974年、1993-2005年)。從2006年開始，人工智慧進入了加速發展的新階段，並行計算能力、大數據和先進演算法，使當前人工智慧加速發展;同時，近年來人工智慧的研究越來越受到產業界的重視，產業界對AI的投資和收購如火如荼。

——更多數據請參考前瞻產業研究院《中國人工智慧行業市場前瞻與投資戰略規劃分析報告》。

㈤ 人工智慧演算法幫助揭開量子系統的物理學基礎

來自布里斯托爾大學量子工程技術實驗室（QETLabs）的科學家們開發了一種演算法，為量子系統的基礎物理學提供了寶貴的見解 ：為量子計算和感測的重大進展鋪平了道路，並有可能翻開科學研究的新一頁。

在物理學中，粒子系統及其演變是由數學模型描述的，需要理論論證和實驗驗證的成功互動。更為復雜的是對粒子系統在量子力學水平上相互作用的描述，這通常是用哈密爾頓模型來完成的。由於量子態的性質，從觀測中制定哈密頓模型的過程變得更加困難，當試圖驗證它們時，它們通常就會崩潰。

在發表於《自然·物理學》的論文《從實驗中學習量子系統模型》中，來自布里斯托爾QET實驗室的量子力學專家描述了一種演算法，該演算法通過作為一個自主代理，使用機器學習來逆向設計哈密爾頓模型來克服這些挑戰。

該團隊開發了一個新的協議，為感興趣的量子系統制定和驗證近似模型。他們的演算法自主工作，在目標量子系統上設計和執行實驗，並將結果數據反饋給演算法。它提出了描述目標系統的候選哈密頓模型，並使用統計指標，即貝葉斯系數，對它們進行區分。

令人振奮的是，該團隊能夠在一個涉及鑽石缺陷中心的現實生活中的量子實驗中成功展示該演算法的能力，鑽石是一個經過充分研究的量子信息處理和量子感應平台。該演算法可用於幫助新設備的自動表徵，如量子感測器。因此，這一發展代表了量子技術發展的一個重大突破。

"結合當今超級計算機的力量和機器學習，我們能夠自動發現量子系統中的結構。隨著新的量子計算機/模擬器的出現，該演算法變得更加令人興奮：首先它可以幫助驗證設備本身的性能，然後利用這些設備來理解越來越大的計算系統，"布里斯托爾大學QETLabs和量子工程博士培訓中心的Brian Flynn說。

了解基礎物理學和描述量子系統的模型，有助於我們推進對適用於量子計算和量子感測的技術的認識，該研究的下一步是擴展該演算法，以 探索 更大的系統和不同類別的量子模型，代表不同的物理現象或基本結構。

㈥ 智能演算法

智能信息處理研究方向

一、 科研方向意義
智能信息處理是人工智慧（AI）的一個重要研究領域。在世界各地對人工智慧的研究很早就開始了，當計算機出現後，人類開始真正有了一個可以模擬人類思維的工具，而人工智慧也始終是計算機科學的前沿學科，計算機編程語言和其它計算機軟體都因為有了人工智慧的進展而得以存在。80年代初，在美國、日本、接著在我國國內都掀起了一股研究神經網路理論和神經計算機的熱潮，並將神經網路原理應用於圖象處理、模式識別、語音綜合及機器人控制等領域。隨著理論研究的不斷深入和應用領域的迅速擴大，近年來智能信息處理成了人工智慧的一個熱門研究方向，我國各高等院校都成立了關於智能信息處理的研究機構。他們立足於信息處理技術的基礎研究和應用，積極地將數學、人工智慧、邏輯學、認知科學等領域最新研究成果應用於各種信息的智能處理，在模式識別與人工智慧、資料庫與數據倉庫的挖掘技術、信息網路安全與數據保密技術等方面取得了較好的研究成果，在帶動其院校學科建設的同時，也努力擴大了信息技術在國民經濟各領域的應用，提高了信息處理技術的社會效應和經濟效益。
二、主要研究方向
模式識別與人工智慧
數據挖掘演算法
優化決策支持系統
商用智能軟體
三、研究目標
以促進本學科的建設為目標，加強智能理論的研究，並側重智能系統的開發應用工作。在理論上，配合本碩學生的教學工作，在模式識別與人工智慧、數據挖掘和智能演算法等方面進行深入研究，取得比較深入的理論研究成果，從而使學生掌握這方面最新的知識理論，為他們在以後的研究和工作中打下堅實的基礎，進一步可以獨立研究並取得更大的成就。在智能應用上，我們要根據現有的基礎條件，進一步加強梯隊人員和素質的建設，形成一支結構合理、充滿活力、人員穩定的研究隊伍；建立並擴展與外界的合作關系，將最新的理論研究成果轉化為生產力，開發出企業急需的、先進的智能控制和信息處理軟體系統，從而在為社會做貢獻的同時提高我校的聲譽，有利於我校的招生和就業。本方向的研究工作還會促進學生實驗實踐環節的質量，從根本上提高畢業生的素質。

㈦ 人工智慧中的演算法種類

SVM演算法，粒子群演算法，免疫演算法，種類太多了，各種演算法還有改進版，比如說遺傳神經網路。從某本書上介紹，各種演算法性能、效力等各不同，應依據具體問題選擇演算法。

㈧ 人工智慧演算法

編程與推理沒有關系，編程的智能建立在「是非」之上，以中斷判斷為基礎。推箱子有很多種判斷，比如2*2*2……結果會特別多，而編程只是控制其中某一步，這樣每一步都有2種情況，相乘後，軟體就會有很多種通過方法，太多了。比如棋類軟體，我們只要控制某些局部，這些局部組成了「人工智慧」，而局部本身是「非智能」的，這么說明白？
即使是人腦的智能，本質上還是電信號的中斷處理，處理的速度「即人的聰明」，與人腦中資料庫的優化與數據量有關，也就是人腦的智能，其實是機械電子搜索匹配過程……