为什么人工智能技术已经进入“黄金时代”

回想十年之前，提到人工智能(Artificial Intelligence，简称AI)，你能想到怎样一幅画面呢?

或许是《星球大战》中的宇航技工机器人R2D2，或许是《黑客帝国》里控制整个现实世界的计算机系统“矩阵”，又或许是钢铁侠的全能管家“贾维斯”?

实际上，那时我们对人工智能的概念大多停留在科幻阶段。然而近十年，人工智能真正进入了“黄金时代”。不仅在科研界发展出越发成熟的算法、并于工业界领域逐渐扩展应用，甚至还经常“出圈”，凭实力闯入大众视野。例如让围棋大师柯洁大哭的AlphaGo，破解蛋白质折叠难题的AlphaFold，凭高水准绘画“混进”央美毕业展AI微软小冰……

尽管发展神速，但不得不承认，现在的人工智能与我们的幻想仍有不小的差距，属于“弱人工智能”。

每个人工智能算法只能解决一个小问题，而且大多数集中在视觉(计算机视觉)、听觉(语音识别)、语言(自然语言处理)和决策(强化学习)等方面，并没有媲美人类的感知、推理和决策能力，因此还不能全方位地代替人类的工作。

为什么人工智能技术已经进入“黄金时代”，我们却说它不能完全替代人类?这就必须提到它的核心技术——人工神经网络了。

专业版

一个简化版的神经网络由许多计算单元和权重组成，输入数据通过神经网络的计算变为输出数据(前向传播)，神经网络通过评判输出数据与理想输出的差异，迭代更新自身权重(反向传播)，最终学习到接近完美的输入-输出映射，因此遇到新的输入时，能相当准确地预测输出。

人话版

神经网络实际上就是一个巨型、高维的回归模型f(x)，通过学习大量输入(x)-输出(y)数据，就能够拟合出f(x)=y的函数关系。这之后，当新的x出现时，它就能准确预测出对应的y。

而目前AI各种炫酷的应用领域，大多数都是对不同神经网络结构的不同“玩法”。

比如图像识别时，我们通常使用卷积神经网络，将图像作为输入、标签作为输出，这样就能预测出这张图片“是什么”。

用于决策时，我们则要求神经网络预判每个动作的优劣，趋利避害。

用于图像生成时，我们训练两个神经网络互相博弈，让生成网络生成不易被侦测到的、与原图有区别的的新图片，而让探测网络尽可能挑出生成的图片，二者在训练中不断竞争，从而让生成网络有能力生成风格不同却与原图神似的图像，比如更换滤镜、画风等……

这样，虽然神经网络无法像人一样“思考”，但也能给出高效且准确的输出。

在博世汽车电子事业部，我们也积极尝试，运用各种AI技术助力研发和生产，例如将图像分类算法用于表面贴装部门产线的焊接质量检测。

在经过多次预处理、调试和模型选择的尝试后，工程师们向AI模型输入大量优良件和失效件的图像和标签，AI就能通过对比来识别出失效件图像独有的特点，进而具备了探测失效件的能力。经过训练的模型经过部署和上线，就能够自动识别不良器件。

AI的引入改变了以往AOI (Automated Optical Inspection, 自动光学检查) 误报率高、需要再次人工甄别的缺点，极大地提升了故障检测率和预测效率。

此外，我们也在AI视觉、知识图谱、强化学习等各个方面不断深入研究，探索新的AI应用场景，为组织数字化转型提供新的解决方案。

目前，AI在互联网中应用已经非常广泛，然而在工业领域的应用仍较为受限。但随着工业4.0的不断推进，智能物联网的持续发展，相信在不久的将来，AI也将继续在工业领域发光发热，大幅提升工业自动化程度及生产效率，成为工业自动化和智能化转型的核心推动力。

　　审核编辑：汤梓红

人工智能神经网络黄金时代技术

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。