人工智能中的智能系统

引言

在座的各位，有多少人被称赞过“聪明”？我猜，这几乎包括了我们所有人。被称赞“聪明”或“睿智”的感觉很好，不是吗？然而，我们作为人类，并没有真正剖析过“聪明”或“有智慧”的本质。智慧的范畴很广，其根源与行为、学习和行动息息相关。因此，“聪明”一词是相对而言的，而不是绝对的。那么，你可能会问，“真正”的智慧是什么？这篇文章将帮助我们理解什么是智慧，以及如何构建智能系统，而这正是基于智慧的基本原理。

智能性

正式来说，智慧被描述为感知环境、从观察和经验中学习和存储信息，并产生有意义的输出来解决问题的能力。智慧还意味着快速和高效，表现出更快学习和适应的能力。这适用于人类，也有助于为机器的遵循和实现定义一个标准。

智慧的组成部分

当一个系统或人类至少具备以下五个组成部分中的任何一个时，就被认为是有智慧的。我们将通过引入一个拥有所有组成部分的智能人类PY的例子来逐一理解，如下所示：

推理

在推理中，我们经常根据给定的情景或条件得出结论或陈述。例如，PY可以查看地铁用户按小时划分的图表，并对需求和受欢迎程度得出结论，同时还能准确预测高峰时段。推理就是这样工作的。

学习

在学习中，我们倾向于提取和吸收新的信息。因此，获取知识的行为也会影响我们的行动和结果。例如，PY看到一篇关于他们所在地区新地铁线路的报纸文章，并获得了关于列车时刻表、覆盖区域、车站数量、行程时间以及任何似乎有用且有趣的新知识。PY还“学习”列车时刻表的模式，帮助他们决定从家到工作地点出发的最佳时间。

看法

感知涉及利用感官输入来解释当前的环境或情况。对人类而言，感官输入可以来自五种感官器官：眼睛（看）、舌头（尝）、鼻子（闻）、皮肤（触）和耳朵（听）。而机器则使用称为传感器的设备来解释和处理新信息。例如，PY为了赶上地铁而匆忙赶往地铁售票处。然后，通过“感知”环境，他们意识到实时列车时刻表显示（通过视觉感知）晚点2分钟。松了一口气，PY平静地走到站台，上了火车。

问题解决

解决问题包括尝试为遇到的给定问题或难题找到一个合理的（甚至是最优的）解决方案。人类或机器追求良好解决问题能力的能力在当今是无价的。例如，PY试图离开地铁站，但无法离开，因为他们扫描的卡余额不足。排队的人越来越多，PY解决这个问题的时间有限。他们立即离开队伍，走向充值处。他们没有造成巨大的不便，同时也完成了任务。现在，PY可以重新加入队伍，顺利离开。

语言智能

在语言智能中，有效使用语言是关键。这种能力可以在书面语和口语中得到体现。历史上，人类在语言方面足够聪明，能够有效地沟通并完成事情。然而，直到最近，书面语一直是机器的主要形式。现在，机器在语言方面也足够聪明，能够胜任（有时甚至比人类更好或更差）。例如，PY可以向地铁引导员询问他们通过口头或非口头（手势等）沟通得知的新地铁线路。此外，PY也可能已经用他们熟悉的语言阅读了关于新线路的信息，这表明他们能够通过语言吸收信息。

许多其他心理学家认为智慧有许多不同的类型和组成部分，其中一些是音乐智能、逻辑数学智能、人际智能、空间智能，等等。关键在于，智慧是人类和机械的核心组成部分，决定了它们的质量和相关性。我们已经看到了智慧的组成部分，并且在PY的帮助下更好地理解了它们。现在，我们还必须了解这些智慧的组成部分如何影响智能系统。在此之前，让我们更深入地了解智能系统的含义。

智能系统

与聪明的人类类似，智能系统被设计用来高效地处理复杂任务并在各种环境中解决它们。在人工智能中，智能系统具备至少一个智慧组成部分，或者全部组成部分（这是当前研究的目标），并且能够自动完成。正式来说，智能系统通过“智能”的决策和行动，将数据处理成信息。

智能系统的特征

智能系统的一些特征如下：

自我学习

自我学习是智能系统的基本组成部分，因为它不仅能学习所有可用的信息，还能随着时间的推移纠正自身、最小化错误并提供更准确的解决方案。

用户体验 (UX)

用户体验（UX）是指用户在使用某项服务后，基于其使用体验对该服务产生的整体感受或印象。因此，为了使智能系统具有高度可用性，必须建立良好的用户体验。

识别和辨认

仅从环境中识别或辨认实体是构建智能系统的第一步：获取可转换为信息的有用数据。这里的目标是让智能系统能够自动执行此操作。

数据处理

我们知道将有用数据转换为信息很重要。因此，转换过程也很重要。数据的处理、过滤和分析方式成为设计伟大而高效系统的瓶颈。

行动控制

捕获的信息也应转化为可交付的行动，因此行动控制很重要。行动控制通过验证和相关性测试，使系统能够接受或拒绝最终的行动或输出。

交互与保护

与智能系统的交互需要有效的沟通。因此，智能系统需要一个共同的基础或媒介来规范交互。这种通信框架也必须安全稳健，以确保正常运行。

智能系统的属性

要了解智能系统是什么样的，观察它的属性会有帮助。不同行业和部门的模式和观察结果各不相同，但大致相似。其中一些如下：

环境

环境是智能系统所在的地方。环境因行业和用例的不同而异，使得某些智能系统只适用于某些应用。

传感器

传感器用于感知这种环境并获取输入，供模型更好地分析和理解。这与我们人类“感知”事物的方式类似。

执行器

执行器是模型确定要显示或采取的相关结果后的输出设备。这与我们人类“采取行动”的方式类似。

学习模型

这也被称为智能系统的核心或智能核心，因为它负责使用来自传感器的输入数据，通过执行器产生有意义的输出。通过多次的训练、验证和测试，在这里学习不同的情况。

外部代理

外部代理为智能系统增加了重要的功能，因为它们会监督模型如何学习和适应不同的环境和输入。这些代理主要有助于输出的纠正和验证。

用户界面 (UI)

为了控制和利用上述属性的功能，在其外部包装了一个整洁的用户界面。这确保了任何人，包括技术知识有限的人，都可以操作智能系统。

智能系统的工作场景

让我们在一个工作场景中更好地理解这一点。假设您将一个智能系统置于汽车制造厂（环境）中。让我们更具体地说明我们的智能系统，假设它是一个用于在装配线上将车门和面板安装到汽车上的智能机器人手臂。现在，智能系统通过（摄像头或位移传感器等）传感器检测到一辆汽车的到来，并继续进行下一步。

通过其学习（模型），输入被用来找出装配过程将开始的确切时间，因此，手臂（执行器）会移动到汽车底盘。工作人员（外部代理）会进行任何情况的验证，可以通过用户界面控制机器人手臂。经过多次的感应、处理和执行迭代，智能系统成功地完成了任务。

得益于伟大的技术进步，机器学习（ML）、自然语言处理（NLP）和机器人技术等领域被认为是当今智能系统的核心组成部分。

理解智能系统中的智慧组成部分

现在，让我们将之前学到的智慧组成部分与它们在智能系统中的作用以及每种元素的几种类型一一对应。

推理类型

智能系统需要评估并为任何环境做出正确的推断。为此，主要的推理类型是演绎推理和归纳推理。这在数学上延伸得很广，但总的来说，演绎推理是“先陈述-后事实”，而归纳推理是“先事实-后陈述”。

学习类型

一旦从传感器捕获了输入，智能系统的模型或核心就会开始学习数据，本质上是学习模式。当今的学习类型包括：

监督学习：这种类型的学习是向模型提供输入以及实际输出（称为标签），模型在每次迭代中根据某个损失函数（计算预测输出与实际输出之间的差异）进行调整。

无监督学习：这种类型的学习只向模型提供输入，但不提供输出。模型从数据模式和趋势中学习，而不是将其与预定义的标签进行比较。

深度学习：这种类型的学习是模型将过程分解为多个称为神经元的小函数，并基于相关性和连通性构建多层神经网络。深度学习可以实现图像生成和语音识别等复杂任务。

强化学习：这种类型的学习是训练迭代对输出产生积极影响会得到奖励，而对生产产生负面影响的训练迭代会受到惩罚。这通常在高级游戏系统和游戏化环境中可以看到。

感知类型

感知使智能系统能够使提取的数据更有意义，将其转换为有价值的信息以供模型训练。模型的优劣取决于它如何感知其环境以收集数据、趋势和模式。通常观察到的感知类型有：

视觉感知：允许系统“看到”视觉数据的感知类型，包括图像和视频。视觉感知的一个常见应用是计算机视觉（CV）。

听觉感知：这种感知类型允许系统“听到”视觉数据，包括声音、语音和讲话。听觉感知的一个常见应用是语音识别。

问题解决类型

智能系统在智慧的问题解决组成部分中找到了大多数用例。在这里，系统需要识别和检测问题，形成潜在的解决方案列表，给出最优解决方案，并将其应用于问题。几种类型的问题解决方式是：

启发式方法：当已知的初始因素可以预测解决方案的一部分时，问题可以更容易地解决。这些被称为启发式方法，通常通过在已知环境中反复进行实验和测试来获得。

搜索算法：这些算法会探索许多可能的解决方案，直到找到最优且具有成本效益的选项。GPS导航等应用程序使用 A* 和 Dijkstra 等搜索算法。

遗传算法：遗传算法用于基于选择的应用，其中选择的概率未知或随机。目标是计算并找出给定多个因果对的最佳匹配因子。

优化算法：这是一个包含不同类型算法的总称，包括遗传算法。其他算法包括模拟退火、玻尔兹曼机等等。

语言智能类型

在这里，智能系统负责生成人类可理解的语言作为输出。这可以通过 NLP 技术实现，如分词、文本规范化、标记、解析和语义分析。智能系统中的语言智能类型包括：

对话代理：这种类型用于一对一交互，通常出现在聊天机器人和虚拟助手等对话系统中。

语言翻译：这种类型用于将数据从一种语言翻译成另一种语言。由谷歌翻译等语言翻译应用程序使用。

语音分析：这种类型用于将听觉数据转换为文本或书面数据。存在于语音到文本相关的应用程序中。语音分析也用于过滤掉要发送到其他应用程序（如语言翻译）的听觉数据。

结论

到目前为止，我们已经了解到，智能系统是综合的人工智能（AI）模型，能够执行复杂的任务并提供有效的解决方案。智能系统建立在智慧的组成部分之上，这些组成部分包括推理、学习、感知、解决问题和语言智能。利用这些组成部分的基本原理，智能系统能够做出“智能”的决策。智能系统的属性包括环境、传感器、执行器、学习模型、外部代理和用户界面（UI）。