乾元坤和MES系统应用

人工智能如何引领制造业新高地?

日期:2020-08-18 18:23:36
乾元坤和编辑

乾元坤和编辑

人工智能的概念已经提出来有60年的时间了,最早的定义是通过计算机编程使机器实现类人智能行为,现在人工智能技术已经被普遍使用到生活中,并极大的提高了人们的生活品质。随着互联网技术、大数据、云技术的应用,互联网搜索、语音识别、人机交互等技术已经日益精进,并互相交叉使用。但是人工智能的发展,还有好多未知的问题等待我们去解决。

人工智能

模式识别的定义

模式识别是指对表征物体或现象的各种形式数据(主要是感知数据,如图像、视频、语音等)进行处理和分析,以对物体或现象进行描述、分类和解释的过程,是信息科学和人工智能的重要组成部分。“随着计算机硬件的发展,模式识别的关注度不断提高,模式识别技术发展也日臻完善,在许多领域中已有成功应用,金融、安全、医学、航空、互联网、工业产品检测等领域中都渗透着模式识别技术。

模式识别有2个层面的含义:一是生物体(主要是人脑)感知环境的模式识别能力与机理,属于心理学和认知科学范畴;二是面向智能模拟和应用,研究计算机实现模式识别的理论和方法,属于信息科学和计算机科学领域的范畴。模式识别基础理论(模式表示与分类、机器学习等)、视觉信息处理(图像处理和计算机视觉)、语音语言信息处理(语音识别、自然语言处理、机器翻译等)是模式识别领域的三大主要研究方向。模式识别是人工智能的一个分支领域。人工智能是通过计算使机器模拟人的智能行为,主要包括感知、思维(推理、决策)、动作、学习,而模式识别主要研究的就是感知行为。在人的5大感知行为(视觉、听觉、嗅觉、味觉、触觉)中,视觉、听觉和触觉是人工智能领域研究较多的方向。模式识别领域主要研究的是视觉和听觉,而触觉主要是跟机器人结合。文字识别、互联网有害信息检测、语音识别、生物特征识别(虹膜识别、指纹识别、掌纹识别、人脸识别等)都是目前发展较为成熟的模式识别技术。

模式识别和人工智能在20世纪60年代分离为不同的领域,21世纪以来出现重新融合的迹象。近年来,深度学习和大数据的出现推动了模式识别的快速发展,但这一领域还有巨大进步空间,一方面基础理论研究进展不大,另一方面有很多挑战性应用问题有待解决。对于模式识别的未来,目前以深度学习为代表的主流方法有3个明显的不足:一是需要大量的标记样本进行监督学习,这势必增加模式识别系统开发中的人工成本;二是模式识别系统的自适应能力差,不像人的知识和识别能力是随着环境不断进化的;三是模式识别一般只进行分类,没有对模式对象的结构解释。

机器学习与深度学习

机器学习是人工智能的一个重要方面,简单来讲,它是使机器通过从数据学习获得模型和知识(也就是获得智能)的过程。深度学习(deep learning)是机器学习的一个新的分支和一类重要方法,其主要思想是对多层人工神经网络进行学习获得自动特征提取和模式识别能力。在刘成林看来,深度学习快速发展和广泛应用主要得益于3方面的基础:一是深度学习理论和算法的提出,二是计算能力(主要是GPU并行计算)快速提高,三是大数据的出现。

随着计算机科学、神经科学和神经网络理论的发展,面对大数据时代对智能计算的需求,以及传统人工智能速度学习方法的不足,科学家开始将研究重点投向类脑智能,即脑启发的智能(brain-inspired intelligence)。从目前研究情况来看,人类对大脑神经结构和功能的研究有了很大的进步,同时认知科学领域对人的智能行为(包括学习、记忆、注意、推理、决策等)机理有深入研究。这使得从大脑神经系统结构和认知行为机理获得启发,研制具有更强信息表示、处理和学习能力的智能计算模型与算法成为可能。类脑智能就是以计算建模为手段,受脑神经机理和认知行为机理启发,并通过软硬件协同实现的机器智能。类脑智能系统在信息处理机制上类脑,认知行为和智能水平上类人,其目标是使机器以类脑的方式实现各种人类具有的认知能力及其协同机制,最终达到或超越人类智能水平。

硬件方面的研究主要是研发类脑新型计算芯片,如神经网络计算芯片,目标是相比当前的CPU和GPU计算架构,提高计算效率和降低能耗。目前人工神经网络主要在通用计算机上编程来实现,能耗比较高。例如一台计算机的功率大概是200~300 W,一台GPU服务器的能耗至少是2000 W,而人脑的功耗只有20 W。所以说,计算机实现大规模人工神经网络的能耗非常高,因此研发新型的神经网络计算芯片,降低能耗,具有重要的现实意义。

提到未来的类脑智能研究,研究者认为应该在结构类脑和行为类人方面更加深入。目前不管是神经结构模拟还是学习行为模拟都是比较粗浅的。以学习为例,当前主流的监督学习是比较“粗暴”的学习方式,即一次性给予大量的类别标记数据对人工神经网络进行训练,而要收集大量标记数据是要付出很大代价的。人脑的学习具有很强的灵活性,从小样本开始,不断地随环境自适应。这种学习灵活性应该是未来机器学习的一个主要研究目标。

当然,任何科技领域的成果都是为了人类生活的改善而言的,MES制造执行系统也是不断的日趋完善,实现个性化的MES系统解决方案是需要不断的融合现有的科学技术为基础。

 了解更多>>>乾元坤和成功案例



分享到:

相关文章: