论文部分内容阅读
【摘 要】借力挖掘技术的发展，大数据推动了人工智能的继续发展，且这一现象表现在科学实验领域和日常生产、生活中。论文主要从人工智能感知、认知和展示几个方面探究如何利用大数据挖掘技术推动人工智能继续发展。
【Abstract】With the development of mining technology， big data has promoted the continuous development of artificial intelligence， and this phenomenon is reflected in the field of scientific experiment and in daily production and life. The paper explores how to use big data mining technology to promote the continuous development of artificial intelligence mainly from the aspects of artificial intelligence perception， cognition and demonstration.
【关键词】人工智能；感知；认知；展示；大数据
【Keywords】artificial intelligence； perception； cognition； display； big data
【中图分类号】TP18 【文献标志码】A 【文章编号】1673-1069（2018）05-0144-02
1 引言
大数据是一个巨量数据集合，其具有4个基本特征：数据种类多、处理速度快、数据容量大和数据价值高。人工智能（AI）源自1956年的达特茅斯会议，且其在互联网与大数据的推动下达到了发展的高峰[1]。换而言之，大数据引领着信息数据未来的发展方向，而基于大数据的科学技术推动着人工智能的发展进程。下面，笔者主要从人工智能感知、认知和展示几个方面分析大数据对人工智能的推动作用。
2 完善智能感知
与传统的数据采集相比，大数据有助于虚拟世界采集大量的感知数据，从而实现了虚拟世界对真实世界的还原。在大数据时代，数据一般源自物联网、互联网和电信网等，且数据量呈指数增长。在物联网技术发展的推动下，终端上装配的传感器能够采集到大量不同种类的实时数据，而通信网络技术的升级能够完整地向云端服务器回传数据，同时云计算技术为网络与设备运营商实时存储、并行处理数据提供有效途径，从而实现了实时采集海量数据及有助于对数据进行智能处理。其中，物联网主要采集接入终端设备的数据；电信网与互联网主要采集终端设备的数据及用户数据。针对大数据采集中存在的冗余数据，出现了优化方案。例如，物联网解决方案中，由前端传感器设备采集的数据先于网关处进行汇聚、初步处理，借此过滤掉低信息价值、重复冗余的数据，且仅上传高信息价值、必要的数据，但该网关处的数据处理功能要求实现智能化，即实现智能感知[2]。
以智能交通系统为例。在智能交通系统中，数据采集系统可实时感知路面状况、车辆状态及周边动静态环境等，并与管控端随时通信，但要求系统随时掌握车辆精确的测量数据，因此各个传感器需要通力配合。对于这一场景，智能感知的实现充分展现了大数据的特性，即：传感器设备产生的数据具有容量大、种类多、结构复杂及冗余多的特点，因此要求实现数据应用的快速、实时性，而对于高价值数据的挖掘，要求确保数据的完整性及实现对一切细节的回查，注意数据完整性、高效性的配置应视实际应用场景与需求而定[3]。
3 加速智能认知
目前，人工智能认知已从推理阶段发展到大数据时代，且面对数据量增长的海量态势，定会引起量到质的改变。随着计算机技术的发展，计算能力的增强推动了人工智能对“万物皆计算”理念的运用，即其以认知计算为核心，具体通过分析、理解大数据来找寻数据的内在规律。
引自Richard Hamming的观点，计算的真正目的是洞察数字的内在规律，而这一观点体现了机器学习的核心思想。对于机器学习，T·Mitchell教授定義为：通过运用经验知识，改进计算机系统的性能。在人工智能领域，机器学习是一个非常重要的分支，其是根据模型学习数据，继而具有智能算法与理论，且对于大数据智能认知，运用机器学习挖掘大数据中价值较高的规律是一个非常关键的途径。深度学习是一种特征学习法，即通过建立与人脑类似的分层模型结构，创建一种从底层信号映射到高层语义的关系[4]。研究发现，在更多的数据量与更强的计算能力情景下，深度学习的效果会变得更好。目前，深度学习已经在图像分类、语音识别等领域得以成功应用。据此，美国政府于2013年开始对人脑的认知机制开展突破性的研究，即“人脑计划”。以Alpha Go为例。Alpha Go利用棋谱做了大量的训练，其既开展了数以百万盘的对弈，又可从网上获取棋局信息。据此，Alpha Go仅需总结棋局规律，便可快速变成“九段棋手”，即基于大数据的学习方式使得Alpha Go的认知得以加速，甚至能与人类的顶级棋手匹敌。
综上，大数据可从既有数据中提炼出机器学习的“经验”，而对数据的合理处理，可从中提炼出价值较高的信息用于训练模型，从而使其与系统的实际性能相符。大数据是一种智能认知，其具有预测的特性，即：系统依据既有数据研判未来发展的一些可能性。据此，机器学习未来的研究重点应是：在大数据时代，预测性能紧随数据量的增加而提高[5]。
4 助力智能展示
在科学技术的推动下，行业表现出明显的专业性与细分趋势。据此，大数据推动人工智能继续发展的关键在于如何实现大众快速对数据智能采集与处理结果的准确掌握。智能展示具有可视化、交互性的特性，从而实现了大众对大数据成果的享用。其中，交互性是人工智能系统的重要特征，即：系统在展示结果时，可向观众提供更多的选择及实现相互交互，继而进行选择性的展示。研究发现，在人类感知的总信息量中，视觉感知的信息量超过70%，表明目前的智能展示手段以可视化技术最为重要，而在未来的发展中，智能展示技术会朝向VR/AR技术发展。 当应用场景的规模达到一定程度后，增强现实、虚拟现实及视频等展示技术都需以海量数据作为支撑，外加智能认知与处理会产生一定量的中间数据，因此数据的规模相当庞大[6]。为此，运用大数据技术对海量数据进行实时处理非常必要，从而保证视频的流畅性及实现现实与VR、AR的无缝结合，并最终改善用户体验。自1956年诞生以来，虚拟现实技术因受硬件与大数据处理能力的制约而发展缓慢。但近年来，大数据并行处理算法与其软、硬件都得以快速发展，且完全能够满足增强现实、虚拟现实对数据量的需求，从而推动了现实世界映射至虚拟世界。
5 展望
21世纪是一个数据时代，技术的一切参数都会编入大数据网络中，并创造出人工智能领域，且在若干领域（现代军事领域、现代农业领域、现代医学领域等）中，以大数据为导向的技术性人工智能日渐发展成为科学技术的最前沿。据此，大数据为人工智能的继续发展带来了机遇，但同时也带来如下挑战亟待应对：
①大数据的垂直化应用对人工智能的发展非常不利，即：在大数据应用中，要求垂直行业具有较高的专业性，但从专家系统开始，人工智能便已意识到自身发展的最大阻碍是业务的专业性。
②对于机器学习和深度学习等智能技术，其在发展中面临着巨大的挑战，即：所有数据皆从已知世界中提取及未超越数据采集终端范畴，因此无法获取到未知世界的数据信息。
③在大数据时代，人工智能的继续发展要求以适宜的社会环境、伦理及法律作为支撑条件。例如，Alpha Go于2016年3月获得胜利，为此掀起了大众对人工智能的讨论，即其是否会在未来的某一天超越乃至控制整个人类社会。为了平息此类的疑虑，要求大数据与人工智能领域的相关人员在未来的发展中做出进一步的探索。
总之，大数据与人工智能在当下的发展都不够成熟，但随着大数据等技术的发展，人工智能继续向前发展毋庸置疑，且发展前景非常广闊。
【参考文献】
【1】蒲东齐.数据挖掘在人工智能上的应用[J].信息与电脑，2016（19）：157，159.
【2】黄泽波.大数据时代的数据挖掘技术分析[J].农村经济与科技，2017（12）：294.
【3】何成芬.基于大数据与人工智能时代背景下的金融决策系统分析研究[J].商情，2017（26）：66.
【4】宋丽珏.人工智能时代语料库短语学考察[J].学习与探索，2017（12）：78-85.
【5】喻国明，刘界儒，李阳.数据新闻现存的问题与解决之道——兼论人工智能的应用价值[J].新闻爱好者，2017（6）：4-7.
【6】喻国明，刘界儒，李阳.大数据人工智能时代的智慧交通[J].软件和集成电路，2017（8）：86-87.
【Abstract】With the development of mining technology， big data has promoted the continuous development of artificial intelligence， and this phenomenon is reflected in the field of scientific experiment and in daily production and life. The paper explores how to use big data mining technology to promote the continuous development of artificial intelligence mainly from the aspects of artificial intelligence perception， cognition and demonstration.
【关键词】人工智能；感知；认知；展示；大数据
【Keywords】artificial intelligence； perception； cognition； display； big data
【中图分类号】TP18 【文献标志码】A 【文章编号】1673-1069（2018）05-0144-02
1 引言
大数据是一个巨量数据集合，其具有4个基本特征：数据种类多、处理速度快、数据容量大和数据价值高。人工智能（AI）源自1956年的达特茅斯会议，且其在互联网与大数据的推动下达到了发展的高峰[1]。换而言之，大数据引领着信息数据未来的发展方向，而基于大数据的科学技术推动着人工智能的发展进程。下面，笔者主要从人工智能感知、认知和展示几个方面分析大数据对人工智能的推动作用。
2 完善智能感知
与传统的数据采集相比，大数据有助于虚拟世界采集大量的感知数据，从而实现了虚拟世界对真实世界的还原。在大数据时代，数据一般源自物联网、互联网和电信网等，且数据量呈指数增长。在物联网技术发展的推动下，终端上装配的传感器能够采集到大量不同种类的实时数据，而通信网络技术的升级能够完整地向云端服务器回传数据，同时云计算技术为网络与设备运营商实时存储、并行处理数据提供有效途径，从而实现了实时采集海量数据及有助于对数据进行智能处理。其中，物联网主要采集接入终端设备的数据；电信网与互联网主要采集终端设备的数据及用户数据。针对大数据采集中存在的冗余数据，出现了优化方案。例如，物联网解决方案中，由前端传感器设备采集的数据先于网关处进行汇聚、初步处理，借此过滤掉低信息价值、重复冗余的数据，且仅上传高信息价值、必要的数据，但该网关处的数据处理功能要求实现智能化，即实现智能感知[2]。
以智能交通系统为例。在智能交通系统中，数据采集系统可实时感知路面状况、车辆状态及周边动静态环境等，并与管控端随时通信，但要求系统随时掌握车辆精确的测量数据，因此各个传感器需要通力配合。对于这一场景，智能感知的实现充分展现了大数据的特性，即：传感器设备产生的数据具有容量大、种类多、结构复杂及冗余多的特点，因此要求实现数据应用的快速、实时性，而对于高价值数据的挖掘，要求确保数据的完整性及实现对一切细节的回查，注意数据完整性、高效性的配置应视实际应用场景与需求而定[3]。
3 加速智能认知
目前，人工智能认知已从推理阶段发展到大数据时代，且面对数据量增长的海量态势，定会引起量到质的改变。随着计算机技术的发展，计算能力的增强推动了人工智能对“万物皆计算”理念的运用，即其以认知计算为核心，具体通过分析、理解大数据来找寻数据的内在规律。
引自Richard Hamming的观点，计算的真正目的是洞察数字的内在规律，而这一观点体现了机器学习的核心思想。对于机器学习，T·Mitchell教授定義为：通过运用经验知识，改进计算机系统的性能。在人工智能领域，机器学习是一个非常重要的分支，其是根据模型学习数据，继而具有智能算法与理论，且对于大数据智能认知，运用机器学习挖掘大数据中价值较高的规律是一个非常关键的途径。深度学习是一种特征学习法，即通过建立与人脑类似的分层模型结构，创建一种从底层信号映射到高层语义的关系[4]。研究发现，在更多的数据量与更强的计算能力情景下，深度学习的效果会变得更好。目前，深度学习已经在图像分类、语音识别等领域得以成功应用。据此，美国政府于2013年开始对人脑的认知机制开展突破性的研究，即“人脑计划”。以Alpha Go为例。Alpha Go利用棋谱做了大量的训练，其既开展了数以百万盘的对弈，又可从网上获取棋局信息。据此，Alpha Go仅需总结棋局规律，便可快速变成“九段棋手”，即基于大数据的学习方式使得Alpha Go的认知得以加速，甚至能与人类的顶级棋手匹敌。
综上，大数据可从既有数据中提炼出机器学习的“经验”，而对数据的合理处理，可从中提炼出价值较高的信息用于训练模型，从而使其与系统的实际性能相符。大数据是一种智能认知，其具有预测的特性，即：系统依据既有数据研判未来发展的一些可能性。据此，机器学习未来的研究重点应是：在大数据时代，预测性能紧随数据量的增加而提高[5]。
4 助力智能展示
在科学技术的推动下，行业表现出明显的专业性与细分趋势。据此，大数据推动人工智能继续发展的关键在于如何实现大众快速对数据智能采集与处理结果的准确掌握。智能展示具有可视化、交互性的特性，从而实现了大众对大数据成果的享用。其中，交互性是人工智能系统的重要特征，即：系统在展示结果时，可向观众提供更多的选择及实现相互交互，继而进行选择性的展示。研究发现，在人类感知的总信息量中，视觉感知的信息量超过70%，表明目前的智能展示手段以可视化技术最为重要，而在未来的发展中，智能展示技术会朝向VR/AR技术发展。 当应用场景的规模达到一定程度后，增强现实、虚拟现实及视频等展示技术都需以海量数据作为支撑，外加智能认知与处理会产生一定量的中间数据，因此数据的规模相当庞大[6]。为此，运用大数据技术对海量数据进行实时处理非常必要，从而保证视频的流畅性及实现现实与VR、AR的无缝结合，并最终改善用户体验。自1956年诞生以来，虚拟现实技术因受硬件与大数据处理能力的制约而发展缓慢。但近年来，大数据并行处理算法与其软、硬件都得以快速发展，且完全能够满足增强现实、虚拟现实对数据量的需求，从而推动了现实世界映射至虚拟世界。
5 展望
21世纪是一个数据时代，技术的一切参数都会编入大数据网络中，并创造出人工智能领域，且在若干领域（现代军事领域、现代农业领域、现代医学领域等）中，以大数据为导向的技术性人工智能日渐发展成为科学技术的最前沿。据此，大数据为人工智能的继续发展带来了机遇，但同时也带来如下挑战亟待应对：
①大数据的垂直化应用对人工智能的发展非常不利，即：在大数据应用中，要求垂直行业具有较高的专业性，但从专家系统开始，人工智能便已意识到自身发展的最大阻碍是业务的专业性。
②对于机器学习和深度学习等智能技术，其在发展中面临着巨大的挑战，即：所有数据皆从已知世界中提取及未超越数据采集终端范畴，因此无法获取到未知世界的数据信息。
③在大数据时代，人工智能的继续发展要求以适宜的社会环境、伦理及法律作为支撑条件。例如，Alpha Go于2016年3月获得胜利，为此掀起了大众对人工智能的讨论，即其是否会在未来的某一天超越乃至控制整个人类社会。为了平息此类的疑虑，要求大数据与人工智能领域的相关人员在未来的发展中做出进一步的探索。
总之，大数据与人工智能在当下的发展都不够成熟，但随着大数据等技术的发展，人工智能继续向前发展毋庸置疑，且发展前景非常广闊。
【参考文献】
【1】蒲东齐.数据挖掘在人工智能上的应用[J].信息与电脑，2016（19）：157，159.
【2】黄泽波.大数据时代的数据挖掘技术分析[J].农村经济与科技，2017（12）：294.
【3】何成芬.基于大数据与人工智能时代背景下的金融决策系统分析研究[J].商情，2017（26）：66.
【4】宋丽珏.人工智能时代语料库短语学考察[J].学习与探索，2017（12）：78-85.
【5】喻国明，刘界儒，李阳.数据新闻现存的问题与解决之道——兼论人工智能的应用价值[J].新闻爱好者，2017（6）：4-7.
【6】喻国明，刘界儒，李阳.大数据人工智能时代的智慧交通[J].软件和集成电路，2017（8）：86-87.