标签：
之前写了一篇《从AlphaGo谈通用型人工智能设计》的文章，里面谈了通用型人工智的设计架构。之后就有人问我特定型人工智能是怎么做的，因为自己做过图像识别和语音识别两个人工智能项目，有点小小的经验，所以今天就根据这两个人工智能项目，来谈谈一般的特定型人工智的设计和设计要求。再强调一下，特定型人工智能的需求多种多样，具体的实现方法也各有不同，这里只根据本人做过的人工智能项目，讲一讲设计特定型人工智能的基本要求和设计思路，不保证适用其它人工智能领域，也不涉及编码。其实架构和思路明确了，怎么编码，用什么计算机语言，就只是一个过程而已。
言归正传！做特定型人工智能必须有一个足够强大的存储和计算数据的环境，而且这个环境随着存储量和计算量的增加，可以同步线性增长，能够提供这种规模量级的环境，目前只能是大数据。可能有人会说用数据库行不行，这里可以明确告诉各位，数据库真不行。拿ORACLE为例，在ORACLE里，存储几百GB已经是极限，再往上性能就变得很差。但是这些数据放在人工智能环境下，可能只是一次计算的数据量，两者根本不在一个量级上。现在我们做人工智能测试的系统，存储的数据量已经接近PB级别，这样的数据量，数据库是根本做不到的。
再回到计算机本质来谈一谈。不管外界把人工智能吹嘘得多么神奇，实际上，计算机只是一台机器，永远也只能是一台机器，它本身不可能具备人的思维能力，所有人工智能的实现，都是通过计算机强大的数据计算来获得的，所以，在有了足够强大的数据环境后，还需要有足够多的数据，这样就进入了这个环节：数据采集。人工智能的采集途径多种多样，目前最简单方便的来源是互联网。但数据采集是一个相当漫长的过程，只有积累到足够多的数据后，才能够进行人工智能计算，否则无法达到精度和准确度要求。严格来说，这个工作不算是什么技术活，是体力活，还要加上时间的消耗。拿我们做的两个人工智能项目来说，积累到今天这个数据量，前后用了两年多的时间，数据来源有互联网的，也有合作伙伴提供的。所以，仅就数据量而言，想做人工智能也不是一个简单的事。
实现了上述两个目标，剩下的就是人工智能最关键的部分：深度学习。我看到网上的文章，也有人将这一块称为“自我学习”，或者“智能统计”的。但是不管怎么理解，其实质都在即有的数据基础上，进行的数据分析和数据计算。为了便于精确人工智能计算，在数据采集过程中，录入的数据，在进入数据存储环境前，都会按照各种不同的特定要求，分割成较小的数据元组。这些小的数据元组，通常会贴上各种不同的标签，来表明这些数据元组所具有的各种不同的属性。
在建立数据元组过程中，会产生很多数据错误，这些错误我们称之为“数据噪音”。消除数据噪音工作，开始肯定是人来做，因为计算机是不知道这样的对错的。操作人员把它们归类到“错误”这一块。当“错误”的数据积累到一定量的时候，因为已经有可以识别的基础，这个工作就可以让程序代替人来实现。这样，经过不断的提纯，数据量会越来越多，精准度会越来越高，这将成为人工智能“深度学习”的基础。
深度学习的第二步是给数据元组建立关联。这种关联是网状的，而且会随着数据量的增加，呈几何级增长和延伸。目前人工智能的计算量之所以这么大，就是因为数据元组之间的关联太多，导致各种可能因素太多，造成计算机在计算过程中，要逐一加以识别和过滤，来达到去伪存真的效果。和消除数据噪音一样，给数据元组建立关联的工作，最初也只能靠人工来实现，当积累到一定程度后，计算机将代替人的工作。在外界看来，这时候的计算机就貌似理解了人的行为，具备了一定的智能了。
举一个例子来说明人工智能的处理过程：人脸识别。这是图像识别的一个分支，也是目前最技术成熟的人工智能项目。它的原理和处理过程是这样的：不管什么人种，正向面部轮廓基本是相同的。基于这个前提，在做人脸识别之前，图像软件将扫描很多的人脸轮廓（矢量处理），同时面部的眼、嘴，鼻子等器官也一并扫描，包括各个器官在人脸的位置这样参数，然后贴上标签，注明属性，把它们以数字的形式保存起来。另外还有其它一些个性特征，比如肤色，嘴唇、眼睛颜色、高鼻梁还是塌鼻梁等，也贴上标签注明属性，做为更细分的识别选项。当我们说XX和XX很像时，计算机是这样做的：扫描他们的面部轮廓，和计算机已经存在的面部参数进行比对，如果他们的面部轮廓和大部分参数一致时，基本就可以确定这是两张人脸的图像。再进一步对比两张人脸的数据，给不同的器官设置一个相似值（80%，90%或者...），如果重叠的部分在要求范围内，那么计算机就判断是“象”，否则就不象。
这样的面部图像，在基础数据不足的情况下，很容易发生识别错误
最后用两条来概述总结一下特定型人工智能：
1. 大数据+大计算是实现人工智能的基本条件。
2. 数据关联在人工智能中的地位十分重要，所有人工智能都要依靠它来实现。
另外，如果说到编码细则，实际上每一种人工智能都会应用到不同学科不同领域的技术，实现起来并不容易，这里所以写得也很简陋，主要也是不想给各位造成阅读和理解的困难，各位且姑妄读之吧。
标签：
原文地址：http://www.cnblogs.com/laxcus/p/5413180.html
