--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 680 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=680&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=680&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=670&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=690&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=680 | PRINTED_PAGE=NOT_DETECTED 在之前的内容里，既有高屋建瓴的人工智能原理探讨，更有各行各业的人工智能落地案例。但是，沉舟侧畔千帆过，病树前头万木春，一切新生事物的发展都不会一帆风顺，如同世间万物曲折前行的轨迹一般，AI思维在前进的过程中也免不了有磕磕绊绊，不断地遇到挑战。但凡事都有两面性，在想方设法化解这些挑战的过程中，也相应地促进了人工智能的发展和落地。 “势”反映的是事物在发展过程中，一定会遇到阻碍和波动，但从这些变化之中能体现出事物的发展趋势和方向。在前面的章节中，我们已经对AI思维的道、法、术、器、用的五个方面展开了讲解，所以，在本书的最后一章，我们将从“势”的层面深入探讨人工智能在现阶段所面临的挑战和瓶颈，无论是在技术层面的、法律伦理层面的，还是人为因素层面的挑战，都让我们在认识到一定的局限性的同时，也更理性地看待周遭因为人工智能而正在发生的巨大变化。庆幸的是，到如今，这些挑战已有相对应的解决策略，成功应对这些挑战也能够产生不可估量的积极影响：一方面深化了人工智能的落地，另一方面，也让我们对人工智能的发展更具信心和期待。 AI模型的挑战 人工智能发展至今已经走过了60多个年头，这期间经历了风风雨雨，有高潮也有低谷。每当人工智能的技术和应用取得核心进展时，人们都会对此产生非常大的兴趣，这也吸引了大量的资金投入，此时便是人工智能的高潮期。但另一方面，由于外界对人工智能的宣传报道较为单一，导致大家对人工智能的期望远远超过了目前技术所能达到的高度，而当大家发现花费了大量的资金、投入了大批精英人才却不能达到预期成果的时候，人工智能的低谷期就到了。 ## PDF_PHYSICAL_PAGE_INDEX=681 | PRINTED_PAGE=NOT_DETECTED 通过前几章的讲解你也了解到，人工智能离不开大数据、模型、算力、业务模式，这4点是AI思维成功实现的支柱因素。其中，模型是整个AI思维的核心，也是让数据奏效的强大引擎，如果没有模型，其他的因素都不能够在AI思维体系中起作用，也就无法实现人工智能对各方面的提升和赋能。但同时，模型在现实中的短板也给AI思维的进一步发展和普及带来了制约。那这些制约究竟是什么？我们下面就围绕模型面临的挑战进行探讨。 如何从无标注数据中学习 实现AI思维落地最重要的一环就是建立模型，但是通过机器学习或深度学习训练一个模型的前提是有大量经过人工标注的数据。例如在图像识别里面，通常来说，需要几十万到上百万人工标注的数据。在语音识别里，则需要成千上万个小时的人工标注语音数据。机器翻译则需要数千万的双语句对做训练。包括曾经一战成名的AlphaGo，也是利用围棋高手们数千万步棋谱对局的记录进行模型训练的。 训练模型需要大量的人工进行标注，就意味着这需要花费很多人力和资金成本。很多时候，找专家进行数据标注费用非常昂贵。我们可以粗略评估标注数据的代价会有多高，以机器翻译为例：我们的目标是标注1 000万个句子，如果请人工进行翻译，假设一个句子的标注费用在0.5元，那么要完成这个标注1 000万个句子的目标要花费500万元，这个费用是相当高的。所以，如此大的数据标注成本，对于那些创业公司或者刚刚开始涉足人工智能领域的公司来说，是一件难以完成的事情。 另外，对于一些个性应用场景来说，很难找到大规模的标注数据，比如说疑难杂症的诊断，因为它既然被列入“疑难杂症”的范畴，一方面可能说明这类病症的患者病例较少，另一方面也说明医生对这类病症的了解并不全面，无论是哪个原因，最终导致的结果都是没有足够广泛的数据用来进行模型训练。 ## PDF_PHYSICAL_PAGE_INDEX=682 | PRINTED_PAGE=NOT_DETECTED 所以，人工智能领域的专家们开始思考，深度学习建模能不能去掉数据标注这个步骤，也就是探索如何从无标注的数据里面进行学习。这成为深度学习研究的一个前沿。就目前的研究工作来看，一条可行的解决路径是通过最近比较火的生成性对抗网络来实现。 首先，我们了解一下什么是生成性对抗网络。生成性对抗网络简称GAN，是非监督式学习的一种方法，即通过让两个神经网络相互博弈的方式进行学习，一个是生成网络，另一个是判别网络。生成网络从潜在空间中随机取样作为输入，如图8-1所示，将噪声向量发送给生成网络，生成网络将这个噪声向量转换为虚拟数据，其输出结果需要尽量模仿训练集中的真实样本，再将虚拟数据发送到判别网络进行分类。而判别网络的输入则为真实样本和生成网络的输出结果，其主要的工作是将生成网络的输出与真实样本分辨开来。两个网络相互对抗、不断调整参数，最终达到生成网络的输出结果与真实样本无二。 ## PDF_PHYSICAL_PAGE_INDEX=683 | PRINTED_PAGE=NOT_DETECTED 通俗来说，GAN的工作原理类似于这样的场景：一个男生试图拍出摄影师级别的照片，而一个女生以挑剔的眼光找出照片的瑕疵。这个过程是男生先拍出一些照片，然后女生分辨出男生拍的照片与摄影师级别的照片的区别。男生再根据反馈改进自己的拍摄技术和方法，拍出一些新的照片，女生再对这些新照片继续提出修改意见，直到达到均衡状态——女生再无法分辨出两者的区别。 所以，GAN能够从多个角度学习到海量无标注数据的特性，从而使得从无标注数据中挑选出来的可用数据与人工标注数据之间存在很强的互补特性。这就类似于，以往的模型没有规律判别功能，需要标注员将输入数据打上标签后，模型才开始进行学习；而通过GAN，机器能够自发学习输入数据的规律，自动对新的数据进行判别和分类，从而实现无标注数据的学习。 ## PDF_PHYSICAL_PAGE_INDEX=684 | PRINTED_PAGE=NOT_DETECTED 从无标注的数据进行学习是非常重要的一个问题，它对人工智能在各领域的实际应用也起到了相当大的作用。过去的标注数据十分有限，这导致我们无法有效地运用深度学习，从而延缓了人工智能落地的步伐。而如今，如果我们能够跳过数据标注这个步骤，从无标注的数据进行学习，那么越来越多的实际应用场景都能够嵌入深度学习，很多问题也就迎刃而解了。 如何把数据和知识结合起来 近年来，深度学习的发展取得了巨大的进步，甚至改变了整个人工智能领域的发展方向。深度学习通过在海量的数据上构建大规模的神经网络，这些神经网络经过训练后可以在很多领域有很出色的表现，如语音识别、图像识别和自然语言处理等领域。深度学习的特点是不再需要人为建立结构化的知识表示体系，知识经过海量信息训练后直接融合在网络中，这使得经典的知识表示和逻辑推理等思想在人工智能领域的作用逐步弱化。 然而，深度学习终究不能解决人工智能领域的所有问题，学习产生了模型也不代表模型能够真正理解所处理的数据，模型也无法进行深层的推理和思考。实际上，基于知识的规则推理系统能够动态学习规则，而且能在多项规则的关联作用下进行复杂的推理，挖掘信息间的深层联系，这是深度学习目前难以做到的。虽然基于知识体系的方法由于目前难以构建大规模的知识系统，限制了其在实际场景中达到理想的效果，但如何把数据和知识结合起来仍是值得深入研究的问题。 知识图谱可以将数据和知识有效地结合在一起。那什么是知识图谱呢？可能在外界看来，知识图谱是在2012年的时候由谷歌公司提出来的一个新概念，但事实上却并非如此，知识图谱这个概念其实由来已久。从20世纪70年代出现的“专家系统”，到万维网之父蒂姆·伯纳斯-李（Tim Berners-Lee）提出的“语义网”和“链接数据”，都是知识图谱的前身。知识图谱主要研究的是客观世界各种概念之间的关系，近年来发展迅速，产生了在智能医疗和自适应教育等领域的落地应用。 ## PDF_PHYSICAL_PAGE_INDEX=685 | PRINTED_PAGE=NOT_DETECTED 从本质上来看，知识图谱是语义网络的知识库；从实际应用的角度来看，可以将知识图谱简化理解成多关系图。我们通常用图里的节点来代表实体，用图里的边来代表两个节点间的关系。实体指的是现实世界中的事物，比如人、地址或机构等，关系则表示的是不同实体之间的某种联系，例如，人-站在-高台，“人”和“高台”是实体，而“站在”则代表了人和高台这两个实体间的关系。在不同的图里，节点和边也会不同。如图8-2所示，一般的图是由节点和边构成，但这些图通常只包含一种类型的节点和边，而多关系图则包含多种类型的节点和多种类型的边。图中，不同类型的节点和边用不同的颜色和样式来进行标记和区分。 ## PDF_PHYSICAL_PAGE_INDEX=686 | PRINTED_PAGE=NOT_DETECTED 在现实世界中，很多场景都非常适合用知识图谱来表达。以社交网络图谱举例，如图8-3所示，社交网络里包含“人”“学校”这样的实体。人和人、人和学校之间存在多种可能的关系，例如甲和乙是“同学”的关系。乙和A学校是“现就读”的关系，乙和B学校是“曾就读”的关系。丙和丁是“同学”的关系，丙和A学校是“现就读”的关系。如果继续拓展下去，每个人都有许多同学，同学们又来自不同的学校。这张社交网络图谱就包含了很多信息，又把这些信息通过节点和边的形式表现得非常清楚。 ## PDF_PHYSICAL_PAGE_INDEX=687 | PRINTED_PAGE=NOT_DETECTED 只有当知识图谱构建完成之后，才能应用到实际的业务之中。一个构建完成的知识图谱相当于是一个知识库，这就解释了为什么它可以回答用户搜索的问题。比如在百度搜索引擎里输入“阿里巴巴的创始人是谁”，我们直接就能得到答案——“马云”。这是因为在系统层面上已经构建完成了知识图谱，在这个知识图谱中包含了关于“阿里巴巴”和“马云”的实体以及两者之间关系的知识库。所以，当我们进行搜索的时候，就可以通过关键词提取类似“阿里巴巴”“马云”“创始人”的词汇以及这些词汇在知识库里的匹配，获得最终答案。这种搜索方式与传统的搜索引擎是迥然不同的，如果用户在传统的搜索引擎上进行检索，返回的是网页，还需要用户自己来筛选和过滤信息，然后才能获得最终答案。 知识图谱的出现是为了理清不同概念之间的关系，所涉及的数据量通常较大，所以知识图谱的构建是一项错综复杂的巨大工程。从整体来看，我们将知识图谱的构建分为知识获取、知识融合、知识验证和知识应用这四个步骤。 ## PDF_PHYSICAL_PAGE_INDEX=688 | PRINTED_PAGE=NOT_DETECTED 第一步是知识获取，主要是从不同来源和结构的数据中获取知识。那么，这些知识是从哪里获取的呢？垂直领域的知识图谱数据来源主要有两种渠道：一方面是业务本身的数据，这指的是以结构化的方式存储的公司内部数据库表，只需要简单预处理就可以进行输入；另一方面是互联网上公开的数据，这类非结构化的数据通常包含了文本、图像、音频和视频等信息，一般需要借助人工智能提取出结构化信息之后才能进行输入。 第二步是知识融合，各个来源获取的信息往往是分散和异构的，具有冗余、高噪音、不确定、非完备的特点，仅仅依靠数据清洗并不能解决这些问题，而是需要进行融合和后续的验证工作，将不同来源不同结构的数据融合成统一的知识图谱，以保证知识的一致性。这步的主要工作是对获取的数据进行实体识别和关系抽取，然后融合构建数据之间的关联，包括实体对齐、属性对齐、冲突消解和规范化等。 第三步是知识验证，即对数据进行补全、纠错、更新，一方面，可以确保知识图谱的一致性和准确性；另一方面，知识图谱的构建是持续动态的，当引入新知识后，需要对新知识进行验证。如果新知识与旧知识间有冲突，那么就需要判断：是原有的知识错了，还是新的知识有问题？如果新知识是正确的，那么就要进行相关实体和关系的更新。 第四步是知识应用，主要是根据知识图谱提供的信息，推理得到更多隐含的知识、隐含的关系、隐含的社区和知识间关联的路径等。这样，通过知识图谱可以产生大量的智能应用，如专家系统、推荐系统、语义搜索和智能问答等。其中，基于知识图谱的智能问答系统可以提供用户所需的信息与知识，一般是以一问一答的形式来精准回答用户的问题。比如说，电商领域的智能问答系统可以辅助人工客服回答一些常见的问题。这样既能在第一时间对用户的问题做出反馈，提升用户体验，又能减轻人工客服的工作量，减少人力成本。 ## PDF_PHYSICAL_PAGE_INDEX=689 | PRINTED_PAGE=NOT_DETECTED 可解释的AI模型 在过去的十几年里，人工智能在各个领域都有成功落地的案例，像我们之前谈到的金融领域的农业银行、零售领域的塔吉特、工业领域的杜克能源等，都通过人工智能提升了自己的效益。但在实践的过程中我们发现，现在仍然有很多企业对人工智能持一种怀疑的态度：人工智能系统做出的决策是否真的值得信任呢？这是我们在推广人工智能应用过程中经常遇到的质疑，也是人工智能在企业落地需要攻克的下一个难关。 在现实的业务中，如果人们要做一个决策，是需要在企业中达成共识的，而相关的人员也要通过定期的审查，来解释他们的决策。这样，既能够保证所做决策可以有效地提高整体业务水平，也能够保证决策在整个企业中顺利进行。不难理解，在决策制定过程中，信任机制中存在着一个关键因素：如何为自己的想法或者做法阐述出一个合理的解释？ 人工智能也一样，模型的有效性同样会受到当前无法向人们解释其决策的限制。当人工智能根据模型和分析做出决策后，企业会有各种疑问和担忧，比如说“为什么要这样做？”，“什么时候能够实现？”。但这时人工智能并不能人性化地给出回答。这就催生了人工智能的新兴分支，称为“可解释的人工智能”（XAI），即建立一套新的或改进的机器学习机制，生成可解释的模型，结合有效的解释方法，使得用户能够理解、一定程度地信任并有效地管理人工智能。 XAI的关键在于：解释人工智能所做出的每一个决策背后的逻辑，都是合理的、可追踪的和可理解的。这里包含三个关键维度：首先，是合理的，即能够理解每个人工智能做出预测的背后推理，整个决策过程中人工智能的思考流程和逻辑是如何的。其次，是可追踪的，即从数据的特点到模型的逻辑，追踪预测过程的能力。最后，是可理解的，即完全理解做出决策所基于的人工智能模型，包括为什么要选择这样一个模型，这个模型如何建立起来的以及能够实现的结果是什么等。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=690&limit=10)