1.3 人工智能的应用

1.3.1 人工智能的应用问题

目前人工智能在应用开发方面主要面临三大类问题：通信及语言处理问题、感知问题、机器人的应用问题。

1.通信及语言处理问题

通信是一种通过对信号发生与感知的信息交换行为，信号来源也是各种智能体约定的信号公用系统。人类区别于其他动物智能体的地方在于，我们有着较为复杂的结构化消息系统，即语言。

形式语言被定义为一个字符串集合，而语法则是说明这种语言的有限规则集合。形式语言无一例外都有着自己的语法。在有了语言要素后，通信过程的发生就可以依照步骤，准确高效地进行信息传达及交换。

我们通过一个例子介绍通信步骤的三个主要阶段。

首先，通信第一阶段是意图的产生、意图命题的生成及命题合成为一个物理实现并传达的过程。例如，说话者甲要将词语集合S关于命题“我要饿死了，快去北餐厅”的信息通知聆听者乙。有了意图，生成的命题让话语聆听者能够推断出命题含义（或接近它）。最后，命题合成后通过纸上文字、语音空气震动等媒介完成传达。

通信第二阶段是感知信息媒介的过程。例如，对语音的感知是语音识别，对文字符号的感知是光学符号识别。

通信第三阶段是分析、排歧与合并的过程。例如，聆听者乙对词语集合S推断可能为多种释义集合P1，P2，……，Pn。他在分析中主要包含3个过程部分，即句法分析、语义解释及语用解释。句法分析可以认为是词语关于命题组织的逆过程，它将命题分解为句节点——短语或词语，再通过语义解释抽取话语含义，并重新表示为解释语言的表达过程。例如“饿死了”有两种可能的语义解释，即甲饿得不再活着以及甲饿坏了。同样“北餐厅”的语义解释也包含两种，即在北边的餐厅及叫“北餐厅”名字却不在甲乙北边的餐厅。语用解释是指同样的词语集合在不同的情景下具有不同含义的事实。例如，“咬死猎人的狗”在猎人死了狗活着的场景中，与狗死了猎人活着的场景中具有不同的推断含义。

通常说话者意欲传达的意思，并不是故意发生歧义，但面对多种可行的解释，通信之所以能够进行，就在于聆听者能够推测说话者真正要传达的是哪个解释。这就是排歧过程依赖于不确定推理的过程，最后根据不同信息合并成事实。

2.感知问题

感知是为智能体提供所处环境的信息。人类智能体有多种感知器的形态，如视觉、听觉、触觉。在现代机器人的应用中，还包含一些人类无法直接感知的形态，如电磁波、红外线、无线信号。

虽然感知看起来对人类来说是一种毫不费力的事情，但是在人工智能的开发中，需要大量复杂的计算。例如，视觉就是在操作、导航、事物识别等过程任务中抽取所需的信息。

机器人的感知是将传感器的测量结果映射为环境内部表示的过程。由于环境中存在各种复杂的信号及噪声，而且是部分可测、难于预测及动态的，因此机器人的感知是困难的。通常，在机器人的感知过程中，我们需要用到滤波器、转移模型、传感器模型来感知可观察环境的信息。

3.机器人的应用问题

人工智能的应用中，除了通信、感知问题外，最重要的还包含执行问题。机器人是集合智能化智能体驱动执行的机器的综合表现。通过传感器对外界环境信息的感知，机器人更关注对传感器数据的决策与估计。另外，通过卡尔曼滤波器与粒子滤波器等常用概率滤波算法可以使机器人感知信息维持在一致性、稳定性及可靠性较高的水平状态。

接着，机器人应用的另一个问题是运动规划问题，机器人的运动规划通常在机器人轨迹规划空间中完成，在设定空间域内，指定机器人的位置、方向；然后再根据空间搜索算法将机器人轨迹规划空间分解成有限的多个单元，进而投影到低维子空间再通过搜索来解决运动规划问题。

最后是机器人控制器问题。机器人的控制器问题比根据环境的显式模型推导路径要容易，控制器能够被写成简单的有限状态机，其中控制系统结构内的各要素能够根据相互关联的有限状态机来编制控制器。

1.3.2 人工智能的应用特征

1.智能体的结构特征

经过智能体对外部环境信息的感知，实现对通信要素以及执行主体问题的了解。但新的问题又产生了：人工智能应用是如何实现的？智能体内部是如何工作的？

AI的任务就是设计智能体程序，把感知信息映射到智能体的控制函数或控制程序。目前，我们应用的基本智能体程序含有4种类型，它们基本涵盖了全部智能体的基础规则：

· 简单反射型智能体

· 基于模型的反射型智能体

· 基于目标的智能体

· 基于效用的智能体

简单反射型智能体能够直接对感知信息做出反应；基于模型的反射型智能体能够保持内部状态，追踪记录当前感知信息中不明显的方面；基于目标的智能体的目的是达到目标；基于效用的智能体的目的是最大化效用期望。而以上智能体都是通过学习来改善性能的。

2.智能体的问题求解特征

最简单的智能体是反射型智能体，它将行动建立在从状态到行动的直接映射基础之上。但是映射过大、不易存储且消耗的时间太长会导致无法学习。然而，反射型智能体能够让那些考虑未来行动及结果的需求找到成功的解法。

智能体的问题求解需要根据不同的环境进行行动的选择，目前主要的方式是搜索。搜索的基本方法是，通过对象选择、测试、扩展，找到解或确定没有其他可扩展的状态。对可扩展状态的选择又是由搜索策略决定的，如广度优先搜索、深度优先搜索、深度有限搜索、迭代深入搜索、双向搜索等。通过对搜索算法在完备性、最优性、时间复杂度和空间复杂度上的评判，才能找到最适宜的求解搜索方法。

对于动态问题求解，智能体还具有自主学习的特征。

3.智能体的决策特征

智能体的决策特征是衡量智能体高阶智慧能力的标志。如何产生一个自身制定正确决策的智能体？这种智能体能够在不确定性和冲突目标的判断中，做出逻辑判断机器不能做出的决策。

在决策特征方面，智能体能够在好状态（目标状态）与坏状态（非目标状态）之间进行二元区分。这个理论思想可以与效用理论、概率论结合，产生智能体决策的理论根据，即对于状态质量有连续的量度。

概率理论在描述证据的基础上，告诉智能体应该相信什么。而效用理论则描述智能体想要什么，决策理论则是结合两者来描述一个智能体应该做什么。

在决策系统的建立中，我们通常要考虑所有可能的行动，对所有行动做出分析并选择带来最佳期望结果的行动。

同时，越来越多的决策辅助方法如决策网络、决策信息价值系统、专家系统，也被开发出来构建智能体的决策系统。

4.智能体的学习特征

智能体学习发生在智能体对外界的交互以及对自身的决策过程进行观察的时候。学习有多种形式，取决于执行元件的属性以及组成部分的反馈。执行元件是确定智能体可以采取什么行动的部件，而智能体能够修改执行元件的行动并制定更好决策的部件就是学习元件。

学习元件的设计主要考虑3个因素：

· 需要进行学习的是执行元件的哪个组成部分？

· 对组成部分的学习可以得到什么反馈？

· 学习组成部分如何表示？

以无人驾驶智能体的学习过程为例，当人喊出“刹车”或者前方出现红灯、障碍物时，智能体学习到何时刹车的条件——行动规则；当智能体观察大量镜头图像，以及交通路标和交通工具时，学习到识别行为个体及环境标志；当雨天路面潮湿刹车困难时，又学习到行动制约因素的影响；当幅度较大的行驶操作晃晕了乘客，降低无人驾驶的行驶舒适度而没有受到好评时，无人驾驶智能体又学习到效用指标。

智能体通过反馈学习获取越来越多的正向反馈，从而越来越接近正确值。

在学习特征中，还包含智能体的学习方式，如有监督学习、无监督学习及强化学习。有监督学习可以通过外部提供实例正确值来辅助问题的处理与学习，输入/输出均很明确；无监督学习则在未提供明确输出值的情况下学习输入的模式；强化学习则是从强化作用的事物中进行学习，就是在学习过程中对效果加强因素的感知与追踪，而不是从老师那里获得纠偏与学习方法。

由于学习是智能体不断趋近目标与优化改进的主要方式，因此它也是区别于机器的最重要特征之一。

1.3.3 人工智能的应用现状与未来

从人工智能技术的发展历程来看，它经历了技术驱动和数据驱动阶段，目前已经来到场景驱动阶段，即深入到各个行业之中去解决不同应用场景的问题。此类行业的实践应用也反过来持续优化人工智能的核心算法，形成正向发展的态势。目前，人工智能主要在制造、家居、金融、零售、交通、安防、医疗、物流、教育等行业中有广泛的应用。

1.制造

随着工业制造 4.0 时代的推进，传统制造业对人工智能的需求开始爆发，众多提供智能工业解决方案的企业应势而生。人工智能在制造业的应用主要有三个方面：首先是智能装备，包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备。其次是智能工厂，包括智能设计、智能生产、智能管理以及集成优化等具体内容。最后是智能服务，包括大规模个性化定制、远程运维以及预测性维护等具体服务模式。虽然目前人工智能的解决方案尚不能完全满足制造业的要求，但作为一项通用性技术，人工智能与制造业融合是大势所趋（如图1-12所示）。

2.家居

智能家居主要是基于物联网技术，通过智能硬件、软件系统、云计算平台构成一个完整的家居生态圈，如图1-13所示。用户可以远程控制设备，设备间可以互联互通并进行自我学习等，从而整体优化家居环境的安全性、节能性、便捷性等。值得一提的是，近两年随着智能语音技术的发展，智能音箱成为一个爆发点。小米、天猫、Rokid 等企业纷纷推出自身的智能音箱，不仅成功打开家居市场，也为未来更多的智能家居用品培养了用户习惯。但目前家居市场智能产品种类繁杂，如何打通这些产品之间的沟通壁垒，以及建立安全可靠的智能家居服务环境，是该行业下一步的发力点。

3.金融

人工智能在金融领域的应用主要包括：智能获客、身份识别、大数据风控、智能投顾、智能客服、金融云等，该行业也是人工智能渗透最早、最全面的行业。未来，人工智能也将持续带动金融行业的智能应用升级和效率提升。例如第四范式开发的一套AI系统，不仅可以精确判断一个客户的资产配置，还可以做出清晰的风险评估，以及智能推荐产品给客户。人工智能在金融行业的很多应用，都可以作为人工智能在其他行业落地的典型案例。

4.零售

人工智能在零售领域的应用已经十分广泛，无人便利店（如图1-14所示）、智慧供应链、客流统计、无人仓/无人车等都是热门的方向。京东自主研发的无人仓采用大量智能物流机器人进行协同与配合，通过人工智能、深度学习、图像智能识别、大数据应用等技术，让工业机器人可以进行自主的判断和行动，完成各种复杂的任务，在商品分拣、运输、出库等环节实现自动化。图普科技则将人工智能技术应用于客流统计，通过人脸识别客流统计功能，门店可以从性别、年龄、表情、新老顾客、滞留时长等维度建立到店客流的用户画像，为调整运营策略提供数据基础，帮助门店提升转换率。

5.交通

智能交通系统（Intelligent Traffic System，ITS）是通信、信息和控制技术在交通系统中集成应用的产物。ITS 应用最广泛的地区是日本，其次是美国、欧洲等地区。目前，我国在ITS方面的应用主要是通过对交通中的车辆流量、行车速度进行采集和分析，可以对交通进行实施监控和调度，有效提高通行能力、简化交通管理、降低环境污染等，如图1-15所示。

6.安防

安防领域涉及的范围较广，小到个人、家庭（如图1-16所示），大到社区、城市、国家。智能安防也是国家在城市智能化建设中投入比重较大的项目，预计至2021年，国内智能安防产品市场空间将增长至2094亿元。目前智能安防类产品主要有4类：人体分析、车辆分析、行为分析、图像分析。智能安防行业现在主要还是受硬件计算资源的限制，只能运行相对简单的、对实时性要求很高的算法，随着后端智能分析匹配上足够强大的硬件资源，也能运行更复杂的、允许有一定延时的算法。这两种方式还将长期同时存在。

7.医疗

目前，在垂直领域的图像算法和自然语言处理技术已可基本满足医疗行业的需求，如图1-17所示。市场上出现了众多技术服务商，例如提供智能医学影像技术的德尚韵兴，研发人工智能细胞识别医学诊断系统的智微信科，提供智能辅助诊断服务平台的若水医疗，统计及处理医疗数据的易通天下等。尽管智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥了重要作用，但由于各医院之间医学影像数据、电子病历等不流通，导致企业与医院之间合作不透明等问题，使得技术发展与数据供给之间存在矛盾。

8.教育

科大讯飞等企业早已开始探索人工智能在教育领域的应用。通过图像识别，可以进行机器批改试卷、识题答题等；通过语音识别可以纠正、改进发音；而人机交互可以进行在线答疑解惑等。AI 和教育的结合在一定程度上可以改善教育行业师资分布不均衡、费用高昂等问题，从工具层面给师生提供更有效率的学习方式，但还不能对教育内容产生较多实质性的影响。

9.物流

物流行业通过利用智能搜索、推理规划、计算机视觉以及智能机器人等技术，在运输、仓储、配送装卸等流程上已经进行了自动化改造，能够基本上实现无人操作。比如利用大数据对商品进行智能配送规划，优化配置物流供给、需求匹配、物流资源等。目前，物流行业大部分人力分布在“最后一公里”的配送环节，京东、苏宁、菜鸟争先研发无人车、无人机，力求抢占市场机会。