首页>新闻中心>正文

推理——计算机智能化的变革键

2020-07-03 14:49


你能看穿嫌犯的谎言吗?

炎热的酷暑,费城的一个街区内,发生了一宗凶杀案,案发时间大约是晚上2点左右。

经过缜密的搜查,警方拘捕了4个与案件有关的疑犯A、B、C、D。但是,他们的证词确让案情扑朔迷离。

疑犯A:“我有不在场证据。凶手不是我。”
疑犯B:“我没有作案,是C杀的。”
疑犯C:“我看见D神色慌张,凶手一定是D。”
疑犯D:“C在撒谎。”

经过充分的调查,证实四人中只有一人说了假话,并且罪犯只有一个。那么谁才是案件的真正罪犯呢?

我们可以假如A说了假话 那么凶手是A, 但这样B、C也说了假话,所以假设不成立。
假如B说了假话,那么C、D说的应该全是真话, 但是C、D互相矛盾,所以假设不成立。
假如C说了假话,那么A、B、D都是真话,则C是真凶且各不矛盾,假设成立。
根据上述推理说明C是凶手。





推理是一种人类思维,也是一种计算机逻辑 

上文的侦探悬疑故事,其实是一道计算机C语言的逻辑推理题。推理,不仅是人类特有的思维活动,计算机同样更够进行推理。

所谓推理,是由一个或几个已知的判断(前提)推出新判断(结论)的过程,从已有事实和知识推出结论的过程。与人类进行推理相似,计算机推理也需要一些前置条件。

首先,计算机推理需要建立在一般性知识的基础上,这要求计算机拥有抽象、归纳能力,即从具体事例中提取事物的一般规律并归纳成一般性知识。在实际操作中,计算机对数据资料,加以抽丝剥茧地分析,最后获得做出一个概括性的类别,并能将具体事物归入某个类别。比如,“小智,我想查明天天气?”“小智,明天天气怎么样?”“小智,明天天气是好是坏?”,这三句话虽然表达方式不同,但是计算机都将其归纳为天气询问这一大类。

归纳不仅针对事物特点,甚至还包括数学题型。打个比方,【现女友的重量是45kg,前女友的重量是现女友的1.2倍。前女友重量是多少?解:40*1.5=54kg】与【女友的重量是45kg,前女友的重量是54kg,你的重量是现女友的1.5倍?你的重量是多少?】,虽然题目的已知条件与求解问题,但在题型上是相似的,本质上都是乘法运算,计算机可以将它们归纳为同一题型。

其次,计算机能通过语言理解事物与事物之间所存在的关联关系,并形成知识图谱,知识图谱将提供从“关系”的角度进行推理的能力。例如。计算机当开发人员,将一段对话交给计算机,比如:
旭东:“可欣,要喝奶茶吗?”
可欣:“不喝,你自己喝吧。”
旭东:“为啥?你不是很爱喝奶茶吗?”
可欣:“因为最近在减肥啊”
计算机通过语句信息,将可欣与奶茶这两个事物,通过某一种有效的方式组织起来,让知识图谱能够得以搭建并支持高效的知识推理,当你询问“可欣喝不喝奶茶”以及“她为什么不喝奶茶”时,计算机会依据图谱进行推理,得出正确答案:“她不喝”与“因为她正在减肥”。

推理,对于计算机来说,是一个巨大的挑战,但是智视科技基于其独特的人工智能技术,开发出能抽象、归纳、形成知识知识图谱,并自我进行推理演算的人工智能系统。例如,系统预先对具体事例进行抽象,归纳出(A大于B,B大于C,那么A大于C)这一一般性知识,并将司令、军长、师长、旅长、团长、营长、连长、排长之间联系以知识图谱的方式表现,系统就可以自发推理以上任意两个军职之间的大小关系。



当计算机拥有推理能力,将突破以往禁锢

计算机推理将突破以往算法对任务的限制,让计算机实现更接近人类的推理与执行能力。

在语音领域,可使计算机“听懂”和“思考”接收到的语音信号,在提高系统对语音信息的存储和处理能力基础上,并能够使用上下文、关系推理等方式对谈话者的真正含义进行预测,就像人在谈话时大脑所做的一样。反映到实际应用上,语音助手将变得更智能,相较于刻板的预先功能设定,推理能力使得他们能像人类一样进行思考,提出更符合当时情境的最佳方案,例如帮助用户便捷的预定旅游行程。此外,在文字翻译方面,也将进一步提高准确度及流畅度。

在图像领域,在现有的机器学习系统中,大多数系统没有能力去理解概念之间的关系。例如,视觉系统可以识别图片中的狗或猫,但它不会知道图片中的狗在追逐猫。推理能力使得图形识别引擎不仅仅能够识别出照片的对象,还能够对整个场景中各事物的关系进行推理,对拓宽图像识别技术的应用落地有巨大意义。例如,当我们试图通过规划图纸对树木与公园长椅之间的距离进行排序,就需要对图像上树和长椅之间的关系(距离)进行比较,以得到解决方案;如果我们单独考虑树或者长椅的位置,未考虑他们之间的距离关系,则无法得到解决方案。

目前,智视科技已实现能够抽象、归纳、自我推理演算的人工智能系统,在其长期规划中,下一个目标是将推理能力与自我学习能力联合,通过抽象与归纳的方式,使得人工智能系统能够直接从现实世界获取学习数据,从而突破现阶段人工智能技术只能够解决某种单一问题,无法适应不同场景不同需求的局限,丰富泛化能力,拥有现主流人工智能技术不具备的通用性。