知网论文检测样例--网络化人工智能
碎片化知识如何有效地组织表示是未来人工智能首先需要解决的问题.由于碎片化知识结构相对耦合松散,关系相对复杂,且无论是数据还是求解过程都表现为网络拓扑结构[8],其系统的输出则以知识图谱的形式给出,称之为“网络化人工智能”(如图6所示).它可实现多源或复杂系统(确定领域的知识自动化,如自动驾驶、医疗健康、国防等)的认知处理[54∼56].网络化人工智能的核心是如何利用大规模网络化碎片知识实现人工智能,在自治数据源的基础上实现表达演化建立拓扑结构完成知识自动化,其可以分解为多个方面的科学问题。
知识特征表达是网络化人工智能的基础.碎片化知识具有多源分布性、传播的社会性、冗余与隐喻性以及无序与非完整性的特征.这些特征决定了传统的向量化方法不能有效表达和处理碎片化知识.因此,如何以可存储、可计算的方式表达碎片化知识的本质特征和信息是网络化人工智能面临的首要问题.
群智网络以群体智慧为基础,碎片化知识是群体智慧的具体表现,碎片化知识根据自身的相关性可以构成某一领域知识的结点,各个领域通过信息的关联进行连接实现信息传播互换.图8以痛风病为例说明了一种群智网络拓扑表征的结构.
与传统人工智能的输出确定性向量描述不同,网络化人工智能输出结构化知识图谱(如图9所示).知识图谱[57∼59]蕴含更丰富的信息,具有更强的非确定性信息描述能力,以及具有更强的可拓展性.但同时,其也具有更复杂的连接和结构.因此,如何设计及表征结构化知识图谱是网络化人工智能需要研究的关键问题.以碎片化知识为节点,多个强关联的节点组成知识簇.知识簇又通过连接形成网络化的知识图谱.知识簇的合理连接有利于信息的融合演化,多个知识簇的共同作用是进化出新知识的有效方法,同时,知识簇间的相互作用也可以完善自身的不足,弥补碎片化知识本身所具有的不准确性与不完备性.这样的表征结构实现了以碎片化知识为基础的信息,可动态更新维护,并且易于推理分析.
人工智能目标的实现依赖于问题的可计算性,建立有效的计算模型是解决人工智能问题的关键.网络化人工智能具有知识碎片化、网络群智化、输出图谱化等几个特点.这几个特点造成了传统的可计算模型无法充分有效地描述网络化人工智能结构.因此,建立合理的计算模型和理论是网络化人工智能研究的科学问题之一.传统的计算模型大多依赖于算法的迭代更新完成参数的学习[60,61],实现机器学习.未来的网络化人工智能将不止停留在机器学习阶段,需要通过新型的计算模型拓展到机器推理阶段.机器推理不仅局限于对现有知识的学习,完成学习后还能够研究隐藏在现有知识中的内部关联,进而推断并发现新知识.这也是实现机器自我智能的基础.
人与机器交互的环境以及互联网中存在的海量视听觉等非结构化大数据,将人对这类数据的直觉感知与智能机器在逻辑推理、演绎、归纳等计算处理的优势相结合,探索高效人机协同计算方法,实现类人的大规模视听觉数据的理解成为计算模型与直觉融合需要解决的问题.人类的视听觉是认知外部的主要途径,外部的刺激信号经过传输进入大脑后形成知识,对人的直觉感知产生影响.智能机器的主要优势在于对数据的计算与严谨的逻辑推理,将二者融合,充分发挥各自优势,有利于机器进一步接近人类智能.
大规模无序碎片化知识条件下易形成知识的溢出及误导,造成“认知过载”问题[66].海量碎片化知识在信息质量方面存在着缺陷,数据量的巨大并不能代表其内容的可靠程度,甚至可能出现数量占优的信息限制了认知的全面性造成过载或形成误导的现象.另一方面,独立的碎片化知识具隐喻的特点,不能直接地表达所蕴含知识内容,同时不同的碎片化知识表述形式有所不同,但可能是在描述同一概念形成的信息冗余.如何将大规模知识的过载与独立知识的隐喻性融合,剔除冗余信息以实现知识的有序组织和表达是网络化人工智能面临的一个重要问题.
.—— END ——.