人工智能 训练 推理-红米note智能人工语音

人类会规划是他们生活中很自然的一部分。解决许多医疗保健问题需要人工智能实现这一规划功能。规划和机器学习相辅相成，以解决具有挑战性的问题。当Google创建计算机程序AlphaGo以在围棋游戏中击败世界上最好棋手时，该程序使用了规划和学习技术。该游戏涉及AlphaGo使用仿真模型[[1]]、蒙特卡罗和深度学习来预测特定的结果。在这个例子中，计算机必须自主灵活地构建一系列动作来达到目标。它使用机器学习和计算算法（又名蒙特卡罗）等技术来确定其下一步行动。规划可以采用If/Then/Else逻辑或算法的形式——无论设计一个解决挑战所需的智能系统需要什么。

规划的另一方面解决了深度学习的黑盒挑战。我们无法解释模型如何始终如一地达到95%准确率这一事实并不意味着无法解释AI结果。模型性能可能无法实现临床采用，但模型透明度使我们更接近最终目标人工智能 训练 推理，这是AI规划的一部分。与AI的所有领域一样，可解释的AI[[2]]是一个研究领域，初创企业和研究人员致力于消除对AI的猜测。

除了规划之外，许多人工智能解决方案必须有推理元素。机器利用数据进行推理，这是推理的一种形式。人工智能领域的早期研究人员开发了算法，并使用If/Then/Else规则来模拟人们用来解决问题和进行逻辑推理的简单分步推理。20世纪60年代早期的推理机和决策支持系统使用了这些技术。

图 5不同形状的物体

机器学习比人类能更好地完成许多人类任务，但不能进行推理。图 5显示了两个不同尺寸的圆柱体和一个盒子的图像。

非关联型问题：

关联型问题：

从关联问题的角度来看，上图的模型需要检查不同形状、尺寸、颜色的物体，还能够回答和多个物体相关的问题。任何一个五岁的孩子都能回答图中所示的非关联型和关联型问题。但是，使用深度学习的计算机将无法理解不同事物之间的隐含关系，这一点人类做得相当好。

2017年6月，DeepMind发表了一篇论文，展示了一种新技术，关系网络[[3]]，可以推理对象之间的关系。DeepMind推理结合使用了多种AI技术来获得关系问题的答案。在AI中开发推理仍然是一个不断发展的研究领域。需要推理的医疗保健解决方案将考虑新旧人工智能技术以及新兴研究。

[]仿真模型是一种现实的表示，主要思想是肉眼看不到的东西变得可见。 ↑[]一个可以解释的AI（Explainable AI,简称XAI）或透明的AI（Transparent AI），其行为可以被人类容易理解。它与机器学习中“黑匣子”的概念形成鲜明对比，这意味着复杂算法运作的“可解释性”人工智能 训练 推理，即使他们的设计者也无法解释人工智能为什么会做出具体决定。 ↑[]Google旗下的DeepMind，开发出了全新的关系网络，以分析比较某一特定场景中的每一组对象。 ↑