一般都是人先输入正确答案，然后人工智能去分解

人工智能识别技术是指通过计算机、照相机、扫描仪等设备，自动获取并识别出目标指令、数据等信息的技术手段。最早起源于声控技术（语音识别技术），声控技术曾被广泛应用于智能手机的控制和互动中，其核心是将人的语音识别出来，与手机指令集进行对比，从而控制手机。

根据识别对象是否具有生命特征，人工智能识别技术主要可分为两类：有生命识别和无生命识别。

有生命人工智能识别技术实质是指与人体生命特征存在一定关联的技术，包括语音识别、指纹识别、人脸识别、虹膜识别等。语音识别技术工作原理是基于对识别者自身发出语音的科学有效识别，正确识别出语音的内容，或者通过语音判断出说话人的身份（说活人识别）；人工智能指纹识别技术在实践应用中，其工作原理是通过对人体指纹展开智能识别，最终正确判断识别出指纹所属的对应的人，从而满足实际需求；人工智能人脸识别技术是基于对人的脸部展开智能识别，对人的脸部不同结构特征进行科学合理检验，最终明确判断识别出检验者的实际身份；虹膜识别是通过虹膜的特征判断其实际身份。

无生命识别技术实质是指与人体生命特征不存在任何关联的技术，该项技术主要包括射频识别技术、智能卡技术、条形码识别技术。射频识别技术的工作核心是无线电磁波，其具体的工作原理是:无线电信号在电磁场下进行传送，完成数据和标签的识别；条形码识别技术包括一维码技术和二维码技术，二维码技术是在一维码技术基础之上发展出来的，给数据储存留下的空间更大，同时还可以纠错，在信息标示和信息采集中具有十分有效的运用；智能卡识别技术的识别对象主要是智能卡，智能卡主要是由集成电路板组成的，其工作主要是针对数据展开的运算和储存，通过将计算技术良好的融入到智能卡当中，针对数据进行的各种工作都做到了高效完成。

人工智能识别技术的应用非常广泛，而且不同种类的人工智能识别技术已经应用到了社会各领域，例如在语言翻译、面部识别等多个社会活动中都能够看到计算机人工智能的参与。除此之外，二维码识别和使用是人工智能识别技术运用的最典型的方式，它的利用主要是以二维码的形式生成程序和指令，在用户的移动终端屏幕上生成黑白格子拼接的平面图形，这些平面图形的分布通常来说具有一定的规律性，通过各种图形的排列组合，二维码图案具有唯一性，因此用户可以对二维码图案进行保存和记录。

人工智能的工作原理是：

1、大脑模拟

20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。

这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960， 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。

2、智能模拟

机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。

实现方式：

1、采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。

2、模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。

遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。

最近一段时间，AI（人工智能）被炒得神乎其神，似乎它无所不能。但事实上，据社交网站“脸谱”披露，要想欺骗AI把某个不存在的东西当作真实存在，比你想象的要容易得多。

譬如，在一张高清晰度的图片中，随机地降低某些地方的像素。这么一点微不足道的变化，人眼根本难以觉察，也不会影响我们的判断；但AI却能觉察出来其中的差异，并因此严重干扰了判断，比如说把图中的猫误认作了狗。

再比如，据说现在谷歌的语音识别AI功能已经非常强大，能一边听语音，一边笔录成文字。但一位AI工程师略施小计，就把它给耍弄了：他在语音文件中掺入少量数码噪声，这点噪声对于我们是不会有什么影响的，但让谷歌的AI去识别，结果却是笔录下来的文字已跟原意大不一样。

这些低级错误揭示出当前AI的一个重大缺陷：太拘泥于细节，“只见树木，不见森林”，让无谓的细节影响了对整体的判断。如果这个弱点被黑客利用，后果将不堪设想。他们将能够操纵无人驾驶汽车狂奔，无视红绿灯；或者让犯罪嫌疑人轻易躲过AI控制的监控摄像头。

AI的决策规则不易被人知

为了解决这个问题，这就需要我们先去了解AI是如何自我学习，如何做决策的，但这一直是个难题。因为AI在自我学习过程中，经过海量的数据训练之后，会自创一套决策规则，但它最后创立的规则到底是什么，这对于AI的设计者有时候都是一个谜。这一点其实跟人也是相似的。譬如，老师在课堂上向你传授知识，但你是如何把这些知识点组织起来的，他也不见得清楚。

最近，美国布朗大学的克里斯·格林和他的同事开发了一个系统，有望突破这个困难。

这个系统能够分析，当AI对一个图像做判断时，它是根据图像的哪一部分做出判断的；与此类似的，对于给文件自动归档的AI，这个系统也能够分析，AI是根据文档里的哪个词对文档进行归类的。

为开发这个工具，研究小组用数码噪声依次替换图片的一部分（相当于给这部分图片打马赛克，以便看看这样替换之后，是否会对AI的判断产生影响。如果更换部分的图片改变AI最终的判断，那说明图片的这块区域可能正是影响AI判断的关键所在）。

一窥AI的决策过程

格林在给图片分类的一个AI上测试了他的系统。这个AI被训练把图片分成10个类，包括飞机、鸟、鹿和马等。格林的系统能够暗中查看，当AI对图片进行分类时，什么是它所倚重的，什么是被它忽略不计的。

结果表明，AI先是将图片上的物体分解成不同的元素，然后搜索图片中的每一个元素以确定把图片归到哪一类。

举个例子。当AI观察马的图片时，它首先关注的是其腿部，然后，寻找它的头部。在观察鹿的图片时，它也采用类似的办法，不过在关注了鹿的腿部之后，它接下去搜寻的不是头，而是鹿角，因为鹿角是最能把鹿跟其他动物区别开来的，所以鹿角被置于优先的地位。至于图片的其他地方，则被AI完全忽略了。

从这里我们看出，AI做决策的过程迥异于我们人类。我们是不会如此拘泥于局部的。面对一张鹿的图，即使把它的角打上了马赛克，我们也还是可以根据分叉的蹄子认出鹿来的，但对于“死板”的AI，它很可能就把它认作驴了。

格林的软件可以帮助我们测试现有的AI，以便确保它们下判断时，关注的是我们认为重要的东西，这对于改进AI有重要的价值。

人工智能在计算机上实现时有2种不同的方式。

一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法，它已在一些领域内作出了成果，如文字识别、电脑下棋等。

另一种是模拟法，它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。本书介绍的遗传算法和人工神经网络均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。

采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。

采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

标签：