廣西回收西門子PLC模塊 廣西回收西門子PLC模塊

機(jī)器的“直覺(jué)”

學(xué)習(xí)能力是實(shí)現(xiàn)自主化的前提條件。為此，西門子研究人員正在開(kāi)發(fā)一種知識(shí)網(wǎng)絡(luò)，它以與深度學(xué)習(xí)相關(guān)的模擬神經(jīng)元和模擬連接為基礎(chǔ)。該網(wǎng)絡(luò)可以通過(guò)識(shí)別極其復(fù)雜的域間關(guān)聯(lián)來(lái)歸納信息。可公開(kāi)訪問(wèn)的互聯(lián)網(wǎng)和企業(yè)內(nèi)部信息系統(tǒng)都可以成為該知識(shí)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域。這項(xiàng)技術(shù)具有普遍而深遠(yuǎn)的意義，且擁有能夠模仿人類直覺(jué)的潛力。

從擁有大約300個(gè)神經(jīng)細(xì)胞的蛔蟲，到大腦包含2000億個(gè)神經(jīng)元的成年大象，具備學(xué)習(xí)能力的生物系統(tǒng)形形，不勝枚舉。然而，不論研究對(duì)象是果蠅、蟑螂、黑猩猩，還是海豚，所有這些生物的神經(jīng)元都能夠處理和傳遞信息。不僅如此，這些活動(dòng)都出于相同的原因：所有有機(jī)體都需要識(shí)別并理解其周圍環(huán)境，然后做出適當(dāng)反應(yīng)，以避開(kāi)危險(xiǎn)，保證生存以及繁殖能力。它們還必須能夠回憶代表利害的刺激。換言之，學(xué)習(xí)能力是在自然環(huán)境中求生的關(guān)鍵。盡管機(jī)器無(wú)所謂繁殖和生存問(wèn)題，但學(xué)習(xí)能力對(duì)于機(jī)器也至關(guān)重要，特別是對(duì)于自主系統(tǒng)，具備學(xué)習(xí)能力意味著它們能夠持續(xù)改進(jìn)其發(fā)揮功能的能力。

西門子機(jī)器學(xué)習(xí)專家兼慕尼黑大學(xué)計(jì)算機(jī)科學(xué)教授Volker Tresp博士認(rèn)為，學(xué)習(xí)分為三種：記憶學(xué)習(xí)（如回憶具體事實(shí)）、技能學(xué)習(xí)（如扔球）和抽象學(xué)習(xí)（如通過(guò)觀察推演出成套規(guī)則）。就*種學(xué)習(xí)而言，計(jì)算機(jī)已經(jīng)是行家里手。現(xiàn)在，它們正在另外兩種學(xué)習(xí)領(lǐng)域迎頭趕上。

知識(shí)網(wǎng)絡(luò)創(chuàng)建者：Volker Tresp教授，西門子專家兼慕尼黑大學(xué)數(shù)據(jù)庫(kù)系統(tǒng)項(xiàng)目主任。

生成預(yù)測(cè)
隨著傳感器的體積越變?cè)叫　⒊杀驹絹?lái)越低，并且能夠?qū)崿F(xiàn)越來(lái)越多的功能，本地和網(wǎng)絡(luò)中產(chǎn)生的數(shù)據(jù)將越來(lái)越多。這些數(shù)據(jù)洪流需要被學(xué)習(xí)系統(tǒng)進(jìn)行智能分析。學(xué)習(xí)系統(tǒng)知道關(guān)聯(lián)的機(jī)器和系統(tǒng)是如何運(yùn)轉(zhuǎn)的，也了解需要應(yīng)用哪些傳感器和測(cè)量技術(shù)才能獲得真正有用的數(shù)據(jù)。這個(gè)“物聯(lián)網(wǎng)”將不僅從根本上改變工業(yè)界，也將*改變基礎(chǔ)設(shè)施。舉例來(lái)說(shuō)，在交通引導(dǎo)系統(tǒng)中，車輛、控制中心、自主工業(yè)設(shè)施和智能樓宇可以實(shí)現(xiàn)彼此互聯(lián)。

Tresp解釋道：“在新的智能數(shù)據(jù)應(yīng)用的開(kāi)發(fā)中，機(jī)器學(xué)習(xí)起到了關(guān)鍵作用。”不同于側(cè)重解讀參數(shù)的純統(tǒng)計(jì)程序或力求從海量數(shù)據(jù)中識(shí)別模式的數(shù)據(jù)挖掘，使用人工神經(jīng)網(wǎng)絡(luò)等的機(jī)器學(xué)習(xí)過(guò)程將進(jìn)行預(yù)測(cè)，為實(shí)現(xiàn)自主決策奠定基礎(chǔ)。

西門子SENN軟件確保基于神經(jīng)網(wǎng)絡(luò)的精確預(yù)測(cè)。

舉例來(lái)說(shuō)，西門子已開(kāi)發(fā)出一個(gè)神經(jīng)網(wǎng)絡(luò)模擬環(huán)境（SENN），可用于解答不同問(wèn)題。此外，SENN還可以預(yù)測(cè)原材料的價(jià)格。例如，這個(gè)軟件可以預(yù)測(cè)未來(lái)20天的電價(jià)和其中的購(gòu)電日，準(zhǔn)確率達(dá)到三分之二。自2005年起，西門子一直使用這種方法在時(shí)間點(diǎn)購(gòu)電。這項(xiàng)技術(shù)也可用于預(yù)測(cè)需要并入電網(wǎng)的可再生能源發(fā)電量，或者提前數(shù)日精確預(yù)測(cè)大城市空氣污染水平。

自優(yōu)化風(fēng)機(jī)
西門子也在其他領(lǐng)域使用了這種可從各類數(shù)據(jù)中學(xué)習(xí)并自主得出結(jié)論的計(jì)算機(jī)系統(tǒng)。例如，西門子中央研究院的研究人員正在研究如何利用機(jī)器學(xué)習(xí)技術(shù)讓風(fēng)機(jī)能夠根據(jù)風(fēng)和天氣條件的變化進(jìn)行自動(dòng)調(diào)節(jié)，從而提高發(fā)電量。西門子中央研究院在此領(lǐng)域的專家Volkmar Sterzing表示：“自優(yōu)化風(fēng)機(jī)的基礎(chǔ)是從風(fēng)機(jī)自身的運(yùn)行數(shù)據(jù)中推導(dǎo)出風(fēng)的特性。”風(fēng)機(jī)發(fā)電設(shè)施內(nèi)部及外部的傳感器能夠包括風(fēng)向和風(fēng)力、空氣溫度、電流和電壓，以及發(fā)電機(jī)和轉(zhuǎn)子葉片等大型組件內(nèi)的振動(dòng)等在內(nèi)的相關(guān)參數(shù)。Sterzing解釋道：“到目前為止，這種類型的數(shù)據(jù)僅用于遠(yuǎn)程監(jiān)測(cè)和診斷。其實(shí)，這些數(shù)據(jù)還可用于幫助提高風(fēng)機(jī)的發(fā)電量。”現(xiàn)在，Sterzing也在進(jìn)行優(yōu)化燃?xì)廨啓C(jī)運(yùn)行方面的研究。這些相關(guān)研究的目標(biāo)是創(chuàng)建一個(gè)自主學(xué)習(xí)系統(tǒng)。該系統(tǒng)將不僅能夠分析或可視化輪機(jī)運(yùn)行數(shù)據(jù)，還可以自主解讀這些數(shù)據(jù)并自動(dòng)修正相關(guān)輪機(jī)運(yùn)行。

Volkmar Sterzing的團(tuán)隊(duì)致力于借助自適應(yīng)軟件優(yōu)化風(fēng)機(jī)運(yùn)行。Sterzing的下一個(gè)目標(biāo)是自優(yōu)化燃?xì)廨啓C(jī)。

深度學(xué)習(xí)與模擬神經(jīng)元
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的新趨勢(shì)。這種技術(shù)要使用多達(dá)10萬(wàn)乃至更多個(gè)模擬神經(jīng)元，以及上千萬(wàn)個(gè)模擬連接，這些數(shù)字打破了人工智能領(lǐng)域過(guò)去所有紀(jì)錄。人工神經(jīng)元有許多層，每層都負(fù)責(zé)對(duì)所學(xué)的材料進(jìn)行不同層次的抽象。比如，研究人員有望借助深度學(xué)習(xí)技術(shù)完成自動(dòng)圖像識(shí)別技術(shù)的新應(yīng)用。將各層人工神經(jīng)元相互連接所得到的數(shù)據(jù)，將比早期人工神經(jīng)網(wǎng)絡(luò)提供的數(shù)據(jù)詳盡得多。其實(shí)，我們大多數(shù)人都隨身攜帶著一個(gè)人工神經(jīng)網(wǎng)絡(luò)，比如安卓智能手機(jī)的語(yǔ)音指令系統(tǒng)。Tresp的團(tuán)隊(duì)正在創(chuàng)建包含多達(dá)1000萬(wàn)個(gè)對(duì)象的數(shù)學(xué)知識(shí)網(wǎng)絡(luò)模型，將這項(xiàng)技術(shù)再向前推進(jìn)一步。除此之外，這個(gè)團(tuán)隊(duì)可以就這些對(duì)象之間的關(guān)系作出多達(dá)1014種可能預(yù)測(cè)，這大致相當(dāng)于成年人大腦內(nèi)突觸的數(shù)量。

這種知識(shí)網(wǎng)絡(luò)可以應(yīng)用于工業(yè)領(lǐng)域。由德國(guó)聯(lián)邦經(jīng)濟(jì)與科技部（BMWi）開(kāi)展的智能數(shù)據(jù)網(wǎng)絡(luò)（Smart Data Web）項(xiàng)目就是一個(gè)例子。這個(gè)項(xiàng)目的目的是在可公開(kāi)訪問(wèn)的互聯(lián)網(wǎng)與大型企業(yè)內(nèi)部信息系統(tǒng)之間搭起一座橋梁。借助機(jī)器學(xué)習(xí)系統(tǒng)，兩個(gè)域都能從對(duì)方那里歸納信息，從而改善信息提取，并進(jìn)一步方便雙方向?qū)Ψ教峁┬碌男畔⒑褪聦?shí)。制造企業(yè)可以使用由此得到的信息來(lái)大幅優(yōu)化規(guī)劃和決策過(guò)程。

知識(shí)網(wǎng)絡(luò)還可用于支持醫(yī)院的醫(yī)療決策流程。為此，西門子正在由BMWi資助的“臨床解決方案的數(shù)據(jù)智能”項(xiàng)目框架下，開(kāi)發(fā)有關(guān)解決方案。這些解決方案基于西門子與柏林Charité醫(yī)院和埃爾蘭根大學(xué)醫(yī)院共同開(kāi)發(fā)的應(yīng)用。其目的是開(kāi)發(fā)能夠?qū)W會(huì)根據(jù)可用患者數(shù)據(jù)作出預(yù)測(cè)的系統(tǒng)。

在一場(chǎng)人類與計(jì)算機(jī)的腦力較量中，谷歌公司研發(fā)的阿爾法圍棋與世界棋手李世石（不在圖片中）對(duì)弈五局并獲勝。對(duì)于計(jì)算機(jī)而言，圍棋的復(fù)雜度遠(yuǎn)勝于象棋。

阿爾法圍棋：機(jī)器與人類的較量
阿爾法圍棋充分詮釋了*的機(jī)器學(xué)習(xí)系統(tǒng)的能力：2016年3月，阿爾法圍棋力挫世界棋手李世石，在自我學(xué)習(xí)機(jī)器和人工智能發(fā)展歷*立下了一座里程碑。令人驚奇的是，在谷歌公司取得這一成就之前，圍棋一直被認(rèn)為對(duì)計(jì)算機(jī)而言過(guò)于復(fù)雜。例如，圍棋擁有幾乎無(wú)限多種下法，這意味著棋手通常不得不依靠直覺(jué)。谷歌旗下的DeepMind公司開(kāi)發(fā)的阿爾法圍棋是一個(gè)旨在解決復(fù)雜任務(wù)的系統(tǒng)。同西門子成功用于優(yōu)化風(fēng)機(jī)和燃機(jī)的系統(tǒng)一樣，阿爾法圍棋使用了增強(qiáng)學(xué)習(xí)技術(shù)。通過(guò)對(duì)數(shù)百萬(wàn)盤棋局進(jìn)行分析，然后自我對(duì)弈，阿爾法圍棋學(xué)會(huì)了利用估值函數(shù)來(lái)評(píng)估每一個(gè)落點(diǎn)——事實(shí)證明，這個(gè)系統(tǒng)非常成功。