AI这个词最近几乎充满了各种科技新闻的版面。然而不像是AR、VR这种新兴技术，人工智能却是一个“古老”（以计算机技术的兴起发展历史来看）的概念。它不是独立的某一种技术，而是一个庞大的研究领域。随着相关技术条件的成熟，人工智能领域在目前受到各行各业极大关注。它与人类智能活动的任何范畴都潜在相关，被视为一轮新的技术革命，将空前地解放人类的生产力。
什么是人工智能本文旨在科普人工智能，深入的学习当然就是要来慕课看实战啦！
【链接】深度学习实战课程_深度学习项目实例-慕课网
http://coding.imooc.com/?c=deep
在众多科幻电影中都描述过我们心目中的人工智能，他是我们人类创造的硅基“物种”。可能是我们的好助手，像钢铁侠的jarvis，甚至像《HER》中的“萨曼莎”都可以发展成人类的另一半；也有可能是我们强大的对手，比如黑客帝国里的场景——机器统治地球，人类都只能用来当电池了。
然而到处都鼓吹人工智能的今天我们普通用户接触到的却是Siri这样的“人工智障”，只是听懂简单指令并不具备和人一样的思考判断能力跟别说要它做什么决策。微软的小冰就学聪明了，直接把自己定义为一个中二少女，并不是人设需要卖萌而是目前这种人工智能的智商水平要达到一个中二少女已经很难为她了。
但是我们要把人工智能定义为一个完全模仿人类的硅基“物种”却又是不太准确的。或者说我们很多时候并不太需要一个完全和人一样的智能体，重要的是它能够帮我们解决一些问题就可以了。因此，“人工智能”在我们身边存在的更普遍形式是各种各样的算法为我们提供的服务。比如让你忍不住剁手电商网站的自动推荐，越来越准确的语音识别和机器翻译，或者是围棋打败了人类的“AlphaGo”。他们只在某一方面拥有类似人类的“智能”，然后运用这些智能去帮我们完成一些工作。
对人工智能严格下一个定义的确是比较困难的事情。图灵在1950年发表的一篇论文《计算机器与智能》中建议，与其提出一个长长的而可能有争议的清单来列举智能所需要的能力，不如采用一项基于人类这种无可置疑的智能实体的辨别能力的测试。如果人类询问者在提出一些书面问题后，无法判断给出的答案是否由人类写出，那么计算机就通过了测试。这个测试被称为是“图灵测试”。图灵因此也被视为是AI领域的祖师爷。
不过，“人工智能”这个概念的出现还是要稍晚于图灵的这篇论文的。在1956年的达特茅斯会议上才有了Artificial Intelligence这个提法。这是一个只有十个人参加的头脑风暴式的研讨会。会上大家讨论了当时计算机科学领域尚未解决的问题，包括人工智能、自然语言处理和神经网络等。尽管开会当时除了作为信息论的发明人的香农其他人都不甚有名，但是在今天他们都已经被证明是20世纪IT领域最优秀的科学家，开创了许多至今任然活跃的研究领域，其中很多都是人工智能的重要组成部分。
中科院院士、中国人工智能学会会长李德毅在AICC会议的主题演讲中提到了人工智能的内涵和外延。
他说应该在人工智能下设立4个二级学科，即脑认知基础、机器感知与模式识别、自然语言处理与理解和知识工程。这也是支撑起人工智能发展的重要基础科学。一个智能体首先要“耳聪目明”，得看得见、听得懂。所以要有自然语言处理与理解，要对环境有所感知，要可以识别环境中的情况。这个方面我们已经取得了很大的进展。翻译，语音输入，人脸识别，指纹识别几乎我们每天都会用到。然后就是要把看到听到的信息转换成知识，因此需要知识工程的支持。基于知识再去做推理验证，我们首先能想到的就是让机器脑去模拟生物脑去工作。脑认知基础也是给予人工智能重要启发的学科，现在火热的机器学习、深度学习就是来源于此。人工智能的外延就是能能科学的各种应用领域，正在以我们能感受到的变化让我们的生活变得越来越便捷、美好。
总之，人工智能不同人有着不同的定义，有人关心的是思考，有人更看重行为。他不是单一的技术而是一个庞大的研究领域，是多种技术的总和。
自从 1956 年计算机科学家们在达特茅斯会议上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究人员也在不遗余力地研究。在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。
以自然语言处理为例。期初大家认为想要让机器完成翻译或者语音识别等只有人类才能做得事情，就必须先让计算机理解自然语言，也就是得让计算机拥有向我们人类这样的智慧。就像我们学习英语，从背单词到学语法然后组成句子。计算机的记忆力自然不用说远远强于人类，背单词不是问题，而语法看起来又是一条条规则和适合用计算机算法描述，这给了大家很大的信心于是很多人投入这方面的研究之中。然而，语法似乎是很难穷尽的总有各种各样的特例存在，在一些稍微长一点的复杂句式中各种规则表示的复杂度远远超出了当时计算机的算力。更不用说一句话中往往涉及上下文语境，与编程语言往往上下文无关的特性不同，这就让计算量更是爆炸式的增加，成为了几乎不可能的任务。期初的二十多年几乎没有什么进展，一度让很多科学家感到很失落。
真正实现我们今天的语音识别、机器翻译的方法是基于统计的。这打破我们原来对于机器也必须要有人类这样智能才能做出翻译语音识别等“智慧”事情的固有看法。机器可以在不懂语言的情况下做出正确的翻译。对于机器来说，不管是一段文字或者是一段语音，在其内部只是一些序列。合适的句子被认为是这些词最有可能的组合方式。因此，我们给机器大量的正确的句子，也就是语料库，比如说一些经典著作，名家名言的我们公认为对的文章句子。让它统计出各种词语排列组合的概率。当他遇到一个新的句子，如何才能输出一个“正确”句子，那便是把句子里的词按照最可能方式组合起来就对了。无论是翻译还是语音识别都是先找出对应，再找出最可能的组合方式。这种方法被证明比任何已知的借助某种规则的解决方法更有效。
要实现这样的方法我们首先需要大量“正确”的语料，然后需要强大的算力去算排列组合，更需要有效的算法去更快算出最可能的“组合方式”。这种方法的应用已经不局限于自然语言处理，在模式识别等领域也有这重要应用。而“排列组合”也有了更丰富的意思——是让计算机做出更合适决策的方法。
因此，算据，算力，算法被视为实现现代人工智能的重要基石。前几年的大数据热潮为如今的人工智能方法打下了坚实的基础，图像、文本、交易数据、地图数据，应有尽有以及有一系列面向大数据的存储、查询、挖局的工具；图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大。
这个时候就出现了现在我们很熟悉有很困惑的几个词——机器学习、深度学习。他们和人工智能有什么关系呢？
机器学习是实现人工智能的一种方法。机器学习的概念来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测。与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务。
深度学习是实现机器学习的一种技术。是受人类大脑的启发而来的：神经元之间的相互连接关系。但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。在第一层中做初步计算，然后神经元将数据传至第二层。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果。
人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法。简单的讲，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能。深度学习则又是机器学习的方法之一。
人工智能的发展经历了从模仿到科学。我们人类的飞行梦想是从模仿鸟开始的，但我们并不是又造了一种鸟。对于“人造飞行器”的追寻是在莱特兄弟和其他人停止模仿鸟开始了解空气动力学以后才成功的。人工智能也经历了类似的发展过程。
科学技术的发展史就是人类认识世界、改造世界能力的拓展史，就是人类劳动工具的发展史。我们从自然中汲取物质和能量增强人类的各种能力，从农耕社会我们增强了自己的体力，工业社会我们进一步让自然资源增强我们的劳动力，如今的信息社会，或者可以成为是智能社会我们将增强人类的智能水平。人工智能将成为我们发展智能的工具。
互联网到移动互联网将我们人类更紧密地联系在一起，物联网将我们与身边的万事万物联系在一起。由此产生的数据在这些网上汇聚，经过云计算和大数据的洗礼，为人工智能的发展奠定了坚实的基础。
人类的技术一直都以解放生产力为目标。我们即将迎来这个星球上的一批新“人类”，人与机器和谐发展，为未来的生活创造更多可能。
今天的Nature已经刊发了两狗对决的文章，曾经打败人类棋圣的阿尔法狗今日100-0惨败于阿尔法元，面对即将“攻占”人类世界的人工智能还不赶快有所行动吗？慕课的实战是一个好的开始。
参考:
- 《人工智能在奔跑》，李德毅，2017.09.07，AICC.
- 《人工智能：一种现代方法》
- 《数学之美》，吴军.
- 《一篇文章搞懂人工智能、机器学习和深度学习之间的区别》，CSDN博客code_xzh
共同学习，写下你的评论
评论加载中...
作者其他优质文章
