1、談到人工智能，相信各位讀者都不會陌生，字面意思也很容易理解。有些人眼里，人工智能已經(jīng)是一種很成熟的計算機技術(shù)，可以幫我們做很大的事情，大到預測局部地區(qū)明天的天氣如何、分析金融市場的股票交易波動；也可以幫我們做很小的事情，小到拍照時的貼紙自動追隨人臉，推送我感興趣的新聞或商品，這些都可以用人工智能實現(xiàn)。 但是在另一些人眼里，人工智能還是待在實驗室的新事物，它離我們的生活還很遠，我們現(xiàn)在接觸的人工智能最多算是個人工智障，現(xiàn)在炒得大熱的人工智能概念只是資本游戲的噱頭，其實它什么都沒有改變。 人工智能并非萬能鑰匙，并非所有事情都能用人工智能解決。但同樣，人工智能也并非是虛無縹緲的新技術(shù)，它的身影已出現(xiàn)

2、在生活中的方方面面。 在日常工作中，我發(fā)現(xiàn)很多身邊朋友以及互聯(lián)網(wǎng)從業(yè)者同樣對人工智能存在不少誤解，我嘗試結(jié)合我過去的一些經(jīng)驗，聊一聊我的看法。在此我們先聊聊，人工智能的概念為啥突然這么火。01 人工智能為什么突然崛起？很多人都誤認為，人工智能是近幾年才被創(chuàng)造出來的新概念。 實際上最早提出 “人工智能 ”這個概念是在1956年美國達特茅斯學院的一次學術(shù)會議上。雖然當時這個會議只進行了一個月，也沒有取得什么實質(zhì)性的進展，但是這個會議首次正式提出 “人工智能 ”一詞，并且沿用至今。 盡管在當時，對于人工智能的研究進展非常緩慢，但是經(jīng)典的科幻電影 2001 太空漫游還是表達了當時的人們對人工智能的美好

3、幻想。又經(jīng)過了近50 年的發(fā)展，人工智能從電影的幻想逐漸走進了人們的日常生活，并且成為了各個領(lǐng)域的得力助手。 這個過程并非一帆風順。上世紀 80 年代前后，日本人研究了一種能夠模擬人類專家決策能力的計算機系統(tǒng)，稱為專家系統(tǒng)。這個專家系統(tǒng)實際上就是一個巨大的知識庫，再通過一些推理規(guī)則讓這個系統(tǒng)能夠根據(jù)提問找到答案。這種專家系統(tǒng)能夠根據(jù)輸入的問題，提供回答是當時人工智能技術(shù)的代表，一定程度上也是計算機 “智能化 ” 的表現(xiàn)。因此這個項目得到日本政府的高度重視，投入了大量的人力物力研究，希望能打造一個計算速度更快、知識儲備量更高的專家系統(tǒng)。受到日本人的刺激，同期美國和許多歐洲國家也紛紛進入到這個賽道

4、中。 可以預見的是，專家系統(tǒng)最初取得的成功是有限的，因為它無法自我學習并更新知識庫，維護成本極高。就像以前沒有聯(lián)網(wǎng)的車載導航系統(tǒng)一樣，每年都需要更新地圖否則這個系統(tǒng)一年以后就廢掉了，無法給出正確的指引。 專家系統(tǒng)的失敗，也讓人們對于人工智能的信任產(chǎn)生了巨大的危機，硬件市場的潰敗和理論研究的迷茫，加上各國政府和機構(gòu)紛紛停止向人工智能研究領(lǐng)域投入資金，導致了數(shù)年的低谷。 好在資本不再關(guān)注人工智能的時候，人工智能的理論研究還在緩慢進行中。1988年，美國科學家Judea Pearl等概率 統(tǒng)計方法引入人工智能的推理過程中，這對后來人工智能的發(fā)展起到了重大影響。1989年，AT&T貝爾實驗室的Yann

5、 LeCun和團隊使用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，實現(xiàn)了人工智能識別手寫的郵政編碼數(shù)字圖像。 在此后近二十年，人工智能技術(shù)逐漸與計算機技術(shù)、互聯(lián)網(wǎng)進行深入融合。得益于大規(guī)模并行計算、大數(shù)據(jù)、深度學習算法和人腦芯片這四大催化劑的發(fā)展，以及計算成本的降低，使得人工智能技術(shù)突飛猛進。 它利用計算機和互聯(lián)網(wǎng)的發(fā)展機遇，化名為商業(yè)智能、數(shù)據(jù)分析、信息化、自動化等等，滲透到社會發(fā)展的每個角落。一方面，互聯(lián)網(wǎng)的推廣為人工智能創(chuàng)造了很多落地應(yīng)用的場景，體現(xiàn)出真正的價值；另一方面，計算機軟硬件的升級為人工智能提供了強大的運算力，以前在理論上才能實現(xiàn)的算法得以落地，讓人工智能在越來越多賽事上創(chuàng)造奇跡，甚至超越人類。 201

6、1 年沃森在自然語言常識問答比賽中戰(zhàn)勝人類選手， ImageNet挑戰(zhàn)賽上圖像識別算法準確度超越人類； 2016年， AlphaGo 戰(zhàn)勝李世石，成為第一個戰(zhàn)勝世界圍棋冠軍的 AI 機器人 .02人工智能還是人工智障？近兩年人工智能被人們詬病最多的地方是：人工智能體現(xiàn)不出智能。 很多人對人工智能的認知都是分裂的。一方面媒體不斷報道人工智能又取得了什么樣的新成果，國外各路大咖讓人們要警惕人工智能的發(fā)展，人工智能還被納入我國發(fā)展的規(guī)劃中等等；另一方面，新聞里經(jīng)常傳出自動駕駛又發(fā)生事故，家里的智能家具表現(xiàn)地像個智障一樣，資訊平臺總是傻傻地推同樣類型的新聞等，這些現(xiàn)象都讓我們疑惑，人工智能到底智能在哪

7、里？回答這個問題之前，我們有必要搞清楚，強人工智能和弱人工智能的區(qū)別。 最初，在達特茅斯會議提出人工智能一詞時并沒有強與弱之分。普遍認為人工智能就是讓機器擁有思想，能夠像人類一樣決策。當時各種算法的研究也是奔著這個目標而去，希望能夠模擬人類決策的方式賦予機器真正的智能。 但很快就有人發(fā)現(xiàn)：在這種方式下實現(xiàn)的人工智能并非真正的智能，只是對人類智能的模擬。美國哲學家John Searl或1出了一個思維實驗：中文房間(ChineseRoom Argument),它是這樣的：值得注意的是，這本書僅僅是語法的對應(yīng)，并不涉及到任何語義的說明。房間中的人，只需要按照對應(yīng)的回答，拼湊出相應(yīng)的中文字符遞出去即可

8、。在這個過程中，他并不理解問題和他所寫的答案是什么意思。Searle認為，人工智能就是這樣工作的。他認為計算機根本無法真正理解接收到的信息，但它們可以運行一個程序，處理信息，然后給出一個智能的印象。例如圖像識別技術(shù)，它的工作原理就是將顏色變成數(shù)字編碼，再從這些數(shù)字編碼中找到特征，查找字典，找到對應(yīng)的解釋然后顯示出來。實際上計算機壓根不知道自己識別的到底是飛機還是兔子，只是字典告訴它這個特征很大概率對應(yīng)的是 “飛機 ”這個單詞。 絕大部分算法在本質(zhì)上都是在玩概率的游戲，不同的方式只是在模型訓練時需要的信息不同，以及計算出來對應(yīng) “飛機 ”的判定方式不同。 當前所有被廣泛應(yīng)用的知名模型都是通過矩陣

9、運算訓練數(shù)據(jù)來獲得某種概率分布。復雜模型的概率分布通常是高維的，這里又會引申出各種數(shù)學方法，但本質(zhì)的思想依舊是想通過概率分布來描述訓練數(shù)據(jù)的特征。有了這些，對于同類的數(shù)據(jù)，就可以使用相同的概率分布去描述，從而實現(xiàn)所謂的 “識別 ”或 “預測 ”。 實際上并非模型真的像人類一樣理解了什么是 “飛機” ，只是通過這種方式，模型能夠大概率把長得像飛機的圖片識別出來。后來業(yè)界也普遍認識到這一點。因此把人工智能這個概念又劃分為強人工智能與弱人工智能。 強人工智能流派仍然追求讓計算機擁有人類的心智與意識，具有自主選擇行為。就像西部世界中從固化程序逐漸演化出自我意識的梅芙一樣。但是強人工智能的研究難度較大，

10、市面上還沒有成熟的應(yīng)用。 而弱人工智能更像是一個解決特定問題的工具。這類問題的特點是可以通過統(tǒng)計，歸納出經(jīng)驗并形成解決方案，而這種解決問題的實現(xiàn)方法被稱為 “機器學習 ” 。 機器學習最基本的做法，是使用算法解析數(shù)據(jù)、從中學習數(shù)據(jù)的規(guī)律，然后對真實世界中的事件做出決策。與傳統(tǒng)的編程方式不同，機器學習是用大量的數(shù)據(jù)進行訓練，通過各種算法從數(shù)據(jù)中學習 “如何完成任務(wù) ” 。 例如量化交易、人臉識別和 AlphaGo 都是擅長于單個方面的機器學習模型。在訓練模型時，我們只教會AlphaGo 下圍棋的技巧，所以它只能會下圍棋。如果你把一道數(shù)學題丟給AlphaGo ，顯然它是無從下手的。 所有的機器學習模型都只能完成特定的任務(wù)，很多時候我們通過組合的方式滿足更多的場景。例如智能音箱本質(zhì)上是一個語音識別的模型結(jié)合NLP （自然語言處理）模型，它并非真的能聽懂我們說的話代表什么含義，僅僅是能夠把接收到的信息轉(zhuǎn)化為模型的輸入，在字典中找到對應(yīng)的輸出而已。從機器學習的特點可以看出來，如果