随着这几年AI的浪潮席卷而来，各行各业都上演了AI取代人类工作的大戏，仿佛一切都可以迎刃而解它配备了AI，那么AI到底是什么？今天，就让我用一篇文章，带大家快速了解一下这项人类梦寐以求的技术——AI。一个有趣的问题和游戏。AI的全称是ArtificialIntelligence，通常译为人工智能或人工智能。长期以来，它一直是人类梦寐以求的技术。早在1950年，天才斜杠科学家艾伦·图灵就在他的论文《计算机与智能》中首次提出了一个有趣的问题“机器能思考吗？”开辟了人工智能的新领域，也引发了人们对人工智能的无限想象。按照图灵的想法，要判断一台机器是否会思考，必须要通过一个所谓的模仿游戏。因为这个游戏太经典了，所以被后人称为图灵测试。在这个测试中，提问者C同时在不同房间的机器A和人B继续提问。只要C分不清谁AB是电脑谁是人，我们就可以宣告房间里的机器是会思考的机器。从力竭到分类，人们在此后花费了很长的时间进行研发，试图创造出能够通过图灵测试的机器或算法。1997年，当时最先进的IBM深蓝计算机击败了国际象棋世界冠军，虽然看起来很厉害，但谁都知道，这背后只是让计算机穷尽所有的可能性，选择最有利的步数来进行走。说白了，无异于GPS导航系统从所有已知的地图路径中选择最佳路径。然而，面对充满无限可能的现实世界，这样的暴力破解方法显然无法适用于大多数更为复杂的现实情况。要在日常生活中应用人工智能，我们还需要找到更有效的方法。人类积累智慧的方式是一个很好的参考方向。人的智慧来源于经验，也就是要不断学习和吸取教训，通过一次次的试错来调整自己对外界的认知，这样下次遇到类似情况时就可以很容易地利用过去的经验来判断和应对未知的未来，同时，为了大大减少记忆和处理的内容，人们也很擅长对相似的事物进行分类和标记，将大量的信息归纳为几类，并应用相同的概念。我们有没有可能把经验，也就是历史数据，喂给机器学习，从而自动找出事件特征和结果的关联模型，成为一个可以预测未来值或者自动的程序分类并做出决定。预测值的自动分类方法一个很直观的思路就是找出事件特征与结果之间的数学线性关系。一平方米的房子卖20万元。根据这些信息，我们可以合理推断，成交价与平方米数的关系约为10万元/平方米。当交易信息越来越多时，我们还可以使用梯度下降。找到一条最适合所有数据的回归线，然后得到一个用梯度下降来预测房价的模型的技术，这就是所谓的线性回归法。自动分类的方法有很多种。这里我们列举几个比较著名的算法来感受一下：面对非此即彼的分类问题，我们也可以将特征与结果的相关性投影回归到0和1的逻辑。在曲线上，0代表1的类别，1代表其他类别。这样，使用类似的方法来获得将任何值映射到适当类别的模型。这就是所谓的逻辑回归方法。决策树利用特征与分类结果之间的关系，从历史数据中构建出充满“如果是这样”的决策树，成为让不同的特征落入相应合适分类的模型。面对同样的问题，为了避免过度放大单个特征的重要性造成的偏差，如果随机选择一些特征构建多棵决策树，最后投票决定优胜者，会比单一的要好决策树。比较全面正确的答案是随机森林法。最近邻法，简称KNN，是基于已有的历史数据，直接将特征最接近的K个历史数据与待预测的新数据进行比较，看它们属于哪一类，然后投票决定类别新数据所属的。支持向量机简称SVM，它试图在不同的分类组之间找到一条分界线，使边界尽可能远离最近的数据点，从而达到分类的目的。以上都是在历史数据有标准答案的情况下，尽量找到一个符合特征与结果相关性的模型，让新的数据可以套用相同的模型得到合适的预测结果，那么如果这些信息我们从未被分类。有没有办法自动将它们分组？是的：K-average算法，首先从所有数据中随机选取K个中心点，我们可以将个体数据按照距离最近的中心点分成K组，每组的平均值作为新的K个中心点分成K组,以此类推，最终的数据会收敛到K个彼此相似的组。以上是在有历史数据的情况下，利用数据构建模型的算法。如果没有历史数据怎么办？强化学习强化学习，简称RL，从概念上讲是将模型直接丢到使用环境中，在没有历史数据的情况下，通过一系列动作观察环境状态，同时接收环境的奖励或惩罚反馈动态调整模型，所以首先，经过训练，模型可以自动做出能够获得最多奖励的动作。面对这么多的机器学习算法，我们面临的第一个问题就是应用哪种算法。关于算法的选择，我们通常会根据用于训练的历史数据是否有标准答案来将算法分为两类。SupervisedLearningorunsupervisedlearning，然后根据能达到的效果再细分。至于没有历史数据的强化学习，则独立于这两类。此外，我们还需要考虑每个算法的特点和前提假设。此外，还有很多杂项因素，比如数据量的大小、模型性能和准确率之间的权衡等等，甚至有人会选择算法。制定SOP使人们更有方向性。即便如此，根据不同类型的问题来看和拆解的方式似乎也只适用于这些相对简单的应用场景，很难适用于更高层次、更复杂的应用。这就是机器学习的全部吗？高级人工智能——深度学习在发展机器学习的同时，善于模仿的人类也用自己的大脑模仿自己的大脑神经元。人脑虽然只是简单的大脑神经元组成，但是可以通过几百到几千亿个神经元相互连接产生智慧，那么我们是不是可以用同样的概念让机器模拟出这种万能的一招一式的机制征服世界产生智慧？这个想法开启了神经网络领域，并演变成后来的深度学习。大脑神经元有许多树突可以接收来自其他神经元的动作电位。这些外部动作电位被集成到细胞中，只要电位超过一个阀门。该值会引发连锁反应，这个神经元的动作电位信息会通过轴突传递给后续的神经元。同理，我们可以用数字逻辑的形式来模拟大脑神经元的机制。我们称它为感知器，其中包含m个输入*一个偏差。权重相乘相加后，通过激活函数进行模拟。大脑神经元的潜在阈值机制最终输出这个节点被激活的程度，传递给下一层感知器。由于现实中大部分要解决的问题不会有简单的线性解，所以我们通常选择非线性函数的激活函数，比如0~1之间的sigmoid函数，-1~1之间的激活函数。双曲正切函数，最常用的整流线性函数或其他变体。而一旦我们将多个感知器层相互连接起来形成一个深度学习模型架构，要训练这个模型，先将数据一个一个的喂入并进行前向传播，并将输出结果与标准答案进行比较，带入损失函数，计算两者的差值，然后用梯度下降等优化函数进行反向传播，调整每个感知器中的权重，以减小差值为目标，只要数据量足够即可。模型输出标准答案与数据之间的差异会在数据正向和反向流入模型的过程中逐一自我修正，逐渐收敛和减小。一旦模型得到的答案与标准答案之间的差异小到可以接受的程度，就意味着这个模型是一个训练好的可用模型。这样的概念看似简单，但要实现它需要大量的数据、大量的计算能力以及简单易用的软件。所以，在2012年之后，当这三个条件都具备的时候，深度学习终于开花结果，开始崭露头角。爆炸式增长。解决实际问题在计算机视觉领域，我们可以利用卷积神经网络CNN，先用小范围的滤波器得到边缘、形状等图像特征，然后将这些有意义的特征连接到前面提到的深度学习中这样可以有效识别图片或图像中的对象。就这样，计算机在图像识别的准确率上已经超越了人类，并且还在不断提高。在模仿图像或艺术风格方面，GAN可以通过两种深度学习模型相互竞争。立志成为模仿高手的生成模型，会生成假数据，交给判别模型判断数据真假。生成模型一旦生成出来的假信息，让判别模型无法分辨真假，就成功了。一些换脸APP或者AI生成的画都是GAN的相关应用。对于语音或文本等自然语言处理NLP，这种顺序数据处理传统上可以使用递归神经网络RNN将每次训练的模型状态传递到下一次训练，从而达到顺序短-termmemory使用长时短时记忆神经网络LSTM的进阶版来提高RNN的长时记忆递减效果。后来有人提出了另一套更高效的解决类似问题的方法，叫做Transformer，它在概念上使用了attention机制，让模型直接处理关键部分。这种机制不仅适用于自然语言处理，在计算机视觉领域也有很好的效果。2020年，拥有1750亿模型参数的超大型模型GPT-3已经可以自动生成文章和程序代码或回答问题，质量不逊于人类。未来，模型参数的数量将继续呈指数级增长。实际应用结果更令人振奋。除了上面提到的计算机视觉和自然语言处理两大领域，深度学习在各个领域也有着惊人的成果。2017年，将深度学习和强化学习相结合的AlphaGo，在不可能被暴力所累的围棋领域，以3:0击败世界围棋第一人柯洁，震惊了世界。人类积累了数??千年的智慧。2020年，AlphaGo的研发团队DeepMind再次利用深度学习解决了困扰生物学50年的蛋白质分子折叠问题。这将有助于人类更实际地了解疾病的机理，推动新药研发，助力农业生产和利用蛋白质改善地球生态环境，更贴近生活的自动驾驶发展更不用说了。当前的自动驾驶技术随着里程的积累而不断发展。事故发生率已经远远低于人类。同时，人工智能在医学领域某些学科的诊断准确率也达到了高于人类的水平。至于无人商店和中国的天网，它们已经不再那么新鲜了。话题。结语这时，让我们回顾一下图灵在1950年提出的问题，机器能思考吗？我们可能还无法给出明确的答案。然而，现在的人类以比过去积累更多的技术成果，更接近这个梦想，并在不断前行。现在的AI技术就像一个正在学习和成长的孩子。可以看、听、说，并在特定问题上做出超越人类认知能力的准确甚至是框架之外的判断。但是，一旦遇到哲学、情感、伦理等复杂的问题就很能干。一般来说，人和机器各有所长。人类善于思考和创新，但体力有限，偶尔也会犯错。机器擅长记忆和计算，可以针对特定问题给出稳定优质的答案，24小时可用。岁月无涯，所以在这波AI浪潮中，理想的策略应该是人与机器充分合作，取长补短。人们可以逐渐将一些相对低级、重复性高、琐碎、枯燥的工作外包给机器。同时释放出来的人力将能够投入更多的探索、研究、创意、更有趣的工作，让人有更多的时间和精力去实现梦想，思考人生的意义，专注于解决问题重要的问题。问题，从而提升整个人类的水平。
