人机大战第二回合后的思考(r12笔记第75天)

古希腊哲学家普罗泰戈拉说道：人是万物的尺度。在人工智能时代的今天，这句话更有深意，已经不是单纯的抒情了。

今天是AlphaGo和柯洁的第二场比赛。在谷歌DeepMind CEO Demis Hassabis的Twitter直播了整个过程。

然后就看到周期性的更新信息，最后是机器赢得了比赛。

最后官方给出的一个结果：

我想这一次的比赛，大家的兴致不会有上次和李世石那么火爆了，因为骨子里还是会认为机器的潜力巨大，目前来看，人工智能真是势不可挡。

我想起了第一天的时候一位网友的评论：人类能不能赢就看当地的供电局和ISP了。在朋友圈转发出后，很多朋友就说人家那是单机版的，哈哈。

带孩子的时候的想法

今天有点事情，在家里花了些时间多带了带孩子。每次给孩子讲故事或者讲书本上东西的时候，她就乐呵呵的从柜子里拿出书来，坐在我旁边，听我说。有时候给她讲的时候，我心里有时候也有疑惑，有时候不明白她为什么不理解，有时候感觉她应该不会懂，但是8从她的眼神和表现来看是明白了。所以这个学习的度始终是我在这个过程中需要注意的地方。

下午闺女拿出了一个看图识画的书来让我讲，我一看她都已经超出岁数范围了，我还有点担心里面的题她会不会做。

比如下面的这一页，有两个图。

如果看图识别到底是冬天还是夏天，我家小孩子看了以后注意力基本都在灯笼上了，反而对雪花给忽略了。但是如何结合一些颜色，环境的信息还是可以推断出来是冬天的，但是如果是机器来推理，这个工作就难得多了，什么是夏天，这个概念本身就很难界定，还要识别里面的颜色，如果不能正确识别雪花，识别成了雨点，那就可能判断成夏天了，小城堡，小房子，地上的物体，灯笼这些怎么识别，圣诞帽，还有图中的小动物是小熊还是小狗等等，这些让机器来学习，理解想想几乎都是件不大可能的事情，而这就是一个1~2岁内孩子的读物了。

所以说带着孩子学习的过程，我的脑海里也在不断的闪现，如果是计算机来学习，是怎么思考的 这个问题。

有一次我问她图片里的是是小熊还是小兔子，孩子开始犹豫了。

我还奇怪怎么她就看不出来了呢。今天自己打开书，带着疑问看的时候还真是有些难度，长得还真像。

所以孩子有时候对书里的小老鼠，小兔子会分不清楚，这样想想也就释然了。

人工智能，机器学习，深度学习

这些年，听过太多人工智能，机器学习，深度学习的话题了，但是竟然都没有认真去看一看学习一下这方面的东西，实在是太老土了。

下面的这个图很经典，很多地方都会引用。就是一个基本的人工智能，机器学习，深度学习的关系图，如果是一个同心圆，那么就基本是一个子集的包含关系。人工智能提了很多年了。上个世界50年代就开始了，而深度学习相对来说要年轻很多，但是目前来说爆发出的潜力巨大。

我们平常科幻片中看到的那些机器人，甚至有了思考的能力，那是“强人工智能”的范畴，电影可以那么演，还是和实际有大的差别的，而像人脸识别等技术属于“弱人工智能”，因为是一些更加特定具体的技术和任务。 机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测，你看看现在对于算法工程师的需求就可以大概了解到这个行业正在发生重大的变化。

下面这段比较专业了，是引用自http://www.raincent.com/content-10-7304-1.html

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束;写形状检测程序来判断检测对象是不是有八条边;写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。

这个案例我在看一个图形分析，说怎么叫机器去学习数字3，一个字符“3”的图像被划分为16个子块，这从专业角度来说是模式识别了。

而深度学习属于实现机器学习的一种技术，其中的一大亮点就是人工神经网络。简称ANN,下面的这段还是取自专业的解读。

神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同， 人工神经网络具有离散的层、连接和数据传播的方向 。

例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。

每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。

我们仍以停止(Stop)标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。

而强大的AlphaGo呢，从乌镇的分享中就直奔主题，开始就提TPU和谷歌云

这样的计算速度有多快，看下图，基本是4倍于目前最好的GPU

而CEO Hassabis的演讲就目标明确，说谷歌的DeepMind研究的不是一般的人工智能（AI），而是通用智能，或者说通用的学习机器。

AlphaGo的核心是两种神经网络，策略和估值网络。从数据库的角度来看就是执行路径分析和优化成本估算。

还得引用一段专业解读：

AlphaGo用了卷积神经网络，可以从每一层的一小块当中，得出一些更高层的理解，你可以简单理解为表示棋子在这种局势下会赢还是会输的特征，然后每一层以此类推，最终得到高层表征，也就是AlphaGo学会的概念。初版AlphaGo使用了12层网络，而Master版本的使用了40层

对外人看来是同样的配方，其实是不同的威力。这样一个成就看起来就要颠覆人类了，但是实现一个基本的目标就用了十年，这十年的技术大跃进让人们对于这些技术开始更加重视，也有了一些落地的实践。

小结

为什么这些年来大数据这么火，人工智能这么火，机器学习，深度学习这么火，我的想法来说，可以从两个层面来分析。

一个是现在是大数据时代，原来GB,T级的数据已经是很大了，而对于数据库层面来说T级已经到了数据集中管理的一个瓶颈了，而数据的增长速度是越来越快，大数据也是应势而为，或者说是走到这一步必须要考虑的事情了,而且这些年大家对于弹性扩容，分布式都情有独钟，和这个也是分不开的。

另外一个，从数据的几个维度来考虑，传统的数据库解决的都是文字形式的数据，可以说是结构化数据，而现在的很多数据都是半结构化，非结构化，这个数据库层面处理就很有限，所以就必须引入更多的处理方式，有了大数据的环境，很多原来数据基数，样本不足的问题现在有了更多的选择，或者是挑战，这方面的事情就可以做出很多东西了。