浅谈人工智能（上）

提到人工智能就会让人产生无尽遐想，并且随着神经网络在图像、语音领域的成功应用，话题变得越来越热，似乎距离我们已经很近，近到触手可及的地步。很多热词不断被人念叨，比如“人工智能”、“机器学习”及“深度学习”等。我们从上图可以看出这次词语的包含关系及随时间的递进关系。起初，个人倾向使用这个图来作为人工智能的发展脉络进行知识结构的整理，随着不断的学习与思考，则又倾向于另外一种表述方式会更恰当，随后呈现。

[基础概念]均引自百度百科

人工智能（AI）：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

机器学习（ML）：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

深度学习（DL）：深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

按照学习的方式，又有如下概念

监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。

监督学习类似人们之间的经验传递过程。我们首先要积累经验，然后向学生传递，学生接受经验之后，才会按照既定的套路做事。

监督学习一般用于解决分类或者回归问题。

非监督学习：在机器学习中，无监督学习的问题是，在未加标签的数据中，试图找到隐藏的结构。

非监督学习可用于解决聚类问题。

暂未想到现实中可类比得例子

强化学习：又称再励学习、评价学习，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。

强化学习非常有趣，举个通俗的例子，进行孩子教育时，我们不告诉孩子如何做事，但对其行为进行奖励或者惩罚。当孩子做出某种行为而得到奖励时，其就会将这种行为积累为个人经验。

[鼎鼎大名]

图灵

最早对人工智能进行定义并勾勒出可测试模型的当数图灵及以他名字命名的“图灵测试”。

图灵测试（The Turing test）由艾伦·麦席森·图灵发明，指测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。

引自：百度百科

图灵测试有一个非常有趣的例子。当我们问“125456 乘以 35574732等于多少时”？，对于机器而言，这种运算将不费吹灰之力进行秒答。这时，我们必然会说被测试者一定是机器，因为正常人会说”你出的这是什么题啊“。那我们是否有意让机器的运算Sleep若干时间又或者让机器也变得矫情？Sleep浪费机器本身的优势、矫情则涉及情感计算。

约翰.麦卡锡

1927年9月4日麦卡锡生于美国波士顿。他因在人工智能领域的贡献而在1971年获得图灵奖。实际上，正是他在1955年的达特矛斯会议上提出了“人工智能”这个概念，被称为“人工智能之父”。

Geoffrey Hinton

Geoffrey Hinton：被尊称为“神经网络之父”，他将神经网络带入到研究与应用的热潮，将“深度学习”从边缘课题变成了谷歌等互联网巨头仰赖的核心技术，并将 HintonBack Propagation（反向传播）算法应用到神经网络与深度学习，还提出了“Dark Knowledge”概念。

网上可以找到Hinton在上世纪八十年代搭建第二代神经网络时的照片，那时还很年轻，能持续坚守一个技术领域，真是难能可贵。

下图为神经网络的简图：

输入层：针对原始信息（X）进行接收，并传递给隐含层；

隐含层：其与输入层进行全连接，在此进行信息处理。奇妙之处在于，其可以根据需要加大某个连接的权重，从而影响运算结果；

输出层：其负责产生动作（O）；

输入层、隐含层、输出层都是全连接，因此其计算量巨大，如果没有GPU、NPU这类处理器出现，神经网络也只会是一场空谈。

待续：从GitHub上的一段手写识别代码重新审视深度学习的局限性。