你真的懂AI嗎？在中國，有幾百萬人在裝懂！
當一個站在時代頂尖最潮流的中學生
可不能「假裝」，要有真材實料啊
在去年AlphaGo擊敗人類頂尖高手柯潔後，媒體的報道中最常見的內容就莫過於「人工智慧」（AI）、「機器學習」（machine learning）、「深度學習」（deep learning）這些辭彙。
但是，很多人往往覺得人工智慧、機器學習、深度學習是一個意思，在說起自己了解人工智慧的時候往往將他們混為一談。其實他們並不是同一種東西！
作為時髦的中學生，了解最新科技已經是必備的一項技能，這不僅僅能表明自己走在時代的前端，更能拓寬社（zhuang）交（bi），贏來同齡人欽羨的目光。
讓我們先用一張圖來簡單解釋一下三者之間的關係
就像上面說的，人工智慧在五十年代就出現了，是最外面的同心圓；其次就是稍晚一些的機器學習；而引起今年人工智慧大爆炸的核心則是深度學習。
圖片/來源於知乎
人工智慧如果要細分十分複雜。但是，我們作為一篇科普文章重在入門。讓我們慢慢梳理一下重點辭彙，了解一下到底什麼是人工智慧、深度學習、機器學習，以及人工生命，（強人工智慧和弱人工智慧。強弱人工智慧是作為假說出現的，我這篇回答里指兩個假說中的人工智慧形態）
以下從人工智慧、深度學習、機器學習以及人工生命四個話題切入，並且穿插強弱兩種人工智慧的描述分析。
1、人工智慧
人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。
這是人工智慧，許多碼農在這個領域裡揮灑著青春和荷爾蒙。
1) 人工智慧應用的現狀
目前對人工智慧的應用其實相當原始。語言識別、圖像識別看上去好像很厲害，其實就是那麼幾個演算法拿語料庫圖像庫訓練出來的。這不是「智能」，而是對人類智能的模擬。
為什麼這麼說？上吧，中文屋！
」中文房間「最早由美國哲學家John Searle於20世紀80年代初提出。這個實驗要求你想像一位只說英語的人身處一個房間之中，這間房間除了門上有一個小窗口以外，全部都是封閉的。他隨身帶著一本寫有中文翻譯程序的書。房間里還有足夠的稿紙、鉛筆和櫥櫃。寫著中文的紙片通過小窗口被送入房間中。根據Searle，房間中的人可以使用他的書來翻譯這些文字並用中文回復。雖然他完全不會中文，Searle認為通過這個過程，房間里的人可以讓任何房間外的人以為他會說流利的中文。
中文屋是對強人工智慧（機器擁有思想，能夠獨立決策）假說的第一次打臉（是強人工智慧假說），Searle指出當時設想的絕大多數人工智慧實現方案都不是強人工智慧，而是弱人工智慧（程序設計者預測會出現的情況，然後做出應對方案，由機器判斷符合條件與否並加以執行）。
通過一套完整的流程（從字典里找對應的文字，然後翻譯成英文，作答，然後用字典翻譯回中文，發回去），一個不懂中文的人可以用中文回答中文問題，讓屋子外的人以為他會中文。
這個人會中文嗎？不會。
這其實就是目前人工智慧在做的事情。
我們目前能夠實現的人工智慧其實大部分都屬於「弱人工智慧」（Narrow AI）。弱人工智慧是能夠與人一樣，甚至比人更好地執行特定任務的技術。例如，人臉識別。
人臉識別技術
再比如語音識別程序，其大致流程是：把聲音中頻率、音色轉成數字，通過演算法轉化為一系列特徵值，查找字典找到對應的文字然後顯示出來。典型應用是Siri（圖右是微軟Cortana），Siri在語音識別的基礎上加了一套應對。
Siri的表現讓大家以為「這個程序聽得懂人在說什麼」，但其實這個程序聽不懂人類說的話，它做的事情只不過是照著流程坐了一趟而已，不需要聽懂你的話也能完成。真正聽懂你的話的人是程序員。
>謝謝你，今年的充電也要拜託您了。
大家都知道，後面那句話其實是程序員寫上去的，是程序員在賣萌，不是手機里的Siri程序自發賣萌。
雖然有時候「弱人工智慧」可能也會被叫做「人工智障」，但是，這些弱人工智慧在實踐中的例子，也是人類智能應用於機器的體現
2) 為什麼目前人工智慧只能做到這個程度？
原因很簡單，人工智慧是人類對「智能」的模擬，目的是實現某個人類能完成的工作，所以受人們對智能的理解限制。
即使配合上神經網路模型和遺傳演算法的訓練，目前的程序也只能在「這個程序達到了預期目標但我也不知道它怎麼達到目標的」方面讓人吃驚而已，程序本身不會演化出嶄新的能力（在我所知的案例中），即只會接受訓練，不能創造新事物。
所以目前的人工智慧只是工具而已。
2、機器學習machine learning
實現人工智慧全靠它！
機器學習的定義很複雜，我們在這裡就不作展開了。但是，如果要用一種超級簡單的語言來描述的話，大概是這樣的：
機器學習最基本的操作就是，使用機器演算法來分析海量數據，然後通過這些數據提取其中的精髓進行自我學習，最終對真實世界中的一些情況作出判斷和預測。這個「學習」，也可以說是機器使用大量的數據來「訓練」，然後完成任務。
我們舉個簡單的例子：
- 1+1等於幾 ？
- 50
- 傻x，多了
- 1+2等於幾？
- 20
- 傻x，多了
- 3+4等於幾
- 7
- 傻x，對了
- 6+9等於幾
- 13
- 傻x，少了
很多很多次以後……
- 2+2等於幾
- 4
- 4+5等於幾
- 9
這就是機器學習的某種體現……
目前，機器學習的應用十分廣泛，我們舉幾個簡單的例子：語音和手寫識別、自然語言處理、生物特徵識別、搜索引擎等等。這些也廣泛應用於我們的生活，我們手機上就裝著各種搜索引擎，輸入法也有了語音和手寫識別功能……
某輸入法的語音輸入、手寫識別功能
這就是機器學習在現實生活中，發生在我們身邊隨處可見的應用。然而，隨著時間的推進，學習演算法的發展改變了一切，機器學習在現實生活中的應用的範圍更大了，我們這就要開始解釋「深度學習」了。
3、深度學習deep learning
如何優化機器學習？它功不可沒！
深度學習的概念源於人工神經網路的研究，是機器學習研究中的一個新的領域，目的是建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
當然了，本文又叫《如何用最簡單的例子解釋最複雜的概念》，我們自然還是要舉個「栗子」的：
我們找到了一大堆動物圖片，需要機器判斷圖片里的是狗還是喵。
如果在以前，我們要用機器學習解決這個問題的話，首先要定義一些特徵：
比如該動物是否有鬍鬚、耳朵；
如果有耳朵，那麼耳朵是否是尖的。
也就是說，我們要先定義喵和狗的面部特徵，然後讓系統識別出在動物分類中哪些是重要特徵，再進行最終判斷。而這些都是需要人工指定的。
但是，深度學習會一次性完成這些任務，它會自動找到分類任務的重要的特徵。
深度
學習
第一步
在圖片中找到和貓或者狗最相關的邊界；
第二步
找到形狀和邊界的組合，比如說否能找到鬍鬚和耳朵；
第三步
反覆連續進行分層識別；
第四步
確定哪些特徵對識別貓狗起重要作用，成功判斷。
在生活中，經過深度學習訓練的圖像識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌症的早期成分，到識別核磁共振成像中的腫瘤……
那麼深度學習應用於別的領域呢？自然也是成績斐然。
就像Google的AlphaGo先是學會了如何下圍棋，然後與它自己下棋訓練。它訓練自己神經網路的方法，就是不斷地與自己下棋，反覆地下，突破原先的自己。
深度學習就是這樣。
怎麼樣，是不是能夠清晰的分辨什麼是「人工智慧」、「機器學習」、「深度學習」了？
深度學習的發展使得機器學習實現了眾多應用，讓人工智慧以一種全新的姿態出現在世人眼中。
全世界各大IT公司都企圖在這一個爆熱領域分一杯羹，而幾乎全世界的所有大學都有人在研究這門學科。我國更是將人工智慧加入了國家戰略，準備從小學生抓起。作為一個中學生，學習這樣一門課程也已經迫在眉睫。
圖片 / 來源於網路
無人駕駛汽車、預防性醫療保健、無人物流配送、無人零售店……越來越多的便利就在眼前，觸手可得。
4、人工生命
霍金：人工智慧會導致人類滅亡。
比爾?蓋茨：人類需要敬畏人工智慧的崛起。
馬斯克稱人工智慧是人類生存最大威脅。
其實這些大佬所擔心的正是強人工智慧和人工生命！
其實科幻小說裡面描述的機器人擁有智能然後反過來統治人類什麼的，跟人工智慧的大部分領域不相關，主要跟人工生命的領域有關係。
人工生命(AL:Artificial life)是通過人工模擬生命系統,來研究生命的領域。人工生命的概念，包括兩個方面內容：1）、屬於計算機科學領域的虛擬生命系統，涉及計算機軟體工程與人工智慧技術，以及2）、基因工程技術人工改造生物的工程生物系統，涉及合成生物學技術。 AL是首先由計算機科學家Christopher Langton在1987年在Los Alamos National Laboratory召開的"生成以及模擬生命系統的國際會議"上提出。
在這裡主要取用1）的定義，即廣義的生命定義（強人工生命）。
強人工生命:主張"生命系統的演化過程,是一個可以從任何特殊媒介物中抽象出來的過程."(John Von Neumann). Notably, Tom Ray 在Tierra模擬試驗中第一次展示了,進化過程在有著搶佔計算機存儲空間之爭的計算機程序的某種群體中極易發生。
科普書《複雜》對此有描述。
人工生命涉及了廣義的生命定義，生命在這裡指代的是一個會對外反饋、自反饋的一套穩定系統。
比如一個炒股的人，這個人本身是一個生命，他會對股市上的各種現象做出反應，會對熊市恐慌對牛市興奮；但這個由所有炒股者組成的股市也有類似的現象，中央銀行調整利率匯率時股市會做出對應反應，經濟危機時股市會萎靡不振，各類金融報道里會有「美國股市情緒相對穩定」之類的用詞，實際上就可以把股市看做一個生命。
與此類似，單個蜜蜂是一個生命，一個蜂巢里整個蜂群也算作一個生命；一隻白蟻算一個生命，一整個白蟻群體也可以算作一個生命。
實際上對人的個體進行切割的話，你會看到每一個細胞都有自己的職責，在微觀層次上每個細胞也都是一個生命，一組細胞組成的一個器官也算一個生命，一組器官構成的人也是一個生命。
比較繞對吧……這是生命的廣義定義，人工生命的定義基於此而產生。
比如一個程序，如果滿足了廣義上生命的定義，就可以看做是一個生命……也就是人工生命。
強人工智慧（與前文弱人工智慧相對）實際上必須基於人工生命才能成型，人們恐懼的也是強人工智慧。
強人工智慧要求程序有自己的思維，能夠理解外部事物並自發做出決策甚至行動，其表現就像一個「人」一樣，甚至很可能比人的反應更傑出、更可靠（想到深藍的知友請去面壁，深藍和更深的藍都是弱人工智慧）。
反過來，這些能夠自行思考的人工生命，也有背叛人類的可能……甚至於很可能會背叛人類。
對於人工智慧可控性的擔憂主要就在強人工智慧上。
但是這種擔憂離二十一世紀初的我們還很遠……目前對人工生命的研究仍然很原始，原始到所有的研究發現出來的東西都不知道能拿來做什麼。
我覺得，科技精英們有對強人工智慧的擔憂是很合理的，作為能影響人類社會科技研發方向的人，他們有責任提醒大家「這個方向上有狼往前走要小心」，有責任提醒大家人工生命的研究要在嚴格控制條件下進行。
蓋茨的發言已經能說明這一點了：
不明白為什麼有那麼多人並不擔心這種技術對未來的影響。蓋茨擔心的是強人工智慧和人工生命，蓋茨興緻勃勃在搞的是弱人工智慧。
幾個問題解答下大家的疑惑吧~~~
Q: 這些名人是不是可能比較先得到信息，所以向人們預警？
A: 得到誰的消息？恐怖分子研發出強人工智慧了？不要搞陰謀論啊……
Q: 或者是每年都有很多人提出這個問題，只是今年報道的比較多？
A: 應該這麼說吧，確實是媒體的姿勢水平不到位。
在學界，強人工智慧有風險是一個不用講大家都理解的事情，但是外界對此懂的太少，常常混淆強弱兩種人工智慧，這次馬斯克一提出防範人工智慧，媒體們漫天亂喊搞得跟個大新聞似的。換言之，這玩意在業內是常識，不會每年都有人提，這次捅出來給公眾做了個科普但是沒有科普到位。
Q: 人類跟人工智慧之間，會不會出現類似三體裡面的博弈？
A: 天知道……這也是大家在擔心的事情。所幸離我們還遠，通過圖靈測試的程序還遙遙無期。
等等，該不會有人被坑爹記者誤導了吧？
電腦冒充13歲男孩 首次通過「圖靈測試」（圖） ？拜託，這根本不是通過圖靈測試，只不過有30%的評委在五分鐘交談的記錄中判斷這有可能是一個13歲不懂英語的小孩而已。
夠賤的。
而這玩意實際上仍然是弱人工智慧：
這個程序實際上是一套人類對話的模擬腳本，從認知角度來說，它真不大能算得上是思考。
相信有了深度學習，「強人工智慧」只是時間問題，在未來終會實現。
【人工智慧知識分享群入口！】
在這裡你可以「暢談AI」，
在這裡你可以「為所預言」，
在這裡你可以「智中生智」。
只要你能保證在群里不亂髮廣告，不謾罵他人，不打「群架」，不發布關於「黃賭毒」的相關信息，其他只要不是太大的過錯，群主都可以選擇原諒！相信你在這裡可以充實你的大腦，預言你的未來！
添加Zero君時，請備註「人工智慧知識分享」或者「了解機器人信息」，由於添加量較大，可能回復的比較晚，望諒解！
溫馨提示：由於知識分享群，人已滿100，只有通過這唯一渠道才能進入！
TAG:江衍 |