《人工智慧簡史》讀後
這個春節有些心神不定，只得靠讀書和學習平復心情。《人工智慧簡史》去年很火，在京東的銷售榜中也很考前，未能免俗，自己抽空讀了一遍，隨記隨想。
（圖片來自百度百科）
過去只是序幕。人工智慧緣起達特茅斯會議，在自動定理證明中引出了哲學問題。邏輯似乎處於一切科學的底部——因為落得研究探索一切事務的本質。任何一個源自哲學的成熟學科，都成了一個獨立的科學。人工智慧在哲學中的位置是怎樣的呢？
從專家系統到知識圖譜，實驗是知識的試金石。從知識和推理的方向看，計算機科學可以分為四個象限。
歷史的教訓就是歷史從來沒給過人教訓，而不懂吸取教訓的人註定會重蹈覆。轍。也許第五代計算機並非是失敗，只是各種技術此起彼伏的一個階段。
人腦就是一台計算機么？模擬神經網路起源於1943年，而1957年的一個大突破是感知機的誕生。符號處理和神經網路的方法論之爭一直都在，而深度學習如今已經爛大街了。
人是否有智能，就像人是否有人性那樣，實在不好作答。而面向人工智慧的圖靈測試也是要涉及到語言的，可見自然語言處理的重要性。是否，可以把人對語言的創造性使用能力作為人性的標誌呢？基於神經網路的翻譯是機器翻譯的終極收到么？
自然選擇就是能生成既不可能之事的機制，於是強化學習有了它的用武之地。尤其是alphago，將強化學習作為其核心演算法，使之一夜成名。如果說遺傳演算法是圍觀地向生物內部機制學習的話，那麼，強化學習則是更為宏觀地向自然學習。那到底是計算向自然學習還是自然向計算學習呢？
人工智慧不能幹啥？書中的哲學家給出了對比：
其實，寫一下哲學家不能幹什麼豈不是更容易一些？
圖靈在發明圖靈機時，還定義了通用圖靈機，而被編碼的圖靈機就是軟體。計算機科學有別於數學和物理的地方在於常常在不同抽象層次間跳來跳去，而數學只抽象，物理太具體。邱奇-圖靈論題宣稱所有足夠強的計算裝置都可以互相模擬，這涉及到計算複雜性理論。而相似性原則是這樣的： 計算裝置之間模擬的成本是多項式的，也就是說靠譜的計算裝置之間並不存在原則上的差異。複雜性實際上要比可計算性有更多的哲學涵義。
人在發展，人工智慧同樣在發展，那人工智慧的邊界在哪裡呢？
物聯網和人工智慧在今天的行業中都是發展迅猛，都代表著對能力的巨大轉變。 雖然兩者是獨立的, 但結合在一起時, 它們的價值會倍增嗎？個人覺得， 這種技術共生將使人工智慧更有意義, 讓物聯網更有生產力.
人工智慧由許多不同的數學演算法組成, 能夠回答許多不同領域的問題。 也就是說, 人工智慧一直需要的是數據訓練。隨著時間的推移, 這些數據已經慢慢地被許多用戶收集起來。 無論是填寫百度搜索欄, 還是在電梯里按按鈕, 或者醫院裡輸入病人信息, 這些數據被收集到資料庫中。 這些數據是訓練計算機模型的核心, 一直是完成核心業務功能的副產品。
物聯網改變了這個過程, 因為設備和機器比人更方便地收集數據。 一個領域的感測器, 汽車中的智能工具的等等都可以收集和存儲數據, 而不需要用戶做額外的工作。 以前需要數年的數據收集在幾個月內轉化為機器的可操作數據。 這些數據被注入機器學習演算法, 並被業務專家洞察, 成為我真正強大的人工智慧, 以便診斷疾病, 駕駛汽車, 並使工業機器自動化。
核心是, 物聯網只不過是把電腦放在我們周圍所有的東西上。 這些電腦通常沒有屏幕或鍵盤, 而是做一些基本的事情, 比如讀一個溫度, 測量振動, 或者打開關一盞燈。 當數據和設備可操作時, 物聯網就會充分發揮它的潛力。 這意味著, 不僅從感測器收集的數據, 而且能夠從生態系統中的物體得到實時反應。
從一個來源收集數據和在另一個來源上執行一個動作的關係有是反饋循環。 例如, 一個溫度計從銑床內部發送電流讀數, 銑床有額外的計算機來開啟和關閉機器。 當溫度達到一定閾值時, 會自動關閉電機, 並將一個新出現的問題通知技術人員。 關掉發動機的邏輯可以通過一個非常簡單的規則來完成, 比如"如果溫度超過120度, 那就關掉發動機。"
雖然生活中的許多事情都可以通過簡單的規則來優化, 但更多的時候, 潛在的複雜性並沒有得到控制。 例如, 也許發動機短時間內可能更熱, 或者如果外部空氣溫度低於30度,時發動機應該達到140度。 這些變數在人腦中不那麼明顯, 但很容易被人工智慧捕捉到。 將人工智慧納入決策過程可以完全優化處理過程。 這意味著人工智慧可以確定哪些因素與電動機故障真正相關, 哪些不起作用。 從本質上來說, 人工智慧可以模擬專家, 對使用的系統有直覺和多年的經驗。 人工智慧最大可能性使物聯網具有可操作性。
顯而易見, 結合人工智慧和物理的變革性技術能夠改變我們的日常生活。 硬體製造、物聯網平台、雲供應商和人工智慧專家等等需要合作起來，共同創建新的集成架構。
TAG:喔家ArchiSelf |