AI演算法中的人生智慧

自人工智慧產業大火之後，很有人經常提到人工智慧（AI)，機器學習（machine learning），深度學習（deep learning）三個概念。

很多非專業的小夥伴們一直對這三個概念搞不清楚。下圖展示三者間關係：人工智慧一門大的學科，起源於上世紀四十時代，如何讓計算機模擬人類智能；機器學習是人工智慧一個分支，主要通過數據訓練的數理統計方法來模擬人類學習過程，神經網路是其中一個演算法；深度學習本質上是多層神經網路，是本輪人工智慧產業興起的重要推動力，廣泛應用於圖像識別和語音識別等AI技術上。本文的AI演算法主要指機器學習和深度學習。

第一個人生智慧：世界是非線性的

神經網路演算法中每個節點一般有兩個操作：一個是線性的，是Wx + b；另一個是非線性的激勵函數，如Sigmoid。其實沒必要理解細節，一個是線性的計算，就是個多元一次方程，在數學空間中是一條直線。而另一個是非線性計算，是條曲線。深度學習就是多層的神經網路，通過非線性變化方式來對現實世界進行模擬，所以現實世界也是非線性的。

舉個簡單例子來說明。在理想情況，女生的追求男生數量與她的顏值成正比，既：女生的顏值越高，追求她的男生越多。但在現實情況下，這兩個變數受到很多條件限制，比如：女生所能認識男生的數量是不同的，周邊女生數量也是不同的。很多時候，這兩個變數的關係是曲線的。在理工科大學，粥多僧少，這條曲線在開始的時候就可以快速增長。但在文科大學，這條曲線在開始增長緩慢。

第二個人生智慧：低緯度問題在高緯度很容易被解決了

深度學習演算法流行之前，有個演算法比神經網路更流行，叫做支持向量機（SVM，support vector machine)。支持向量機通過某些方法把低緯度空間映射到高緯度空間，很多低緯度空間中無法解決的問題在高緯度空間就很容被解決掉了。如下圖所示，二維空間上的點無法通過一條直線來進行分類，在映射到三維空間後就很容易被一個平面分類了。

人生也是如此，在低緯度空間無法處理或想通的問題，在更高維度來思考時就不是問題了。比如，遇到問題時，問下自己：「十年後，會怎麼處理」，往往會得到不同的答案。SVM對於人生的啟示：儘可能提高自己的人生維度，站在更高的維度來思考或處理問題。

第三個人生智慧：人生不要過分滿足於局部最優

機器學習訓練過程經常採用梯度下降法（gradient descent）方法一步步找到空間最優的點。如果以爬山為比喻，就是沿著山頂往上爬，直到爬到山頂。

人生就是場深度學習模型訓練過程，在某個點往往選擇的是往局部最優去優化，達到局部最優點，但這個點是否是全局最優，who knows。大部分時候，有些人可憑藉才能爬到更高的高度，而滿足於一時的局部最優，一生都沒爬上其他更高的點。

未完待續。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！