[[229314]]

文/驢打滾

第一次工業(yè)革命，18世紀(jì)60年代——19世紀(jì)中期，人類開始進入蒸汽時代。從此以后，人類的動力來源由當(dāng)初的動物或者人變成了蒸汽機和煤炭，機械代替了手工作坊；

第二次工業(yè)革命，19世紀(jì)下半葉——20世紀(jì)初，人類進入電器時代，同時內(nèi)燃機出現(xiàn)。電能的規(guī)模化使用，極大提高了生產(chǎn)效率；

第三次工業(yè)革命，20世紀(jì)四五十年代-至今，人類進入計算機時代，同時還出現(xiàn)原子能技術(shù)、航天技術(shù)、人工合成材料、分子生物學(xué)和遺傳工程等高新技術(shù)。計算機使信息數(shù)字化，推動智能化的發(fā)展；

第四次工業(yè)革命，正在發(fā)生，讓機器能夠模仿人類學(xué)習(xí)以及其他方面的智能，進行深度思考并且做出決策是第四次工業(yè)化革命最重要的事情。

來讓我們看看AI給我們帶來的精彩的世界。

人工智能的發(fā)展史與大事件

1956年8月，在美國漢諾斯小鎮(zhèn)寧靜的達特茅斯學(xué)院中，約翰·麥卡錫（JohnMcCarthy）、馬文·閔斯基（Marvin Minsky，人工智能與認(rèn)知學(xué)專家）、克勞德·香農(nóng)（ClaudeShannon，信息論的創(chuàng)始人）、艾倫·紐厄爾（Allen Newell，計算機科學(xué)家）、赫伯特·西蒙（HerbertSimon，諾貝爾經(jīng)濟學(xué)獎得主）等科學(xué)家正聚在一起，討論著一個完全不食人間煙火的主題：用機器來模仿人類學(xué)習(xí)以及其他方面的智能。

會議足足開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內(nèi)容起了一個名字：人工智能。因此，1956年也就成為了人工智能元年。AI由此誕生，在隨后的日子里，AI成為實驗室的“幻想對象”。

受限于工業(yè)條件和認(rèn)知程度，人工智能在此后近30年的時間里并沒有太大進步。直到上世紀(jì)90年代，人工智能才得到了突飛猛進的發(fā)展。

1997年，國際象棋程序“深藍”擊敗了世界冠軍卡斯帕羅夫，人工智能的“腦力”優(yōu)勢現(xiàn)出端倪;

2007年，西洋跳棋程序奇努克正式將跳棋完成破解，最強大的跳棋高手在零失誤的情況下，也只能和奇努克打成平局；

2008年，在拉斯維加斯的德州撲克大賽中，人工智能“北極星2”依然在常規(guī)時間里輕松擊敗眾人；

2016年谷歌人工智能AlphaGo4：1戰(zhàn)勝韓國棋手李世石九段。

人工智能已然做到了顛覆人類認(rèn)知。

AI發(fā)展史與大事件

人工智能的智能水平及算法

AI，機器來模仿人類學(xué)習(xí)以及其他方面的智能，展現(xiàn)人類的智力。

回到1956年夏天，在當(dāng)時的會議上，AI先驅(qū)的夢想是建造一臺復(fù)雜的機器（讓當(dāng)時剛出現(xiàn)的計算機驅(qū)動），然后讓機器呈現(xiàn)出人類智力的特征。

這一概念就是我們所說的“強人工智能Artificial General Intelligence (AGI)”，讓機器擁有人類的所有感知，甚至還可以超越人類感知，它可以像人一樣思考。

還有一個概念是“弱人工智能Artificial Narrow Intelligence (ANI)”。簡單來講，“弱人工智能”可以像人類一樣完成某些具體任務(wù)，有可能比人類做得更好，例如，Pinterest服務(wù)用AI給圖片分類，F(xiàn)acebook用AI識別臉部，阿爾法狗（AlphaGo）只會下圍棋。

“弱人工智能”實際使用的案例，這些應(yīng)用已經(jīng)體現(xiàn)了一些人類智力的特點。怎樣實現(xiàn)的？這些智力來自何處？帶著問題我們深入理解，就來到下一個圓圈，它就是機器學(xué)習(xí)，而如何實現(xiàn)機器學(xué)習(xí)呢？就是算法。機器學(xué)習(xí)就是用算法真正解析數(shù)據(jù)，不斷學(xué)習(xí)，然后對世界中發(fā)生的事做出判斷和預(yù)測。

算法

1、決策樹

分類決策樹模型是一種描述對實例進行分類的樹形結(jié)構(gòu)。決策樹由結(jié)點和有向邊組成。結(jié)點有兩種類型：內(nèi)部節(jié)點和葉節(jié)點，內(nèi)部節(jié)點表示一個特征或?qū)傩裕~節(jié)點表示一個類。

分類的時候，從根節(jié)點開始，對實例的某一個特征進行測試，根據(jù)測試結(jié)果，將實例分配到其子結(jié)點；此時，每一個子結(jié)點對應(yīng)著該特征的一個取值。如此遞歸向下移動，直至達到葉結(jié)點，最后將實例分配到葉結(jié)點的類中。

舉一個通俗的栗子，各位立志于脫單的單身男女在找對象的時候就已經(jīng)完完全全使用了決策樹的思想。假設(shè)一位母親在給女兒介紹對象時，有這么一段對話：

母親與女兒對話

這個女生的決策過程就是典型的分類決策樹。相當(dāng)于對年齡、外貌、收入和是否公務(wù)員等特征將男人分為兩個類別：見或者不見。假設(shè)這個女生的決策邏輯如下：

決策流程

上圖完整表達了這個女孩決定是否見一個約會對象的策略，其中綠色結(jié)點（內(nèi)部結(jié)點）表示判斷條件，橙色結(jié)點（葉結(jié)點）表示決策結(jié)果，箭頭表示在一個判斷條件在不同情況下的決策路徑，圖中紅色箭頭表示了上面例子中女孩的決策過程。

決策樹的應(yīng)用用往往都是和某一應(yīng)用分析目標(biāo)和場景相關(guān)的，比如：金融行業(yè)可以用決策樹做貸款風(fēng)險評估，保險行業(yè)可以用決策樹做險種推廣預(yù)測，醫(yī)療行業(yè)可以用決策樹生成輔助診斷處置模型等等，當(dāng)一個決策樹的應(yīng)用分析目標(biāo)和場景確定，那該應(yīng)用分析目標(biāo)和場景所處的行業(yè)也就自然成為了決策樹的應(yīng)用領(lǐng)域。

2、貝葉斯

貝葉斯的統(tǒng)計學(xué)中有一個基本的工具叫貝葉斯公式，又被稱為貝葉斯定理。如果你看到一個人總是做一些好事，則那個人多半會是一個好人。這就是說，當(dāng)你不能準(zhǔn)確知悉一個事物的本質(zhì)時，你可以依靠與事物特定本質(zhì)相關(guān)的事件出現(xiàn)的多少去判斷其本質(zhì)屬性的概率。

用貝葉斯定理過濾垃圾郵件

全球垃圾郵件的高峰出現(xiàn)在2006年，那時候所有郵件中90%都是垃圾，2015年6月份全球垃圾郵件的比例數(shù)字首次降低到50%以下。

最初的垃圾郵件過濾是靠靜態(tài)關(guān)鍵詞加一些判斷條件來過濾，效果不好，漏網(wǎng)之魚多，冤枉的也不少。

利用貝葉斯定理過濾郵件，首先選正常郵件和垃圾郵件做訓(xùn)練，兩種郵件數(shù)量越多之后效果越好，訓(xùn)練的過程就是統(tǒng)計在垃圾郵件中出現(xiàn)過的所有詞匯的頻次，和正常郵件中出現(xiàn)的所有的詞匯的頻次。

因為典型的垃圾郵件詞匯在垃圾郵件中會以更高的頻率出現(xiàn)，所以在做貝葉斯公式計算時，肯定會被識別出來。之后用最高頻的15個垃圾詞匯做聯(lián)合概率計算，聯(lián)合概率的結(jié)果超過90%將說明它是垃圾郵件。

用貝葉斯過濾器可以識別很多改寫過的垃圾郵件，而且錯判率非常低。甚至不要求對初始值有多么精確，精度會在隨后計算中逐漸逼近真實情況

3、神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一門重要的機器學(xué)習(xí)技術(shù)。它是目前最為火熱的研究方向--深度學(xué)習(xí)的基礎(chǔ)。

圖1 神經(jīng)細胞的結(jié)構(gòu)

人類大約有幾百億個腦細胞，每個腦細胞大約有幾百條腦神經(jīng)，每條神經(jīng)上大約有幾百個突觸，每個突觸有幾百到幾千個蛋白質(zhì)，一個腦細胞的作用大約相當(dāng)于一臺大型計算機，一個突觸的作用大約相當(dāng)于計算機的一塊芯片。可以很簡單地推算出來，人的大腦相當(dāng)于上千億塊或上萬億塊芯片。

神經(jīng)細胞和人身上任何其他類型細胞十分不同，每個神經(jīng)細胞都長著一根像電線一樣的稱為軸突（axon）的東西，它的長度有時伸展到幾厘米，用來將信號傳遞給其他的神經(jīng)細胞。神經(jīng)細胞的結(jié)構(gòu)如圖1 所示。它由一個細胞體(soma)、一些樹突(dendrite) 、和一根可以很長的軸突組成。神經(jīng)細胞體是一顆星狀球形物，里面有一個核(nucleus)。樹突由細胞體向各個方向長出，本身可有分支，是用來接收信號的。軸突也有許多的分支。軸突通過分支的末梢(terminal)和其他神經(jīng)細胞的樹突相接觸,形成所謂的突觸(Synapse), （圖中未畫出），一個神經(jīng)細胞通過軸突和突觸把產(chǎn)生的信號送到其他的神經(jīng)細胞。

有趣的事實

曾經(jīng)有人估算過，如果將一個人的大腦中所有神經(jīng)細胞的軸突和樹突依次連接起來，并拉成一根直線，可從地球連到月亮，再從月亮返回地球。如果把地球上所有人的腦中的神經(jīng)細胞的軸突和樹突連接起來，則可以伸展到離開我們最近的星系！

神經(jīng)細胞利用電-化學(xué)過程交換信號。輸入信號來自另一些神經(jīng)細胞。這些神經(jīng)細胞的軸突末梢（也就是終端）和本神經(jīng)細胞的樹突相遇形成突觸（synapse），信號就從樹突上的突觸進入本細胞。信號在大腦中實際怎樣傳輸是一個相當(dāng)復(fù)雜的過程，但就我們而言，重要的是把它看成和現(xiàn)代的計算機一樣，利用一系列的0和1來進行操作。就是說，大腦的神經(jīng)細胞也只有兩種狀態(tài)：興奮（fire）和不興奮（即抑制）。發(fā)射信號的強度不變，變化的僅僅是頻率。神經(jīng)細胞利用一種我們還不知道的方法,把所有從樹突突觸上進來的信號進行相加，如果全部信號的總和超過某個閥值，就會激發(fā)神經(jīng)細胞進入興奮（fire）狀態(tài)，這時就會有一個電信號通過軸突發(fā)送出去給其他神經(jīng)細胞。如果信號總和沒有達到閥值，神經(jīng)細胞就不會興奮起來。

正是由于數(shù)量巨大的連接，使得大腦具備難以置信的能力。盡管每一個神經(jīng)細胞僅僅工作于大約100Hz的頻率，但因各個神經(jīng)細胞都以獨立處理單元的形式并行工作著，使人類的大腦具有下面這些非常明顯的特點：

能實現(xiàn)無監(jiān)督的學(xué)習(xí)。 你不會給一個孩子看一萬輛車和一萬匹馬來讓他學(xué)會識別馬和車。在看到了一些例子后他就充分理解了兩者的不同。就是它們能夠自己進行學(xué)習(xí)，而不需要導(dǎo)師的監(jiān)督教導(dǎo)。

Yann LeCun認(rèn)為無監(jiān)督學(xué)習(xí)才是人類和動物智能發(fā)展的主要途徑。從某種意義上，無監(jiān)督學(xué)習(xí)讓人們看到了強人工智能的希望。

高度并行性，處理信息的效率極高。 由于人腦是超級巨大的并行運算系統(tǒng)，所有突觸以及每個突觸上的所有蛋白質(zhì)，都可以瞬間同時運動，蛋白質(zhì)之間又只有幾納米距離，電流在這個距離上一秒可運行幾千億次，人腦運算速度的數(shù)量級就大得沒法形容，大約1后面跟27個零到30個零。要知道，40億次，才不過是4后面跟9個零而已，差了大約20個數(shù)量級。

例如，大腦視覺皮層在處理通過我們的視網(wǎng)膜輸入的一幅圖象信號時，大約只要100ms的時間就能完成。考慮到你的神經(jīng)細胞的平均工作頻率只有100Hz，100ms的時間就意味每秒只能完成10個計算步驟！想一想通過我們眼睛的數(shù)據(jù)量有多大，你就可以看到這真是一個難以置信的浩大工程了。

善于歸納推廣。 一種是形式化思維，是人腦演繹能力的表現(xiàn)，具有邏輯的循序的特點：一種是模糊性的思維，是人腦歸納能力的表現(xiàn)，可同時進行綜合的整體的思考。大腦和數(shù)字計算機不同，它極擅長的事情之一就是模式識別，并能根據(jù)已熟悉信息進行歸納推廣(generlize)。

例如，我們能夠閱讀他人所寫的手稿上的文字，即使我們以前從來沒見過他所寫的東西。

它是有意識的。人腦最獨特的是思維意識 ，意識（consciousness）是神經(jīng)學(xué)家和人工智能的研究者廣泛而又熱烈地在辯論的一個話題。就目前的世界頂級科學(xué)家們也無法得知人的思維意識是怎樣產(chǎn)生的。可現(xiàn)在的電腦想要做到那種程度要過多長時間還是個未知數(shù)。而人腦和電腦最大的差別就在于，人腦的進化速度要比電腦的進化速度快多了。

因此，一個人工神經(jīng)網(wǎng)絡(luò)( Artificial neural network, ANN）簡稱神經(jīng)網(wǎng)絡(luò)（NN) 就是要在當(dāng)代數(shù)字計算機現(xiàn)有規(guī)模的約束下，來模擬這種大量的并行性, 并在實現(xiàn)這一工作時，使它能顯示許多和人或動物大腦相類似的特性。

在某些領(lǐng)域，AI還是“打敗”了人類。深度神經(jīng)網(wǎng)絡(luò)已經(jīng)可以應(yīng)用在交談、駕駛汽車，已經(jīng)能夠打敗電子游戲和圍棋冠軍，還能利用其繪制圖片，并進行科學(xué)發(fā)現(xiàn)。

例如，圖片的設(shè)計和修改。在網(wǎng)站的更新和修改上，人工智能可以做得比人類更快速、更精準(zhǔn)。這種基礎(chǔ)技術(shù)可以給出普通用戶對于網(wǎng)站樣式的意見，以告訴設(shè)計師這個網(wǎng)站設(shè)計得好不好。阿里的AI設(shè)計應(yīng)用“魯班"，現(xiàn)更名為“鹿班”，可謂讓設(shè)計師瑟瑟發(fā)抖。

4、深度學(xué)習(xí)

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。有了深度學(xué)習(xí)，機器學(xué)習(xí)才有了許多實際的應(yīng)用，它還拓展了AI的整體范圍。 深度學(xué)習(xí)將任務(wù)分拆，使得各種類型的機器輔助變成可能。無人駕駛汽車、更好的預(yù)防性治療、更好的電影推薦要么已經(jīng)出現(xiàn)，要么即將出現(xiàn)。AI既是現(xiàn)在，也是未來。有了深度學(xué)習(xí)的幫助，也許到了某一天AI會達到科幻小說描述的水平，這正是我們期待已久的。