算法構成的AI

許多人把一些新的高科技概念想得遙不可及，普通人將這些高新概念當作談資，拒不深究，認為自己理解了其表象，其實是事務繁忙或大腦懶惰，抑或是覺得離自己過于遙遠，懶得將其刨根問底，而一些朋友更是在一知半解的情況下盲目投資，結果可想而知。在21世紀，任何一個新概念都是基礎理論層層包裝的產品，只要我們將這些概念背后的基礎理論挖掘出來，理解這些概念并不困難，當今時代科技換代迅速，而作為生活在21世紀的人，我認為理解新概念的能力是一道進階閱讀題，而其中一些概念更是常識，信息技術的進步正在縮短知識與個人之間的距離，這也是近年來民科風涌現原因，我挑選其中一些常識性概念來做一個系列文章，有興趣的可以關注訂閱。

現在的人工智能技術最接近強人工智能方向的部分是神經網絡技術，也就是說這兩者之間屬于同向但有距離。現有的人工智能技術，所謂的機器學習其實都是被動學習，也就是在算法指定的方向上從大量數據中尋找特征值，在不斷優化這個特征的過程中得到更加精準的特征識別率，因此需要大量的數據作為支撐，深度學習訓練的數據越多，對特征值的分析越準確。

例如現在的圖像識別技術，已經非常成熟了，這些年的AI技術比賽幾乎都是以圖片識別技術為主要項目和基準來衡量技術團隊和技術框架。其中人臉識別技術尤其成熟，特別在我國得到了大規模的應用，無論在行政層面還是商業層面，人臉識別幾乎是現在各大應用都會考慮接入的身份認證功能，這得益于我國對個人信息采集的全面與個人隱私意識的淡薄，大量的人臉信息被采集入庫并可以被用來訓練人臉識別技術，現在的AI對人臉的識別率超過了99.9%，不僅超過了人類肉眼的識別準確率，更具優勢的是AI可以同時處理巨量的圖像識別任務。

在我國的行政層面，人臉識別技術已經被應用到公共交通/銀行開戶/公安刑偵/網絡實名認證等生活中的各個方面，迅速地取代了不久前的芯片認證技術，也淘汰了各大車站的取票機，你現在只要攜帶身份證/手機和一張臉，就可以通過公共交通去中國的任何城市，可以說在不久的將來，身份證不用隨身攜帶也會變為可能，因為只要你的沒有整容，那么你的面部信息就會綁定著你的ID/手機號/銀行賬戶/信用/行為軌跡… ，現在國家準備發行數字貨幣，作為擁有最完整的居民信息的國家機器來說，也許以后付款都不需要掏出手機，直接刷臉就能付款，甚至你去超市買東西可以拿了就走，因為在你出門的那一刻，攝像頭就已經識別了你的面部，并在你的信用賬戶中直接扣款了。這是在未來完全有可能發生的。 

為何一些AI領域出現了應用級的進展

除了在圖像識別上的成就，文字識別和語音識別同樣有相當的成就，語音識別，語音翻譯，掃圖識別文字等等，這些應用對跨語言交流提供了跨專業的便利性。可能有人會思考為什么是這些領域出現了應用級的進展，而不是其他領域，不是萬眾矚目的機器動力學也不是股票預測。

其實我們只要回顧一下過去20年多以來互聯網的發展，就能找出一個清晰的脈絡。在最開始的MSN時代，人們發送消息的方式主要是文字，那時候最流行的是符號表情，因為最開始的圖片內容并不繁榮，并非每個人都有相機，從以前運營商發一條彩信的價格就知道圖片信息的稀缺了。后來博客開始流行，攜帶圖文的blog成為了熱門的信息展現方式，網易/搜狐等門戶網站應運而起，獨占鰲頭。語音信息則是在進入了智能手機時期才開始的，智能手機和電腦不同，每個手機都有麥克風，這為語音消息的普及提供了條件，像微信這類社交應用則抓準時機快速進入市場，第一個通過語音消息解決了不會打字的人群使用手機社交軟件聊天的問題，稱霸了社交應用市場。

[[386010]]

圖片來自AppStore

在3G普及之后，圖片內容開始更加普及，各種表情包從那時候起開始爆發，形成一種表情包文化，這恰恰也是圖片信息繁榮的佐證，隨著這一波繁榮，涌現出一批優秀的分享型社交軟件：
Facebook/instagram/Twitter等，和一批優秀的圖片處理類軟件：美圖秀秀/camera360等，而到了4G時代站上浪峰的則成為了視頻類app，從快手到美拍到抖音，那些年直播類平臺之間的競爭更是猶如武林爭霸，各位看官好不過癮。

不知道讀者們看到這里有沒有切實地感受到通訊技術發展的威力。從1G到4G的過程里，我們的信息應用場景從文字--圖片--語音--到視頻/直播發生了巨大的變化，從而也積累了大量的文字/圖片/語音/視頻信息，所以最早發展起來的人工智能技術都是以這幾類積累了大量基礎數據的領域。

出現應用級增長的都是擁有大量對應的基礎數據的領域。

到這里我們就需要自問一個問題，5G時代就要來了，哪一種傳播方式會站上浪頭呢？很可惜新的訂閱號無法開啟留言功能，有興趣的讀者可以向訂閱號發送私信留言。

[[386011]]

圖片來自AppStore

出現應用級增長的參考指標

我為大家提供一個思考的脈絡。

從仿生學的角度來講，文字/語音/圖片是人類認識世界的最基本的窗口，它同樣可以作為人工智能認識世界的窗口，我們換個角度想想的話，認識世界的窗口對人類個體來說屬于五感的應用范疇：

視覺：分析圖像信息，觀察空間；

聽覺：分析音波信息，判斷距離；

嗅覺：識別氣體信息；

味覺：識別液體信息；

觸覺：識別固體信息。

文字和語言，分別屬于視覺和聽覺分析的高級應用，這是文化誕生的標志，文字即是符號學的應用，每一個符號背后都隱藏著暗示，所謂的暗示就是邏輯或信息，用多個簡單的符號組合來表達一個復雜邏輯信息，這就是符號學的本質，人工智能理論派中的符號主義歸根結底就是秉承了符號學的應用，說簡單點，所有的編程語言都是符號學應用的體現，一個簡單的if語句，就可以構造二叉樹的邏輯體系，可見其強大之處。

既然說到了符號主義，有必要在此補全一下目前人工智能理論派的三個流派：

人工智能的三個流派理論流派：

1. 符號主義(symbolicism)，又稱為邏輯主義(logicism)、心理學派(psychologism)或計算機學派(computerism)，其原理主要為物理符號系統(即符號操作系統)假設和有限合理性原理。
2. 連接主義(connectionism)，又稱為仿生學派(bionicsism)或生理學派(physiologism)，其主要原理為神經網絡及神經網絡間的連接機制與學習算法。
3. 行為主義(actionism)，又稱為進化主義(evolutionism)或控制論學派(cyberneticsism)，其原理為控制論及感知-動作型控制系統。

不用去為上面抽象的的名稱感到煩惱，這三大流派其實并沒有什么分歧，從人類設想的強人工智能的結論來講，這三大流派都是實現強人工智能的必經之路，缺一不可。（對強人工智能概念感興趣的朋友請點擊：人工智能到底能否超越人類（一）AI的真實現狀）

符號主義

大家不妨想一想，把強人工智能計劃理解為人造人計劃的話，仿生對象是不是就是人類本身？那么要創造一個人類，首先需要了解的必定是人類本身。人類的第一特征是思考，理解思考這種腦部活動，最基本的就是邏輯，人類的任何一個思考都是有邏輯可循的，你看到了一扇門，就會想象門背后有什么，看到一則標題黨頭條寫著：【xx女明星被粉絲xx羞愧難當】，你就會浮想聯翩，因為【女明星/羞愧難】當這些詞在男性的大腦中都是與荷爾蒙聯系在一起的，結果點進去發現什么內容都沒有，想想還不如看看Leo的文章。符號主義解決的主要問題就是大腦思考的基礎邏輯，例如現在游戲里的電腦人，就拿王者榮耀來舉例的話，游戲里人機模式中的電腦人就是基于這種規則所創建的。

連結主義

但是人類不光有表意識，也有潛意識和本能反應，并且人類的思考有個參考物：經驗，怎么去理解經驗就很有意思里，當人初次見到一個猴子的時候，大腦的識別中心將猴子定義為未知物種，人會通過各種信息途徑去了解猴子，分析并存儲它的外形特征/名稱/習性/綱目，形成一個叫做“monkey”經驗神經元，歸屬于動物分支，當人類多次見到過猴子以后，便不會再好奇并仔細的觀察它，因為經驗告訴他：這就是只猴子。這里的經驗就是一個在大腦中已經歸屬分類的神經元，你通過眼睛輸入猴子的圖像，大腦會迅速并準確地檢索到猴子的神經元，將以前存儲的信息反射到識別中心，當識別中心判斷猴子的信息屬于【已知】標簽時，便不會做出更多反應，直接給表層一個“這是猴子”的結論就一帶而過，人就不再好奇，喜新厭舊就是這個道理。

神經元的運作模擬

也就是說這個經驗神經元的作用就是一個微型的數據庫+解析器，在經過了頭幾次的學習訓練之后就可以形成完整的識別程序，大腦可以從這個神經元中直接得到結論，而不需要重新進行演算。這種做法會大大縮短程序的能耗，提高反應的速度，這就是連接主義主攻的方向，通過神經網絡的模式建立起一個快速反應單元，這正是現在的圖像識別/文字識別/語音識別的AI程序所做的工作，其實這些AI程序就是一個神經元，在通過訓練之后，你只需要輸入一個圖片/語音信息，就能反饋給你一個結論。

[[386012]]

圖片來自波士頓動力官網

行為主義

既然叫做人造人，那么光會進行數據分析肯定算不上一個強人工智能，2017年BD公司的機器人翻跟頭視頻在人工智能背景下爆紅，Boston Dynamics公司研發的機器狗和機器人正是行為主義的代表，行為主義的攻克方向就是機械動作，可以描述為：在地球重力環境下適應復雜地形與動作的機器行為學習。可惜的是BD在他們的機器人算法中并沒有用到很多機器學習，但不妨礙他們的對機器動力的研究成果為以后真正的機器行為學習做下鋪墊。BD公司因為盈利能力問題，先后被DARPA/Google/軟銀Softbank收購，直到去年被韓國現代以9.2億美刀縮水三成拿到，算是撿了個寶。對于機器動力學這個領域，我想應該在深度學習和動力學發展更加完善的未來會迎來高速增長。

除了這些之外，要在未來實現強人工智能，對其他不同領域的依賴也非常大，我覺得距離最遠的應該是生物科技，其次是材料學，芯片技術，距離最近的是能源領域，這些年電動汽車的爆發式增長其實就是紅利之一，因為電池能源領域的發展也將為機器動力學鋪平道路。

說到底，現在各種走在強人工智能必經之路上的行業，都將在其實現的道路上走上風口，不是現在也是在不久的將來。