那些想轉(zhuǎn)行AI的人：送你一份人工智能入門完全指南

你可能會從網(wǎng)上知道人工智能如何為亞馬遜和Google的虛擬助理提供支持，或者人工智能如何一步步地取代所有的工作（有爭議的），但是這些文章極少很好的解釋人工智能是什么（或者機(jī)器人是否將要接班）。本文將對人工智能做出解釋，這份簡明指南將隨著領(lǐng)域的發(fā)展和重要的概念出現(xiàn)進(jìn)行更新和改進(jìn)。

人工智能是什么？

人工智能是具有學(xué)習(xí)機(jī)制的軟件或計算機(jī)程序。人工智能使用這種知識在新的情況下做出決定，就像人類一樣。構(gòu)建該軟件的研究人員嘗試編寫可以讀取圖像，文本，視頻或音頻的代碼，使得人工智能從中學(xué)習(xí)一些東西。 一旦機(jī)器學(xué)到了，知識就可以在別的地方使用。 如果一個算法學(xué)會識別某人的臉，那么可以在Facebook照片中找到它們。 在現(xiàn)代AI中，學(xué)習(xí)通常被稱為“訓(xùn)練”（將在后文進(jìn)行介紹）。

人類自然會學(xué)習(xí)復(fù)雜的想法：我們可以看到像蘋果這樣的對象，然后在以后識別一個不同的蘋果。 機(jī)器是非常字面化的 - 電腦沒有對“類似”的靈活概念。人工智能的目標(biāo)是使機(jī)器減少僅基于文本而形成的概念。 機(jī)器很容易判斷兩張?zhí)O果的圖像或兩個句子是否完全相同，但人工智能旨在從不同的角度或不同的光線識別同一蘋果的圖片; 它捕捉視覺角度去識別蘋果。這被稱為“泛化”或基于數(shù)據(jù)的相似性形成想法，而不僅僅是基于AI所看到的圖像或文本。 更普遍的想法可以應(yīng)用于AI以前沒有看到的事情。

卡內(nèi)基梅隆大學(xué)計算機(jī)科學(xué)教授亞歷克斯·魯?shù)履崞妫ˋlex Rudnicky）說：“人工智能的目標(biāo)是將復(fù)雜的人類行為降低到可以計算的一種形式。 “這反過來又使得我們能夠建立對人類有用的可以從事復(fù)雜活動的系統(tǒng)?！?/p>

今天距離人工智能還有多遠(yuǎn)？

人工智能研究人員仍在努力解決這個問題的基礎(chǔ)。 我們?nèi)绾谓屉娔X來識別他們在圖像和視頻中看到的內(nèi)容？ 之后，識別如何進(jìn)入理解 - 不僅產(chǎn)生“蘋果”這個詞，而且知道蘋果是一種與桔子和梨相關(guān)的食物，人類可以吃蘋果，可以用蘋果做飯，并用它們來制作蘋果餡餅，并且聯(lián)系到約翰尼·蘋果派的故事，諸如此類。 還有一個理解語言的問題——詞根據(jù)語境有多重含義，定義總是在演變，每個人的說法都有一點點差別。 電腦如何理解這種不固定的，千變?nèi)f化的語言構(gòu)造？

由于介質(zhì)不同，人工智能的進(jìn)展速度也不相同?，F(xiàn)在，我們看到了在理解圖像和視頻能力的驚人增長，這是一個業(yè)界稱之為計算機(jī)視覺的領(lǐng)域。但是，這一進(jìn)步對其他人工智能的理解并沒有多大幫助，這是一個被稱為自然語言處理的領(lǐng)域。這些領(lǐng)域正在發(fā)展有限的智能，這意味著人工智能在處理圖像、音頻或文本方面具有強(qiáng)大的功能，但卻無法從這三者中學(xué)習(xí)到同樣的方法。一個不可知論的學(xué)習(xí)形式是一般智力，這是我們在人類身上看到的。許多研究人員希望，各個領(lǐng)域的進(jìn)步將揭示更多關(guān)于我們?nèi)绾巫?a target="_blank">機(jī)器學(xué)習(xí)的共享真理，最終融合成統(tǒng)一的人工智能方法。

人工智能為什么重要？

一旦人工智能學(xué)會了如何從圖像中識別出一個蘋果，或者從音頻片段中轉(zhuǎn)錄出一個語音片段，它就可以被應(yīng)用于其他軟件中，做本應(yīng)該需要人類來做的決策。它可以用來識別和標(biāo)記你的朋友在Facebook的照片，你(一個人) 本應(yīng)該手工做的事情。它可以從自動駕駛汽車或者你的車的倒車影像里識別出另一輛車或者一個街頭標(biāo)志。它可以用來定位農(nóng)業(yè)生產(chǎn)中應(yīng)該移除的劣質(zhì)農(nóng)產(chǎn)品。這些任務(wù)，僅僅基于圖像識別，通常是由用戶或公司提供軟件的人完成的。

如果一個任務(wù)節(jié)省了用戶的時間，它是一個功能，如果它能節(jié)省了公司里工作的人的時間甚至完全消除了一份工作，那么它就是一個極大節(jié)約了成本。有一些應(yīng)用程序，比如在銷售分析的幾分鐘內(nèi)處理數(shù)百萬個數(shù)據(jù)點，如果沒有機(jī)器，是不可能實現(xiàn)的，這意味著以前從未有過的新信息的潛力。這些任務(wù)現(xiàn)在可以通過機(jī)器在任何時間和任何地點快速、廉價地完成。它是人類曾經(jīng)完成的任務(wù)的復(fù)制，對于無限可伸縮的低成本勞動力來說，這是不可否認(rèn)的經(jīng)濟(jì)利益。

卡內(nèi)基梅隆大學(xué)人類計算機(jī)交互實驗室的教授Jason Hone說，雖然人工智能可以復(fù)制人類的任務(wù)，同時它也有能力開啟新的勞動?！捌囀邱R的直接替代品，但在中長期內(nèi)，它還帶來了許多其他用途，比如用于大型運(yùn)輸?shù)陌肟ㄜ?，家具搬運(yùn)貨車，小型貨車，帶折蓬的汽車。”Hong說“同樣地，人工智能系統(tǒng)在短期內(nèi)將直接取代常規(guī)任務(wù)，但在中長期內(nèi)我們將看到它和汽車一樣的戲劇性使用。”

就像Gottlieb Daimler和Carl Benz沒有考慮到汽車將如何重新定義城市的建造方式，或者污染或肥胖的影響，我們還沒有看到這種新型勞動力的長期影響。

AI為什么現(xiàn)在這么火爆，而不是30（或者60）年前？

關(guān)于人工智能應(yīng)該如何學(xué)習(xí)的許多想法實際上已經(jīng)超過了60年。上世紀(jì)50年代，像Frank Rosenblatt、Bernard Widrow和Marcian Hoff這樣的研究人員首先研究了生物學(xué)家認(rèn)為大腦的神經(jīng)元是如何工作的，以及他們在數(shù)學(xué)上做的事情。我們的想法是，一個主要的方程可能無法解決所有問題，但是如果我們像人腦那樣，使用了很多連接起來的方程會如何呢？最初的例子很簡單:通過數(shù)字電話線路分析1和0，然后預(yù)測接下來會發(fā)生什么。（這項由Widrow和Hoff在普林斯頓大學(xué)完成的研究，仍然被用來減少電話連接的回聲）。

2006年，達(dá)特茅斯會議五十年后，當(dāng)事人重聚達(dá)特茅斯。左起：摩爾，麥卡錫，明斯基，賽弗里奇，所羅門諾夫

數(shù)十年來，計算機(jī)科學(xué)界的許多人認(rèn)為，這個想法永遠(yuǎn)不會解決更復(fù)雜的問題，而現(xiàn)如今它是主要科技公司的實現(xiàn)人工智能的基礎(chǔ)，從谷歌、亞馬遜到Facebook，再到微軟?；仡欉^去，研究人員現(xiàn)在意識到，計算機(jī)還沒有復(fù)雜到足以模擬我們大腦中的數(shù)十億神經(jīng)元，而且我們需要大量的數(shù)據(jù)來訓(xùn)練這些神經(jīng)網(wǎng)絡(luò)，正如我們了解的那樣。

這兩個因素，計算能力和數(shù)據(jù)，在過去的10年里才得以實現(xiàn)。在2000年代中期，圖形處理器單元(GPU)公司NVIDIA表示，他們的芯片非常適合運(yùn)行神經(jīng)網(wǎng)絡(luò)，并開始使得AI在其硬件上運(yùn)行變得更加容易。研究人員發(fā)現(xiàn)，如果能夠使用更快、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)，就可以提高準(zhǔn)確度。

然后在2009年，人工智能研究員Fei-Fei Li發(fā)布了一個名為ImageNet的數(shù)據(jù)庫，它包含了超過300萬個有組織的圖片，在里面還添加了標(biāo)簽。她認(rèn)為，如果這些算法有更多的例子來尋找到模式之間的關(guān)系，那么它就能幫助他們理解更復(fù)雜的想法。她在2010年開始了一場ImageNet的競賽，到2012年，研究人員Geoff Hinton使用了數(shù)百萬張圖片來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以超過10%的準(zhǔn)確率的巨大優(yōu)勢戰(zhàn)勝了其它的應(yīng)用。正如Li所預(yù)測的，數(shù)據(jù)是關(guān)鍵。Hinton還把神經(jīng)網(wǎng)絡(luò)堆在另一個上面，一個只是找到了形狀，而另一個則看了紋理，等等。這些被稱為深度神經(jīng)網(wǎng)絡(luò)，或深度學(xué)習(xí)，也就是今天你在新聞中聽到的關(guān)于人工智能的消息。一旦科技行業(yè)看到了結(jié)果，人工智能的繁榮就開始了。數(shù)十年來，一直致力于深度學(xué)習(xí)的研究人員成為了科技行業(yè)新的搖滾明星。截止2015年，谷歌有超過1000個項目使用了某種機(jī)器學(xué)習(xí)技術(shù)。

我們應(yīng)該恐懼人工智能嗎？

看過終結(jié)者這樣的電影后，人們很容易就會害怕像天網(wǎng)這樣的全能的邪惡的AI。在人工智能研究領(lǐng)域，天網(wǎng)被稱為一般的超級智能，或者人工通用智能，這類軟件在各個方面都要比人腦更強(qiáng)大。

由于計算機(jī)能夠擴(kuò)展，這意味著我們能夠制造出更強(qiáng)、更快的計算機(jī)，然后把他們連接起來?？謶质莵碜杂谶@些機(jī)器人大腦的計算能力可能會增長到一個深不可測的水平，如果他們真的聰明到那個地步，他們就會無法控制，并會繞過任何試圖關(guān)閉他們的人。這就是埃隆馬斯克和史蒂芬霍金這樣極其聰明的人所擔(dān)心的世界末日。正如馬斯克所言，雖然它們在某些領(lǐng)域的確擁有智能，但大多數(shù)主流人工智能研究人員都對召喚惡魔的說法不以為然。盡管研究人員把學(xué)習(xí)的基本原理打破了，例如他們改變了如何去理解模式背后的意義，然后把這些新的理解組織成一個功能性的世界觀，目前還沒有證據(jù)表明電腦會有需求，欲望或著意志來存活，F(xiàn)acebook 人工智能研究中心的領(lǐng)導(dǎo)Yann Lecun說道。

“當(dāng)我們受到威脅，我們嫉妒，我們想要獲得資源，比起陌生人我們更喜歡我們的近親，等等這些行為時，我們會變得更暴力，這些都是進(jìn)化中為了我們的生存而建立起來的。除非我們很明確的把這些基本行為建立到智能機(jī)器里，否則它們不會有這些行為?！彼赒uora上寫道。

沒有證據(jù)表明計算機(jī)會認(rèn)為人類是一個威脅，因為沒有給計算機(jī)定義這樣的威脅。也許人類能夠定義它，并告知機(jī)器在一些參數(shù)中運(yùn)作，這些參數(shù)在功能上就像一個生存的意志，而這個意志并不存在。

谷歌公司的創(chuàng)始成員、百度前人工智能負(fù)責(zé)人吳恩達(dá)說，“我說過，我不擔(dān)心人工智能變邪惡的原因跟我不擔(dān)心火星上人口過多的原因是一樣的?！?但是有一個原因讓我們害怕人工智能：人類。

有證據(jù)表明，人工智能對從它學(xué)習(xí)的數(shù)據(jù)中獲取人類偏見很敏感。這些偏見可能是無害的，比如識別圖片中的貓比狗更常見，因為它是被更多的貓圖片訓(xùn)練出來的。但是，它們也可能會把刻板印象延續(xù)下去，比如相比其他性別或種族，AI更多的把醫(yī)生和白人男性聯(lián)系起來。如果一個有這種偏見的人工智能負(fù)責(zé)招聘醫(yī)生，那么它可能會對那些非白人男性的員工造成不公平。ProPublica的一項調(diào)查發(fā)現(xiàn)，用于判決那些被判有罪的人的算法存在種族偏見，因為其對有色人種的人提出了更嚴(yán)厲的判決。衛(wèi)生保健數(shù)據(jù)通常不包括婦女，尤其是孕婦，這樣在向這些人提出醫(yī)療建議時，會導(dǎo)致系統(tǒng)功能不完整。由于這些機(jī)制之前是由人類來做的，而現(xiàn)在我們擁有一臺速度更快的超級強(qiáng)大的機(jī)器，我們就要確保它們能夠在我們的道德規(guī)范中公平而一致地做出這些決定。

要判斷一個算法是否有偏見并不容易，因為深度學(xué)習(xí)需要數(shù)以百萬計的連接計算，通過所有這些小的決策來計算出它們對更大的決策的貢獻(xiàn)是非常困難的。因此，即使我們知道人工智能做出了一個糟糕的決定，我們也不知道它是什么原因，也不知道它是怎么做的，所以在它實施之前很難建立起一個機(jī)制來捕捉到偏見。

在自動駕駛汽車這樣的領(lǐng)域，這個問題尤其不穩(wěn)定。在自動駕駛汽車上，每一項決定都可能事關(guān)生死。早期的研究表明，我們很有希望能夠逆轉(zhuǎn)我們所創(chuàng)造的機(jī)器的復(fù)雜性，但現(xiàn)在幾乎不可能知道為什么Facebook、谷歌或微軟的人工智能做出了任何決定。

功能性AI術(shù)語表：

算法：一套計算機(jī)要遵循的指令。一個算法可以是一個簡單的單步程序也可以是一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)，但是通常被用來指一個模型。

人工智能：這是一個統(tǒng)稱。廣義上說，軟件意味著模仿或取代人類智能的各個方面。人工智能軟件可以從圖像或文本、經(jīng)驗、進(jìn)化或其他研究人員的發(fā)明等數(shù)據(jù)中學(xué)習(xí)。

計算機(jī)視覺：人工智能研究探索圖像和視頻識別和理解的領(lǐng)域。這個領(lǐng)域從了解蘋果的外觀，到蘋果的功能用途，以及與之相關(guān)的理念。它是被用作自動駕駛汽車、谷歌圖像搜索以及Facebook上自動貼標(biāo)簽的主要技術(shù)。

深度學(xué)習(xí)：一個神經(jīng)網(wǎng)絡(luò)被分層來理解數(shù)據(jù)中的復(fù)雜模式和關(guān)系的領(lǐng)域。當(dāng)一個神經(jīng)網(wǎng)絡(luò)的輸出成為另一個神經(jīng)網(wǎng)絡(luò)的輸入時，有效地將它們疊加起來，由此產(chǎn)生的神經(jīng)網(wǎng)絡(luò)就是“深度”了。

普通智力：有時被稱為“強(qiáng)人工智能”，一般智能將能夠在不同的任務(wù)中學(xué)習(xí)和應(yīng)用不同的想法。

生成式對抗網(wǎng)絡(luò)：這是一個包含兩個神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，一個是用來生成輸出的，另一個是用來檢驗這個輸出的質(zhì)量是否是想要的輸出的神經(jīng)網(wǎng)絡(luò)。例如，當(dāng)試圖生成一個蘋果的圖片時，生成器將生成一個圖像，而另一個(稱為鑒別器)如果不能識別圖像中的一個蘋果，會使生成器再次嘗試生成。

機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)(ML)常常與術(shù)語人工智能結(jié)合在一起，是使用算法從數(shù)據(jù)中學(xué)習(xí)的慣例。

模型：模型是一種機(jī)器學(xué)習(xí)算法，它可以建立自己對某一主題的理解，或者它自己的世界模型。

自然語言處理：用于理解語言中思想的意圖和關(guān)系的軟件。

神經(jīng)網(wǎng)絡(luò)：通過連接起來的數(shù)學(xué)方程式的網(wǎng)絡(luò)，模擬大腦處理信息的方式以建立起來的算法。提供給神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)被分解成更小的塊并根據(jù)網(wǎng)絡(luò)的復(fù)雜性分析其基礎(chǔ)模式成千上萬次。當(dāng)一個神經(jīng)網(wǎng)絡(luò)的輸出被輸入到另一個神經(jīng)網(wǎng)絡(luò)的輸入時，這兩個神經(jīng)網(wǎng)絡(luò)就會鏈接到一起成為分層，成為一個深層的神經(jīng)網(wǎng)絡(luò)。通常，深度神經(jīng)網(wǎng)絡(luò)的層會分析越來越高的抽象層的數(shù)據(jù)，這意味著，在得到最簡單和最準(zhǔn)確的數(shù)據(jù)表示之前，它們會將有用數(shù)據(jù)從沒有必要的數(shù)據(jù)中提取出來。

卷積神經(jīng)網(wǎng)絡(luò)：一個主要用來識別和理解圖像、視頻和音頻數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，因為它能夠處理密集的數(shù)據(jù)，比如數(shù)百萬像素的圖像或數(shù)千個音頻文件樣本。

遞歸神經(jīng)網(wǎng)絡(luò)：一種用于自然語言處理的神經(jīng)網(wǎng)絡(luò)，它可以周期性地、連續(xù)地分析數(shù)據(jù)，這意味著它可以處理像單詞或句子這樣的數(shù)據(jù)，同時在句子中保持它們的順序和上下文。

長短期記憶網(wǎng)絡(luò)：一種周期性的神經(jīng)網(wǎng)絡(luò)的變體，它的是用來根據(jù)數(shù)據(jù)來保留結(jié)構(gòu)化的信息。例如，RNN可以識別句子中的所有名詞和形容詞，檢查它們是否被正確使用，但LSTM可以記住一本書的情節(jié)。

強(qiáng)化學(xué)習(xí)：一種能夠從經(jīng)驗中學(xué)習(xí)的深度學(xué)習(xí)算法。是可以控制環(huán)境的某些方面的算法，比如視頻游戲的角色，然后通過反復(fù)試驗和錯誤來學(xué)習(xí)。由于它們是高度可重復(fù)的，作為三維世界的模型，并且已經(jīng)在電腦上玩了，許多強(qiáng)化學(xué)習(xí)的突破都來自于玩視頻游戲的算法。在DeepMind的AlphaGo中，RL是機(jī)器學(xué)習(xí)的主要類型之一，它在圍棋中擊敗了世界冠軍Lee Sedol。在現(xiàn)實世界中，在網(wǎng)絡(luò)安全等領(lǐng)域已經(jīng)證明了這一點，軟件學(xué)會了欺騙反病毒軟件，使其認(rèn)為惡意文件是安全的。

超級智能：比人腦還要更強(qiáng)大的人工智能。很難定義它因為我們?nèi)匀粺o法客觀地衡量人類的大腦能做什么。

監(jiān)督式學(xué)習(xí)：在被訓(xùn)練的過程中，給其提供的數(shù)據(jù)是已經(jīng)組織好的、已經(jīng)被貼好標(biāo)簽的機(jī)器學(xué)習(xí)。如果你正在建立一種監(jiān)督式的學(xué)習(xí)算法來識別貓，你就可以在1000張貓的圖片上訓(xùn)練這個算法。

訓(xùn)練：通過提供數(shù)據(jù)來讓算法學(xué)習(xí)的過程。

無監(jiān)督學(xué)習(xí)：機(jī)器學(xué)習(xí)算法的一種，沒有給出任何關(guān)于它應(yīng)該如何對數(shù)據(jù)進(jìn)行分類的信息，并且必須找到它們之間的關(guān)系的算法。像Facebook LeCun這樣的人工智能研究人員將無人監(jiān)督的學(xué)習(xí)視為人工智能研究的圣杯，因為它與人類自然學(xué)習(xí)的方式非常相似?！霸跓o人監(jiān)督的學(xué)習(xí)中，大腦比我們的模型好得多”，LeCun告訴IEEE光譜，“這就意味著我們的人工學(xué)習(xí)系統(tǒng)缺少了一些非?；镜纳飳W(xué)習(xí)原理”。

智創(chuàng)未來 發(fā)現(xiàn)智能新經(jīng)濟(jì)

第四4屆中國IOT大會，高通、微軟、華為、MathWorks、和而泰等大BOSS都來了，趕快報名吧。

“人工智能論壇”會議亮點

● 150位業(yè)內(nèi)人士與會，共同探討業(yè)界熱點與設(shè)計難點

● 知名專家介紹如何尋找AI應(yīng)用新場景

● 知名大公司分享AI最前沿研究和應(yīng)用成果

● 業(yè)內(nèi)專家揭秘人工智能在中國新趨勢

● 與業(yè)內(nèi)大咖面對面 ，遇見你的“中國合伙人"

掃描下方二維碼

立即報名中國IoT大會人工智能分論壇