自2016 AlphaGo 圍棋戰(zhàn)后,，人工智能是確實(shí)被點(diǎn)燃起來了,。

這是一張來自IT桔子的投資數(shù)據(jù)，可以看到投資的金額是在逐年遞增,，整個(gè)人工智能行業(yè)越來越火熱,，需求的崗位也越來越多。所以先從技術(shù)的角度聊聊什么目前人工智能是怎樣的,。前方會(huì)有大量理論知識,，可以選擇性跳過。

在過去人工智能主流是符號主義學(xué)派,，他們認(rèn)為人工智能是建立在數(shù)理邏輯為基礎(chǔ)的,。典型的就是我們編程出來的軟件，就是被認(rèn)為是帶有智能，只是這個(gè)智能比較低級,。所以人工智能其實(shí)沒那么玄,，不過確實(shí)被過去的一些電影作品，文學(xué)作品所夸大了,。

我們先聊聊人類智能是構(gòu)成,。人類的智能是通過神經(jīng)系統(tǒng)感知，傳遞,，存儲,，加工，最后做出反應(yīng),。人通過身上的大量的感覺神經(jīng)元,，感知外界信息，轉(zhuǎn)換成信號傳送到大腦,，然后通過大腦進(jìn)行加工整合成立體的印象,。比如大腦整合蘋果的顏色屬性（如紅色）和形狀屬性（如圓形），得到蘋果就是圓形紅色的結(jié)論,。

目前的主流的人工智能流派是連接主義,，連接主義學(xué)派是仿生的學(xué)派。用工程技術(shù)的手段模擬人腦的神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能,，通過大量的處理器模擬人腦的眾多神經(jīng)元,，用處理器復(fù)雜的連接關(guān)系模擬人腦中神經(jīng)元之間的突觸行為，用大量知識,，經(jīng)驗(yàn)進(jìn)行學(xué)習(xí),，構(gòu)建出智能。這就是目前的人工智能,。

機(jī)器學(xué)習(xí)是人工智能的重要研究方向之一,，通過線性代數(shù)(集合，向量,，矩陣)來描述特征形成數(shù)據(jù),，以這些數(shù)據(jù)構(gòu)建起概率統(tǒng)計(jì)模型，同時(shí)運(yùn)用模型對事情預(yù)測分析,，目的是為了解決問題,。其實(shí)就是我們在大學(xué)里的數(shù)學(xué)建模嘛。

機(jī)器學(xué)習(xí)的預(yù)測結(jié)果并不一定準(zhǔn)確,，因?yàn)?/p>

一任何算法預(yù)測出結(jié)果與所有訓(xùn)練數(shù)據(jù)結(jié)果難以絲毫不差,。

二訓(xùn)練數(shù)據(jù)與真實(shí)數(shù)據(jù)相比是不完全的，而且會(huì)有噪音的存在,。

因此在機(jī)器學(xué)習(xí)中誤差難以避免的,。典型的問題就是過擬合(過度的貼近訓(xùn)練數(shù)據(jù)的結(jié)果)和欠擬合(未能學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的關(guān)系)。一般欠擬合可以更換學(xué)習(xí)算法進(jìn)行改進(jìn)，但過擬合是不可避免的,。所以在沒有遇見過的樣本的表現(xiàn)(泛化能力)是重要指標(biāo)之一,。

為了降低誤差，人工神經(jīng)網(wǎng)絡(luò)出現(xiàn)了,。大腦對信息的加工是復(fù)雜的多次的處理,。人工神經(jīng)網(wǎng)絡(luò)其實(shí)就是模擬大腦對信息的處理，對信息的多層次的處理,，通過權(quán)重的控制,，不同特征的提取，降低誤差,，讓模型的表現(xiàn)優(yōu)異,。深度學(xué)習(xí)其實(shí)就是人工神經(jīng)網(wǎng)絡(luò)的加強(qiáng)版，多加幾層,，利用逼近定理讓精度更高一些,。不過深度學(xué)習(xí)還缺少缺乏一些理論基礎(chǔ)，比較前沿,，有待驗(yàn)證,，盡管已經(jīng)取得不少結(jié)果。

訓(xùn)練的數(shù)據(jù)帶結(jié)果的,，叫監(jiān)督學(xué)習(xí),。訓(xùn)練的不帶結(jié)果的，更多是為了把訓(xùn)練數(shù)據(jù)進(jìn)行分類,，叫無監(jiān)督學(xué)習(xí)。各帶一半的,，叫半監(jiān)督學(xué)習(xí),。目前監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)的主流任務(wù)。

因此機(jī)器學(xué)習(xí)日常要解決的問題,。

一解決誤差問題,。(貝葉斯公式，線性回歸,，決策樹,，交叉驗(yàn)證，集成學(xué)習(xí)等等)

二數(shù)據(jù)問題,，如噪音,，數(shù)據(jù)過多，過少等,。（數(shù)據(jù)剪裁,，數(shù)據(jù)分類等等）

三性能問題，一個(gè)神經(jīng)網(wǎng)絡(luò)可能會(huì)包含上100個(gè)參數(shù)，每個(gè)參數(shù)包含有上100種取值,。所以需要調(diào)參,，進(jìn)行一個(gè)誤差與效率的折中。

恭喜理論知識到此結(jié)束,，然后我們聊聊我的看法和商業(yè)應(yīng)用,。

上面有說到，目前計(jì)算機(jī)的運(yùn)算能力依然是機(jī)器學(xué)習(xí)發(fā)展瓶頸,，所以定制芯片是解決這個(gè)問題的解決方案之一,。

目前谷歌的tensorflow是主流的機(jī)器學(xué)習(xí)的框架。我看了一些封裝了各種模型調(diào)用就行,。但機(jī)器學(xué)習(xí)需要的人是理論基礎(chǔ)比較好的,，數(shù)學(xué)基礎(chǔ)比較好的，編程只是一種手段,，不需要過于精通,。

然后到應(yīng)用層，圖像識別,，語音處理,，文字處理等等這些是應(yīng)用的基礎(chǔ)層，之前理論說到的感知,。應(yīng)用方面會(huì)有幾個(gè)大方面

一決策類,。像自動(dòng)駕駛，智能投放系統(tǒng),，量化交易等等,。不過之前的理論有說到過，機(jī)器學(xué)習(xí)是會(huì)有誤差的,，但人的操作也會(huì)有誤差,，但機(jī)器學(xué)習(xí)的誤差會(huì)來得更低一些，發(fā)揮也會(huì)更穩(wěn)定一些,，所以會(huì)優(yōu)于人工,。或者是一些輔助決策類,。

二替代低端勞動(dòng)力類,。像一些掃地機(jī)器人，無人港口,，智能客服等等,。大幅度的替代傳統(tǒng)人力，生產(chǎn)無人化,。

三定制化的服務(wù)類,。像推薦系統(tǒng),，智能老師等等。機(jī)器學(xué)習(xí)能計(jì)算出一些人類難以手工計(jì)算的復(fù)雜度異常高問題,，提出多種的解決方案,。定制化的服務(wù)就是屬于此類，由標(biāo)準(zhǔn)化與差異化組成,。人工是難以做到千人千面,，但機(jī)器能輕松做到。

人工智能的本身其實(shí)是不產(chǎn)生價(jià)值的,，更多是處于優(yōu)化環(huán)節(jié),，在商業(yè)鏈條上不占據(jù)位置的，價(jià)值是在于效率優(yōu)化,，這價(jià)值要能支撐得起高昂的人才成本,。當(dāng)然也有可能在改造的過程中，造成一些定式的打破,，產(chǎn)生新的需求,。我認(rèn)為這波人工智能熱潮的紅利應(yīng)該是傳統(tǒng)行業(yè)，傳統(tǒng)行業(yè)大部分核心業(yè)務(wù)仍需要靠人力輔助來完成,，因?yàn)闄C(jī)器替代人工的這個(gè)效能是能達(dá)到10倍以上,，這將會(huì)是最大的紅利。上面也說到其實(shí)機(jī)器學(xué)習(xí)的人才的需求是比較高端的,，所以人力的成本會(huì)很高,。沒有足夠的勢能差是難以推動(dòng)。互聯(lián)網(wǎng)其實(shí)已經(jīng)經(jīng)歷過改造,，核心的業(yè)務(wù)其實(shí)都已經(jīng)由機(jī)器所替代,。

當(dāng)然機(jī)器學(xué)習(xí)并不是萬能的，有要求的

一問題足夠復(fù)雜,，因?yàn)楹唵蔚挠貌簧?/p>

二問題的結(jié)果并不是由隨機(jī),，是由軌跡可循的。

三可訓(xùn)練的數(shù)據(jù)能量化(外貌是能量化,，但世界觀，文化是難以量化)且數(shù)據(jù)數(shù)量足夠多

四世界是變化的,，短期的,，變動(dòng)不太大的，或者周期性變化的領(lǐng)域,。

五場景相對小,，運(yùn)算力還難以支持起巨大的場景。

六創(chuàng)意類,，機(jī)器學(xué)習(xí)是本質(zhì)上是歸納整理,，是需要新的數(shù)據(jù),，才能產(chǎn)生新結(jié)論。

七機(jī)器學(xué)習(xí)是會(huì)犯錯(cuò),，不能是在一些犯錯(cuò)會(huì)造成嚴(yán)重后果的領(lǐng)域,。所以核導(dǎo)彈還是需要人來控制。

以上是我對人工智能的見解,。畢竟我不是從業(yè)人士,，只是出于技術(shù)人對技術(shù)好奇，花兩周時(shí)間的學(xué)習(xí),，了解了這是什么東西,，所以如有錯(cuò)漏，歡迎批評指正,。本公眾號有本人的聯(lián)系方式,。