10分钟科普：人工智能是什么？它又是如何工作的呢？(上)
- 人工智能是什么？
- 人工智能的历史
- 人工智能是否具有和人类一样的能力呢？如何进行评判？
- 图灵测试
- 认知建模
- 演绎规则
- 理性 Agent
- 人工智能是如何工作的？
- 人工智能的分类
- 弱人工智能 (ANI, Artificial Narrow Intelligence)
- 强人工智能 (AGI, Artificial General Intelligence)
- 超人工智能 (ASI, Artificial Super Intelligence)
- 打造人工智能的目的
- 人工智能的应用场景
- 人工智能的优势
- 人工智能的劣势
- 人工智能的必备条件
- 人工智能在商业中的应用
- 人工智能在生活中的应用
- 人工智能职业
- 人工智能行业的职业发展趋势
- 机器学习
- 人工智能 VS 机器学习
- 机器学习的分类
- 深度学习
- 人工智能、机器学习、深度学习？三者之间的关系
- 自然语言处理
- Python
- 计算机视觉
- 神经网络
- 人工智能与电影
- 人工智能的未来
人工智能 (AI) 是什么？
关于 “AI 的定义” 这一问题，不同的人有不同的答案。
普通人可能会把 AI 和机器人联系起来，认为 AI 是能够独立行动和思考的人类终结者。但是对于 AI 研究人员来说，AI 就是一套无需明确指令就能够自动得出结果的算法。
虽然这两种回答完全不同，但并不冲突，它们都是正确的。关于 AI，本文的定义如下：
- 一个由人类创造的带有智能的实体。
- 无需明确指令就能够自动完成任务。
- 能够理性甚至感性地思考和行动。
人工智能的历史
智慧生物这一概念由来已久。确切地说，早在中国和埃及开始建造机械的时候，古希腊就已经有关于机器人的神话传说了。而现代人工智能的起源则可以追溯到古典哲学家对于人类思维符号系统的描述。再到上世纪 40 年代和 50 年代，大量来自于不同领域的科学家发起了关于构建类脑的可能性的讨论，掀起了有关人工智能的研究热潮，并且于 1956 年在新罕布尔州汉诺威市达特茅斯学院的一次学术会议上，明确成立了人工智能这一学科。“Artificial Intelligence” 就是由 McCarthy 创造的， McCarthy 现在是公认的 AI 之父。
尽管在过去的几十年里，科学家们得到了良好的基金资助，并且付出了持续努力，但是仍旧没能够使得机器具备智能。因此，70 年代到 90 年代，科学家们不得不面临基金资助的缩减，这一时期也被成为“人工智能的冬天”。幸运的是，1990 年底，美国公司又再次对 AI 提起兴趣。同时，日本政府也提出开发第五代计算机助力推进 AI 发展的政府计划。直至 1997 年，IBM 开发的深蓝里程碑式地打败国际象棋冠军 Garry Kasparov。
得益于计算机硬件的进步，AI 不断发展。政府、公司、企业都开始在某些领域成功地应用 AI 技术。过去 15 年间，Amazon, Google, Baidu 等公司都通过 AI 技术撬动了巨大的商业利益。今天的 AI，已经被嵌入进我们日常使用的网络服务。并且 AI 在各个行业发挥作用的同时，也极大地带动了股票市场。
人工智能是否具有和人类一样的能力呢？如何进行评判？
假设 AI 已经发展到了一定程度，那么我们该如何评价它与人类智能的差距呢？以下几个角度可以帮助我们衡量 AI 实体和人类智能的相似性：
- 图灵测试 (Turing Test)
- 认知建模 (The Cognitive Modelling Approach)
- 演绎规则 (The Law of Thought Approach)
- 理性 Agent (The Rational Agent Approach)
- 图灵测试
图灵测试的基础在于 AI 实体能够和人类进行对话。当人类和 AI 对话时，没能够判断谈话对象是 AI，那么就可以说 AI 已经达到了人类智能的水平。当然，图灵测首先需要 AI 具有以下能力：
- 自然语言处理。
- 自然地表达。
- 基于存储信息进行推理并得出新的结论和回答问题。
- 模式检测并适应新的环境
- 认知建模
这个方法试图基于人类认知建立人工智能模型。而要想要获得人类认知的本质，有三种途径：
- 内省：观察我们的思想，并以此建立模型。
- 心理实验：对人类进行实验并观察行为特征。
- 脑成像：使用核磁共振成像来观察大脑在不同场景下的功能，并通过代码复制。
-
思维规则
思维的规则本质上就是一系列指导我们思想运作和实体行动的逻辑。同样的规则理论上也可以被编码并应用到 AI 算法当中。这个方法存在一定的问题，因为原则意义上 (完全严格按照思维规则)的解决问题的方式，和实际解决问题的方式是有很大差异的，往往需要依赖于语义的细微差别。此外，现实当中人类可能在不具备 100% 可行性条件的时候仍然采取某些行为，这些状态下的思维规则可能是不可复制的。 -
理性 Agent
一个理性人的行为总是为了力求在当前环境下达到或取得最好的或者最优的结果。
根据思维规则我们知道，一个个体或实体的行为是依赖于思维逻辑的。但是有些情况下，并没有合乎逻辑的做法或决策，可能会有很多种的结果可以选择，但是需要做出相应的妥协。理性 Agent 就是试图在类似情境下做出最优或者最好的选择，这就意味着它是具有动态适应能力的。
人工智能的基础
打造 AI 系统是一项细节众多的过程，既要对人脑进行逆向工程，又要充分结合计算机的算力，以求超越人类自身的能力。AI 是一门典型的交叉科学，AI 系统需要结合：
- 哲学
- 数学
- 经济学
- 神经科学
- 心理学
- 计算机工程
- 控制论
- 语言学
哲学
哲学可以帮助我们理解我们的行为，以及行为带来的后果，并且有助于做出更好的决策。现代智能体系的构建通过遵循不同的哲学方法，可以使这些系统能够做出正确的决定，像理想人类一样思考和行动。引入哲学的作用就是帮助机器思考和理解知识的本质，建立知识和行为的联系，并通过基于目标的分析来达到想要的结果。
数学
数学是宇宙的语言，任何用于解决问题的系统都离不开数学。就机器而言，离不开逻辑、运算和概率。
最早的算法只是简化计算的方法，然后就发展为定理、假设等，它们都遵循预先定义的逻辑来获得计算结果。而概率用于预测未来，AI 就是基于概率进行决策。
经济学
经济学是研究人们如何根据偏好做出选择的科学。它不仅仅涉及金钱的问题(钱也是人们的偏好在现实世界中表现出来的媒介)，还包含有其他重要概念：设计理论、运筹学、马尔科夫决策过程。理解这些概念，有助于我们理解“理性人”和思维规则，进而构建 AI 系统。
神经科学
神经科学研究大脑功能，而 AI 试图复现相同的东西，显然两者的关系密切。它们之间的最大区别在于，计算机的计算速度是人脑的数百万倍，而人脑则在存储容量和连接性方面具有优势。随着计算机硬件和软件的发展，人脑的优势领域正在逐渐被计算机所追赶，但始终存在的一个问题在于，人们至今还不知道如何利用计算机的资源使其达到人类智能。
心理学
心理学可以被认为是神经科学和哲学的中间领域。它试图理解我们神奇的大脑如何对刺激做出反应并且适应环境，而这对于打造智能系统正是很重要的一点。认知心理学将大脑看作是基于目标和信念进行操作的信息处理设备，这一看法与构建 AI 的思想一致。
目前已有许多认知科学理论被编撰成代码，用于构建聊天机器人算法。
计算机工程
计算机工程显而易见地被应用于 AI，但本文将它放在众多学科之后，目的是让读者了解计算机工程基于什么理论或学科来开展应用。计算机工程将把所有的上述理论和概念翻译为机器可读的语言，以便于机器可以进行计算，并且产生人类可以理解的输出。计算机工程的每一次进步都为建立更强大的 AI 开辟了更多的可能性，这些强大的 AI 无不基于先进的操作系统、编程语言、信息管理系统、以及最先进的硬件设施。
控制论
为了实现真正的智能化，系统需要能够控制和修正自身行为，以期达到理想的结果。理想结果需要被定义为一个目标函数，系统将通过数学计算和逻辑修正来优化行为，不断尝试朝着这个目标函数前进。
语言学
所有的思想都需要依靠语言表达出来，并被他人所理解。语言学促使了自然语言处理的形成，以帮助机器理解人类的语言，使机器以几乎任何人都能够理解的方式产生输出。而语言的理解不仅仅是学习句子的结构，还需要了解主题和语境，这也涉及到语言学当中知识表示这一分支。
人工智能的分类
存在不同的 AI 系统，以满足不同的需求。对于 AI 的分类，有两种思想，分别被称作 Type 1 和 Type 2。Type 1 基于 AI 的发展程度进行分类，认为 AI 可分为三种：
- 狭义人工智能 (ANI, Artificial Narrow Intelligence)
目前常见的 AI 都属于弱人工智能，它们被设计来解决指定的某一个问题或完成某一项指定的任务。望文生义，这种 AI 只具备较为单一的能力，比如为网络购物者推荐产品或预测天气。它们可以在某一个特定场景下达到和人类几乎一致的能力，但是这些场景都是相对稳定受控的，只受少数因素的影响。 - 通用人工智能 (AGI, Artificial General Intelligence)
强人工智能目前仍旧只是一个理论上的概念。它描述的是具有人类水平认知能力的 AI，此类 AI 在较为宽泛的领域(语言处理、图像处理、计算和推理等)都能够表现良好。
我们现在和强人工智能还存在很大的距离，建立强人工智能需要集合众多的弱人工智能系统，并且实现弱人工智能系统之间的通信，在这个基础之上，才有可能具有类似人类推理的能力。而现在，即使强如 IBM 的 Watson 系统，他们拥有世界上最先进的计算机系统，也需要花费长达 40 分钟的时间来模拟神经元 1 秒的活动。Watson 系统的例子，充分说明了人类大脑的巨大复杂性和相互关联性，也说明了利用现有资源构建 AGI 所面临的巨大挑战。 - 超级人工智能 (ASI, Artificial Super Intelligence)
超人工智能更像是科幻电影里面的存在，是强人工智能经过逻辑演化而产生。无论在制定决策、还是绘画，甚至于社交能力等各个方面，强人工智能系统都能够超越人类，具有更强的能力。
一旦我们实现了强人工智能，AI 将能够迅速提高自己的能力，并进入我们甚至做梦都想不到的领域。虽然AGI和ASI之间的差距相对较小（有人说只有一纳秒，因为这是人工智能学习的速度），但我们通往AGI本身的漫长旅程使这似乎是一个面向未来的概念。
当然，基于同样的思想，AI 也被分为强人工智能(Strong Artificial Intelligence)和弱人工智能(Weak Artificial Intelligence)。这一概念最早被 John Searle 提出。两者的核心区别如下：
| 弱人工智能 | 强人工智能 |
|---|---|
| 目标较为单一，应用较为局限 | 目标更多元，应用更广泛 |
| 用于单一任务 | 具有人类水平的智能 |
| 通过监督或非监督学习方式处理数据 | 使用聚类和关联来处理数据 |
| 示例：Siri, Alexa | 示例：先进机器人 |
而 Type 2 则是基于具体的功能对 AI 进行分类。
- Reactive Machines
是 AI 最基础的形式之一。它不具备先前的记忆，不能够利用历史信息指导行为。虽然它是存在历史最悠久的 AI 之一，但是功能十分有限，只能够针对有限的一系列输入做出反应。最典型的例子就是在 1997 打败国际象棋冠军 Garry Kasparov 的 IBM 深蓝计算机。 - Limited Memory
能够利用经验影响未来决策的人工智能系统被称为 Limited Memory。几乎所有的人工智能应用程序都属于这一类。人工智能系统的训练借助于大量的数据，这些数据存储在它们的存储器中，作为未来问题的参考。以图像识别为例，人工智能是在成千上万张图片和标签的帮助下训练出来的。现在，当图像被扫描时，它将利用训练图像作为参考，并基于“学习经验”理解呈现给它的图像的内容。它的精确度随着时间的推移而增加。 - Theory of mind
这种类型的人工智能只是一个概念，需要进一步的发展。它目前被研究用于更好地理解人们的情绪、需求、信念和思想，通过将人类视为思维受多种因素影响的个体，以真正理解人类的需求。人类情绪分析是一个新兴的产业和一个令人充满兴趣的领域，但要达到相当的理解水平需要时间和努力。 - Self-awareness
一种具有自己的意识、智能的 AI 系统。这种人工智能还不存在，但如果实现了，将是人工智能领域中最伟大的里程碑之一。它类似于人脑，可以被认为是发展的最后阶段。创造一个先进到这个水平的人工智能是非常危险的，因为它可以拥有自己的思想，并且可以轻易地超越人类的智力。
打造人工智能的目的
从技术角度来说，打造人工智能的目的是提高人类的能力，帮助我们做出具有深远影响的先进决策。从哲学的角度来看，人工智能有可能帮助人类过上没有艰苦劳动的更有意义的生活，并帮助管理由相互关联的个人、公司、国家组成的复杂网络。
现阶段的人工智能，其作用和过去千百年中所发明的所有工具和技术一样，都是为了简化人类的工作，帮助我们做出更好的决定。但是，人工智能也被吹捧为我们的最后一项发明，这项发明将带来突破性的工具和服务，能够消除纷争、不平等和人类痛苦，彻底改变我们的生活方式。
不过，我们和上述理想还有很远的距离。目前，人工智能主要被企业用来提高流程效率、自动化资源繁重的任务，以及基于数据而非直觉进行业务预测。
人工智能的应用场景
AI 在不同的领域被用来分析用户行为，并根据数据给出建议。例如，Google 的预测搜索算法使用用户历史数据来预测用户在搜索栏中下一步要输入什么。 Netflix 使用用户历史数据来推荐用户下一部可能要看的电影，让用户沉迷于平台并提高观看时间。Facebook 根据用户历史数据，分析图片中的面部特征，自动给出给朋友加标签的建议。类似的科技公司普遍使用人工智能，以优化消费者的使用体验。上述人工智能的应用本质上都是数据处理，其中包括：
- 检索分析历史数据，并进行优化，然后给出最佳结果。
- 基于逻辑链进行 if-then 推理，然后基于给定参数执行一系列命令。
- 模式识别，用于识别数据集中的关键特征。
- 建立概率模型，用于预测未来。
人工智能的优势
毫无疑问，科技使我们的生活变得更好。从音乐推荐、地图指引、手机银行到防欺诈，人工智能技术在这些领域都有应用。但是，一枚硬币总有两面，人工智能也是如此。首先，让我们看看人工智能的一些优点。
-
减少人为失误
在人工智能模型中，所有的决策都是在先前收集的信息基础上，应用特定的算法得出的。设置的精度越高，误差越小。而人类执行任务，总有出错的可能。因此，人工智能可以用来避免这种人为失误。 -
真正意义上 的997
人类没有长时间工作的能力，我们的身体需要休息，每个人平均每天只有6-8小时的工作时间，而人工智能可以不间断工作。 -
适合重复性劳动
人工智能可以有效地自动化完成日常任务，比如发送感谢邮件、验证文档、回答问题。一项重复性的工作，例如在餐馆或工厂里制作食物，可能会因为人类长期感到疲倦或不感兴趣而被搞得一团糟。在人工智能的帮助下，这些任务则可以很容易高效地完成。 -
数字助理
许多先进的组织使用数字助理与用户互动，以节省人力资源。这些数字助理也用于许多网站，以回答用户的查询。聊天机器人也是一个很好的例子。 -
更快地决策
人工智能与其他技术一起，可以使机器比普通人更快地做出决策，更快地执行行动。这是因为在做决定的时候，人类倾向于从情感和实际两方面分析许多因素，而人工智能驱动的机器，它们能快速地提供程序化的结果。 -
理性地决策
人类虽然进化程度很高，但在决策方面，我们仍然受我们的情感影响。而在某些情况下，不让情绪控制我们的思考，快速、高效、合乎逻辑地做出决定十分重要。人工智能驱动的决策完全受算法控制，因此，没有情感决策的余地，这确保了效率不会受到影响，并提高了生产率。 -
应用于医学
人工智能的优势已经在医疗行业的应用当中有所体现。医生现在可以借助人工智能来评估患者的健康风险。放射外科通过人工智能的辅助对肿瘤进行手术，不会损害周围组织，也不会造成任何进一步的损害。它们还可以帮助有效地检测和监测各种神经系统疾病。 -
应用于提高安全性
人工智能有助于保护我们的生命和财产。我们已经可以看到，人工智能正在网络安全领域发挥作用。人工智能彻底改变了我们抵御网络威胁的方式。 -
应用于高效沟通
几年前，语言不通的两个人进行沟通交流还离不开人类翻译的帮助。而人工智能彻底改变了这一局面。自然语言处理（NLP）允许系统将单词从一种语言翻译到另一种语言。Google translate在这一方面取得了很大进步，并且做出了很大贡献。
人工智能的劣势
-
高昂的成本
人工智能与普通软件开发的显著区别在于它们的操作规模。由于规模的增大，所需的计算资源将成倍增加，从而推高了操作成本。 -
人才匮乏
由于它还是一个相当新的领域，缺乏经验丰富的专业人员，最好的专业人员很快被公司和研究机构抢购一空。这增加了人才成本，进一步推高了实现人工智能的价格。 -
缺乏现实应用
尽管显著有大量围绕着人工智能的炒作，但它似乎并没有太多可供展示的东西。尽管诸如聊天机器人和推荐引擎之类的应用程序确实存在，但这些应用程序显然远远不够。这使得很难有理由投入更多资金来推动人工智能。 -
缺乏统一的软件开发标准
当不同的人工智能系统联合起来形成一个更大、更有价值的应用时，人工智能才能显现真正价值。但人工智能软件开发缺乏标准，意味着不同系统之间很难“对话”。这也导致人工智能软件开发本身是一个缓慢而昂贵的过程，这进一步阻碍了人工智能的发展。 -
被滥用的可能
人工智能的力量是巨大的，它有潜力实现伟大的事情。不幸的是，它也有可能被滥用。人工智能本身是一种中立的工具，可以用来做任何事情，但如果落入坏人之手，就会产生严重的后果。在人工智能发展的影响尚未完全被理解的这一新生阶段，滥用的可能性更高。 -
高度依赖 AI
现在，大多数人已经高度依赖Siri和Alexa等应用程序。通过不断接受机器和应用程序的帮助，我们正在丧失创造性思维的能力。完全依赖机器，我们就失去了学习简单生活技能的机会，变得更加懒惰。 -
需要监督
AI 算法运行良好，效率高，能按程序执行任务。然而，缺点是我们仍然需要不断地监督 AI 程序运作。因为虽然这项任务是由机器完成的，但我们需要确保不会犯错误。一个需要监督的例子是微软的人工智能聊天机器人Tay。聊天机器人通过在线对话学习，模仿少女说话。聊天机器人从学习基本的会话技巧，发展到由于网络恶搞而在推特上发布高度政治不正确的信息。
研究学习人工智能的必备条件
作为一个初学者，如果想要研究或学习人工智能，这里有一些基本的条件需要满足。
- 对数学具有一定基础，包括微积分、统计学和概率论。
- 在Java或Python等编程语言方面有丰富的经验。
- 在理解和编写算法方面有一定基础。
- 有很强的数据分析能力。
- 大量的离散数学知识。
- 学习机器学习的意愿。
原文连接：https://imba.deephub.ai/p/56b38e90634611ea83daff02656c39f6
微信扫描关注deephub，获取更多干货文章
