不懂AI的产品经理不是一个好老师---1 AI基础知识

这是AI+教育的入门科普文系列第一篇，敬请不要期待第2/3/4篇。

作为一个物理老师，一个PM或者说一个硬件工程师，我学过约40小时的AI知识，总计10本书+10多个网站+2个不同背景的人闲聊，在AI+教育领域尚在入门阶段，欢迎各路大神来揪其中的不靠谱，一起UP。

AI是个啥？

是个啥呀是个啥？曾经有个老师说是机器学习，攻城狮老公说是概率，两种说法都叫我将信将疑，囫囵整合下，我理解的AI，或者说人工智能是：

在给力的计算芯片上，算法通过“学习”数据，完成自我进化，形成模型，通过模型让相关联的东东达成一定概率的匹配，最终达到模拟、延伸或扩展人的智能的目的。

比如说，在一次远程公开课上，王老师不仅仅需要给台下的30个小学生讲课，还要通过智慧屏远程连接山村里的50个孩子，他是第一次给村里的孩子上课，却能够叫出每个孩子的名字，因为通过学习海量有批注的数据，算法完成了自我进化，构建出一个模型，通过该模型，它将视频中的人像和数据库中的数据做对比，实现了视频中孩子和姓名的匹配，王老师可以在教室里的大屏上看到孩子和他们的姓名。

提到人工智能，我们常常绕不开如下关键词：

其中机器学习是人工智能的一种途径或子集，也是人工智能的核心，它从数据出发，通过复杂的算法和运算能力，寻找一切数据背后的规律，它强调的是数据的学习。简单的机器学习算法的性能，很大程度上依赖于人为给定数据的特征，比如说猫，它的特征有长着毛茸茸的毛、顶着一对三角形的的耳朵等，特征的选取决定了机器学习的效果。

而深度学习算法可以自己提取数据特征。

总之，人工智能是技术，是工具，也是新的产品设计思维逻辑。它有三个要点：算力、算法和算据。

1 算力

也就是说计算能力，这种能力用于支持机器学习的训练和推算环节，其中推算环节根据芯片的位置，又可以分为云端推断和设备端推断。

根据定制化程度，人工智能芯片又被分为通用芯片、半定制化芯片和全定制化芯片三种。

①通用型：CPU、GPU、TPU等模块阵列，它们可以处理几乎所有类型任务，价格相对较高且运算速度相对较低。

②半定制化：FPGA（Field Programmable Gate Array）可编程门阵列，是一种集成大量门电路和存储器的芯片，可以通过配置文件来定义门电路及存储器间的走线，从而实现特定功能。其本质是用硬件实现软件算法。针对小计算量、大批次的计算，性能优于GPU，另外它有低延迟的特点，适合在推断环节支撑海量的用户实时计算并发请求。

③全定制化：ASIC（Application Specific Integrated Circuits）应用专用集成电路，是为专门目的而设计的集成电路，设计成本高，周期长，但运算效率高，功耗小，量产时，单个芯片的造价低。

结合FPGA和ASIC的特点，在实际应用时，我们可以先将芯片原型以FPGA形式做出来，在市场中进行充分的测试和调整，然后再进行ASIC生产。

2 算法

算法是指解决方案的准确而完整的描述，是一系列解决问题的清晰指令，它代表着用系统的方法描述解决问题的策略机制。

有一个与之容易混淆的名词叫“模型”，它是指通过数据对算法进行训练后生成的“中间件”，当有新的数据输入时，有相应的结果输出，它和算法的关系如下：

①根据模型训练方式不同，算法可以分为如下几类：

监督学习可以用于识别图片中的动物是猫还是狗，训练集中的图片要包括明确的猫或狗的标签；而无监督学习的训练数据没有标签，比如说在搜索引擎中，借助无监督学习将来自不同类型网站的相似的网页聚类在一起；半监督学习是是在无监督学习中混入一些有标签的数据，其本质上更接近人类的日常学习，可以获得更好的模型质量。

强化学习是让计算机通过不断尝试，从反馈中学习如何在特定的情景下，选择可以得到最大回报的行动。应用案例如AlphaGo，通过让计算机不断下围棋的过程中进行打分，不断更新行为准则，最终掌握下围棋的技能并得到高分。

深度学习本质上是让计算机用层次化的概念体系来理解和学习，每个概念通过相对简单的概念之间的关系定义，进而实现通过简单概念学习复杂概念。它借鉴了脑神经科学的实现手段，但与人脑差距很大：人可以从少量样本中总结规律，而深度学习对数据的量、数据的特征维度和特征在空间中的分布情况等条件都有较高的要求。

通过深度学习可以替代手工获取特征。典型的应用如电商平台的商品推荐引擎，社交网络平台向用户推荐他关心的新闻、电影、可能需要的专家建议等。

迁移学习是把已经训练好的模型参数，迁移到新的模型上帮助新模型训练的学习方法。

②根据要解决的任务算法又可以分为：

二分类，也就是说二选一任务；

多分类，如视觉识别、手写识别；

回归，用于预测具体的数值，如预测明天的温度、湿度、PM2.5指数等；

聚类，如社交软件根据用户的兴趣爱好以及在线行为数据对人群进行划分；

异常检测，对数据中存在的不正常或非典型的个体进行检测和标记。

选择算法时，我们需要在选择算法之前分析一些因素，减少算法选择的范围，需要考虑：

（1）数据量的大小、数据质量和数据本身的特征。

（2）具体业务场景中要解决的问题本质是什么？

（3）可以接受的计算时间是什么？

（4）算法的精度要求。

3 算据

随着计算资源、开放训练平台的使用门槛越来越低，算力将成为如水电煤一般的基础设施，而算据对行业的纵深度要求极高。未来，数据无疑将成为人工智能领域的竞争壁垒。

而提到数据，不得不关联到热词“大数据”，第2篇的主题是“教育大数据”：

大数据的“4V”是什么？

教育数据从哪里来？

又该如何收集处理它们？

...

敬请不要期待。