分清概念十分重要系列之--说说人工智能中的各种学习

大家都知道，现在要说计算机领域什么最火，估计非人工智能莫属了。

我们看一些人工智能领域的一些科普资料，甚至有一定专业程度的文章，如果不是专业领域的人，都会被各种字眼的学习搞的晕头转向。

比如，我自己之前就分不清人工智能、机器学习、深度学习、神经网络、卷积网络等等，到底有什么区别。

后来，又冒出了监督学习、无监督学习、强化学习、迁移学习、集成学习等，更是迷了眼，到最后，都得自己欺骗自己，反正都是学习就是了。

这是不对的。我觉得还是有必要对它们进行简单易懂的介绍和区分。掌握这些概念的差异之后，再去看相关领域的文章和资料，无论是理解程度和思考深度，都会有提升的。也就是你的收获会更大。而且，分清概念，也算是打基础的基础了。

所有领域都是这样的。比如，学习围棋的时候，我们也是从最简单的规则和概念走起的。什么长、立、断、接，冲、挖、虎、打等等。可见，人类掌握各行各业的本质过程是相通的。

好了，那我们今天就来看看，这些花了你眼的“学习”，到底都是什么鬼。让我们从历史发展过程来总结它们吧。

以前，提到人工智能，大家的感觉是很不智能，感觉这个东西还是存在于将来，存在于科幻中的。怎么说呢，就是提起人工智能，那就是人工智能；说实际生活，就是实际生活。两个是割裂开的。

现在就不是这样了。提到人工智能，人们内心感受到的，不再单单是人工智能这个东西，而是会很自然的将其与实际生活关联起来，这就是巨大的进步和转变。

举个例子。在阿拉法狗之前，提到机器下围棋，大家都觉得，那是小孩子的玩具，不入职业选手眼的。而现在，大家都已经达成了另一种共识，就是人是下不过机器的。

插一句，从这个转变，也进一步的提醒我们自身，连机器都在不断学习，我们人类自身不断的学习更是有必要的。

但是，学习是需要有一定方法的。两个理由：

一是，碎片化的东西，我们称之为信息，而非知识。知识需要成体系。

二是，人类发展过程中，积累了大量知识，现在每往前走一步，都需要付出更多的努力，而且深度越来越深，领域也越来越细分。就是说，越来越复杂了。

基于这两个理由，我觉得掌握一门技能，需要有一个关于这门技能的知识树构建在脑海中。这样至少是成体系的，脉络是清楚的。而上面所说的概念，自然会在这棵树它该有的位置上挂着。

也许每个人看到这棵树的丰富程度不同。科普级别的，可能就是一个大概外形；专业级别的，就会看到更多的枝叶；而专家或者科学家级别的，可能就会看到叶片上的纹理。

但是无论你是什么级别的，大家看到的应该都是同一棵树才对，否则都是自说自话了。这也就是为啥要有统一的概念，目的就是让大家都在一个频道上。

废话不多说，下面就让我们沿着这条路来试试吧。

我们先来看人工智能。大家都能感觉到，这是一个比较泛化的概念，或者说是一个笼统的概念。其实，要更好的理解它，我们需要将其拆分为：人工和智能。

首先，我们看什么是智能。我觉得智能是和我们人本身相关的。粗浅的一面来说，似乎就是聪明程度，当然是跟人来比的。

我们说人是智能物种，不单单是因为我们掌握了语言和文字，掌握了沟通交流以及知识传递的方法，也不单单是因为我们会使用工具，而是在这座星球上，我们是唯一智慧的存在。

举个简单的例子，你是否觉得动物也属于智能物种？更进一步的，三岁的孩子，是否具有智能？对这个问题的认知，决定你是否认为一台机器也具有智能。

显然，这个问题，它并不是有那么清晰的界限的。

图灵对这个问题也有过思考。著名的图里测试，可以看做人类早期系统的对这个问题的思考。说早期，是因为再此之前的，可能更偏向于想象，掺杂了科幻成分。

这里既然提到了，就顺便借用一下想象。想象一下，如果你身边出现了一台机器，能够听懂你说的，能够跟你正常交流，你是否觉得它是智能的？再想象一下，在浩瀚的宇宙中，如果存在一种更高级的智慧生物，他们看我们，就像我们看蚂蚁，那么他们会觉得我们是智能的吗？

所以，这里说的智能，总归是以我们人类为标准的。

其次，这概念里还有另外一个修饰，就是人工。也就是说，这种智能是人力的作用，不是天生具有的。但是，并没有限制它的扩展。

还是类比人类。我们的智能不管是因为进化还是什么途径过来的，总之是天生具备的，也就是出生后，你的大脑就具备智能的能力，然后通过学习扩展能够增加这种能力。机器也一样。当我们人类制造了它后，它天生也应该就具有智能的潜力，不管这种结构是神经网络还是知识库等。同样，也能够不断学习扩展。

这就是人工产生的智能。跟自然天生产生的智能相对应。

事实上，早期还有一个概念，叫机器智能。维基百科上，机器智能被重定向到人工智能，二者被认为是同义词。

其实，我觉得人工智能这个概念比机器智能要好。说机器智能，可能跟早期的认知环境有关系。也许有一天，我们能够将动物大脑改造的更加智能，但同样是人工赋予的智能。这就不是机器智能了，而是另一种人工智能。只不过现在，我们的许多工作还仍然是在物理机器上展开。

从另一个角度来看，机器智能更强调了智能的一种载体。而人工智能，我们把它看做一个整体，不去刻意的强调人工--智能，那么你感觉到的就是一个全局整体的东西。怎么说呢，就是跟人对等的一个东西。这一点似乎只能意会，慢慢感受吧。

关于人工智能这个词，也就是AI（artificial intelligence），最早的来源，或者说它的起源，业界公认的都是1956年的达特茅斯会议。当时参会的一些人物后来都成了这一领域的重量级人物，比如明斯基、麦卡锡、纽厄尔、司马贺等。感兴趣的读者，可以去看看人工智能简史这本书：

好了，让我们把人工智能放到树根上，继续开始这段旅程吧。

当我们展开这棵树时，我们还是需要跟自身进行对比。前面我们已经提到了，当把人工智能看做一个整体时，得到的是跟人对等的一个东西。为了讨论方便，我们就以机器来说明吧。

假设我们旁边有一个真正的人工智能，实体就是人工智能机器人，我们认为它是真正的人工智能，当它：

1 像我们一样，具备获取信息的五感

视觉

听觉

嗅觉

触觉

味觉

2 像我们一样，能够处理获取的信息，形成自己的意识。

如果以此为标准，可以看到，人工智能这棵大树的视觉和听觉分支在蓬勃生长，而嗅觉、触觉及味觉，则发育迟缓，不成比例。当然，这与现有技术的发展是对应的。自然，现有人工智能做出的判断，大都是基于视觉和听觉的。我们将文字符号等信息的输入，也作为是视觉的特例。

再看意识层面这个分支。现有人工智能的感情色彩都是人类赋予的，如果说它们有的话。它对正确和错误的认知，也是人类赋予的。很难说人类的决定是完全客观的，就像我们听到好和坏，我想如果能够用电信号来表征人的反应的话，肯定是不一样的。但是对机器而言，则真正的仅仅是一个符号而已。转换成电信号，可以认为本质上是一样的。所以，机器的意识目前还脱离不了人类的意识。

再回到整体来看，显然，人工智能这棵大树，并没有因为一些枝杈的营养不良而限制另一些枝杈的疯长。即使是这些疯长的枝杈，也不是一路疯长，而是展现了周期律。到现在为止，大概留下了三个历史年轮：

第一个历史年轮是20世纪50年代后期到60年代。这一时期通过计算机的推论和搜索，解决具体的问题。比如代数几何证明，路径搜索，下棋等。但是由于机器的计算性能不够，效果受限。加之并没有解决实际生活中的问题，很快相关的投资就被停止了，第一次AI浪潮就此结束，并进入了20世纪70年代的寒冬。

第二个历史年轮是20世界80年代后期到90年代初，出现了专家系统。这一时期主要利用了计算机的存储能力，给其灌输知识，使其具有智能。相比于第一次浪潮的无法解决实际问题的硬伤，这一时期的人工智能，在这方面取得了较大的进步。但是知识是无穷无尽的，录入知识是一个庞大的工作，而且存在领域受限的问题及怎么才能更有效的在计算机中表示知识。随着这些问题的放大，人工智能再次进入寒冬。

第三个历史年轮是21世纪以来到现在。首先，互联网及搜索引擎的出现，使得知识的获取比以前容易多了。简单理解，我们认为，互联网存储了大量的知识，这些知识可以被方便的获取以及再加工处理。其次，计算机的性能得到了飞速提高。不说大型的高性能计算机，其性能已经不可同日而语，即使是消费型的小型机，其性能也能达到以前大型机的性能。加之互联网、云计算、并行及分布式计算等相关技术的发展，整合机器性能的手段也丰富了许多。这样，以前一些效果不佳的模型，在新的基础设施和大量数据的加持下，取得了瞩目的实用成就。像神经网络这种以前难以施展开的技能，在新的舞台上则大放光彩。

整体上，人工智能不仅留下了历史年轮，还显现了向阳面和背阴面。

不同的人对于人工智能的发展方向有不同的判断。这种走不同路子的结果，就是留下了不同的流派。这里简单提两个：符号派和统计派。

符号派倾向于使用类似人类掌握知识的概念树结构，使机器具有智能。这一派目前来看，处于背阴面。

而统计派，则倾向于利用大量数据的学习来获取规律，做出判断。这一派目前是处于向阳面的。

要说哪一派能代表真正的人工智能，我倒觉得大家互为补充更好一些，而不应非此即彼，毕竟都是这棵大树的一部分。

说完人工智能，我们就来看学习。

虽然我们总在讲人工智能，但是现实中，更多的还是在机器智能这个范围内活动。随着技术的发展，现今，通过学习，使机器变得智能，在实际应用中越来越流行。这个流行，表示了两层意思，一个是越来越行得通，因为数据可以轻易获取，计算性能又足够；另一个是越来越有效果。这样二者的相互促进，就形成了良性循环。

通过学习，让机器具有智能，这种学习就是机器学习。学习的是什么呢？学习的是事物的特征和规则。这听着可能有点抽象。

举个例子，如何让机器识别图片中的动物？只要让机器学习动图的各种特征，再根据特征做出判断即可。猫有猫的专属特征，狗也有够自身的特征，总有一些差异，能够将二者区分开来，这就是要学习的内容。

显然，机器学习也是一个很泛的概念，所以，它应该在人工智能这棵大树的一个粗干上。

我们知道，人一辈子都在学习，每个人都有自己的学习方法。有的人擅长诵记，有的人擅长理解。机器学习，也有不同的方法，目前可以分为三类，分别是：

监督学习

无监督学习

强化学习

监督学习，简单说，就是给机器的数据都是打了标签的。比如前面的让机器识别动物，那么学习过程中，给机器一张动物的照片时，就要告诉机器，这是什么动物，猫还是狗。

通过监督学习，我们一般用来解决两类问题：

分类问题

回归问题

分类问题，简单说就是让机器判断输入的数据应该归为哪一类。是猫还是狗，就可以归为这一类。

回归问题，简单说就是获得能够解释数据的线，然后对数据的趋势做出判断。比如根据历年降水量预测今年的降水量。历史数据可能是一条直线或者曲线，新的数据我们认为也是在这个直线或者曲线的延长路径上。

无监督学习，就是不告诉机器正确答案，让机器对数据正确分类。其实，生活中有些事也并没有明确的正确答案，此时，就该无监督学习施展抱负了。

比如，判断一个人的兴趣爱好。有些人喜欢阅读科幻小说，有些人则喜欢历史小说，这其中并没有对错之分，但是浏览各种科幻小说和浏览各种历史小说的人，是具有一些特征的，此时，通过机器学习，可以将他们正确的聚类。经典的聚类算法k-means算法，就是做类似这样的事情的。

我再来看强化学习。强化学习就是通过奖励和惩罚，让机器不断学习的。这跟训练猴子表演类似。

一开始，机器处于茫然无措的状态，然后随机行动。之后，通过不断的投喂、试错、奖惩，机器则通过规避惩罚，追求奖励，不断强化学习成果。

上面这三种都是大的方向，每一类下面，可能有多种具体算法。所以，他们都是机器学习粗干上的大分支。

下面我们就进一步来看看一些具体的机器学习算法：

神经网络：神经网络是模拟人类大脑工作而设计的一种机器学习算法。神经网络出现的很早，上个世纪就已经展开了很多相关研究，但是成名却是进入21世纪后的事了。

神经网络的存在是很自然的一件事。既然要智能，那最直观的方法就是研究我们大脑的工作机制，并加以模仿，不就可以了。但是，神经网络却是在近十几年流行，那是因为数据和机器性能的限制，导致早期的成果不明显。当然，近期的流行，也不排除算法本身的改进，比如反向传播算法等。

基于大脑机制的探索，人们提出了神经元模型和感知机。通过结合神经元模型及感知机，人们构造了神经网络。典型的神经网络由三层构成，包括输入层，隐层以及输出层，如下图：

关于神经网络的结构和计算的一些粗浅理解，可以参考我的另一篇博文：

管中窥豹--机器学习之我见_龙城赤子的博客-CSDN博客

神经网络在图像识别上取得了巨大的成功。特别是深度学习的使用。那么深度学习又是个什么鬼？提到深度学习，就不得不提辛顿--深度学习之父，以及2012年的图像识别竞赛ILSVRC。通过采用深度学习算法，在有限的样本空间中，辛顿领导开发的Super Vision取得了很高的正确率。

那么深度学习到底是什么？深度学习指得是多层（4层以上）的神经网络。我们也可以理解为深层学习或者深度神经网络。

这里的深，应该不仅仅是层数深，还有因为层数深带来的其他深，比如信息分解的深。简单理解，我们就认为它是层数深好了。

深度学习又有好多种学习方法，典型的有

卷积神经网络CNN

循环神经网络RNN

玻尔兹曼机

这些概念就有点深奥了，待进一步学习后再总结。至此，神经网络这个分支又扩展丰富了。

除了神经网络和深度学习，其他比较常听到的机器学习算法还有：

迁移学习

集成学习

迁移学习笼统说就是将在大数量上学习到的东西，应用到小数据的目标领域上去，实现举一反三，触类旁通。网络上有一个例子，就是通过研究全球夜晚的灯光亮点指数，对非洲贫困区域做出判断。

集成学习，顾名思义，就是利用多个学习方法，结合它们的学习成果，达到最终比其中单一学习器更优的效果。有点像集体决策，或者说集大成者。

这些学习又该挂到那个枝条上呢？如果不好找到，就单独分给它们一个好了。或者，我们大脑中构造的是一棵立体树，从不同角度或者维度看过去，看到的是不一样的画面。就比如前面说的向阳面和背阴面。

我们继续。在人工智能的发展过程中，学习模仿自然生物模型，一直是重要主题。通过模仿大脑工作机制，提出了神经网络模型，进而产生了深度学习。通过学习生物进化论，提出了遗传算法。这也是人工智能的一大模型。今天的强化学习就跟这种模型有着很大的关系。这是从模型本身的角度做了一个分类路径。

关于机器学习的各种算法，感兴趣的读者，可以去看看周志华老师的西瓜书：

今天的整理就到这里。最后再总结一下：

人工智能   机器学习   神经网络   深度学习

机器学习：无监督学习、有监督学习、强化学习

人工智能模型：专家系统、神经网络、遗传算法

其他还有许许多多的学习方法和策略，都是机器学习大家庭的一部分。具体可参考西瓜书。