人工智能不只是经验和总结

人工智能始于经验，超于经验

直到现在，还有很多人认为现在的人工智能只意味着对现有知识的经验和总结。其实近年基于深度神经网络的人工智能，在解决问题的能力上早已超出简单的经验和总结，人工智能始于经验，超于经验。

人类智能也是始于经验超于经验

以前的人工智能：在人工智能发展史上，对现有可能性的经验和总结，确实曾经几乎代表了人工智能。这一段如果不想看，可直接跳过，不影响后面阅读。上世纪40到50年代，就已经出现了类似蒙地卡罗算法这样的人工智能算法。蒙地卡罗算法，实际上就是不断列举可能性，然后根据多个可能性的结果得到一个可能性比例，列举次数越多这个可能性比例就越接近我们想要的结果。例如要计算一个圆的面积，蒙地卡罗算法的逻辑，就是在一个正方形（长宽相乘直接得到面积）的取值范围里面，不断随机生成数字，如果数字在圆形范围之内（距离圆心距离小于半径），则被统计为一个可能性。最后根据列举结果，得到在圆形中点数和总的列举次数的比例，就可以得到圆形面积。枚举越多，算出来的圆形面积越准确。这就是经验和总结的思路。

蒙地卡罗方法不断枚举可能性

大数据的意义：实际应用中，经验和总结的不断训练，会不断趋向于现有的真实结果。例如你可以通过统计多少人用右手拿筷子，最终得到一个真实的数量值，也就是最终知道确实有多少人用右手拿筷子，右手拿筷子的人的比例是多少。统计的基数越大，结果越准确，甚至一个城市人口有限，统计一个城市所有使用右手拿筷子的人，就可以得到真正真实的的结果，这也是大数据和统计的意义。

大数据可以还原真实结果

但经验和总结有一个天生的局限性：如果碰到经验从来没有出现过的状况，可能会无法处理。

经验可能无法解决没有遇到过的问题

我们用“让电脑判断一幅图片里面是否有猫”，看看经验、总结的思考方式和深度神经网络的思考方式有什么不同。

经验的思考方式：把十张有猫的图片输入电脑（这个步骤就是训练），当你输入任意一张图片，电脑把这张图片和十张图片进行比对，如果这张图片是十张中的一张，就可以判断这张图片里面有猫。经验的局限性非常明显，需要进行无尽的训练，在这个例子中需要从任何角度，任何远近任何，任何环境下，去给世界上所有猫拍照并输入到电脑。电脑在这些无尽的数据中，匹配你拍到的照片，如果匹配则图片里面有猫，如果不匹配则没有。这种方式解决复杂问题，显然是不切实际，也不可行的。经验可能会在抽象的问题解决上更加有意义，而不是这种具体的复杂的问题。

直接对比判断图片是否有猫

总结的思考方式：图片由多个像素排列而成，把一个图片输入到电脑中，事实上也是把图片所有像素点的rgb数据输入到电脑中。总结的思考方式，可以把任意一个点的特征和附近点的特征进行比对，得到一些统计的结果。但想要得到比较准确的结果，需要做的总结的数量可能非常多，而且可能需要做多个层次的总结。例如既需要对波斯猫做总结；也需要对小花猫做总结；还有猫的表情进行总结。还要从多个层次总结，例如考虑照片中的猫大小不同的总结；拍摄猫的不同部位进行总结；对猫的不同姿势进行总结；还要总结拍照本身可能产生的色差问题、光线敏感问题等等。总结的思考方式，比经验的思考方式更加高级，可行性也更高，但是其复杂性也更高。如果没有人类大脑的参与，这种总结可能会很难实现，即使能实现成本可能也极高。由于其复杂性和成本，解决具体和复杂问题的可行性也不高。

总结判断是否有猫

了解深度神经网络的思考方式，需要先了解深度神经网络的模型是怎么样的？

深度神经网络（DNN），与其说是一种算法，不如说是一种高仿人类大脑神经网络的数据处理模型。深度神经网络也类似人类神经系统一样，有用来计算和判断的神经节点（神经元），而神经节点之间的联系，有不同的权重，且权重可以随着训练不断变化。权重越大，表示两个神经节点的关系越紧密，权重越小，表示关系越疏离。不断的训练，其实就是在不断的强化每个神经节点之间的权重。

深度神经网络原理图

动物神经细胞

深度神经网络的黑箱：图片所有像素点的rgb数据输入到深度神经网络，深度神经网络可以根据图片的点和结果进行训练，以经验训练为基础，训练过程中会由深度神经网络自己对图片不同特征进行分支判断，并在不断判断学习中修正每次判断的权重关系。深度神经网络的黑箱，是解释这个过程的一种理论，人类现在尚未知道在深度神经网络的运行过程的细节，包括每次判断是怎么实现的，或者每次判断到底有什么意义。深度神经网络运行的过程，就好像是一个黑箱一样，我们对黑箱输入数据，黑箱最后给我们一个结果。我们知道这个结果是黑箱经过训练判断后给到我们的，所以我们认为结果是有意义的。而且实践检验后，确实跟人类大脑判断结果比总结的思考方式更接近。

深度神经网络的黑箱

在判断图片里面是否有小猫这个问题上，我们把很多猫的图片给到深度神经网络进行训练，这个过程其实也是吸收经验，所以是始于经验。训练得到的人工智能，我们使用的时候，输入一个图，最终输出给我们的是这个图片里面有小猫的概率。注意，这是一个概率，而不是简单的是或者否。深度神经网络并没有把一个问题说死，而是允许有其他可能性，允许有误差。这个特点就是神经网络可以不断学习不断创造的一个反映，也是人工智能超越经验的反映。

黑箱判断是否有猫

人工智能甚至可以判断是否有动画猫

深度神经网络的超越性在于不仅限于经验：传统的网站上，主要是使用总结的方式来投放广告，也就是说，用户搜索过某个关键词，电脑知道你对这个关键词感兴趣，于是就会不断的向你推送这个关键词直接相关的广告，而且仅推送直接相关的广告。而深度神经网络不通，它会吸收更多可能性，可能会注意到人类没有想到的影响因素。例如它可能会考虑用户这个搜索操作时间点的因素或者年龄的因素，给你推送一些匹配年龄的广告，这种广告超越了你搜索的关键词本身。

人工智能容纳多钟可能甚至创新

在阿尔法狗对战李世石的报导中，有一个被称为“神奇的第37步”，这是人类极少会想到的一步，无论是人类还是人工智能，选择下这一步的概率其实极低。阿尔法狗下这一步的时候，很可能并不是基于人类给阿尔法狗训练的经验，而是考虑到多种因素和后果后做出的创造性判断。

阿尔法狗对战李世石

经验总结和深度神经网络在思考方式上，以及要解决的问题上都是不同的。统计一个城市用右手拿筷子的人数，总结统计的可以得到一个城市用右手拿筷子的人的比例；而人工智能，可以根据一个城市的人对筷子使用习惯，判断一个人是左撇子还是右撇子，判断这个人会用左手拿苹果还是右手拿苹果。也不是说经验总结不能做这些判断，但是经验总结解决这类问题的难度是非常大的，而深度神经网络训练后判断的难度是比较小，而且准确度非常高。

人工智能始于经验，超于经验

使用深度神经网络的人工智能，也基于经验的训练，但比经验能够接受更多的可能性、出现更多创新性，同时解决具体的复杂的问题效率更高。也就是说人工智能始于经验，而超于经验。关注指尖科技说，与您一起感受意识的分量。