2017-8，从21届机器人世界杯到人工智能

第21届机器人世界杯

机器人世界杯是97年开始在名古屋办的，目标是相当有意思的，就是希望在2050年前，能够制造出战胜人类足球世界冠军的机器人队伍。今年是第21届，又回到名古屋。
现在这项比赛的影响力无疑在扩大，中国的大学取得了相当棒的成绩。
值得一提，会场有很多孩子，因为是在日本举办，但不只有很多当地小朋友，还有很多国内的孩子也去了，都在积极参与。说到这个，不得不提到STEAM，这个steam不是指那个游戏平台，而是一个综合教育的概念，每个代表一个学科，即：S：科学（Science），T：技术（Technology），E：工程（Engineering），A：艺术（Art），M：数学（Math）。如果掌握了这些，又可以综合运用的话，孩子们是否就可以解决自己在未来面对的所有问题呢？
乐观的说，在steam这样的综合教育下，孩子还会惧怕困难么？恐怕只有困难才会让他们更兴奋，更能大展身手，会有使用自己学来的东西去克服苦难，甚至改变世界。孩子天生都是好胜的，从他们爱玩儿游戏比如王者农药就可以看出来，他们不怕挑战，他们怕枯燥，怕无聊，怕自己的能力被束缚。而机器人教育似乎可以打破传统。似乎从这个方面来讲，我内心对教育有了更大的期待，但仅仅这就够了？恐怕并不，我不能让自己局限在这，恐怕人工智能可以在教育领域也有突破，坚定了我继续学习数学和计算机的想法。
机器人就一定要人的外观？这恐怕也不是必须，只要更好的实现功能，何必拘泥于外形，比如两个轮子稳定还是四个轮子稳定？当然是四轮。
只要不拘泥于这一点，我觉得机器人的未来就有了无限种的可能。就像机器人世界杯的足球赛，上一篇文章讲到，人类比动物强在强大的协同能力，三个要素还记得么？规模、复杂度、实时协同能力。那么可以说参加一场比赛的一队中的机器人是绝对理性的，所以他们可以做到完美的实时协同，规模不大，复杂度一般。所以你们也看到了，发明机器人，一是人类要证明科技的进步，二是要在商业领域的应用（要赚钱嘛），三是在很多工作中取代人类（提高效率）。期待机器战胜人类足球的那一天吗？我是不期待。。。。
就像现在小型机器人的协同在商业中的应用甚至基本做到量产，比如物流机器人，分拣货物已经取代人工了。所以小型机人应该会最先迎来爆发。

人工智能（Artificial Intelligence）

人工智能，只是广义上的称呼，从狭义上分为强人工智能和弱人工智能。
基本大众口中的人工智能都是指弱人工智能。
强人工智能：指的是人造机器有自主意识和智能性。（相当于所有方面和人类基本一致。）
弱人工智能：指的是人造机器在某一方面有智能性。（强化某一方面的智能）
当AlphaGo战胜柯洁，预示在围棋领域，不可能再有人类战胜它了。也仅仅只有围棋领域。但是，凡是说人工智能马上要超越人类的，其实都是胡扯。人类都不知道自己有多复杂，就说我们自己创造的机器可以超越我们，是不是有点过于夸大其词了？
先来讲讲人工智能的概念，并不难懂：
总结起来一句话，就像教小孩做事情。
比如你教它认识什么是小狗，你就给它一张一张的各种动物的图片，每放一张就用机器懂得语言告诉它是不是，当他看完无数组照片后，他那里就有一个储存之前这些学习过程的信息，他自己会生成（算法）一个判断小狗的模型（函数），到最后你再给它一个新的动物，他就会根据模型来给你结果。
人工智能三个特点：
1、数据，放在这个例子里就是那些数不清的动物图片。
2、算法，处理那些图片，并生成模型函数的数学方法。
3、计算能力，既然有2的算法，并且你可以想象到2那一步里面要处理多少数据，你就可以清楚为什么人工智能这么需要运算数据。
来讲讲AlphaGo。它战胜柯洁用的是一种叫DeepMind（深度学习）的算法，就是由DeepMind公司开发。这个公司的创始人是戴密斯·哈萨比斯，大牛人，这哥们儿给公司的口号是“首先解决只能问题，然后用只能解决一切其他问题。”如果你感兴趣可以去搜一下。
这些人工智能就是要训练的，类似上面给人工智能放动物图片就是一种训练。DeepMind的原型：用计算机模拟人类大脑。上世界80年代一个人就开始研究用计算机系统架构来模拟人类大脑，就是我们今天说的深度学习的原型，这个人是Geoffrey Hinton教授。由此你也可以感受到，深度学习由来已久，并且这个教授现在不年轻了。让深度学习崛起的有两个人，google大脑的创始人吴恩达教授，他发现了深度学习需要强大的计算能力，所以他找到了英伟达的GPU（Graphics Processing Unit，图形处理单元），使得计算能力提升了上百倍。（英伟达股票大涨的原因？哈哈）
另一个人也是华人，李飞飞，她建立了一个图像识别资料库。而且这个库里的所有图像都是标注过的。就是如果图里有山就睡标注出山。
标注是什么？还记得我说的人工智能就是训练孩子吗？刚才认狗狗那个例子，你要给机器说这个动物是什么啊。类比我们的学习，学习是有考试的，考试的意义不就是看你是否掌握吗，这就叫反馈，没有反馈怎么能叫学习。所以某些训练人工智能的核心就是有监督学习。比如微软曾经把自己开发的人工智能扔到网络里不管它，结果它学了一大堆脏话。。。。。。
当然也还有无监督学习，这要区分情况，比如淘宝检测人们点击商品的习惯来判断用户喜好的机器人，这种分析用户行为的人工智能并没有对错，所以弱人工智能的分类可以很细很细。
对于产业，以前软硬件是问题，软件就是方法，硬件就是能够使用这个方法的东西。如吃饭，会使用筷子就是软件，饭就是硬件。如做数学题，会知识就是软件，题就是硬件。如骑摩托，会骑这个技能就是软件，摩托就是硬件。只有如何运用在自己行业才是新的思考。
Google 开源了自己开发的人工智能系统，TensorFlow。大大降低了应用的门槛。开发者可以把复杂的数据传输到人工智能神经网里进行分析和处理系统。基于Google这样的科技先锋用一个开源平台大大降低了算法难度。而现在硬件比如GPU，并不是问题，
那么基于数据，算法，计算能力这三个特点，最重要的无疑就是数据了，只有数据和行业经验才可以形成壁垒。