AI思维学习

人工智能是毁灭人类的怪兽，还是解放人类的福音，要回答这个问题，我们如下几个方面来讨论。

智能模型

什么是智能？

智能从自然或在人工环境中感知和解析信息,提练知识并运用于自适应行为的能力。

实现人工智能的两大基础假设

1、人类的思考过程可以机械化

2、机械化的思考可以用工程实现

形式推理可以将人类思考的过程机械化，而神经学、信息论、控制论的发展又要以将机械化的思考用工程实现。

如何判断机器拥有智能

科学家图灵的定义,让一台设备和一个人在后面跟你做文字交流,如果你判断不出跟你交流的是一台设备还是一个人，哪我们就不妨假设这个设备就获得了人工智能。

人工智能经历的三个黄金阶段

第一阶段:1960~1970 年

二十年内,机器将能完成人能做到的一切工作  --H.A.Simon

在三到八年的时间里我们将得到一台具有人类平均智能的机器 --Marvin Minsky

但是,人们低估了短期的困难，主要休现在，模型局限、算法局限。

第二阶段:19780~1987年

专家系统获赏识,"知识处理"成为了主流AI研究的焦点但是,专家系统成本高，只针对具体的应用。

第三阶段:当前

由于数据优势，网络效应；软件优势,算法提升；硬件优势,计算能力大幅提升。

引起现在的第三次人工智能复兴,但是，人工背后的理论范式没有突破!机器学习只是技术的胜利。

因此,人工智能的目标应重新评估,应避免"文艺的魔幻的AI",而是通过工程的思维的方式，寻求具体功能上的技术与应用突破,这样靠谱、有用、可用的AI才能真正改变我们的世界。

机器学习

学习，主体对客观世界的认识和反馈模式程序化。

人类学习什么，对客观世界中的变化进行预测的规则,对客观世界中变化进行操纵的方法。

人类如何学习,思维模型+刻意练习。

机器如何学习，构建训练模型+输入数据训练。

机器学习=模型+算法+数据+设备

机器学习流程

机器学习的效果来自

一、更好的模型（架构、激励函数、损失函数、规模）

二、更好的算法(更准确、更快速的收敛)

三、更好的训练数据

其上机器学习的方法有很多，其中"深度学习"最为热门，深度学习是在"卷积神经网络中"，将感知的过程通过多个层次的网络来分级进行，在层次足够多的情况下,可获得非常接近现实的结果，深度学习在人脸识别、语音识别上都通够达到很好的效果。

同时,深度学习过多的层次,也使过程与目标之间的关系变的不哪么直接,因此对于深度学习过程中的调整就像一次无规律的试错实验，同时过多拟合，造成新的系统对于新的信息无法正确处理，造成深度学习存在如下问题

一、边界的正确性

二、模型的可用性

三、随机性带来的方差

因此机器学习的进一步发展，应该建立在规则、原理的探索之上，必须具有如下特点

一、可以全面的分析和表征

二、能借用人类先验知识

三、能很好的泛化,并适用各种数据和域

四、能自主、自动的运行

五、能被人类理解,感知、解释、重复

人工智能主要技术要素如下图

AI工程

为什么要进行机器学习,因为很多人不能干，也不该干的活需要机器来干，如

一、维基百科 1300万维基页面处理

二、fackbook 5亿用户数据分析

三、flickr 36亿图片分析处理

四、YouTube 每分钟上传24小长的视步处理

五、坑爹臃肿的传统代码无法解决这些问题

机器学习的作用

一、语音识别

二、信息搜集

三、演化

四、游戏

五、运筹

六、机器视觉，从图像感知到视觉推理、精准医疗、智能监控。

七、机器人控制，物体识别、物体分类、转弯角度预测等。

机器学习的任务需要从表面的感知到深入的理解,从确定性的延升到非确定性。

因此需要工程化的思维，将单一的感知和决策算法与环境相结合，组装成能与环境交互的AI工程。

通过标准化、模块化构建的AI工程，能够自动适应新的数据、新的任务。跨越复杂的鸿沟,成为传统编程的第二曲线。

这种跨越不仅仅是技术的进步，而是思维方式的颠覆，用自我优化学习系统取代僵化的标准执行程序，让机器从执行人类指令的工具升级为协助人类思考的外脑。

只有通过这种思维转化，才能从复杂的世界中灵活适应，迎接不断出现的新挑战。

人机协作

人工智能会取代人类吗？

我们需要理解机器学习的能力和边界。

机器学习擅长执行确定性、单一性，重复、迭代的大数据任务。

但无法自主解决非确定性、复合型的任务。

也无法从小数据出发，经过常识生推理，做出复杂的决策。

如何将机器学习的工具适应于不同的场景、不同的问题和不同的部署环境，需要人类做为架构师，用系统化思维、工程化思维将机器学习的百宝箱整合成可用、有用、好用的工业化应用，而不是不实用、不兼容、不可重复的手工化玩具。

人工智化并没有价值观，但是人的价值观会决定人工智能的后果。必须用谦虚谨慎的态度、系统工程的思维将机器学习用于具体的任务和场景，才能实现人机协作，迈向更美好的明天。

研发的思路、机遇和未来

现状

一、现今人工智能解决方案,基本是一次性的、手工作坊式.

二、每一个行业都在经历繁琐且备受局限的专业化订制化

三、价格高昂

四、可复制性差

五、维护困难

六、难以接口与使用

七、人才短缺

架构标准化的装配线、高效能的人工智能程序

一、现成的设计,让企业在人工智能架构上领先

二、含人工智能指令集

三、具可重复性、透明化、可扩展性、稳定性

人类恐慌的原因

一、对人工智能原理不理解而导致恐慌

二、为个人名望而宣杨人工智能威胁

三、为了商业利益推动人工智能威胁

人工智能无法做到的

一、人类有主动提问的好奇心

二、人类有想象的能力

三、每个婴儿都是从小数据训练成长的。

四、机器学习依然需要人工架架构和调教。