作者：王天一
一批人認(rèn)為可以通過模擬大腦的結(jié)構(gòu)（神經(jīng)網(wǎng)絡(luò)）來實(shí)現(xiàn)，而另一批人則認(rèn)為可以從那些簡單生物體與環(huán)境互動的模式中尋找答案。他們分別被稱為連接學(xué)派和行為學(xué)派。與此相對，傳統(tǒng)的人工智能則被統(tǒng)稱為符號學(xué)派。自20世紀(jì)80年代到90年代的十年間，這三大學(xué)派形成了三足鼎立的局面。
人機(jī)大戰(zhàn)是符號主義學(xué)派人工智能的標(biāo)志性應(yīng)用。
連接主義學(xué)派并不認(rèn)為人工智能源于數(shù)理邏輯，也不認(rèn)為智能的關(guān)鍵在于思維方式。這一學(xué)派把智能建立在神經(jīng)生理學(xué)和認(rèn)知科學(xué)的基礎(chǔ)上，強(qiáng)調(diào)智能活動是由大量簡單的單元通過復(fù)雜的相互連接后并行運(yùn)行的結(jié)果。
連接主義學(xué)派最主要的成果是人工神經(jīng)網(wǎng)絡(luò)技術(shù)。
但連接主義學(xué)派依然面臨著難以解決的問題：科學(xué)家們雖然會向大腦學(xué)習(xí)如何構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，卻根本不清楚這些神經(jīng)網(wǎng)絡(luò)究竟是如何工作的。智能仍然躲在黑盒子里，深藏不露。
行為主義學(xué)派的出發(fā)點(diǎn)與符號主義學(xué)派和連接主義學(xué)派完全不同，他們認(rèn)為人工智能源于由美國數(shù)學(xué)家諾伯特·維納（Nor-bert Wiener）建立的全新學(xué)科——控制論。
根據(jù)感覺同態(tài)原理，事物性質(zhì)（或質(zhì)的定性）由此而產(chǎn)生的模糊性、非單調(diào)性和矛盾性等各種不確定性，不僅要同態(tài)地映射到人的感知記憶集中，而且，要在人的各種思維活動中反映出來。也就是說，所謂人類思維與智能的各種不確定性，實(shí)質(zhì)上只是事物性質(zhì)（或質(zhì)的定性）的各種不確定性的表現(xiàn)而已。
進(jìn)化是個(gè)修補(bǔ)匠，而不是工程師?？烧切扪a(bǔ)匠的縫縫補(bǔ)補(bǔ)，補(bǔ)出了宇宙中最令人嘆為觀止的智能奇跡。
驗(yàn)證碼的出現(xiàn)恰是人類智能絕妙的體現(xiàn)：識字的小朋友都能完成的任務(wù)，迄今為止卻沒有任何計(jì)算機(jī)算法能夠做到。
學(xué)習(xí)、歸納與推理 ——這才是人工智能。
選擇性注意機(jī)制的生理學(xué)基礎(chǔ)是模塊化的層次結(jié)構(gòu)和分布式表征。
智能是主體在各種各樣的紛繁復(fù)雜的環(huán)境中實(shí)現(xiàn)目標(biāo)的能力。
得到的結(jié)果就是通用歸納模型和序貫決策理論的結(jié)合。通用歸納將歸納轉(zhuǎn)化為預(yù)測，而預(yù)測的關(guān)鍵是對數(shù)據(jù)的建模或編碼表示，預(yù)測的精度依賴于對模式的掌握程度。諸如分類、類比、聯(lián)想、泛化等與智能相關(guān)的要素，都可以被廣義地理解為對模式的追求，對計(jì)算機(jī)而言則是找尋最優(yōu)編碼。但找尋最優(yōu)編碼的過程無法通過解析方式執(zhí)行，只能通過試錯(cuò)不斷逼近。其核心是用可控的主觀概率代替未知的客觀概率，不同的主觀概率則來源于對描述客觀世界的不同算法的反向推演。
歸納是一個(gè)不斷試錯(cuò)的學(xué)習(xí)過程，算法概率使得我們可以根據(jù)經(jīng)驗(yàn)不斷修正信念、逼近真實(shí)的客觀概率，再借助序貫決策理論。
幫助我們追逐效用，能夠自動適應(yīng)各種可能環(huán)境的超級智能體就橫空出世了。
深藍(lán)的核心在于”算”：利用強(qiáng)大的計(jì)算資源來優(yōu)化目標(biāo)函數(shù)。
它使用了兩個(gè)各司其職的神經(jīng)網(wǎng)絡(luò)：策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)。
如果說策略網(wǎng)絡(luò)關(guān)注的核心是“知彼”，價(jià)值網(wǎng)絡(luò)關(guān)注的就是“知己”：在當(dāng)前的局勢下，我下在哪個(gè)位置能得到最大的勝算。
最初的一步 ——模式識別。
模式空間。
特征空間。
關(guān)于神經(jīng)網(wǎng)絡(luò)的作用，在國外的問答網(wǎng)站Quora上有非常通俗的描述：如果你去買芒果，但又不知道什么樣的芒果最好吃，最簡單的方法就是每一個(gè)都親口嘗一嘗，吃完就知道個(gè)頭大、顏色深的比較好吃，再買的時(shí)候選這種就行了。要是把這個(gè)方法套用到計(jì)算機(jī)上，讓計(jì)算機(jī)“嘗”一遍所有芒果，它就能夠總結(jié)出關(guān)于芒果好吃判斷標(biāo)準(zhǔn)的一套規(guī)律。有了這套規(guī)律后，一旦把新芒果的特征輸入計(jì)算機(jī)，計(jì)算機(jī)就能夠根據(jù)已有規(guī)則判斷出芒果的好壞，豈不美哉。
神經(jīng)元的實(shí)質(zhì)就是分類器，它把由所有輸入信號構(gòu)成的空間一分為二，兩邊的元素分別屬于不同的類。
人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)本質(zhì)是一種特殊的有向圖，這個(gè)有向圖可以由一層或多層節(jié)點(diǎn)組成，每一層的節(jié)點(diǎn)都通過有向弧指向上一層的節(jié)點(diǎn)，每一條有向弧都用一個(gè)權(quán)值來描述，同一層的節(jié)點(diǎn)之間則并無連接。
人工神經(jīng)網(wǎng)絡(luò)的質(zhì)量由三個(gè)要素決定：網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)函數(shù)，訓(xùn)練數(shù)據(jù)的質(zhì)量和完備性、訓(xùn)練方法的合理性。
深度學(xué)習(xí)又被稱為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network），其基礎(chǔ)也是人工神經(jīng)網(wǎng)絡(luò)，“深度”則體現(xiàn)在神經(jīng)網(wǎng)絡(luò)的層數(shù)以及每一層的節(jié)點(diǎn)數(shù)量。
深度學(xué)習(xí)從原始自然信號中提取特征完成任務(wù)的過程是個(gè)“黑盒子”，缺乏可解釋性，類似于哺乳動物的低級認(rèn)知功能。
從工業(yè)時(shí)代到信息時(shí)代的轉(zhuǎn)變，是從機(jī)械思維到數(shù)據(jù)思維的轉(zhuǎn)變。
所謂機(jī)械思維，是指建立在思辨的邏輯推理基礎(chǔ)上的思維方式。
20世紀(jì)初量子力學(xué)的誕生與發(fā)展迫使人們接受了微觀世界這個(gè)全新的觀察視角，同時(shí)也不得不承認(rèn)不確定性才是世界的本質(zhì)。
消除不確定性的唯一方法就是引入信息。
而大數(shù)據(jù)的出現(xiàn)，意味著信息時(shí)代最有力的工具已經(jīng)悄然到來，更意味著信息時(shí)代的下一次進(jìn)化。
大數(shù)據(jù)是指以容量大、類型多、存取速度快、應(yīng)用價(jià)值高為主要特征的數(shù)據(jù)集合。
大數(shù)據(jù)的出現(xiàn)顛覆了原有的認(rèn)知模式：認(rèn)識事物的方式變成了先尋找相關(guān)關(guān)系，再尋找因果關(guān)系。
在大數(shù)據(jù)時(shí)代，只要知其然就已經(jīng)足夠了。
情感、直覺和情緒并不是與智能不同的東西，而只是另一種人類特有的思維方式。情感是先于理智存在的，人工智能只有智力，沒有情感，不是真正的智能。
人類的情感，就是人類主體對于客觀事物的價(jià)值關(guān)系的一種主觀反映。
人們猛然醒覺人工智能的發(fā)展離不開神經(jīng)科學(xué)與心理學(xué)，下一個(gè)技術(shù)突破必將來源于對情感和情緒的了解，這無疑是現(xiàn)有人工智能的瓶頸。
所謂情感計(jì)算，意在通過賦予計(jì)算機(jī)識別、理解、表達(dá)和適應(yīng)人的情感的能力，來建立和諧的人機(jī)環(huán)境，并使計(jì)算機(jī)具有更高的、更全面的智能。
這也是為什么我們?nèi)匀徽嬲\地相信，創(chuàng)造性和想象力將會是人類最后的陣地。
人工智能會誘導(dǎo)人自愿放棄思考的權(quán)利，用種種潛在的鎖鏈塑造出一條看不見的流水線，用數(shù)據(jù)和算法生產(chǎn)出一個(gè)真實(shí)的“人”。
它如此事無巨細(xì)地影響著我的生活體驗(yàn)，會不會有一天變成由它來決定我喜歡什么。我想我們都希望能做智能的主人，而不是智能的奴隸。
1993年7月5日的《紐約客（New Yorker）》上配發(fā)的題為“在互聯(lián)網(wǎng)上，沒人知道你是條狗！”的漫畫，成為對網(wǎng)絡(luò)空間虛擬性的絕妙嘲諷。
虛擬現(xiàn)實(shí)通過欺騙我們的大腦，進(jìn)而控制我們的意識。一旦進(jìn)入這個(gè)虛擬的世界，你就會身不由己地被它操作。
人類通常會把一個(gè)句子視為整體，即使對其進(jìn)行拆分也并不簡單地依賴字詞，而是根據(jù)邏輯關(guān)系進(jìn)行處理。這使得人類翻譯非常靈活。
即通過學(xué)習(xí)一個(gè)非線性投影函數(shù)，把圖像空間投影到特征空間中。在這個(gè)特征空間里，跨年齡的同一個(gè)人的兩張人臉的距離會比不同人的相似年齡的兩張人臉的距離要小。
降維算法的應(yīng)用開啟了人工智能對推薦系統(tǒng)的改造。
人工智能中的負(fù)反饋 ——強(qiáng)化學(xué)習(xí)。
當(dāng)然，我們的描述只用了寥寥百余字，但這百余字背后是百萬行數(shù)量級的復(fù)雜代碼，其實(shí)現(xiàn)實(shí)過程非常復(fù)雜。
司馬賀對學(xué)習(xí)給出了一個(gè)簡單的定義：性能的改進(jìn)就是學(xué)習(xí)。
Deep Mind將深度神經(jīng)網(wǎng)絡(luò)與所有動物都有的通過大腦多巴胺驅(qū)動獎勵(lì)機(jī)制的“強(qiáng)化學(xué)習(xí)（Re-inforcement Learning）”結(jié)合起來，在神經(jīng)圖靈機(jī)、人工智能輔助醫(yī)療以及人工智能安全等方向上取得了頗多建樹。
