人工智能 未来已来
【导读】大学有位朋友非常喜欢用今日头条看新闻，久而久之发现，今日头条开始只给他推荐喜欢足球队的正面消息， 不免让他觉得有点后怕。这也正是人工智能的神奇之处，通过归纳用户习惯、喜好等，实现智能的定向精准推荐。而2018年港珠澳大桥的自动驾驶秀，又是否让你惊讶呢？智能助理，如苹果Siri、百度度秘、Google Allo、微软小冰、亚马逊Alexa等智能应用，正在为每位用户量身定制私人秘书；智能出行，如滴滴或优步（Uber），人工智能算法不但会帮助司机选择路线、规划车辆调度方案，而将来的自动驾驶技术还将重新定义智慧出行、智慧交通和智慧城市；电子商务，如淘宝、亚马逊等网站，利用人工智能技术为你推荐最适合你的商品等等，可以毫不夸张地说当今的社会遍布人工智能的身影。
那究竟什么是人工智能呢？维基百科给的定义：人工智能是有关“智能主体（Intelligent agent）的研究与设计”的学问，而“智能主体是指一个可以观察周遭环境并做出行动以达致目标的系统”。神经科学家把人工智能的工作原理分为以下三部分：
- Perception through a multi-dimensional datasource（如果我给你一个小物体，问你是什么，你会用眼睛看、手摸、鼻子闻、耳朵听，以便获得关于这件物体的任何信息）
- Pattern recognition within the data set referred in step 1 above（你以前可能看过，也可能没看过这个物体。你的脑海中已经构建了一系列模式，以便对你的生命中遇到的数千个物体进行分类，如果以前看过它，那么这个模式技术将帮你识别、猜测出这个物体是什么，如果你以前没见过，那么可能就无法认出它来）
- Decision making within the given context（当你回忆起你在步骤2中的记忆后，就进入了逻辑论证和评估的过程之中。作为一个人类的思维，我们倾向于合理化事物，并用我们所说的直觉（“gut feeling”）感性地作出决定）
总的来说，人工智能主要通过综合以上模块的系统，能根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。人工神经网络，更平易近人的称呼是深度学习，正在从其传统的保留地（目标识别、模式识别等）走向传统上与标准人工智能相关的领域（推理、逻辑等）。人类知识生成来自于我们将碎片组合起来的过程，而我们推导给定的答案也是通过将碎片化的信息构建到一起。更确切来说，在深度网络上，我们有两种实现组合性（compositionality）的方式。其中一种可被看作是一种并行的方法，而另一种则是序列式的方法。人类可以并行地选择不同的概念来进行组合，然后以非并行的方式来描述世界。这就是分布式表征（distributed representation）的理念，这意味着每一个对象都会被许多属性（这在神经网络中被称为特征（feature））描述，而这些属性配置的数量将会随属性数量的增长而指数式地暴增。世界很复杂，要让机器如人般理解世界，就需要给机器描述大量的知识。为此，需要通过大量的数据来训练机器，从而使其能够以一种类似于人类能力那样微妙的方式来进行理解，因此关于人工智能的表征如公式[1]所示：
人工智能=深度学习+大数据 【1】
目前的深度学习主要是建立在大数据的基础上，即对大数据进行训练，并从中归纳出可以被计算机运用在类似数据上的知识或规律。大数据，是指基于大规模的数据建立有效的模型和工具，进行数据分析以及分析基础上的数据挖掘和智能决策。
深度学习中深是指网络的深度，而人工神经网络可以非常浅。人工神经网络中最小也最重要的单元叫神经元，与生物神经系统类似，神经元相互连接并具有强大的处理能力。
每个神经元都有输入连接和输出连接。这些连接模拟了大脑中突触的行为。与大脑中突触传递信号的方式相同——信号从一个神经元传递到另一个神经元，这些连接也在人造神经元之间传递信息。每一个连接都有权重，这意味着发送到每个连接的值要乘以这个因子。再次强调，这种模式是从大脑突触得到的启发，权重实际上模拟了生物神经元之间传递的神经递质的数量。所以，如果某个连接重要，那么它将具有比那些不重要的连接更大的权重值。由于可能有许多值进入一个神经元，每个神经元便有一个所谓的输入函数。通常，连接的输入值都会被加权求和。然后该值被传递给**函数，**函数的作用是计算出是否将一些信号发送到该神经元的输出。
如果我们观察自然界，可以发现能够“学习”的系统都具有高度适应性。在获取知识之时，这些系统利用外界的输入，修改其已经获得的信息，或者修改其内部结构。更确切地说，人工神经网络基于输入和期望的输出来改变连接的权重。
在实践中，我们会收集一些数据，并基于此创建预测、分类或进行其他处理，这个数据集则被称为训练集。事实上，根据训练期间的行为和训练集的性质，我们可以将学习分为如下几类：
- 无监督学习 ---训练集仅包括输入。网络试图识别相似的输入并把他们分类。这种学习受生物学驱动，但并不一定适合所有问题。
- 强化学习 --- 训练集包括输入，但是在训练期间也会给网络提供额外的信息。 内部机制是一旦网络计算出某个输入的输出，我们就提供信息以表明计算结果是正确的还是错误的，并且可能表明网络错误的性质。
- 监督学习 --- 训练集包括输入和期望的输出。通过这种方式，网络可以检查它的计算结果和期望输出相不相同，并据此采取适当的行动。
人工智能面临的三大难题
深度学习崛起带来人工智能的春天，但研究人员仍面临着各种问题：缺乏足够的数据来训练深度学习系统；无法制造同时处理多项任务的人工智能；不知道如何让这些系统运转起来。具体表现在以下三方面：
- 先收集数据，然后获得人工智能（人工智能需要获取数据进行训练以感知世界，但往往忽略到底需要多少数据。仅仅获取人类用于理解和识别所需的信息量是不够的，这些系统需要数百乃至数千倍这样的信息以供训练）
- 人工智能必须能够同时应付多任务处理（深度学习面临的另一个重要问题：事实上，目前的系统几乎都是一根筋。要解决这个问题，我们可能会需要一种先进神经网络，它可以整合一些不同的深度学习系统，作为接收者，为它们传递信息）
- 只有你能展示你的工作方式的时候才是真正的智能（神经网络通常对观察者来说是难以理解的。尽管我们知道它们是如何创建的和输入它们的信息，但它们得出特定决策的原因却通常是无法解释的）