自2016 AlphaGo 圍棋戰(zhàn)后，人工智能是確實被點燃起來了。
這是一張來自IT桔子的投資數(shù)據(jù)，可以看到投資的金額是在逐年遞增，整個人工智能行業(yè)越來越火熱，需求的崗位也越來越多。所以先從技術(shù)的角度聊聊什么目前人工智能是怎樣的。前方會有大量理論知識，可以選擇性跳過。
在過去人工智能主流是符號主義學派，他們認為人工智能是建立在數(shù)理邏輯為基礎(chǔ)的。典型的就是我們編程出來的軟件，就是被認為是帶有智能，只是這個智能比較低級。所以人工智能其實沒那么玄，不過確實被過去的一些電影作品，文學作品所夸大了。
我們先聊聊人類智能是構(gòu)成。人類的智能是通過神經(jīng)系統(tǒng)感知，傳遞，存儲，加工，最后做出反應(yīng)。人通過身上的大量的感覺神經(jīng)元，感知外界信息，轉(zhuǎn)換成信號傳送到大腦，然后通過大腦進行加工整合成立體的印象。比如大腦整合蘋果的顏色屬性（如紅色）和形狀屬性（如圓形），得到蘋果就是圓形紅色的結(jié)論。
目前的主流的人工智能流派是連接主義，連接主義學派是仿生的學派。用工程技術(shù)的手段模擬人腦的神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，通過大量的處理器模擬人腦的眾多神經(jīng)元，用處理器復(fù)雜的連接關(guān)系模擬人腦中神經(jīng)元之間的突觸行為，用大量知識，經(jīng)驗進行學習，構(gòu)建出智能。這就是目前的人工智能。
機器學習是人工智能的重要研究方向之一，通過線性代數(shù)(集合，向量，矩陣)來描述特征形成數(shù)據(jù)，以這些數(shù)據(jù)構(gòu)建起概率統(tǒng)計模型，同時運用模型對事情預(yù)測分析，目的是為了解決問題。其實就是我們在大學里的數(shù)學建模嘛。
機器學習的預(yù)測結(jié)果并不一定準確，因為
一任何算法預(yù)測出結(jié)果與所有訓(xùn)練數(shù)據(jù)結(jié)果難以絲毫不差。
二訓(xùn)練數(shù)據(jù)與真實數(shù)據(jù)相比是不完全的，而且會有噪音的存在。
因此在機器學習中誤差難以避免的。典型的問題就是過擬合(過度的貼近訓(xùn)練數(shù)據(jù)的結(jié)果)和欠擬合(未能學習訓(xùn)練數(shù)據(jù)中的關(guān)系)。一般欠擬合可以更換學習算法進行改進，但過擬合是不可避免的。所以在沒有遇見過的樣本的表現(xiàn)(泛化能力)是重要指標之一。
為了降低誤差，人工神經(jīng)網(wǎng)絡(luò)出現(xiàn)了。大腦對信息的加工是復(fù)雜的多次的處理。人工神經(jīng)網(wǎng)絡(luò)其實就是模擬大腦對信息的處理，對信息的多層次的處理，通過權(quán)重的控制，不同特征的提取，降低誤差，讓模型的表現(xiàn)優(yōu)異。深度學習其實就是人工神經(jīng)網(wǎng)絡(luò)的加強版，多加幾層，利用逼近定理讓精度更高一些。不過深度學習還缺少缺乏一些理論基礎(chǔ)，比較前沿，有待驗證，盡管已經(jīng)取得不少結(jié)果。
訓(xùn)練的數(shù)據(jù)帶結(jié)果的，叫監(jiān)督學習。訓(xùn)練的不帶結(jié)果的，更多是為了把訓(xùn)練數(shù)據(jù)進行分類，叫無監(jiān)督學習。各帶一半的，叫半監(jiān)督學習。目前監(jiān)督學習是機器學習的主流任務(wù)。
因此機器學習日常要解決的問題。
一解決誤差問題。(貝葉斯公式，線性回歸，決策樹，交叉驗證，集成學習等等)
二數(shù)據(jù)問題，如噪音，數(shù)據(jù)過多，過少等。（數(shù)據(jù)剪裁，數(shù)據(jù)分類等等）
三性能問題，一個神經(jīng)網(wǎng)絡(luò)可能會包含上100個參數(shù)，每個參數(shù)包含有上100種取值。所以需要調(diào)參，進行一個誤差與效率的折中。
恭喜理論知識到此結(jié)束，然后我們聊聊我的看法和商業(yè)應(yīng)用。
上面有說到，目前計算機的運算能力依然是機器學習發(fā)展瓶頸，所以定制芯片是解決這個問題的解決方案之一。
目前谷歌的tensorflow是主流的機器學習的框架。我看了一些封裝了各種模型調(diào)用就行。但機器學習需要的人是理論基礎(chǔ)比較好的，數(shù)學基礎(chǔ)比較好的，編程只是一種手段，不需要過于精通。
然后到應(yīng)用層，圖像識別，語音處理，文字處理等等這些是應(yīng)用的基礎(chǔ)層，之前理論說到的感知。應(yīng)用方面會有幾個大方面
一決策類。像自動駕駛，智能投放系統(tǒng)，量化交易等等。不過之前的理論有說到過，機器學習是會有誤差的，但人的操作也會有誤差，但機器學習的誤差會來得更低一些，發(fā)揮也會更穩(wěn)定一些，所以會優(yōu)于人工?；蛘呤且恍┹o助決策類。
二替代低端勞動力類。像一些掃地機器人，無人港口，智能客服等等。大幅度的替代傳統(tǒng)人力，生產(chǎn)無人化。
三定制化的服務(wù)類。像推薦系統(tǒng)，智能老師等等。機器學習能計算出一些人類難以手工計算的復(fù)雜度異常高問題，提出多種的解決方案。定制化的服務(wù)就是屬于此類，由標準化與差異化組成。人工是難以做到千人千面，但機器能輕松做到。
人工智能的本身其實是不產(chǎn)生價值的，更多是處于優(yōu)化環(huán)節(jié)，在商業(yè)鏈條上不占據(jù)位置的，價值是在于效率優(yōu)化，這價值要能支撐得起高昂的人才成本。當然也有可能在改造的過程中，造成一些定式的打破，產(chǎn)生新的需求。我認為這波人工智能熱潮的紅利應(yīng)該是傳統(tǒng)行業(yè)，傳統(tǒng)行業(yè)大部分核心業(yè)務(wù)仍需要靠人力輔助來完成，因為機器替代人工的這個效能是能達到10倍以上，這將會是最大的紅利。上面也說到其實機器學習的人才的需求是比較高端的，所以人力的成本會很高。沒有足夠的勢能差是難以推動。互聯(lián)網(wǎng)其實已經(jīng)經(jīng)歷過改造，核心的業(yè)務(wù)其實都已經(jīng)由機器所替代。
當然機器學習并不是萬能的，有要求的
一問題足夠復(fù)雜，因為簡單的用不上
二問題的結(jié)果并不是由隨機，是由軌跡可循的。
三可訓(xùn)練的數(shù)據(jù)能量化(外貌是能量化，但世界觀，文化是難以量化)且數(shù)據(jù)數(shù)量足夠多
四世界是變化的，短期的，變動不太大的，或者周期性變化的領(lǐng)域。
五場景相對小，運算力還難以支持起巨大的場景。
六創(chuàng)意類，機器學習是本質(zhì)上是歸納整理，是需要新的數(shù)據(jù)，才能產(chǎn)生新結(jié)論。
七機器學習是會犯錯，不能是在一些犯錯會造成嚴重后果的領(lǐng)域。所以核導(dǎo)彈還是需要人來控制。
以上是我對人工智能的見解。畢竟我不是從業(yè)人士，只是出于技術(shù)人對技術(shù)好奇，花兩周時間的學習，了解了這是什么東西，所以如有錯漏，歡迎批評指正。本公眾號有本人的聯(lián)系方式。
聯(lián)系客服
